自适应人工鱼群-BP神经网络算法在径流预测中的应用

为了提高水库和河流中长期径流预测精度,提出了弹性自适应人工鱼群算法(RAAFSA)。应用RAAFSA算法训练BP神经网络,实现BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对石泉水库进行中长期径流预测。仿真计算表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法、人工鱼群-BP神经网络算法和RBF神经网络算法。该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,每次预测相对误差绝对值都小于6%,合格率达到100%。该算法成功地解决了石泉水库中长期径流预测精度不高的难题,可有效用于水库和河川中长期径流预测。     

城市污水量短时预测的混沌神经网络模型

通过分析进水水量时间序列的非线性动力学性质,认为该时间序列具有混沌特性.在此基础上,通过相空间重构的方法建立了用于城市污水水量短时预测的混沌神经网络模型;并利用此模型对污水厂的进水水量进行短时预测,取得了较为满意的预测效果.     

污水厂出水COD预测模型的对比分析

根据污水厂日报表中的数据分别建立了ARMA、逐步回归分析、基于回归分析的神经网络模型和基于时间序列分析的神经网络模型,通过比较选择了基于时间序列分析的神经网络模型作为对污水厂出水COD的预测模型,其平均预测精度为85%,取得了满意的预测结果,有利于克服根据在线监测调整工艺参数的滞后性的缺陷,保证出水水质.     

基于修正组合模型的青海省城市需水量预测

根据城市用水量系统具有非线性和随机波动性的特点,为了充分发挥组合灰色神经网络预测模型能够综合单变量预测及非线性处理的优势,同时降低组合权系数计算方法的不确定性对模型预测效果的影响,论文提出了基于马尔科夫链修正的组合灰色神经网络预测模型。将其应用于1980—2009年青海省城市用水量序列的拟合分析,并预测其2010、2015以及2020年的城市需水量。结果表明:基于马尔科夫链修正的组合灰色神经网络预测模型预测结果的误差更小,精度更高。     

基于遗传算法的人工神经网络在降水酸度预测中的应用

在误差反向传播(Back Propagation)算法的人工神经网络结构模型的基础上，应用遗传算法训练神经网络权重，实现网络结构的优化。用优化后的BP人工神经网络建立了江西省南昌市的降水酸度预测模型。并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的人工神经网络优于BP算法及多元线性回归法，具有良好的预测效果。     

基于自适应调整蚁群-RBF神经网络模型的中长期径流预测

径流预测历来是水利部门的一项重要工作,针对水库和河流中长期径流预测精度不高,提出了自适应调节人工蚁群算法(ARACS),对RBF神经网络参数进行优化,建立了自适应调节人工蚁群-RBF神经网络组合算法(ARACS-RBF)预测模型,综合考虑影响径流预变化因素,对安康水库进行中长期径流预测。对预测效果进行检验,结果证实该模型可真实地反映河川径流变化的总体趋势, 并为判断时间序列数据的非线性提供了一种新方法。与RBF神经网络模型、人工蚁群-RBF神经网络模型预测结果进行对比,结果表明,应用ARACS-RBF模型对中长期径流量进行预测,预测精度更高、效果更好。该方法克服了RBF神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了径流预测的精度,置信度为98%时的预测相对误差小于6.5%。可有效用于水库和河川中长期径流预测。     

基于图深度学习的供水管网短期需水量预测研究

供水系统短期需水量预测是供水管网优化调度的基础,预测的准确性对供水调度有重要影响。图神经网络是一种新型神经网络架构,通过学习对象的拓扑特征优化学习效果。利用供水管网的拓扑特征搭建了图波网络(Graph Wavenet)模型,用于学习供水管网各监测点的空间拓扑关系及其需水量时间序列关系,实现了更准确的供水管网短期需水量预测。使用真实管网历史数据训练Graph Wave Net模型,未来5 min预测的最小百分比误差达到1.28%,平均百分比误差达到1.34%。实验成功地将给水管网拓扑结构用于优化深度学习模型效果,使用图卷积网络模型有效提升了供水管网短期需水量预测精度。并对图神经网络在供水管网领域的应用前景进行了简要探讨。     

基于PCA和BP神经网络的中南公路岩质边坡稳定性预测

综合利用主成分分析法(Principle Component Analysis,PCA)对影响公路岩质边坡稳定性的6个因素进行主成分提取,提取的4个主成分作为BP神经网络的输入变量,边坡状态作为输出变量,并采用Levenberg-Marquardt(LM)算法优化BP神经网络,建立了基于PCA-LM-BP神经网络的公路边坡稳定预测模型。结合中南公路岩质边坡工程实例,将PCA-LM-BP神经网络模型的预测结果与LM-BP神经网络模型、BP神经网络模型预测结果进行对比。结果表明:基于PCA-LM-BP神经网络的预测模型精度较高,可为预测中南公路边坡稳定性提供一定的依据。     

规范变换与误差修正结合的环境系统的前向网络和投影寻踪预测模型

为了建立适用于环境系统的结构简洁、形式统一、程序规范、应用普适的神经网络和投影寻踪回归预测模型,针对传统的神经网络和投影寻踪回归用于多因子、大样本预测建模,存在模型结构复杂、学习效率低的局限,提出设置环境系统预测量及其影响因子参照值和规范变换式的原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子,从而将多因子的的预测建模简化为等效规范因子的预测建模,使模型结构得到极大地简化,提高了学习效率;此外,为了提高预测模型的预测精度,还提出了对预测样本的模型输出值的误差修正公式.在对环境系统的预测量及其影响因子进行规范变换的基础上,将m个规范影响因子的每个建模样本组成m个"等效"训练样本,应用免疫进化算法优化模型参数,分别建立适用于环境系统的2个或3个规范影响因子的前向神经网络和投影寻踪回归两类预测模型;并依据误差理论,对误差修正公式修正后的模型预测精度的提高进行了严格的数学论证.将基于规范变换与相似样本误差修正相结合的两类预测模型,用于某市5个点位的SO_2浓度预测,并与6种传统预测模型和方法的预测结果进行了比较.结果表明:对同一个预测样本,同类模型的两种不同结构的的预测值及其相对误差都几乎完全相同或彼此相差甚小;此外,两种不同结构的两类预测模型用于5个样本预测,其相对误差绝对值的平均值分别为2.59%、2.67%;2.18%、2.62%,均远小于传统BP神经网络模型的25.72%、传统PPR模型的14.20%、传统SVR模型的22.13%、模糊识别模型的21.57%、组合算子模型的18.36%和多元回归模型的25.31%;而两类模型预测的最大的相对误差绝对值分别为4.11%和3.57%,更加远远小于传统的6种预测模型的37.18%、56.07%、27.40%、32.14%、38.38%和60.26%.实例分析结果证实了误差修正公式对提高模型预测精度具有切实可行性.基于规范变换与误差修正相结合的前向神经网络和投影寻踪回归两类预测模型不仅避免了"维数灾难",提高了学习效率和模型的预测精确度,而且具有简洁、普适、规范、统一和稳定的特点,对其他预测建模也有借鉴作用.     

大气中SO2浓度的小波分析及神经网络预测

应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型.采用主成分分析进行输入变量降维.在BP网络训练过程中,往往会出现过拟合的现象,为此,在训练过程中,将样本等间距地分离为训练集和验证集来防止这个问题.为了消除网络的权值初始化对学习系统复杂性的影响,采用了5个子网络输出取算术平均的神经网络集成的方法.预测结果表明,该模型应用于SO2浓度预测具有较高的预测精度和良好的推广能力,而且明显优于一般的神经网络模型.     

城镇污水处理厂低浓度进水原因分析及提升措施

城镇污水处理厂进水浓度偏低是污水治理提质增效的难题之一。以无锡市某污水处理厂为例,基于水质分析和调研资料,采用水量平衡三角法分析了进水浓度偏低的原因分析,提出了整治措施。分析结果表明:该厂进水中地下水或河水渗入量和雨水混入量比例分别为28.9%和9.8%;晴天时进水浓度偏低的原因为污水管网渗漏和低浓度工业废水纳管,雨天时进水浓度偏低的主要原因是小区管网雨水混入,COD和BOD₅降幅分别可达到65.4%和52.9%。针对上述问题,提出了完善排水管理体制、工业企业排水实行三管分设整改、细化管网渗漏的检测排查和有效修复、加强管网验收和质量监管、尽量降低管网水位4项整治措施。     

人工智能技术对长江流域水污染治理的思考

随着经济的快速发展和城市化进程的不断加速,促使水污染严重的长江流域需从污染物去除过程的建模与优化、污水处理过程的优化控制、水污染监测系统的构建开展水污染治理研究.传统的水污染处理技术存在污染物去除效率预测精度较低、污水优化控制成本较高、水污染监测滞后效应严重的问题.人工智能技术能够有效克服上述问题,因此通过梳理国内外学者利用人工智能技术在污水污染物去除过程的建模与优化、污水处理过程的优化控制及水污染监测系统的构建等方面的研究成果,为全面加强长江流域水污染治理能力提供科学可靠的技术指导.结果表明:①利用人工神经网络技术（径向基神经网络、多层前馈网络-人工神经网络、多层感知器神经网络）对污水污染物去除过程进行建模与优化,为精确预测长江流域重金属（Cr、Cu）、营养盐（TN、TP）、持久性有机污染物〔PBDEs（多溴二苯醚）、HCH（六氯环己烷）〕的去除率提供重要参考价值.②采用污水处理的自动控制技术与人工智能技术（递归神经网络、支持向量机、模糊神经网络等）构建污水智能控制系统,为长江流域实现高效节能的污水优化控制提供重要的技术指导.③利用在线监测仪器和人工智能技术（小波神经网络、多元线性回归-人工神经网络、叠层去噪自动编码器等）建立水污染智能监测系统,为解决长江流域水污染监测响应滞后问题提供有力的技术支持.因此,人工智能技术对长江流域提高污水污染物去除率,降低污水优化控制成本,提升水污染监测时效性具有重要的推广价值.      

系统化监测方法在污水处理提质增效中的应用

基于在线监测与人工水质相结合的方法,通过大量背景数据的收集,制定了系统化的监测方案,实现了区域内各污染物负荷的定量化分析工作。结果表明:在提质增效的"挤外水"中,污水管道入渗地下水的去除可将污水厂水质浓度提高36.01%;工企业污水的污染物负荷贡献率较低,部分企业需在预处理后继续排入污水处理厂;"收污水"中,对水厂浓度提高影响较大的是城乡接合部散排污水,全部纳管收集后,污水厂水质浓度将提高30.30%。同时,雨水管网混流污水与过河管道漏失污水虽对污水厂水质浓度的提高影响较小,但也会带来水体污染的危害,仍需进行改造纳管。     

BP神经网络在流溪河水库径流量预测中的应用

流溪河水库是广州市的主要饮用水源地,所属地区降雨量年际变化大,不利于水资源的优化配置。对流溪河水库径流量进行预测研究,可为其水资源的优化配置提供科学依据。目前人工神经网络(ANN)技术在水文序列模拟预测中有较多的应用,本文根据流溪河水库1959~2000年水文数据,利用BP神经网络对径流量进行预测,从模型检验结果看,所建模型有较好的拟合效果和预测精度,说明神经网络在预测径流量方面有良好的实用性。     

城镇污水处理厂进水中地下水、河水及雨水混入比例研究

进水污染物浓度低及比例失调是目前许多城镇污水处理厂面临的问题,然而鲜有关于渗漏来源及定量分析的相关文献报道。为定量分析河水、地下水、雨水、管道中污染物降解等因素对污水浓度降低的影响,通过水量平衡三角法,并结合典型位点的24 h采样测试分析及S-P降解模型,对目标城镇污水处理厂进水组成进行分析。历史水量数据结合降雨情况分析表明,该污水处理厂进水中实际原生污水量仅为60.0%左右,其余40.0%左右为地下水及河水渗入量或雨水混入量。在连续晴天无降雨的情况下,小区自建管网和市政排水管网是主要的渗漏源,其对于进水有机物浓度降低的贡献分别为20.2%和26.4%。此外,在25 mm降雨量情况下,小区自建管网是主要的渗漏源,对于进水浓度降低的贡献达到39.5%。因此在污水处理提质增效工作中,小区自建管网的完善程度应引起关注。     

染料废水处理工程实例

某染料厂采用预处理-水解-A/O组合工艺处理染料废水.染料废水收集后,首先进行微电解、Fenton催化氧化、絮凝沉淀预处理,其出水和厂内生活污水在水解池内混合后,经A/O生化处理后排入园区污水管网,送至园区污水处理厂集中处理.运行结果表明,该工艺处理效果良好,出水水质达到所在化工园区污水处理厂废水入水水质要求.废水处理工程总投资100万元,运行成本为10.6元/吨.     

利用复介电常数和BP人工神经网络进行浓度预测的研究

制备了一定含水率不同浓度的CuCl2的PVA样品,用微波矢量网络分析仪和微波传感器测量S11参数,计算得到相对复介电常数。以样品相对复介电常数的实部、虚部及对应频率作为输入,以CuCl2溶液的浓度作为输出,建立BP人工神经网络模型。用训练样本集对网络训练后,检验样本的预测结果与实际值最大误差为0.97%。结果表明,利用复介电常数和BP人工神经网络进行浓度预测是一种很好的方法,进而为环境监测提供了方法依据。     

利用人工神经网络对空气中O3浓度进行预测

将人工神经网络应用于对空气中O3的浓度预测,提出了完整的预测模型,选取风速、风向、相对湿度、云量、平均气温、最高气温等6项气象因子作为输入量,经过两个月的预测实验,结果表明,实测值与预测值的平均相对误差为21.49%,相关系数为0.837.表明人工神经网络对O3的浓度预测是一种有效的工具.     

基于深度学习和物联网技术的智慧污水管控系统

在智慧城市建设中,水资源的智慧化管理是其不可或缺的一环,智慧水务对促进城市的长期健康发展意义重大。以青岛市某精细化工厂为例,将人工智能技术与物联网技术相结合并运用于该化工厂智慧污水管控系统中,通过一系列传感器采集动态数据,实现对水质质量的实时监测。该智慧污水管控系统应用深度学习中的长短期记忆(Long Short-Term Memory,LSTM)神经网络对设备故障进行预测,设计并实现了基于强化学习和专家系统的智能运行模块对该污水处理装置进行管理。初步实验结果表明:该系统可以实现对小型化、分布式的智慧污水管控系统的智能运行和预测性维护,具有可行性且运行稳定。