大伙房水庫水質的BP神經網絡模擬預測

(遼寧省水文局，遼寧 沈陽 110000)

1 概 述

大伙房水庫位于撫順市境內，是遼寧省內一座重要的城市供水、灌溉、防洪、發電、養殖等綜合利用的大型調節水庫。水庫總容量21.81億m3，年均供水10.8億m3，呈東西帶狀河谷形，長約37km,水面最寬處約4km，分布在撫順、新賓、清原3個縣城之中，流域面積5437km2。近年來，由于氣候變化、極端暴雨沖刷加之水庫區管理手段滯后等原因，致使水庫內營養鹽流入增多，造成藻類滋生水質惡化。水體表現為復雜的物理、化學及生物作用，因此建立可靠的水質模擬預測模型至關重要。

2 水質模擬預測

水質模擬預測是水環境質量影響評價、污染物排放總量控制指標制定以及正確認識水環境功能，實現水資源可持續開發利用的重要依據。影響水質變化的原因可概括為外因和內因兩方面共同作用。內因指水域內水體的物理、化學、生物等變化；外因指外界環境改變而導致的水域內水質的變化，例如：污染物進入水體、農業非點源污染等。在內、外因素相對穩定的情況下，水域在每年同一時期水質的變化規律也相似。目前，國內外應用的水質預測模型有很多種，依據的理論基礎不同，大致可以歸納為5類：水質模擬模型預測法、數理統計預測法、灰色系統理論預測法、混沌理論預測法和神經網絡模型預測法[1-3]。本文以大伙房水庫作為研究區域，采用BP(Back Propagation)神經網絡算法對主要污染物DO、CODMn、BOD5、NH3-N、TN、TP的6項指標進行模擬預測研究。

2.1 BP神經網絡原理及模型建立

BP神經網絡預測有良好的自適應能力和記憶功能，能學習和存儲大量的輸入—輸出模式的映射關系，對非線性和不確定性的對象均可預測，且不需要事前揭示模型水質變化的內部物理、化學、生物等演變過程[4]。BP神經網絡模型的學習規則是利用最速下降法，通過反向傳播來調整網絡的閾值和權值，得到最小的網絡誤差平方和。運算過程分為前向和反向傳播過程，前向：給定網絡輸入經輸入層、隱藏層、輸出層處理后，得到一個輸出。反向：若輸出結果與期望輸出的誤差不合理，則修正連接權值，將誤差值沿網絡反向傳播，直至網絡輸出誤差減小到允許范圍內或達到設定的訓練次數為止。BP神經網絡法構建模型，可用不同的非線性函數關系構建其非線性過程,可靈活探索水質變化規律。

圖1 BP生境網絡水質預測模型結構

2.2 BP神經網絡訓練樣本的選擇及處理

搜集大伙房水庫2011—2015年中5個水質監測點的6項指標數據作為輸入樣本建立神經網絡(訓練樣本)。圖2為大伙房水庫水質監測點位置圖，撫順取水口的指標數據作為輸出層神經元，分別對6項指標進行模擬預測，將2016年的監測數據作為測試樣本驗證網絡精度。訓練樣本的預處理選用《地表水環境質量標準》(GB3838—2002)作為網絡的學習樣本采用linspace函數等間隔均勻分布方式內插生成訓練樣本，進行樣本補充。對樣本采用prestd函數進行歸一化處理，避免量級的差別影響網絡精度[6]，歸一化后數據,見表1。

圖2 大伙房水庫水質監測點

表1 BP網絡水質模擬預測模型歸一化后訓練樣本 (單位：mg/L)

2.3 BP神經網絡模擬訓練結果

水質模擬預測模型對2011—2015年大伙房水庫主要污染物模擬預測，撫順取水口的6項指標預測效果良好，絕對誤差均在允許范圍內(<0.01)，BP網絡模擬成功。水質模擬訓練結果見表2。

續表

3 BP神經網絡水質模擬預測模型驗證

模型訓練后各層間的閾值和權值已確定，將2016年的測試樣本輸入網絡，驗證輸出值與實際檢測值的相對誤差，是否達到所需精度，測試結果見表3。驗證結果絕對誤差為0.229%～9.1%，滿足精度要求。所以訓練后的網絡可用于大伙房水庫撫順取水口的水質預測。

表3 水質模擬預測仿真結果 (單位：mg/L)

4 結 語

本文選取大伙房水庫2011—2015年6個監測點水質污染指標數據作為輸入樣本，輸出層神經元用撫順取水口的水質數據。用2016年的水質數據作為網絡驗證，結果表明：經模擬訓練后的模型預測效果良好，相對誤差在允許范圍之內(0.229%～9.1%)。BP神經網絡預測法具有預測精度高、建模簡單、計算速度快、預測結果好的特點，不足之處就在于對水質變化的原因無法做出分析。在實際應用過程中，BP神經網絡預測法適應性強、對數據依賴性小，可用于短期和長期大伙房水庫水質指標變化的預警預報系統中[7]。近年來大伙房水庫水質主要受人類活動和自然環境變遷的影響，特別是礦山開采、工業生產、生活垃圾、農業非點源、畜禽及水產養殖等因素的影響變化較大[8]。受資料可獲取性和BP神經網絡模型本身的復雜程度的限制，本文未對影響水質變化的因素進行描述和分析，只考慮了大伙房水庫各水質指標的2016年數據，關于引入影響水質變換因素分析的模型，更全面對水質變化進行預測還有待于日后研究加以完善。

[1] 王曉萍,孫繼洋,金鑫.基于BP神經網絡的錢塘江水質指標的預測[J].浙江大學學報:工學版,2007,41(2):361-364.

[2] 李如忠.水質預測理論模式研究進展與趨勢分析[J].合肥工業大學學報:自然科學版,2006,29(1):26-30.

[3] 趙英,崔福義,郭亮,等.基于BP神經網絡的天津于橋水庫CODMn預測研究[J].南京理工大學學報:自然科學版,2008,32(3):376-380.

[4] 郭慶春,何振芳,李力,等.BP人工神經網絡模型在太湖水污染指標預測中的應用[J].南方農業學報,2011,42(10):1303-1306.

[5] Hecht-Nielsen R.Kolmogorov’s Mapping Neural Network Existence Theorem[C].Proceedings of the international conference on Neural Networks, New York:IEEE Press,1987.

[6] 韋安磊.污水處理過程數學模型方法及其關鍵技術研究[D].長沙:湖南大學,2010,11-13.

[7] 張青，王學磊，張婷，等.基于BP神經網絡的洪湖水質指標預測研究[J].濕地科學,2016,14(2)：212-218.

[8] 賈磊.大伙房水庫水質預測模型研究[J].水電能源科學，2016,34(8)：15-19.