[发明专利]一种基于RBF神经网络参数自优化的水质多步预测方法

说明书

技术领域

本发明涉及一种水质预测方法，尤其涉及一种基于RBF神经网络参数自优化的水质多步预测方法。

背景技术

饮用水安全事关国计民生，对水质进行实时预测分析，可以有效控制和减少水质恶化造成的危害，达到对水质恶化的有效认知、控制的目标。另外，及时有效的水质多步预测可以为水厂赢得更多的应急响应时间。

目前国内外主要研究单步水质预测方法，单步水质预测包括基于机理的建模、基于智能的建模两个方面，由于水环境系统复杂多变，其细节机理并不能完全了解，而后者对机理不明确的高维非线性系统具有良好的信息处理能力，近年在水质预测中得到了广泛的应用。神经网络具有强大的自组织、自学习、并行处理信息和非线性容错能力，是国内外研究的热点，但仅知道下一个时间点的预测值，并不能为水质预警系统提供足够长的应急处理时间，所以有必要引入多步预测的方法。

发明内容

本发明的目的在于提出了一种基于RBF神经网络参数自优化的水质多步预测方法，不仅满足多步预测精度的要求，还很好地实现了智能化的水质预警。

本发明的目的是通过以下技术方案来实现的：一种基于RBF神经网络参数自优化的水质多步预测方法，包括如下步骤：

（1）通过在线水质监测仪器的远程传输，将各个监测站的数据存到本地服务器的数据库中，形成水质样本序列，便于对水质参数进行分析；所述用来评价水质优劣的水质参数包括：pH、电导率、浊度、溶解氧、温度、氨氮、余氯和高锰酸钾指数等；

（2）对水质样本序列进行归一化处理，通过计算自相关系数确定RBF神经网络的输入变量，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式：水质样本序列为                                               ，按照对数据进行归一化处理，其中，和分别是中的最大值和最小值；自相关系数的计算如下式所示：

 ，               

式中，为自相关函数，为待求的自相关系数，为水质时间序列的长度，n为水质样本序数，为水质样本。

自相关系数的范围为，设定相关系数阈值，当时，，故RBF神经网络的输入向量构造为。根据预测问题实际需求及样本数据特点确定训练样本的长度，得到网络的输入输出对，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式；

（3）以误差标准差作为目标函数，利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值，得到最优的预测模型：利用newrbe函数建立RBF神经网络，利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值；微分进化算法是一种浮点编码的基于种群进化的全局优化方法，即求解最小的问题，其中为spread，目标函数为误差标准差表示如下式：

  ，

其中为原始的水质序列，为预测的水质序列，为训练样本长度；

（4）实时采样水质数据，用步骤3得到的最优预测模型，采用单点迭代的方法实现多步预测，并评价水质预测结果，实现预警的作用；如果超出正常范围则立即报警。

本发明的有益效果是，本发明提出通过自相关系数确定RBF神经网络输入变量的单点迭代法，改善了多步预测的效果，同时利用微分进化算法搜索扩展系数spread的最优值，实现了高效的智能化自动化预警。

附图说明

图1是利用自相关系数确定RBF神经网络输入的方法图；

图2是水质参数（以pH为例）的序列自相关系数图；

图3是利用微分进化算法进行spread参数选择的原理图；

图4是spread的微分进化算法搜索结果图；

图5是水质参数（以pH为例）的4步预测结果图；

图6是水质参数（以pH为例）的4步预测误差曲线图。

具体实施方式

本发明基于RBF神经网络参数自优化的水质多步预测方法的步骤如下：

1、通过在线水质监测仪器的远程传输，将各个监测站的数据存到本地服务器的数据库中，形成水质样本序列，便于对水质参数进行分析。

用来评价水质优劣的水质参数主要有常规五参数（pH、电导率、浊度、溶解氧、温度）、氨氮、余氯、高锰酸钾指数等，各地监测站点的不同水质参数传感器每隔15分钟测一次，每测一次数据就将数据存入到数据库服务器中，根据不同的站点和不同水质参数建立数据库中的表，该数据库用来保存从各监测站点监测的所有原始数据，便于对水质参数进行分析处理。