[发明专利]一种厂网河一体化模型参数优化方法

说明书

一种厂网河一体化模型参数优化方法，属于城市管网系统规划技术领域。解决了现有的厂网河一体化模型参数优化对专业人员工程经验要求较高,存在效率低、耗时长的问题。本发明利用厂网河一体化模型的参数和预测结果，构建RBF径向基神经网络；利用正交最小二乘法对RBF径向基神经网络进行训练；通过模型参数影响排行解析，确定模型优化关键影响参数；利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化，获得各参数的最佳取值区间。本发明适用于城市厂网河一体化模型参数优化使用。

技术领域

本发明属于城市管网系统规划技术领域。

背景技术

城市厂网河水系统由污水处理厂、管网、河流组成，负责收集、输送和处理城市生产、生活过程中产生的雨水和污水，显著影响城市水环境质量和水生态安全。“厂网河一体化”是以流域水质达标为目标，对流域内所有河、闸、站、雨污管网及污水厂进行统一调度、统一规划和一体化管理，确保城市排水系统安全高效运转。

城市厂网河水系统水力水质模型，可以模拟评价厂网河排涝减灾和控源截污能力，指导厂网河的高效运行，打破传统模型污水处理厂、排水管网、河流水环境间割裂关系，是实现“厂网河一体化”的核心技术之一。模型参数赋值对模型预测结果精度有重要影响，决定“厂网河一体化”模型应用效果。

厂网河一体化模型耦合了污水处理厂、排水管网、河流水环境等多种模型核心功能，包含100余个相互关联的模型参数，参数优化极为困难。传统人工优化方法过度依赖专业人员工程经验，对优化结果的主观影响大，同时存在效率低、耗时长等问题。

发明内容

本发明目的是为了解决现有的厂网河一体化模型参数优化对专业人员工程经验要求较高,存在效率低、耗时长的问题,提出了一种厂网河一体化模型参数优化方法。

本发明所述一种厂网河一体化模型参数优化方法，具体包括：

步骤一、利用厂网河一体化模型的参数和预测结果，构建RBF径向基神经网络；

步骤二、利用正交最小二乘法对RBF径向基神经网络进行训练；

步骤三、通过模型参数影响排行解析，确定模型优化关键影响参数；

步骤四、利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化，获得各参数的最佳取值区间。

进一步地，步骤一所述利用厂网河一体化模型的参数和预测结果，构建RBF径向基神经网络的具体方法为：

步骤A1、利用厂网河一体化模型的参数构建RBF径向基神经网络输入层；

步骤A2、利用厂网河一体化模型的河流断面流量与污染物浓度构建RBF径向基神经网络输出层；

步骤A3、利用高斯函数作为基函数，构建RBF径向基神经网络隐含层，完后建RBF径向基神经网络的构建。

进一步地，步骤二中所述利用正交最小二乘法对RBF径向基神经网络进行训练的具体方法为：

步骤B1、对隐含层回归向量正交获得回归模型，利用正交最小二乘法对所述回归模型进行选择，将误差平方和最小的回归算子作为隐含层的回归算子；

步骤B2、利用平均距离法选取隐含层的宽度；完成对RBF径向基神经网络隐含层的设置；

步骤B3、将厂网河一体化模型参数与模型预测结果作为输入模式对，对RBF径向基神经网络进行训练。

进一步地、步骤三所述的通过模型参数影响排行解析，确定模型优化关键影响参数的具体方法为：将各参数在隐含层中线性加权权重变化对RBF径向基神经网络的训练结果影响力进行排行，选取影响能力权重排行前5的模型参数作为模型优化关键影响参数。