基于BP神经网络的东江下游咸潮预测模型_数学建模论文

论文导读:：东江自2004年以来受到潮汐、上游径流量影响频繁发生咸潮，影响到居民、生产用水。本文以东江2009年10月~12月的潮位、上游径流量、咸度历史数据为基础，利用BP神经网络建立东江下游咸潮预测模型，并应用该模型对东江下游盐度变化进行了模拟和预测。研究结果表明，该模型简单，操作方便，具有一定的实用性，对抗咸、合理分配水资源起到重要的指导作用。
论文关键词：咸潮，东江，神经网络

 

东江为珠江三大干流之一，发源于江西省寻乌县，由东向西流经龙川、惠州等地，于东莞桥头镇进入东莞市，流经约20公里至石龙分为南、北二大干流进入河网区，经东莞虎门出海。整个东江下游近入河口处，受径流和潮汐共同影响,海水随着海洋潮汐涨潮流沿着东江河口的主要潮汐通道向上推进,成为感潮河段。东江下游分布了东莞市主力水厂，咸水上溯将影响当地的供水水质。当水体含氯化物浓度超过250mg/L时数学建模论文，就不能满足供水水质标准,影响城镇生活供水。自2004年开始，每年的11月至次年2月易遭受咸潮的侵袭。2004年底东江径流量比多年同期减少约五成，咸潮持续了近六个月，东莞部分水厂因为氯化物超标停止取水，对当地居民生活和工农业用水造成极大的影响。

咸潮发生的机制十分复杂,受径流、潮汐、河口等多个因素共同影响，且各个因素之间有着复杂的联系，同时所需的观测资料不完整，因此难以用数学模型准确地描述咸潮的发生规律，而采用数理统计方法只能确定“点”到“点”的关系,不能描述咸潮空间变化的连续过程,具有一定的局限性。真正意义上的咸潮预报模型方面的研究与应用不多见，以基于偏最小二乘回归与支持向量耦合建立的咸潮预报需要有较高的编程程序^【1】，在实际应用中具有一定难度。人工神经网络是近年来发展起来的一种受到人脑和神经系统启发而创建的计算方法，根据以往的数据找到一种比较精确的方法使得预测结果与实际情况相符合，预测的结果具有很高的信任度^【2】论文下载。因此，本文以东江下游2009年10月~12月的实测统计资料为基础，建立通过人工神经网络的耦合潮位、上游径流量、咸度等因子建立咸潮预测模型，能为合理分配现有水资源、水厂抗咸提供可靠的依据。

1 BP神经网络原理

统计模型中,常采用回归分析方法,对事先拟定的因子进行筛选和系数求解,但当拟定的因子样本数较少且因子之间存在严重的相关性时,会导致分析失效^[2]。人工神经网络能够通过大量简单的神经元广泛互连形成的复杂的非线性系统。它不需要任何先验公示，就能从环境变量和待预测水质指标的历史数据之间中自动地归纳规则数学建模论文，获得这些数据的内在规律，具有很强的非线性映射能力，特别适合于因果关系的非确定性推理、判断、识别和分类等问题。其中的BP网络算法使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差，是目前运用最广泛、最为成功的一种算法^【3】。

BP 算法“训练”的过程可以分为向前传输和向后传输两个阶段：

1、向前传输阶段

（1）从样本集中取一个样本,,将输入网络。

（2）运算过程中，对数据的取值采集的各数据单位不一致，可对数据采用归一化方法处理。

（3）计算出误差测度和实际输出

（4）对权重值各做一次调整，重复这个循环，直到。

2、向后传播阶段――误差传播阶段

（1）计算实际输出O与理想输出地差

（2）用输出层的误差调整输出层权矩阵

（3）

（4）用此误差估计输出层的直接前到层的误差，再输出层前导层误差估计更前一层的误差。如此获得所有其他各层的误差估计。

（5）并用这些估计实现对矩阵的修改。形成讲输出端表现出的误差沿着与输出信号相反的方向逐级向输出端传递的过程。

网络关

于整个样本集的误差测度：

2 东江下游河道咸潮预测模型的建立

根据多年的历史观测资料，东江下游咸度一方面受上游径流量大小的影响(上游来水量越小,咸度值偏高的可能性越大,反之亦然),另一方面还与涨落潮的潮位紧密相关^[4-5]。因此,本文选取博罗水文站记录的上游径流量、东江河口潮位、东江下游大王洲桥的咸度作为本模型的自变量和因变量（见图1）。根据2009年10月~12月的实测资料，首先选用2009年10月共60日的数据，对模型进行训练和模拟，建立东江下游月时段水量预测模型。

在应用BP网络运算过程中，输入向量有2个元素数学建模论文，输出向量有1个元素，所以网络的输入层有5个结点，输出结点1个，采用3层BP网络结构，即网络只有1个隐含层，当隐含层节点为4个时，所建模型具有相对较小的模拟误差，因而，隐含层节点设置为4个。网络的训练目标为0.001，最大训练次数为20000次。为了防止网络发生过度拟合，训练方法采用泛化能力较强的贝叶斯正则化方法论文下载。整个过程通过大量的试验计算获得，这无形增加了研究工作量和编程计算工作量，Matlab软件提供了一个现成的神经网络工具箱，为解决这个矛盾提供了便利条件。

图1 东江下游地理位置图

3讨论

为检验模型的预测效果，运用前面已训练过的用2009年12月共18日的咸潮情况进行预测，预测值和实测值见表2，结果显示数学建模论文，通过bp人工神经网络模型，以径流及潮差变化预测咸潮的方法是可行的,对咸潮的预测基本符合实际情况。

二十世纪九十年代，东江100m³/s的流量可以将咸潮压制在东江万江――中堂入海口处。2004年东江剑潭枢纽工程建设竣工后，上游径流流速减慢，对东江河道输砂量的拦截作用增大，下游河道的水位呈下降趋势并降到海平面以下，水力坡降的压咸作用消失^【6】，海水入侵由原来的主要受流量影响转变为受潮汐和流量共同影响。从实测数据来看,由于潮差的半月变化直接影响到潮流的强弱,大潮（为农历十五至十八）时,咸潮强度大,上溯距离长，上游径流量要增加。整个东江下游作为感潮河段，一般情况下，上游径流量只要维持在270m³/s就能将咸潮线控制在万江至中堂一线以下。但是，在初一、十五大潮时段，如果上游压咸的需水量无法维持到360m³/s，咸潮有可能越过第二水厂，上溯到石龙段。2009年12月1-9日,大潮前后，潮位超过了1.00m，上游径流量最大仅为348m³/s数学建模论文，东莞市第二水厂的取水口氯化物浓度出现峰值，曾一度停产，影响正常生产；2009年12月16日-20日，小潮前后，由于上游径流量大幅度增加至370m³/s，咸潮无法达到第二水厂，保障了生产水厂的正常取水。

表1 2009年12月东江上游流量、河口潮位的实测值

表2 2009年12月大王洲桥咸度预测值和实测值对比表

4结论

本文对东江下游河道压咸的需水量进行了模拟预测,精度较高,说明BP人工神经网络模型对学习样本的模拟效果也较为理想,能够很好的对实际数据进行拟合，预测的结果具有很高的信任度，利用训练好的神经网络对于咸潮预测问题具有良好的推广型，对实际生产生活有很大的指导意义，其结果可作为东莞市水资源的合理科学配置和管理提供技术支持。但由于资料较少,还存在提高精度的空间,对咸潮预报方法开展需进一步研究。

参考文献：
[1]刘德地,陈晓宏.基于偏最小二乘回归与支持向量机耦合的咸潮预报模型[J].中山大学学报(自然科学版), 2007,（04）：89~92
[2]李适宇，厉红梅、林亲铁.深圳市供水量BP神经网络预测[J].给水排水，2004,30（12）：105~108
[3]石玉文，张远四，单友良.神经网络在城市供水量预测中的应用[J].计算机与数字工程，2009,37(165)：35~39
[4]胥加仕,罗承平等.近年来珠江三角洲咸潮活动特点及重点研究领域探讨[J].人民珠江， 2005，（02）：21~23
[5]王津，陈南，姚泊等.珠江三角洲咸潮影响因子及综合防治综述[J].广东水利水电，2006，（04）：4~8
[6]匡耀求，黄宁生等.东江博罗水利枢纽建成后下游河道压咸需水量研究[A].粤港水资源与水质保护[C].香港环境科学出版社:何建宗，2010.42~46
[7]赵渭军，韩继静等.杭州市抗咸二期取水工程氯度研究[J].中国农村水利水电, 2007.(5): 26-29