[发明专利]基于BP神经网络的城市供水管网模型校核方法

权利要求书

1.一种基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述城市供水管网模型校核方法包括如下步骤：

S1、对管网中管道摩阻系数对监测点压力的灵敏度进行分析，筛选出高灵敏度的管道；

S2、基于BP神经网络对高灵敏度管道数据进行训练；

S3、将训练好的BP神经网络作为内嵌模型进行寻优；

S4、将模拟值与实际监测压力值进行对比，进而对模型校核的适用性、准确性进行分析评价。

2.根据权利要求1所述的基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述步骤S1中，进行灵敏度分析的公式为：

；

；

其中：i为管段编号；j为测压点所在节点编号；k为工况编号；

为工况k时，管段i的摩阻系数对测压节点j的灵敏度系数；

为常量，m为人为设定的压力基准值以使得灵敏度系数为无量纲值；

为工况k条件下，管段摩阻由初始状态下变成后压力监测节点j水压由变为的压力变化绝对值；

为管道摩阻变化的绝对值；

为管道i的平均灵敏度系数；

M为工况总数；N为测压点总数。

3.根据权利要求1所述的基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述步骤S2包括如下步骤：

S21、建立高灵敏度管道摩阻系数变化值与管网压力监测点压力变化值的BP神经网络模型，、为基于管网基准模型管道摩阻系数发生变化时，对应压力监测点压力变化值；

S22、根据建立的BP神经网络模型，通过MATLAB实现对高灵敏度管道数据进行训练。

4.根据权利要求3所述的基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述步骤S22包括：

S221、样本数据集归一化：通过函数mapminmax对数据进行归一化、反归一化及归一化其它数据；函数mapminmax中：

[XX，ps]=mapminmax(XX)：归一化样本中对应的输入数据；

[YY，ts]=mapminmax(YY)：归一化样本中对应的输出数据；

Y=mapminmax('apply'，X，ps)：以相同规则归一化其它数据；

X=mapminmax('reverse'，Y，ps)：反归一化函数，实现数据的还原；

其中，XX为样本训练数据集中输入数据向量矩阵，YY为样本训练数据集中输出数据向量矩阵，ps、ts为存储规范化映射记录的结构体；

S222、建立神经网络：通过调用函数newff进行两层BP神经网络设计：

net=newff（XX，YY，[S]，{TF1，TF2}）；

其中：XX为样本训练数据集中输入数据向量矩阵；YY为样本训练数据集中输出数据向量矩阵；S为隐层神经元个数；TF1、TF2为网络各层传递函数类型，TF1采用sigmoid函数进行中间结果的传递，输出层TF2采用线性传递函数purelin对输出进行值域扩展；R为高灵敏度管道数量；Q为压力监测点数量；N为训练样本容量；

S23、选定训练参数进行BP神经网络训练：

设定网络训练的参数及训练函数通过函数train完成网络训练：

net=train（net，XX，YY）；

其中，net，XX，YY如上所述；

S24、BP神经网络仿真应用：

达到训练精度的BP神经网络即用于进行预测，利用网络进行进一步校核研究，利用sim函数实现网络对一定输入的仿真，进而得到其仿真输出：

newTn=sim（net，newPn）；

其中，newPn为利用训练好的BP神经网络进行预测的输入管道摩阻变化值向量，newTn为网络预测压力变化输出值。