[发明专利]一种基于BP神经网络的排水系统实时率定与动态预测方法

权利要求书

1.一种基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，包括以下步骤：

S1：针对待预测的目标区域，获取该区域在不同降雨事件下的雨水排水系统水力特征和降雨特征的时序变化数据，构建成排水系统的降雨-液位数据集；

所述降雨-液位数据集通过收集排水系统的历史液位和降雨数据，或是利用计算机水力模型计算不同降雨下的液位数据进行获取；

S2：从所述降雨-液位数据集中提取目标雨水井液位数据和雨水井未来液位影响因素对应的数据构建为训练样本，且每个训练样本中目标雨水井液位数据比雨水井未来液位影响因素对应的数据超前一个预测步长；将所有训练样本作为运算数据集，并基于所述运算数据集训练BP神经网络模型，建立能根据当前时刻的雨水井未来液位影响因素预测未来排水系统中目标雨水井液位的映射模型；

所述雨水井未来液位影响因素包括目标雨水井当前液位、目标雨水井当前流量以及气象预报数据中目标雨水井所在位置下一预测步长对应时刻的总降雨量、降雨间隔时间、峰前雨量和峰值雨强；

S3：针对目标雨水井，实时测定每个雨水井未来液位影响因素的实测值，并将其作为所述映射模型的输入，根据设定的预测步长输出目标雨水井的未来液位预测值；

而且在S3预测过程中需对所述映射模型进行实时率定，如果映射模型预测的液位和后续实测液位出现偏差超过设定偏差范围时，则需要从新的实测数据中采样训练样本更新所述运算数据集，并重新训练BP神经网络模型以在下一次预测之前更新所述映射模型；

所述实时率定中，更新运算数据集的具体步骤是：

如果所述偏差超过设定偏差范围的实测数据满足抽样对于数据量的要求，则从出现偏差的实测数据中用蒙特卡洛采样法抽取n组数据，再从原始的运算数据集中用蒙特卡洛采样法抽取等量的n组数据，将两部分数据合并作为新的运算数据集；

如果所述偏差超过设定偏差范围的实测数据不满足抽样对于数据量的要求，则对出现偏差的实测数据进行复制直至达到n组数据，再从原始的运算数据集中用蒙特卡洛采样法抽取等量的n组数据，将两部分数据合并作为新的运算数据集。

2.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，步骤S1中，所述降雨-液位数据集所包含的降雨事件应至少包括小雨、中雨、大雨在内的不同降雨强度。

3.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，步骤S2中，所述的BP神经网络模型包含输入层、隐藏层和输出层，输入层的节点数量与雨水井未来液位影响因素个数相等，输出层的节点数量为1个。

4.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，所述的n10⁴。

5.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，所述的设定偏差范围为绝对偏差5cm或相对偏差5%。