[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

说明书

本发明公开了一种基于BP神经网络的排水系统实时率定与动态预测方法，包括以下步骤：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，构建排水系统的降雨‑液位数据集；将降雨‑液位数据集中提取目标雨水井未来时间的液位和影响未来液位的因素构建运算数据集，依此建立预测排水系统液位的映射模型；将目标雨水井的影响未来液位的因素作为映射模型的输入，即可输出目标雨水井的预测液位。若根据映射模型预测的液位和后续实测液位出现较大偏差，则每出现一次较大偏差都要更新运算数据集，并依此建立更新的预测排水系统液位的映射模型。该方法有助于雨水排水系统在极端灾害降雨下的实时应急调控。

技术领域

本发明涉及雨水排水系统及设计方案的性能评估技术领域，特别涉及一种基于BP神经网络的排水系统实时率定与动态预测方法。

背景技术

城市雨水排水系统与城市河道系统共同承担着排放雨水和防止城市内涝的作用。城市内涝和排水系统失效的一个重要表现形式就是雨水井发生溢流，进而导致地面积水，因此对雨水井内液位的预测对评估内涝风险有很大意义。

实际降雨的复杂性、城市管道-河道排水系统边界条件的复杂性导致雨水井内液位的计算比较复杂，对其的预测和评估往往需要借助计算机水力模型的计算才能有较为可靠的结论，这不仅需要耗费很大的时间精力进行前期调研构建模型，同时在模型的运算过程中也要耗费大量时间，难以做到对雨水井内液位的快速预报。另外，城市排水系统并非一成不变的系统，泥沙淤积、管线改造等会使雨水井液位的预测预警模型随着时间推移，误差逐渐增大直至模型失效。

因此，快速且准确地得到城市雨水排水系统中雨水井液位的预测数据，并且保证该预测模型的持续、可靠运行，对指导城市防洪调度、加快相关部门的防洪应对速度、便利城市居民生活出行具有重大意义。

发明内容

本发明目的在于解决现有技术中存在的问题，并提供一种基于BP神经网络的排水系统实时率定与动态预测方法，使用该方法可根据短历时高精度天气预报实时高效计算预测未来时段的排水系统水力情况，计算步长可根据短历时高精度天气预报步长进行调整。在此基础上，根据感知层实时传回的水力特征(液位流量等)感知数据，实时更新每一计算步长的初始条件，预报结束后，根据计算精度，实时优化映射模型。

为了实现上述发明目的，本发明具体采用的技术方案如下：

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；

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；

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。

作为优选，步骤S1中，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。

作为优选，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。