模型工具基于前馈神经网络的调蓄池出水浊度预测

Posted 2021-04-03 iUWLab

原

文

信

息

原文题目：A simulation-based real-time control system for reducing urban runoff pollution through a stormwater storage tank

作者单位：State Key Laboratory of Water Environment Simulation, School of Environment, Beijing Normal University, Beijing, 100875, China.

期刊：Journal of Cleaner Production

时间：2018年2月

导读

中国大部分的城市排水系统都缺少自动控制系统，导致不能充分发挥系统能力以缓解城市雨水径流问题。为了弥补这一不足，本文研究并提出了一种利用前馈神经网络辅助预测的调蓄池实时控制系统。在该系统中，前馈神经网络用于预测调蓄池出水浊度，系统根据该数据以及其他水质实时控制参数做出决策并进行调控，将雨水分配进入污水处理厂（wastewater treatment plant, WWTP）、调蓄池或其他存储设备。研究结果显示该系统有助于充分利用WWTP处理能力和调蓄池存储容积，进而减少雨洪造成的污染。

文章简介

文章首先介绍了雨洪实时控制系统的框架。在这一框架中，系统根据各项监测数据（包括雨量计、流量计、水位计等的数据以及其他水质指标）做出决策，控制不同的雨水径流污染控制设备（包括截流设施、WWTP、调蓄池和其他存储设施）。

研究者认为在这个系统中的一个重要的控制点是调蓄池中的浓度控制，目的是使调蓄池中污水的浓度稳定在一定的水平。对于调蓄池浓度控制，研究者基于以往研究成果，认为调蓄池出水浊度是该设施实时控制时需要重点考虑的指标。就此，研究者提出使用前馈神经网络，根据系统实时监测的入流流量、浊度等物理参数以及氨氮、总磷、化学需氧量等生化参数预测调蓄池出水浊度。前馈神经网络的一个重要优点是不需要对调蓄池内部实际反应过程有详细了解即可建立预测模型，且模型依然可以实现较好的预测准确性。

本文使用的前馈神经网络模型的输入数据主要包括降雨量、总悬浮颗粒物、实测调蓄池内部浊度、流量、调蓄池内水位以及其他反映污水物化性质的参数等。模型输出是调蓄池出水浊度。为了反映系统相关参数的不确定性，模型输入数据先经过了模糊处理。整个预测模型与控制系统结合可表示为图1。

图1. 基于前馈神经网络模型（Back propagation neural network，BPNN）预测的实时控制系统结构图。图中“r”与“y”分别表示输入与输出数据，“+”与“-”分别表示控制信号的传入与传出，虚线箭头表示BPNN的迭代预测。

在模型验证过程中，研究者实际测试了两种不同的输入结构，一是仅使用流量作为输入，二是使用上述所有变量作为输入。在本文使用的数据集上，单变量输入的BPNN可在训练集上得出0.94的拟合精度。相比于多变量输入的模型，单变量输入的BPNN往往具有更高的预测准确性。图2是预测值与监测值的对比。

图2. 预测值和监测值的对比

编者点评

本文创新点在于提出在雨洪实时控制系统中将决定性部分与预测性部分分开为两个控制点，分别进行控制。两项控制共同服务于总的降低雨水径流污染的目标。

本研究亦有一些缺陷。首先，研究者未说明为何需要稳定调蓄池污水浓度，未解释调蓄池污水浓度的稳定对于雨水径流污染减少是有利的。其次，研究者未详细介绍其数据来源，导致难以判断其研究成果的有效性。再次，本文未指出其使用BPNN模型预测的出水浊度是实时的还是某段时间之后的，从机理角度理解，调蓄池出水浊度变化与入水参数变化相比可能有滞后性。

在神经网络模型构建方面，本文未具体介绍使用模型的结构（隐藏层、神经元数、激活函数等），亦没有说明为何选择该结构。对于输入数据，研究者未进行特征工程，未指出变量是如何选择的，没有分析不同变量对浊度预测的重要性的差别。

在结果层面，本文未分析为何多变量输入模型的精度反而不如单变量输入模型。未解释0.94的拟合精度反映的实际意义。最终也没有在其他数据集（实际或虚拟的降雨事件）上验证模型最终的可行性。同时，也没有具体介绍考虑BPNN预测结果后控制系统的效能，待后续研究验证。

https://doi.org/10.1016/j.jclepro.2018.02.130

或点击“阅读原文”查看

城市水系统领域

最新研究动态

iUWLab

长按二维码关注