大伙房水庫水質預測中水文水質模型聯合應用分析

陳 俊

(遼寧省撫順水文局，遼寧 撫順 113015)

?

大伙房水庫水質預測中水文水質模型聯合應用分析

陳 俊

(遼寧省撫順水文局，遼寧 撫順 113015)

水質是水庫運行質量的重要參考標準，水質的檢測項目包括水中所溶解的氧氣含量、磷的含量、葉綠素a的含量以及水體透明度等，通過對這些指標的檢測來評價水體的富營養化程度。文章使用了線性回歸分析法，對參數進行了優化，并建立多種數學模型，利用現有的檢測數據對大伙房水庫的水質進行預測，并通過一些誤差計算方式對預測的結果進行評價。根據預測結果與評價結果，自適應神經模糊推理數據預測模型對水質的預測效果要比多元化線性預測模型以及徑向基神經預測模型要好，所以對大伙房水庫的水質預測結果以自適應神經模糊推理數據預測模型的預測結果為參考標準。

水質預測；自適應神經模糊推理；大伙房水庫；多元線性預測

1 工程概況

大伙房水庫位于渾河流域、撫順市的東部，1958年建設完成并投入使用，壩頂高度為139.8m，長度為1366.7m，寬度為8m，水壩高度約為50m，水庫總容量約為22.7億m2，水體深度最深為36.5m，總儲水面積為113km2，水庫正常水位標準為130m，死水位為107m，是一座集防洪、供水、發電等多種功能于一體的綜合型水利工程[1]。

2 水質取樣與測量數據分析

如圖1所示，在大伙房水庫分別設置5個水質取樣點，測量項目包括水體透明度x1、水體溫度x2、水體酸堿度x3、水體電導率x4、水體溶氧量x5、水體含磷量x6、水體葉綠素a含量x7、渾濁度x8、懸浮物x9、水體含氮量x10、水體鈣鎂化合物含量x11、總堿度x12等12種水質因子[2]，經過分析處理以后所得到的結果如表1所示。

3 建立水質預測模型

3.1 多元線性預測模型

多元線性預測模型是利用函數關系建立起因變量與多個自變量之間的數學關系模型，其中因變量y即待預測的數據，而自變量則是影響因變量數值的多種因素[3]。因變量與自變量之間的關系用公式表示為：

y=b0+b1x1+b2x2+…+bixi

(1)

式中：xi指的是第i種影響因素，即第i項自變量；bi即第i項自變量所對應的自變量系數。

3.2 徑向基神經預測模型

徑向基神經預測網絡是通過函數逼近的方法在輸入端、輸出端以及隱藏部分之間進行線性映像和組合[4]。輸入端將函數進行非線性變換以后傳輸到隱藏層，然后輸出端從隱藏層的函數中進行變量提取，并進行線性組合最后得到輸出數值。隱藏層的維度要比較高，才能保證輸出數值的準確性。對此，可以將高斯函數作為徑向基神經預測模型的基礎，單一變量在m個隱藏層中的公式表示方式為：

(2)

(3)

(4)

式中：x為輸入的自變向量；ωi為隱藏層與輸出端之間的權重；ci為隱藏層中第i個核心向量；dmax是輸入向量與核心向量之間的最大距離；x-ci的絕對值是指x與ci之間的歐幾里得距離。

圖1 大伙房水庫水質取樣點分布表1 大伙房水質檢測項目檢測結果

3.3 自適應神經模糊推理數據預測模型

徑向基神經預測模型雖然具有極強的數據組織能力和邏輯推理能力，但是對于已經定性的數據卻無法很好地進行處理。所以，以模糊推理為理論基礎，再加入自組織特性，構建自適應神經模糊推理數據預測模型[5]。自適應神經模糊推理數據預測模型相比徑向基神經預測模型而言，新增了規則模塊、正規化模塊以及解模糊模塊，具體結構如圖3所示。

圖2 自適應神經模糊推理 數據預測模型結構示意圖

從圖中可以看出，自適應神經模糊推理數據預測模型一共可以分為5層，第5層輸出結果的計算公式為：

(5)

式中：ωi為隱藏層與輸出端之間的權重。

3.4 誤差分析

誤差分析評價方式有平均絕對誤差M、均方根誤差R兩種，其計算的公式分別為：

(6)

(7)

式中：N為所測數據的總量；CP和Cm是預測的水質影響因素數據與實測的水質影響因素數據。

4 計算結果分析

4.1 輸入因素簡化方法

在本次預測中，影響水質的因素一共有12種，如果一一代入進行計算預測，那么計算過程將過于繁瑣，計算結果分析也不方便[6]。對此，特采用線性回歸方法分析各影響因素之間的關系，探索各影響因子對水質影響的重要程度，簡化輸入因子。表2為水質各影響因子與磷含量、透明度、溶氧量以及葉綠素a含量的關系系數，從表中數據可以看出，對磷含量影響比較大的影響因子有透明度、渾濁度、懸浮物、葉綠素a含量、氮含量以及總堿度；而對水體透明度影響比較大的影響因子有磷含量、水體溫度、酸堿度、渾濁度、溶氧量、懸浮物；對溶氧量影響比較大的影響因子有水體溫度、酸堿度、透明度、葉綠素a含量、鈣鎂化物含量以及總堿度；對葉綠素a含量影響比較大的影響因子有磷含量、酸堿度、電導率、溶氧量、鈣鎂化物含量以及總堿度[7]。

4.2 多元線性預測模型的預測結果及誤差分析

將磷含量、溶氧量、葉綠素a含量以及透明度4種水質關鍵影響因子的測量數據代入公式中可得：

x5=-0.013x2+1.6207x3-0.1599x1+0.0291x7-0.0029x11-0.0089x12-2.9673

x6=-1.5141x1-0.3687x8+0.5931x9+0.2449x7+138.9015x10-0.0832x12+14.7914

x7=0.1021x6+6.207x3-0.0423x4+1.1630x5+0.0211x11-0.2264x12-30.4197

x1=-0.0115x6-0.0794x2-0.3187x3-0.0518x8-0.1936x5+0.1071x9+8.2971

其中x5為溶氧量的預測結果，預測可以分為兩個階段，主要階段和次要階段，主要階段占預測量的70%，次要階段占預測量的30%。使用多遠線性預測模型的誤差分析，從表4中數據可以看出，4種主要影響因子的預測結果準確度都比較低。

表2 各水質影響因子與磷含量、溶氧量、葉綠素、透明度之間的關系系數

表3 多遠線性預測模型預測結果誤差分析

4.3 徑向基神經預測模型預測結果及誤差分析

徑向基神經預測模型的誤差分析也是針對這4種主要影響因子，分為2個階段，進行誤差分析，分析結果如表4。

表4 徑向基神經預測模型預測結果誤差分析

徑向基神經預測模型預測結果的關系系數明顯要大于多元線性預測模型，說明其相關性更好，預測結果更準確[8]。

4.4 自適應神經模糊推理數據預測模型預測結果及誤差分析

代入數據，可得誤差分析結果如表5。

表5 自適應神經模糊推理數據 預測模型預測結果誤差分析

從表5中的誤差分析數據可得，自適應神經模糊推理數據預測模型對于透明度的預測結果在主要階段比其他兩者要差，但是在次要階段明顯要優于其他兩種模型；對于溶氧量、磷含量以及葉綠色a，自適應神經模糊推理數據預測模型的預測結果比其他兩種模型都要準確。所以，總的來說，自適應神經模糊推理數據預測模型的預測結果最符合水庫的實際水質情況。

5 結 論

1)多元線性預測模型各影響因子的關系系數在主要階段和次要階段都偏低，所以所預測結果的準確度比較低，與實際情況偏差較大，不適用于大伙房水庫的水質預測。

2)自適應神經模糊推理數據預測模型對于透明度的預測結果在主要階段比徑向基神經預測模型預測結果要差，但是在次要階段結果更好；對于溶氧量、磷含量以及葉綠色a，自適應模型的預測結果都更加準確。所以選擇自適應神經模糊推理數據預測模型的預測結果作為參考數據。

[1]賀光華，楊龍.防治水質污染 提高飲水安全[J].水利規劃與設計，2006(04)：12-14.

[2]李學森.凌河流域水資源現狀及保護措施[J].水土保持應用技術，2015(03)：36-37.

[3]金云杰.凌河流域人工濕地對水環境質量影響分析評價[J].水土保持應用技術，2015(05)：27-28.

[4]楊錦華.佛寺水庫水源飲水安全與水環境保護[J].水利技術監督，2006(03)：50-52.

[5]溫樹成.大伙房水庫水體富營養化現狀分析及對策研究[J].水土保持應用技術，2015(02)：31-32.

[6]田冰.河北省自然濕地生態需水量分析[J].水土保持應用技術，2007(02)：34-36.

[7]李強.城鎮河道綜合治理探析[J].水土保持應用技術，2014(05)：32-33.

[8]王懷柏，李躍奇，李儒道.關于水質評價問題的探討[J].水利技術監督，2011(04)：6-8.

1007-7596(2017)01-0146-03

2016-12-16

陳俊(1981-)，男，江蘇泰縣人，工程師，研究方向為水文、水資源管理與水資源評價等。

P

B