BP人工神經網絡在閘壩調度管理能力評價中的應用①

馬 科,劉 建,孫海勝

1(中國科學技術大學 管理學院,合肥 230026)

2(淮河流域水資源保護局,蚌埠 230000)

3(中國科學技術大學 計算機科學與技術學院,合肥 230026)

BP人工神經網絡在閘壩調度管理能力評價中的應用①

馬 科1,劉 建2,孫海勝3

1(中國科學技術大學 管理學院,合肥 230026)

2(淮河流域水資源保護局,蚌埠 230000)

3(中國科學技術大學 計算機科學與技術學院,合肥 230026)

閘壩調度對于水資源的利用、保護、治理等具有十分重要的作用,本文以閘壩為基本研究單元,構建單一閘壩的調度管理能力評估指標體系,基于BP人工神經網絡構建閘壩調度管理能力評估模型. 最后以淮河流域的沙潁河閘壩群為例,進行實例分析驗證了提出模型的可行性.

人工神經網絡; 閘壩調度管理; 評價指標體系

由于在天然河道中建立了閘壩,在很大程度上將會改變河流原本固有的水文情勢及水文特性,尤其對河流水質水量水生態的影響更加的明顯. 研究閘壩對河流水質水量水生態的具體影響,對這種影響進行評估,進而得出閘壩對河流水質水量水生態影響的大小,對閘壩的調度管理能力進行評估. 本文利用人工神經網絡原理,建立閘壩調度管理模糊綜合評判模型,并將該模型應用于閘壩調度管理的綜合評判.

近年來,國內外出現了許多評估閘壩調度管理能力的模型和方法. 其中,左其亭等初步提出閘壩調控能力識別技術研究框架,為閘壩調度管理能力的評估提供理論支持[1]; 喻光曄等構建了淮河流域閘壩聯合調度綜合評價指標體系[2]; 王昭亮在其碩士論文中構建了閘壩群水質水量聯合調度的數學模型,并以歷史發生的特大污染事件為例,進行了模擬調度仿真,驗證了模型的可行性[3]; 張帆等通過分析鄭州市河流閘壩,對城市生態水系進行概化,建立鄭州市河流閘壩調度模型,并運用MIKE BASIN軟件進行河道演進及模型求解[4];陸建紅基于改進的SWAT模型開展河流閘壩生態調度與生態友好的清污輪灌模式研究[5].

目前,國內外基于人工神經網絡對閘壩調度管理評價理論的研究相對較少,與層次分析法、模糊理論分析法等相比,基于人工神經網絡的評價方法,是更接近于人類思維模式的定性和定量相結合的綜合評價方法,具有較為顯著的優越性[6]: ① 閘壩調度管理的評價綜合性強,涉及水質、水量、水生態以及管理情況等各種因素,其因素之間相互影響,存在著復雜的非線性關系. 基于人工神經網絡的評價方法具有神經網絡自組織、自適應能力,人工神經網絡具有強大的非線性映射能力[7],避免評價過程中的人為因素及模糊隨機性的影響. ② 人工神經網絡具有較強的容錯能力,能夠處理有噪聲或不完全的數據,評價結果更科學、準確. ③人工神經網絡具有較強的自學習能力和泛化能力,通過學習新的樣本,利用已經訓練好的網絡模型進行評價,只需輸入基礎數據,可免除繁重的計算,實用性較強. ④ BP人工神經網絡是神經網絡中應用較為廣泛的一種[8]. 因此,采用 BP 人工神經網絡,對閘壩調度管理進行評價研究.

1 評估指標體系的構建

1.1 指標體系構建

閘壩調度是防止流域突發性水污染事故、改善流域生態與環境的有效途徑之一. 同時閘壩調度也存在各種各樣的方式,單個閘壩的開度不同及多個閘門的不同開啟方式會形成閘壩調度的多種組合方式及調度方案,因此,閘壩調度管理能力會受到河流的水質、水量、水生態等眾多因素的影響,因此在選取評價指標時會存在一定的困難.

本文是在遵循客觀性、保序性、協調性等原則的基礎上,從水量、水生態、管理相關三個方面,通過項目會議頭腦風暴法,以及專家打分和實地調研,最終確定7個評價指標,如表1所示.

(1) 閘壩前生態可調水量

在某一瞬間,閘壩前蓄水量是一定的,考慮到閘壩同時承擔其他的供水任務,可得到閘壩用于調度的水位下限,結合閘壩的庫容曲線,可根據閘前蓄水量和可調度水位下限求得此時閘前可用于調度的水量,單位萬立方米. 以最高和最低劃分5個梯度,分別賦分5/4/3/2/1分.

表1 閘壩調度管理能力評估指標體系

(2) 調水傳播時間

閘門開啟后,調水到達控制斷面需要經過一定的傳播時間,傳播時間的長短對調度也是有很大影響的,傳播時間越短,說明閘壩的調控能力越大. 可以用河段長度L比上河段流速v得到閘壩調水后到達下一級閘壩所需的時間t. 由于v不好測定,故用L來模糊表達.計算的L取每個閘壩到生態控制斷面的距離(此次對沙潁河閘壩評價,生態控制斷面為潁上). 以最短和最長劃分5個梯度,分別賦分5/4/3/2/1分.

(3) 閘壩下游河段取用水情況

沿河道取用水直接決定了所調水量能否有效到達需水河段. 沒有具體信息我們可以根據沿途經過的城鎮給他一個假定. 取用水程度越高,評分越低,滿分5分.

(4) 閘壩前可調水環境余量

閘壩前可調水能夠容納污染物的能力. 以目標水質對應的污染物濃度與當前污染物濃度的差值確定.以最大和最小劃分5個梯度,分別賦分5/4/3/2/1分.

其中,R為閘壩環境余量,單位是t;W1為閘壩前可調水量,單位萬立方米;q為上游來水流量,單位是立方米每秒; 在這里取為各閘壩河段年均徑流量; ?t為閘壩調度時間,單位是天 (d),在這里計算取 2 天;C0、C1、C2分別為目標水質(所要達到的水質)、閘前蓄水水質(閘壩平均水質,實時評價取實時的水質情況)、上游來水水質對應的污染物質濃度,單位是mg/L;100和0.0864為單位換算系數.

由于q?t相對于W1很小,故后一項可以忽略不計.評價中公式可簡化為:R=100W1(C0?C1)

(5) 閘壩管理情況

根據閘壩主管部門及管理單位內部情況對調令下達到執行經過的部門節點數對閘壩管理情況進行評分,滿分為5分.

(6) 閘壩建筑物現狀工況

閘壩建設時間,建設時的功能和設計參數,維修情況及現狀運行狀態等影響閘壩的調度運行能力. 比如閘壩/水庫的設計流量,還有比如閘壩在建設時有無考慮流量觀測站和生態放水洞. 綜合考慮進行評分,滿分5分.

(7) 閘壩應急處置能力

突發水污染事故應急響應時效、有無應急預案等.也是根據綜合考慮進行評分,滿分5分.

1.2 指標體系權重確定

確定權重值的方法有很多,比如專家打分法、調查統計法、主成分分析法、數理統計分析法、模糊逆方程法及層次分析法. 由于閘壩調度管理能力評價指標中某些數據很難直接獲取,故,本文中采用專家打分-層次分析法確定指標權重,層次分析法是用定性分析與定量分析相結合的方式對一些復雜問題提供決策依據[9].

層次分析法確定閘壩調度管理評價指標權重的步驟如下:

第一步. 判斷矩陣構造.

第二步. 求解特征向量即權數分配.

第三步. 進行一致性檢驗.

① 計算特征值

② 計算CR

表2 閘壩各評價指標的判斷矩陣及相應的權重

根據專家打分意見,判斷矩陣構造表2. 采用層次單排序根據公式(1)(2)(3)計算得W=(0.1747,0.1929,0.0965,0.1582,0.0965,0.1747,0.1065)T,根據公式(5)(6)λmax=7.1074、CI=0.0179、RI=1.36、CR=0.0132<0.10,說明通過一致性檢驗,得到閘壩評價指標的權數且分配合理,見表2.

2 改進 BP 人工神經網絡

2.1 模型構建

人工神經網絡 (Artificial neural network)是在人工智能飛速發展背景下誕生的一種機器學習方法,它模擬了人腦神經元的基本結構,反映了人腦的某些基本特征和工作機理[11]. 人工神經網絡正是人類在其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡[12].

采用拓撲結構如圖1所示含輸入層、隱含層、輸出層三層BP神經網絡[13]建立閘壩調度管理評價模型.

圖1 三層 BP 神經網絡拓撲結構

(1) 圖1 中,xp為第p個樣本的評價指標向量,記為xp={xp1,xp2,···,xpn};n表示輸入節點數,即評價指標 數;m表 示 隱 含 層 節 點 數 目;wkj(j=1,2,···,n;k=1,2,···,m)為輸入層第j節點到隱含層第k節點的連接權值;ypk(k=1,2,···,m)為樣本p的隱含層第k節點的輸出;wk(k=1,2,···,m)為隱含層第k節點到輸出層的連接權值;bp為樣本p的輸出.

(3) 用Sigmoid函數描述每個節點的輸出與輸入之間的非線性關系,即f(x)=(1+e?x)?1.

(4) 隱含層樣本p的輸出計算如下,其中θ表示隱含層節點k的偏置值:

(5) 輸出層樣本p的輸出計算如下,其中θ表示輸出層輸出節點的偏置值:

BP人工神經網絡對樣本的學習過程,就是選取適當的訓練函數使E極小化的過程. 從輸入層向輸出層計算,輸入已知的學習樣本,可按上面的公式計算每一層神經元的輸出; 若輸出層結果的誤差不滿足精度要求,則再從輸出層向輸入層計算,修改連接權值和偏置值[6].

(7) 從輸入層像輸出層,再從輸出層向輸入層,兩過程反復循環,直到滿足相應的精度要求.

2.2 模型訓練

通過專家打分-層次分析法,獲取不同專家對各指標重要性評判的信息并根據重要性由大到小分別取5分、4分、3分、2分、1分進行打分,根據各評價指標重要性的得分,通過層次分析法計算出權重系數[15],從而得到不同專家對閘壩調度管理評價指標體系各指標權重的判斷. 最終計算得七個指標(閘壩前可調水量、閘壩前可調水環境余量、閘壩管理情況、閘壩建筑物現狀工況、調水傳播時間、閘壩應急處置能力、閘壩上下游取用情況)的權重分別為0.1747,0.1929,0.0965,0.1582,0.0965,0.1747,0.1065.

用 Matlab 的函數 round(rand(1,7)*5),隨機生成30組項目的評價指標評價值,任意指標的評價值取5、4、3、2和1分別代表優秀、良好、一般、及格和不及格. 依據專家對指標權重的判斷,計算出項目的專家評價值,得到此項目的綜合評價值,最終30組數據及綜合評價值見表3.

表3 網絡訓練樣本數據表

基于BP人工神經網絡的閘壩調度管理評價模型的算法實現過程為:

(1) 確定BP網絡結構參數,即各層神經元節點數.采用圖1所示3層BP網絡結構,根據建立的評價指標體系,利用跟水質、水生態及管理情況相關的的7個影響因子的級別標準作為訓練學習樣本,由于輸入層有7個神經元,輸出層有一個神經元,隱含層的神經元數目可以在此基礎上逐步確定. 根據經驗優化關系及文獻,計算隱含層節點數L=(qn)/2(L表示隱含層節點數,n表示輸入層節點數,q表示輸出層節點數)[16],確定隱含層節點數為4. 輸出層只有一個神經元,是一個代數值,取值范圍是[1,5],表示對閘壩調度管理綜合評價的結果. 分值越高,表示該項目閘壩調度管理的水平越高.

(2) 以Matlab為工具[17],建立一個輸入層、隱含層、輸出層神經元節點數分別為7、4、1的人工神經網絡,選用trainscg訓練函數、初始化網絡的權值和閾值,設置網絡學習精度為10-6.

(3) 將表3中前24組數據,以及X1、X2這2組邊界限定樣本數據(表4)作為學習樣本,輸入網絡,啟動網絡進行學習訓練. 通過不斷執行迭代過程,至滿足學習精度為止,得到較為準確表示內部的神經網絡,即合適的輸入與輸出之間的非線性映射關系. 經學習訓練后的網絡輸出結果見表5. 神經網絡學習訓練曲線圖(圖2)中的a訓練曲線可以看出運用trainscg函數對網絡進行訓練,經 Matlab 函數訓練,網絡收斂,達到預定學習精度10-6.

表4 邊界限定樣本數據

圖2 網絡訓練曲線

(4) 將表3中后6組數據作為校驗數據輸入訓練好的神經網絡,得到綜合評價結果 (表5). 可見,由神經網絡得到的輸出值與期望值(項目綜合評定值)之間的最大誤差為0.0517%,最大誤差絕對值為0.1678%,平均誤差為-0.0525%. 綜合評價結果與專家評價結果基本一致,說明得到的神經網絡所反映的輸入與輸出之間的關系是正確的,可以有效地應用于閘壩調度管理的評價.

(5) 將訓練好的神經網絡在Matlab存入文件,當遇到閘壩調度管理的評價問題時,只需輸入待評價項目的指標得分矩陣,啟動網絡,即可得到評價結果.

3 案例分析

3.1 研究區概況

淮河是我國水環境治理的重點之一. 流域洪澇災害頻繁,修建的閘壩多,發生的多次重大水污染事件,不僅與水污染來源有關,而且與閘壩群以水量為主的傳統調度方式有直接聯系. 淮河位于我國南北方氣候交錯帶,河湖徑流季節性變化大,水資源開發利用程度高,由于社會經濟發展,河道內生態用水常被擠占,河道最小生態基流遭到破壞以及河湖干涸萎縮的現象時有發生. 淮河干流以北大部分地區天然基流缺乏,河流閘壩密集,河湖水生態系統退化嚴重. 如何在“協調防洪、防污矛盾、減少重大水污染事故”的研究基礎上,進一步改善河流水生態狀況,實現淮河“水質-水量-水生態”聯合調度,服務生態文明建設國家戰略目標,是淮河“十二五”國家水專項重點關注的目標和關鍵技術之一. 因此,對淮河流域的閘壩調度管理進行相關評估,吸取相關優秀閘壩的經驗,有利于為水生態建設提供優化建議.

3.2 案例選取

選取沙潁河河段的周口閘、槐店閘、耿樓閘、阜陽閘、潁上閘(圖3)的調度管理能力進行評估并排序.

現對閘壩調度管理的各項評價指標做出評判,由于各評價指標中定性因素較多,因此,采用專家評判方法,對各個指標從優至劣劃分優秀、良好、一般、及格和不及格5個等級,分別給以5、4、3、2和1分.a1～a7分別代表閘壩前可調水量、閘壩前可調水環境余量、閘壩管理情況、閘壩建筑物現狀工況、調水傳播時間、閘壩應急處置能力、閘壩上下游取用情況;x1～x5分別代表周口閘、槐店閘、耿樓閘、阜陽閘、潁上閘. 根據專家打分意見,判斷矩陣構造見表7.

將表7的數據輸入保存的神經網絡模型,經網絡計算,得到各閘壩調度管理的綜合評價得分,潁上閘的綜合評分最高為3.8148,是4個閘壩中水質、水量、水生態調度管理能力最好的. 該評價結果經專家和工程師確認,符合項目的實際情況. 證明基于BP人工神經網絡的評價模型可以有效地應用于閘壩調度管理評價的實踐.

表5 神經網絡訓練結果

表6 網絡測試結果

圖3 沙潁河流域概化圖

表7 閘壩調度管理能力評估指標評分表

4 結語

基于BP人工神經網絡的閘壩調度管理評價模型,通過神經網絡提煉,反映了各個閘壩調度管理評價指標與綜合評價結果之間復雜的非線性關系,降低了閘壩調度管理評價過程中的主觀因素影響,是解決閘壩調度管理評價問題的有效方法. 本文在現行閘壩調度管理能力專家打分評價方法的基礎上提出了更客觀的評估方法,應用BP神經網絡進行閘壩調度管理能力評估的可行性,經實踐檢驗,該模型應用于閘壩調度管理的評價,可以取得較滿意的結果.

但作為解決評估問題的一種手段,人工神經網絡也有一些不足存在: 首先模型不是十分穩定,建立模型需要一定的技巧,利用人工神經網絡進行評估相關問題分析,不可能窮盡所有解,因此,很難得到最優解,而只能得到滿意解[18]; 其次受獲取資料的局限性,本研究采用專家打分法對相關指標進行評分,其評價標準也存在誤差,對評價結果也有一定的影響. 如果將各種專家打分評價指標后期進行考慮,保留更多定量數據,采用相關的數據處理,能使結果更加客觀、準確地反映閘壩調度管理相關情況. 此外,該評價模型在評估閘壩調度管理能力過程中,BP網絡隱含層神經元數量的選取方法還有待進一步完善.

1左其亭,劉子輝,竇明,等. 閘壩對河流水質水量影響評估及調控能力識別研究框架. 南水北調與水利科技,2011,9(2): 18–21,40.

2喻光曄,水艷,李麗華. 構建淮河流域閘壩聯合調度能力綜合評價指標體系. 治淮,2015,(1): 5–7.

3王昭亮,高仕春,張慧云. 閘壩對河流水質調控作用的影響因子. 武漢大學學報 (工學版),2011,44(5): 571–575.

4張帆. 基于生態的鄭州市閘壩調度模式研究[碩士學位論文]. 鄭州: 華北水利水電學院,2011.

5陸建紅. 基于生態友好的北運河閘壩調度與清污輪灌模式研究[博士學位論文]. 北京: 中國農業科學院,2012.

6董愛華,閔洲源. 基于BP人工神經網絡的建筑廢料管理評價方法. 同濟大學學報 (自然科學版),2010,38(1):146–150.

7舒予,張黎俐. 基于小波分析與人工神經網絡的網絡輿情預測. 情報科學,2016,34(4): 40–42,47.

8張學喜. 遺傳算法和人工神經網絡在邊坡穩定性評價中的應用[碩士學位論文]. 合肥: 合肥工業大學,2007.

9屈正庚. 層次分析法在大學生選購手機中的研究. 計算機系統應用,2015,24(3): 166–170.

10屈正庚. 層次分析法在商洛市農家樂評價體系中的研究.計算機系統應用,2016,25(9): 236–240. [doi: 10.15888/j.cnki.csa.005378]

11印春生. 人工神經網絡及其它化學計量學方法在化學中的應用研究[博士學位論文]. 合肥: 中國科學技術大學,1999.

12呂鯤,崔靈蕊,李北偉. 網絡信息生態鏈中信息個體到群體演化過程研究——基于人工神經網絡理論. 情報科學,2016,34(10): 147–151.

13Kabir G,Hasin MAA. Multi-criteria inventory classification through integration of fuzzy analytic hierarchy process and artificial neural network. International Journal of Industrial &Systems Engineering,2013,14(1): 74–103.

14陳均偉,朱正龍,李淵,等. BP 神經網絡 PID 的氣動位置控制系統的研究. 數字技術與應用,2009,(12): 54–55.

15鄧雪,李家銘,曾浩健,等. 層次分析法權重計算方法分析及其應用研究. 數學的實踐與認識,2012,42(7): 93–100.

16Beigy H,Meybodi MR. A learning automata-based algorithm for determination of the number of hidden units for threelayer neural networks. International Journal of Systems Science,2009,40(1): 101–118. [doi: 10.1080/002077 20802145924]

17閔惜琳,劉國華. 用MATLAB神經網絡工具箱開發BP網絡應用. 計算機應用,2001,21(S1): 163–164.

18朱紅梅,周子英,黃純,等. BP 人工神經網絡在城市土地集約利用評價中的應用——以長沙市為例. 經濟地理,2009,29(5): 836–839.

Application of the BP Artificial Neural Network in Dam’s Dispatching and Management Ability Assessment

MA Ke1,LIU Jian2,SUN Hai-Sheng3

1(School of Management,University of Science and Technology of China,Hefei 230026,China)
2(Huaihe Water Resources Protection Science Research Institute,Bengbu 230000,China)
3(School of Computer Science and Technology,University of Science and Technology of China,Hefei 230026,China)

The dam’s dispatching plays an important role in the utilization,protection and management of water resources.The dam is used as the basic assessment unit to build dispatching and management ability evaluation index system of a single dam,to build the model based on BP artificial neural networks for dam’s dispatching and management ability evaluation. Finally,taking main dams on Huaihe river for example,the model is applied to verify samples,and the results show that the dam’s dispatching and management ability evaluation model based on BP neural networks is a reasonable and feasible forecasting model.

artificial neural networks; dam’s dispatching and management ability; evaluation index system

馬科,劉建,孫海勝.BP人工神經網絡在閘壩調度管理能力評價中的應用.計算機系統應用,2017,26(12):250–256. http://www.c-sa.org.cn/1003-3254/6098.html

國家自然科學基金(71671168); 國家科技重大專項(2014ZX07204006)

2017-03-13; 修改時間: 2017-03-31; 采用時間: 2017-04-05