基于BPNN算法的渾河突發污染動態預警研究

栗 權

(新賓滿族自治縣水務局，遼寧 新賓 113200)

0 引言

化學品泄露事件時常發生，對水體造成嚴重的污染，對環境和社會造成嚴重的損失[1]。隨著水體監測設施的完善與檢測數據的不斷積累，如何通過環境監測技術與人工智能結合，科學合理地進行突發污染動態智能監控、異常預警以及應急處理，對于我國生態文明建設與社會可持續發展具有十分現實的意義。水質高頻連續監測作為突發污染動態預警研究的關鍵，不僅可以減少實驗室分析資源的浪費，而且能夠提高河流電導率、pH和溶解氧等相關水質指標的生成速度。張楚天[2]等采用平面二維瞬時排放水質數學模型與GIS集成，有效預測了長江上突發性事故排放形成的污染帶在江內的時空遷移狀況。王琦[3]實現了河流中污染物運輸的不確定性分析。Rui Y[4]等提出了一種基于地理信息系統技術與水力/水質模型相結合的應急響應系統，在水資源保護方面具有廣泛應用的潛力。本文根據高頻連續水質監測數據，利用相關性分析等手段構建了關鍵水質參數的測量方法，通過BP神經網絡技術得到水質時間序列的動態變化規律，成功實現了突發污染動態預警，為相關研究提供了理論依據。

1 基于BP神經網絡的突發污染動態預警模型構建

1.1 連續水質監測

基于對突發污染異常預警研究，采用定期采樣數據和高頻連續的水質監測數據相結合的方法對水質參數進行軟測量，突發污染動態預警模型設計流程見圖1[5~6]。

圖1 突發污染動態預警模型流程設計圖

突發污染水質參數的高頻軟測量模型以相關性分析技術為基礎，通過監測站點的隨機和連續采樣，得到顯著水平不同的水質參數，進而建立相關水質參數與高頻連續監測水質參數之間的軟測量方程。通過對比分析隨機采集的實際監測數據和連續監測的時間序列，確認連續監測的時間序列處于可信范圍，作為進行下一步動態預警研究的實際監測數據。

1.2 基于BP神經網絡的動態預警模型

采用BP神經網絡技術構建突發污染動態預警模型，BP神經去噪分析技術具有將原始數據分解成不同分辨率新數據的作用，能夠將由于傳感器誤差或者周圍環境微小變化引起的噪聲去除。時間序列的第n+1個值由前n個值作為神經網絡的輸入層來預測，通過新的監測數據不斷更新輸入，得到水質時間序列的動態預測，通過實際監測值與動態預測結果的差值得到相應的殘差，對比殘差與相關分布擬合得到的閾值，假如閾值小于殘差則異常，反之正常。預測殘差正常時，正常殘差保存至數據樣本集，進而使得異常閾值不斷校正，預警精度不斷提高。

1.3 時間序列預測與基線設置

BPNN是一種基于誤差反向傳播的多層前饋型神經網絡算法，在不揭示輸入輸出變量之間數學方程的情況下，BPNN可以通過“黑箱”學習和存儲大量的輸入輸出映射關系。BP神經網絡采用梯度下降法使得網絡的閾值與權值不斷得到調整，將原始時間序列轉換成不同頻率的時間序列。通過梯度下降算法進行網絡訓練，迭代計算公式為：

式中：xk+1為下一時刻的偏差與權值；xk為當前時刻的偏差與權值；gk為當前誤差函數的梯度；ak為學習速率。

2 實例研究

對遼寧撫順渾河的水質監測數據進行實例研究，在渾河河流上游和下游設置監測站點，分別為站點1和站點2，監測內容主要包括TURB（濁度）、電導率和連續流量數據等水質數據，時間間隔15 min，并且懸浮物和養分負荷模型通過暴雨等事件的強化監測數據和離散的TP（總磷）、TSS（總懸浮物）月度監測數據進行校正，因變量和解釋變量之間的線性關系通過自然對數函數進行轉化[7]。

2.1 水質參數間相關性分析

通過收集二次降雨情景下的水質監測數據，對兩個站點的數據進行統計分析[8]。監測站點1，TP與TURB、TSS與TP之間具有明顯的相關關系，與監測站點1相比，監測站點2各個水質參數之間關系并不明確，見圖2。站點1比站點2水質參數之間的相關性更加明顯，這是由于水體中的大部分磷附著到懸浮粒子上的遷移造成的。

圖2 監測站點2水質參數之間的時間變化規律（a為一般降雨情景，b為強降雨情景）

從圖2可以看出，檢測站點2中的TSS和TP之間、TURB和TP之間的關系并非簡單的線性關系。一般降雨情景下，TP、TURB和降雨量之間峰值出現幾乎同步，強降雨情景下，TURB峰值比TP峰值延遲將近一個1小時，TP峰值比降雨峰值又延遲1小時。降雨量少的情景下，TURB與TP對應關系為“1對1”，隨著降雨強度的提高，TURB與TP對應關系為“2對1”，這是由面源和點源共同影響引起的，弱降雨情景下的主要影響因素為點源，隨著降雨量的增加，點源和面源共同作用于TURB和TP。

2.2 水體中TP軟測量分析應用

水體中的TP負荷主要包括兩種形態的磷：顆粒態的磷和溶解態的磷，根據水質參數相關性能夠看出，水體中TP小部分是溶解態磷，大部分為懸浮物顆粒，所以TP濃度時間序列能夠通過多元回歸分析技術建立以濁度與流量為參數的軟測量方程，進而得到監測站點2時間序列，見圖3。

圖3 監測站點2的TP高頻代理測量時間序列

由圖3可以看出，TP實際監測的數據與計算數據之間的誤差一直處于可接受范圍之內，因此，高頻連續監測可以由TP濃度實現。圖3(A)中可以看出，TP實際監測數據浮動范圍在TP軟測量數據的90%上下限范圍之內，表明TP軟測量方程具有一定地實用性，能夠用作突發異常預警的數據源。圖3(B)中可以發現，在流量較高的時間段內TP與水流量的時間序列一致程度較高，由此表明，一般情況下，水體中的TP和流量之間無明顯聯系，主要影響因素為點源排放污染；強降雨條件下，TP的濃度急劇增加，主要是因為雨水在地面的沖刷，使得大量顆粒態TP污染物隨著雨水進入水體之中。

2.3 水質常規時間序列閾值計算

通過標準梯度下降法對神經網絡訓練過程進行計算，為了檢測預測模型的性能，采用Logistic分布進行分布情況的擬合，見圖4，2月9日和2月19日殘差序列均超出正常閾值，該方法能夠檢測兩次水質異常的情況。

圖4 神經網絡驗證期TP標準時間序列和預測殘差（20天）

2.4 異常預警結果的可靠性評估

通過對比直接神經網絡和BP神經網絡對異常預警性能預測進行可靠性評估，結果見表1。

表1 直接神經網絡和BP神經網絡異常預警結果對比

由表1可以發現，在網絡訓練階段BP神經網絡預測殘差大于神經網絡，原因在于BP神經網絡能夠對噪聲進行處理，導致去噪后的值和實際監測值之間的殘差比神經網絡更大。而在網絡驗證階段，由于異常時間序列的存在，使得直接神經網絡預測波動較大，但是由于BP網絡神經技術具備噪聲處理功能，能夠有效降低對異常預警性能預測的影響。

圖5 BP神經網絡預測和直接神經網絡預測兩種方法的對比

對比圖5中BP神經網絡預測和直接神經網絡預測兩種方法對殘差時間序列的影響可以發現，BP神經網絡對水質時間序列的突變情況反應更加敏感，而當原始時間序列為正常時間序列時，BP神經網絡預測殘差均小于閾值，同一時間點的神經網絡預測殘差分均高于閾值，其原因是BP神經網絡預測之前去除噪聲的影響，有效地減少預測時間序列的波動。

為了驗證BP神經網絡的突發污染動態預警可行性分析，在海綿城市建設、流域管理、暴雨管理等領域進行高頻水質監測數據的水質異常預警研究，與我國目前已有的水質在線監測方法、常規抽樣分析和公共安全檢查等傳統異常預警方法相比，能夠有效地縮短檢測時間，更加快速、敏捷的體現水體污染濃度變化，并且不存在異常漏報的現象，具有十分良好的可行性。在加強河段環境管理方面，安裝包含電導率、濁度和pH等指標的高頻傳感器，可以充分體現該突發污染動態預警的優勢。

3 結論

通過定期采樣數據和高頻連續的水質監測數據相結合對水質參數進行軟測量，結合BP神經網絡技術建立污染異常動態預警模型，并以遼寧撫順渾河的水質監測數據進行實例研究，得到以下主要結論：

（1）檢測站點2中的TSS和TP之間、TURB和TP之間的關系并非簡單的線性關系。降雨少的時候，TURB與TP對應關系為“1對1”，其主要影響因素為點源；增加降雨強度，TURB與TP對應關系為“2對1”，由面源和點源共同作用于TURB和TP所引起。

（2）TP實際監測的數據與計算數據之間的誤差一直處于可接受范圍之內，能夠用作突發異常預警的數據源。一般情況下，水體中的TP和流量之間無明顯聯系，主要影響因素為點源排放污染；強降雨條件下，雨水沖刷地面使得大量顆粒態TP污染物隨著雨水進入水體中，導致TP的濃度急劇增加。

（3）通過對比直接神經網絡和BP神經網絡對異常預警性能的影響發現，BP神經網絡對水質時間序列的突變情況反應更加敏感，這是因為BP神經網絡預測之前去除噪聲的影響，有效地減少預測時間序列的波動。與我國目前已有的水質異常預警方法相比，可以更加快速、敏捷的體現水體污染濃度變化，具有十分良好的可行性，為相關研究提供了理論參考。