基于BP神經網絡的校園中水用水量預測研究

明亮 ，吳永強 ，安娟 ，王旭朝

（河北建筑工程學院能源與環境工程學院，河北 張家口 075000）

1 中水用水量預測

1.1 中水用水量預測意義

隨著H校園規模的不斷擴大，在校生人數不斷增加，用水量增長迅速。采用中水回收技術，很好地解決了校園內沖廁、澆灌、景觀用水需求，實現了水資源的充分利用，但是目前H校園中水供水系統運營管理方式較為陳舊，存在著泵站耗能高、供水壓力不穩定，壓力過大導致管網漏損等諸多問題，在中水穩定供水與節約資源的雙重要求之下，達不到良好的效果，因此對H校園中水供水系統實施智慧運維，優化調配迫在眉睫。首要任務是對中水用水量進行預測。

1.2 中水用水量預測方法概述

中水用水量預測研究是整個中水優化調配的重要基礎工作，只有保證用水量預測的準確，才能更加高效的進行泵站優化調配。目前常用的用水量預測方法主要有移動平均預測模型、指數平滑預測模型、自回歸預測模型、多元線性回歸模型等。但這些方法或多或少存在著對變量要求高、適應性差、波動性大等問題。隨著計算機技術的發展，在人工智能領域的研究不斷深入，人工神經網絡應用于預測研究體現出良好的適應性、學習能力、高度非線性的特點[1]，適合于中水供水系統用水量預測研究，因此本次采用BP神經網絡方法建立H校園中水用水量預測模型。

2 人工神經網絡概述

BP神經網絡是人工神經網絡的一種，人工神經網絡的特點是在運行之前無需列出表示輸入與輸出之間映射關系的數學方程，而只靠對輸入訓練數據的不斷訓練，學習其中的規律，最后在給定一個輸入值后，輸出一個接近期望值的結果。BP神經網絡是一種按誤差反向傳播 (簡稱誤差反傳)訓練的多層前饋網絡，算法是實現神經網絡各項功能的核心，BP算法的核心思想就是以神經網絡誤差平方為目標函數，采用梯度下降法來計算目標函數的最小值[2]。其停止條件有三條原因：①權重的更新低于某個閾值的時候；②預測的錯誤率低于某個閾值；③達到預設一定的迭代次數[1]。

3 中水用水量預測模型實例研究

3.1 H校園中水用水量分析

H校園中水供水系統起始端為校園中水泵站，由于中水供水具有其特殊性，用水量與天氣、季節等影響因素關系不大，中水用水量在一天或者一周之內基本保持周期性變化[3]。在整個校園中水用水量中，宿舍樓中水用水量占很大比例，所以以1h為時間段選取用水量數據，本次以九號宿舍樓中水用水量數據作為模型預測數據。

由圖1可以看出，中水用水量隨時間而呈現出周期性變化。在一天中6點左右開始，中水用水量開始上升，到8點左右到達頂峰，隨后開始下降，在12點到13點之間再次上升，隨后再次下降，中水用水量在18點到23點處于上下小幅度波動狀態，在深夜0點到6點中水用水量處于一個較低的水平。在周六日或者節假日由于學生們活動時間有所變化，中水用水量高峰點可能會出現一定移動，但總體上宿舍樓中水用水量呈現出周期性變化的特點。

圖1 九號宿舍樓中水用水量變化曲線

3.2 數據選擇與處理

本次中水用水量預測模型選擇九號宿舍樓六月三號到六月十號中水用水量數據作為研究對象。首先需要對數據進行預處理，將其中過大與過小的數據剔除，使得神經網絡在訓練時能更好的發現其中的規律，以保證預測模型的準確性。進行模型訓練時，用前三天數據和第四天前三小時數據作為輸入，第四天對應時刻數據作為輸出。對模型進行訓練后以六月七號、八號、九號數據及六月十號預測時刻前三小時數據作為輸入，預測六月十號中水用水量數據。

3.3 BP神經網絡模型設定

BP神經網絡模型組成分為輸入層、隱含層、輸出層三部分。前人的研究理論表明隱含層層數一般為1～2層。另根據神經網絡理論Kolmogorov定理所闡述的，經過充分學習的三層BP網絡可以逼近任何函數，所以本次構建輸入層、隱含層、輸出層三層神經網絡[2]。由于傳遞函數的值域是有限制的，首先需要利用premnmx函數對數據進行歸一化處理，成為[-1.1]之間的數，激勵函數選擇Tanh函數，如果不使用激勵函數，無論設置多少層的神經網絡，輸出都是輸入的線性組合，每一層輸出都是上層輸入的線性函數，激活函數的使用讓神經元獲得了非線性因素，神經網絡因而可以逼近任何非線性函數，這樣神經網絡就可以應用到眾多的非線性模型中[4]。網絡訓練函數為trainlm函數，隱含層傳遞函數為tansig,輸出層傳遞函數為purelin,迭代次數為5000次，收斂誤差為0.05。輸入層神經元個數為6，輸出層神經元個數為1，隱含層神經元個數確定的經驗公式為m=+α，n 為輸入層神經元個數，l為輸出層神經元個數，α為1～10之間的整數，故隱含層神經元個數取值為3～12之間的整數。

3.4 BP神經網絡評價指標

為了確定隱含層神經元的具體個數，需要利用模型評價指標進行確定。常用的預測模型評價指標有平均絕對誤差（MAD）,平均平方誤差（MSE）和平均絕對百分比誤差（MAPE）[5]。設yf(f=1,2,3……)為中水用水量預測值，yp為中水用水量實際值。預測精度ef=yf-yp，模型的各項評價指標計算公式如下所示：

選取12-13點時段內中水用水量值作為測試值，對3-12之間的整數分別訓練50次，運用模型評價指標來確定合適的隱含層節點數。

由上表計算數值可知，當隱含層節點數為11時，預測模型評價指標各項數值均為最小，所以本次中水用水量預測模型選擇11作為隱含層節點數。模型結構設置完成后，開始訓練網絡，該網絡通過26次重復學習達到期望誤差后完成學習。

3.5 預測結果分析

將本次預測模型預測數據與實際數據繪制成折線圖（如圖2），從圖中可以看出，預測數據與實際數據折線圖走勢基本一致，部分折線圖基本趨于重合，從而驗證中水用水量預測模型可以很好的逼近實際值，模型是合理有效的。

圖2 預測值與實際值數據對比

表1 不同隱含層節點數評價指標計算數值

表2 預測數據與實際數據對比表

4 結論

在國家大力推動節能減排的大背景下，供水系統優化調配迫在眉睫，而用水量預測作為供水優化調配的先決條件更顯得尤為重要。以BP神經網絡為基礎構建的中水用水量預測模型通過實例驗證其預測精度滿足要求，可以作為供水優化調配的重要約束條件。在以后的研究中有望將對H校園中水用水量預測研究擴展到城市市政供水用水量預測研究，發揮其更大的價值。