基于改進的BP神經網絡模型的營口地區河流水質預測分析

戚衛偉

(遼寧省營口水文局，遼寧 營口 115000)

0 引 言

河流水質污染物指標濃度的準確預測，是區域進行水質預警的重要依據，也是河流水污染事件決策的重要參考[1]。近些年來，隨著預測模型的不斷發展，河流水質預測的精度得到明顯改善。這其中基于小波函數原理的BP神經網絡模型在許多地區河流水質污染物指標濃度預測中得到不同程度的應用。應用結果均表明BP神經網絡模基于水質觀測數據樣本，通過樣本訓練，逐步對其水質污染負荷進行擬合，從而實現水質預測分析。但傳統BP神經網絡模型由于不能考慮模型梯度變量影響，求解存在不能收斂的局限。為此有學者針對傳統BP神經網絡模型的局限，對模型進行了改進，但改進模型在河流水質預測中還未得到應用，為提高營口地區河流水質預測的精度，文章引入改進的BP神經網絡模型對區域河流水質進行預測，并結合監測濃度對傳統模型及改進模型的計算精度進行對比分析。研究成果對于營口地區河流水質預測具有重要的方法參考價值。

1 模型改進原理

傳統 BP神經網絡模型基于小波變換原理對變量進行方程求解計算：

(1)

式中：τ為橫向變量；α為小波變換變量；t為計算時段，h。模型對其進行小波轉換計算：

ψ(t)=cos(1.75t)e(-t2/2)

(2)

對傳統模型的梯度變量進行修正，修正方程為：

(3)

式中：φ(j)為改進模型隱含層輸出變量；αj為模型基礎變量；i為模型控制節點數目；wij為變量權重；τj為模型控制節點計算步長。結果模型變量權重對其輸出變量進行計算：

(4)

式中：y(k)為模型輸出變量。結合區域水質樣本觀測數據，對計算節點控制單元的參數對水質指標濃度進行預測：

(5)

(6)

(7)

(8)

3 模型應用

3.1 數據情況

以營口地區河流為分析目標，該河流的水質監測采樣數據系列為30年，由于點源和農業面源污染的綜合影響，營口地區河流水質受到不同程度的影響。為提高營口地區河流水質，基于營口地區河流實測的總氮數據，分別采用改進的和傳統的的BP神經網絡模型對區域河流總氮進行預測，并對比分析不同模型的水質預測精度。

3.2 年尺度模型預測精度對比結果

結合營口地區近30年的年尺度水質監測數據作為模型的訓練樣本，分別采用改進的BP神經網絡模型和傳統BP神經網絡模型對區域2009年-2019年的總氮預測精度進行對比分析，分析結果如表1所示。

表1 改進模型和傳統模型的年總氮精度對比分析結果

從營口地區河流總氮年尺度對比結果可看出，相比于傳統BP神經網絡模型，改進的BP神經網絡模型在營口地區總氮年尺度預測精度上具有明顯的改善，總氮實測值和預測的總氮含量之間的誤差指標平均降低±10%左右，且各年份總氮預測誤差均有所改進。這主要是因為改進的BP神經網絡模型對變量求解的梯度進行修正，加速了模型的收斂精度，使得模型求解精度得到改善，因此提高了改進模型對于年尺度總氮的預測精度。

3.3 月尺度模型預測精度對比結果

為對比不同月份下改進的BP神經網絡模型和傳統模型的水質預測精度，結合營口地區水質監測站各月份總氮的監測數據，對改進前后模型月尺度的總氮預測精度進行對比分析，分析結果如表2所示。

表2 改進模型和傳統模型的月總氮精度對比分析結果

從改進模型和傳統模型的月總氮精度對比分析結果可看出，和年尺度總氮預測精度具有一致性，相比于傳統BP神經網絡模型，改進的BP神經網絡模型在營口地區月尺度總氮預測誤差上也有較為明顯的改善，總氮預測誤差相比于傳統BP神經網絡模型減低±8%左右，月總氮預測誤差要高于年尺度總氮預測誤差，這主要是年尺度總氮預測由于均化影響，減低了模型預測隨機影響，而月尺度總氮誤差受隨機影響程度要高于年尺度，因此其誤差要高于年尺度。

4 結 論

1)改進的BP神經網絡模型在營口地區總氮年尺度預測精度上具有明顯的改善，總氮實測值和預測的總氮含量之間的誤差指標平均降低±10%左右，且各年份總氮預測誤差均有所改進.

2)改進的BP神經網絡模型在營口地區月尺度總氮預測誤差上也有較為明顯的改善，總氮預測誤差相比于傳統BP神經網絡模型減低±8%左右，由于年尺度均化影響，減低了模型預測隨機影響，而月尺度總氮誤差受隨機影響程度要高于年尺度，因此其誤差要高于年尺度。