基于信息點模型的城市污水排量預測研究

摘 要：為了更好地處理城市污水，需要對城市污水排放量進行精準預測。本文將信息點模型和粒子群算法結合，構建一種城市排污水量的預測框架。依托信息點模型，在局部管道和主干管道的交匯處設置測試傳感器，將測得的數據送入粒子群算法，根據禁忌搜索規則更新粒子群位置和速度。預測試驗結果顯示，住宅區域的污水排放規律性最強，醫院類區域的污水排放有很大隨機性。

關鍵詞：信息點模型；粒子群算法；城市污水；排污量預測

中圖分類號：X 32 " " " " " " 文獻標志碼：A

為了提升市民居住條件，應妥善保護城市環境。在各種城市環境的污染源中，城市污水必須得到有效治理[1]。目前，城市污水排放已經建立了有效的治理體系。依托于大規模城市排污管網，城市污水通過分散到各處的排污局部管道匯聚到排水主干管道，最終排放到污水處理廠，通過污水處理廠進行處理并排放到周邊水系或回收利用[2]。采用這套城市污水治理體系可以有效解決城市污水排放問題。污水處理廠的處理能力有限，如果分散到各地的污水集中排放，就會超出污水處理廠的排污量負荷[3]。另外，由于排污處理過程的動態屬性，未經妥善處理的污水也會排放，因此導致環境污染。為了解決排污量和污水處理能力不匹配的問題，要進行有效預測，合理調控排水量和處理量之間的關系。本文采用信息點模型對接粒子群算法，有效預測城市污水排量。

1 基于城市排污管網的信息點模型構建

如果需要對城市污水排量進行精準預測，就必須建立在大量數據的分析和學習的基礎上。因此，采集豐富的污水排放數據，再送入智能分析方法是實現城市污水排量預測的一般流程。本文利用信息點模型布置污水排量測試傳感器，對接到粒子群算法完成城市污水排量的預測。從城市排污系統的構成來看，錯綜復雜的排污網絡可以分為局部網絡和主干管道。局部網絡負責承載獨立的污水排放區，直接連接到每個污水排放點。局部網絡得到的污水，最終又匯聚到主干管道向排污系統的終點排放。排污系統的終點就是分布在城市外圍的污水處理廠，污水在這里得到凈化處理或回收循環利用。

從局部網絡來看，城市污水的源頭主要包括4類區域。第一類區域是城市中數量最多的區域，也就是民用住宅污水排放區域，這類區域產出了大量的日常生活污水，并且分布最多最廣、分布點也最零散。第二類區域是圍繞大型商業中心形成的商業區，雖然該區域總面積遠小于住宅排污區，但是營業時段內人員密集，排污量也比較大。第三類區域是行政事業單位的辦公區域，例如政府機關、學校等，這類區域的污水排量也比較大。第四類區域是醫院，雖然醫院規模不大，但是污水污染程度等級高。上述4類區域形成的局部污水排放，最終都要排放到排污主干管道中，以便送入污水處理廠。為了測試污水排量，須分散設置測試點，在每個測試點配置傳感器，從而得到污水排量數據。測試點的選擇非常關鍵。為了盡可能保證測試信息的全面性和準確性，本文將測試點配置在各局部區域和主干排污管道的交匯處，從而得到的排污系統信息點模型，如圖1所示。圖1中，黑色圓點為局部區域排污管道和主干排污管道的交匯處，也是污水排量傳感器設置的信息點。布置多個信息點后，就可以構建信息點模型，從而可以完成污水排量的多點采集。

2 基于粒子群算法的城市污水排量預測方法

在前面的工作中，構建了城市污水排放系統的信息點模型。從每個信息點采集的污水排量數據，就構成了后續預測算法學習的基礎。考慮到整個信息點模型可以采集的數據信息很多，相互之間又比較分散，這里采用粒子群算法作為對應的智能分析算法，對污水排量進行預測。

2.1 生成初始值

通過信息點模型中每個傳感器得到的數據序列，就成為一個粒子狀態不斷更新的數值。因此，每個信息點的初始數據，就成為本文粒子群算法的初始值。得到這些初始值后，根據粒子群算法要不斷更新粒子信息。粒子速度的更新處理按照公式（1）進行。粒子位置的更新處理按照公式（2）進行。

（1）

（2）

式中：?為信息點污水排量更新過程中的慣性權重；λ1和λ2為信息點污水排量更新過程中的2個學習因子；rand（）為信息點污水排量更新過程中的隨機函數；pid為信息點污水排量更新過程中的第i個粒子最佳位置；pgd為信息點污水排量更新過程中的整個粒子群的最佳位置。

2.2 鄰域函數設置

為了保證粒子群每個粒子位置更新的合理性，配套使用禁忌搜索法控制每個粒子的位置變異。為了增加粒子位置更新過程中選擇的可能性，這里給出位置更新的鄰域函數設置規則，如公式（3）、公式（4）所示。

xinew=xi+f（q）·π·Q·K " " " "（3）

（4）

式中：q和Q為信息點污水排量更新過程中的隨機數；K為信息點污水排量更新過程中的比例因子；i為信息點污水排量更新過程中的鄰域解的生成次數。

2.3 設置候選解集

粒子群中每個粒子的位置和速度更新要經過多個輪次，何時更新能達到最佳的狀態要經過候選解集的合理設置。如果更新輪次過多，算法的效率就會變慢。如果更新的輪次不足，候選解的準確性就不能達標。因此，將一次更新過程的候選解深入輪次，設定為6。

2.4 設置禁忌表

為了避免粒子之間的相互干擾設置禁忌表，從而影響污水排量的準確預測。需要注意禁忌表的范圍，如果設置過大，就會導致粒子更新缺少可選擇性和靈活性。如果禁忌表的范圍設置過小，就無法避免粒子之間的干擾。因此，這里將禁忌表的最大范圍設置為8。

2.5 設置禁忌準則

如果粒子更新過程中1個候選解z（α1，α2，…，αn-2）的適應值可以表達為E（z），那么禁忌表需要對應設置1個解向量y（α'1，α'2，…，α'n-2），并且這個解向量的適應值可以表達為E（y），上述變量應滿足以下規則，如公式（5）和公式（6）所示。

E（y）-E（z）|≤E0 " " " " " " " " " （5）

||y-z||≤r0 " " " " " " " " " " " " " "（6）

設定E0=0.10，r0=0.005。

3 城市污水排量的預測試驗結果與分析

在前面的研究工作中，針對城市污水排量的預測問題提出信息點模型，將主要測試點配置在局部排污管道和排污主干管道的交匯處。在該基礎上構建基于粒子群算法的排污預測方法。在這部分工作中將針對4類局部區域的排污水量進行預測。采用粒子群算法對住宅區域的排污水量進行預測，結果如圖2所示。圖2是住宅類局部區域污水排放量預測結果的三維信息圖。其中，縱坐標代表污水排量，另外配置了時間坐標和日期坐標。這樣就可以從時間立體面的角度，觀察排污水量的變化。從圖2中的結果可以看出，住宅區域在6：00、12：00和18：00 這3個關鍵點位的污水排量都比較大，這與住宅區域早中晚的作息時間有關。根據粒子群算法對商業類區域的排污水量進行預測，結果如圖3所示。

從圖3給出的商業類局部區域的污水排放預測結果可以看出，其污水排量的最大峰值要高于住宅類區域。這與商業類區域在關鍵時段的人員密集程度更高有關，因為此時的商業區內人口密度更大，所以商業內區域尤其在晚間時段的污水排量更集中。再次，根據粒子群算法對行政類區域的排污水量進行預測，結果如圖4所示。從圖4給出的行政類局部區域的污水排放預測結果可以看出，其污水排量的最大峰值，要低于住宅區域和商業區域的污水排量，這與行政類區域的人員密度相對較小有關。此外，行政類局部區域的污水排放峰值集中出現在18：00以前，這正是行政人員下班較為集中的時間，從而產生了更大數量的排放。與住宅類區域、商業類區域、行政類區域相比，醫院類區域污水排量的最大峰值要更高，但峰值排布沒有明顯的規律、隨機性更強。因為醫院的污水排放與就醫人數的集中度有關，所以就醫人數的集中情況相對就比較隨機。

4 結論

城市污水排放的關鍵是排污總量與污水處理廠的實時處理能力相匹配，因此對污水排量的準確預測具有十分重要的意義。本文構建了信息點模型，用于城市中污水排放量的數據采集，信息點的位置選在局部排污管道和排污主干管道的交匯處。信息點模型采集的豐富數據，將送入粒子群算法，每個信息點采集數據對應一個粒子。對粒子位置和粒子速度的更新設置了具體規則，并在初始值設定、鄰域函數設定、候選解集設定、禁忌表設定和禁忌規則設定等方面進行詳細闡述。針對4類不同局部區域進行排污水量的預測，預測結果顯示：4類不同區域在污水排放峰值、峰值出現時間節點都有所不同，可以在對應位置進行排污量調控，使其適應污水處理廠的處理能力。

參考文獻

[1]黃延林，戴雪峰，張卉，等.改進 PSO 算法在多水源供水系統優化調度中的應用[J].中國給水排水，2023，29（23）：64-68.

[2]王鶴超，徐浩.基于POI及核密度分析的上海城鄉交錯帶分布研究[J].上海交通大學學報：農業科學版，2019，37（1）：1-5.

[3]趙菊，李新，葉紅.基于多因素灰色預測模型的生活污水量預測研究[J].環境科學與管理，2022，39（11）：71-73.