一种厂网河一体化模型参数优化方法技术

一种厂网河一体化模型参数优化方法，属于城市管网系统规划技术领域。解决了现有的厂网河一体化模型参数优化对专业人员工程经验要求较高,存在效率低、耗时长的问题。本发明专利技术利用厂网河一体化模型的参数和预测结果，构建RBF径向基神经网络；利用正交最小二乘法对RBF径向基神经网络进行训练；通过模型参数影响排行解析，确定模型优化关键影响参数；利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化，获得各参数的最佳取值区间。本发明专利技术适用于城市厂网河一体化模型参数优化使用。

【技术实现步骤摘要】
一种厂网河一体化模型参数优化方法
本专利技术属于城市管网系统规划

技术介绍
城市厂网河水系统由污水处理厂、管网、河流组成，负责收集、输送和处理城市生产、生活过程中产生的雨水和污水，显著影响城市水环境质量和水生态安全。“厂网河一体化”是以流域水质达标为目标，对流域内所有河、闸、站、雨污管网及污水厂进行统一调度、统一规划和一体化管理，确保城市排水系统安全高效运转。城市厂网河水系统水力水质模型，可以模拟评价厂网河排涝减灾和控源截污能力，指导厂网河的高效运行，打破传统模型污水处理厂、排水管网、河流水环境间割裂关系，是实现“厂网河一体化”的核心技术之一。模型参数赋值对模型预测结果精度有重要影响，决定“厂网河一体化”模型应用效果。厂网河一体化模型耦合了污水处理厂、排水管网、河流水环境等多种模型核心功能，包含100余个相互关联的模型参数，参数优化极为困难。传统人工优化方法过度依赖专业人员工程经验，对优化结果的主观影响大，同时存在效率低、耗时长等问题。
技术实现思路
本专利技术目的是为了解决现有的厂网河一体化模型参数优化对专业人员工程经验要求较高,存在效率低、耗时长的问题,提出了一种厂网河一体化模型参数优化方法。本专利技术所述一种厂网河一体化模型参数优化方法，具体包括：步骤一、利用厂网河一体化模型的参数和预测结果，构建RBF径向基神经网络；步骤二、利用正交最小二乘法对RBF径向基神经网络进行训练；步骤三、通过模型参数影响排行解析，确定模型优化关键影响参数；步骤四、利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化，获得各参数的最佳取值区间。进一步地，步骤一所述利用厂网河一体化模型的参数和预测结果，构建RBF径向基神经网络的具体方法为：步骤A1、利用厂网河一体化模型的参数构建RBF径向基神经网络输入层；步骤A2、利用厂网河一体化模型的河流断面流量与污染物浓度构建RBF径向基神经网络输出层；步骤A3、利用高斯函数作为基函数，构建RBF径向基神经网络隐含层，完后建RBF径向基神经网络的构建。进一步地，步骤二中所述利用正交最小二乘法对RBF径向基神经网络进行训练的具体方法为：步骤B1、对隐含层回归向量正交获得回归模型，利用正交最小二乘法对所述回归模型进行选择，将误差平方和最小的回归算子作为隐含层的回归算子；步骤B2、利用平均距离法选取隐含层的宽度；完成对RBF径向基神经网络隐含层的设置；步骤B3、将厂网河一体化模型参数与模型预测结果作为输入模式对，对RBF径向基神经网络进行训练。进一步地、步骤三所述的通过模型参数影响排行解析，确定模型优化关键影响参数的具体方法为：将各参数在隐含层中线性加权权重变化对RBF径向基神经网络的训练结果影响力进行排行，选取影响能力权重排行前5的模型参数作为模型优化关键影响参数。进一步地，步骤四中所述利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化的方法为：步骤C1、根据经验值，确定模型优化关键影响参数的取值范围，将每个模型优化关键影响参数的的取值范围离散成N等份，作为N个变量区间；其中N为大于或等于2的整数；步骤C2、对蚁群算法进行初始化；将每个参数N个区间的端点设置为该参数的N+1个节点；步骤C3、将蚁群中所有蚂蚁随机放置在第一个参数的N+1个节点上；步骤C4、计算每个蚂蚁从当前参数的节点转移到下一个参数的节点的转移概率；步骤C5、根据所述转移概率，将蚁群的所有蚂蚁分配至下一个参数的N+1个节点上；执行步骤C6，其中，N为正整数；步骤C6、判断所述下一个参数是否为该次迭代的最后一个待优化参数，若是，执行步骤C7，否则，执行步骤C4；步骤C7、计算该次迭代目标函数值，判断该次迭代目标函数值是否达到函数阈值，若是，执行步骤C10，否则，执行步骤C8；步骤C8、判断迭代次数是否达到迭代次数阈值，若是，则执行步骤C10，否则，执行步骤C9；步骤C9、计算每个蚂蚁从当前参数的节点转移到第一个参数的节点的转移概率；返回执行步骤C5；步骤C10、计算每个参数N+1个节点的信息素强度，根据每个参数的节点的信息素强度获取最优路径，根据最优路径获取各参数的最佳取值区间；判断获取各参数的最佳取值区间的次数否为第二次，若是，成模型优化关键影响参数，输出各参数的最佳取值区间，否则，执行步骤C11；步骤C11、分别将各参数的佳取值区间离散成N等份，作为N个变量区间；再次对蚁群算法进行初始化；将每个参数的N个区间的端点设置为该参数的N+1个节点；返回执行步骤C3。进一步地，步骤C2中对蚁群算法进行初始化为：设置迭代次数阈值M1，节点信息强度素初始值；所有节点信息素强度初始值均相同，设置蚁群中蚂蚁的总数量，设置目标函数阈值，其中，M1大于300的正整数。进一步地，步骤C12中对蚁群算法进行初始化为：设置迭代次数阈值M2，节点信息强度素初始值；所有节点信息素强度初始值均相同，设置蚁群中蚂蚁的总数量，设置目标函数阈值，其中，M1＞M2＞100。进一步地，步骤C11中计算每个参数N+1个节点的信息素强度的具体公式为：τij(t+n)＝ρ·τij(t)+ΔτijΔτij＝∑m/k＝1Δτijkτij(t)表示t时刻在路线ij上的信息素残留量，ρ代表信息素的残留度，Δτijk表示第k只蚂蚁在本次循环中留在路径ij上的信息量，Δτij表示本次循环中所有经历过路径ij的蚂蚁留在该路径上的信息量的增量。进一步地，步骤A5中所述计算该次迭代目标函数值的计算方法为：采用公式：计算实现，其中，N是该次迭代厂网河”一体化模型输出数据的组数，Qsim该次迭代厂网河”一体化模型输出的数据值，Qobs与Qsim对应的实际观测值，是实际观测数据的平均值；NSE值越趋近于1，表示模拟值和测量值的拟合效果越好，NSE值小表示结果可靠性低，而评估值越大意味着可靠性越高，模型优化具有高精度。本专利技术开发了一种基于RBF径向基神经网络与蚁群自动寻优耦合的厂网河一体化模型参数智能优化技术。基于RBF径向基神经网络对厂网河一体化模型中参数影响进行挖掘，生成模型预测精度贡献权重排行，解析模型预测关键性参数；基于人工蚁群算法对关键参数赋值进行优化，提高厂网河一体化模型预测结果精度。相较于传统模型参数寻优方法，本专利技术具有以下优势：(1)提出了一种基于RBF径向基神经网络与蚁群自动寻优耦合的模型参数寻优技术，实现了模型核心参数的智能解析与全局优化；(2)开发的一种厂网河一体化模型参数智能优化方法，模型预测精度较传统人工寻优方法提高47％，纳什效率系数由0.37提高至0.78以上；解决了传统人工寻优方法长期存在的效率低、耗时长、主观性强的不足，实现了模型参数优化的自动化与客观化；(3)基于本专利技术优化的厂网河一体化模型，可本文档来自技高网...

【技术保护点】
1.一种厂网河一体化模型参数优化方法，其特征在于，该方法的具体步骤为：/n步骤一、利用现有厂网河一体化模型的参数和输出结果，构建RBF径向基神经网络；/n步骤二、利用正交最小二乘法对RBF径向基神经网络进行训练；/n步骤三、通过模型参数影响排行解析，确定模型优化关键影响参数；/n步骤四、利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化，获得各参数的最佳取值区间。/n

【技术特征摘要】
1.一种厂网河一体化模型参数优化方法，其特征在于，该方法的具体步骤为：
步骤一、利用现有厂网河一体化模型的参数和输出结果，构建RBF径向基神经网络；
步骤二、利用正交最小二乘法对RBF径向基神经网络进行训练；
步骤三、通过模型参数影响排行解析，确定模型优化关键影响参数；
步骤四、利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化，获得各参数的最佳取值区间。


2.根据权利要求1所述的一种厂网河一体化模型参数优化方法，其特征在于，步骤一所述利用厂网河一体化模型的参数和输出结果，构建RBF径向基神经网络的具体方法为：
步骤A1、利用厂网河一体化模型的参数构建RBF径向基神经网络输入层；
步骤A2、利用厂网河一体化模型的输出结果构建RBF径向基神经网络输出层；
步骤A3、利用高斯函数作为基函数，构建RBF径向基神经网络隐含层，完后建RBF径向基神经网络的构建。


3.根据权利要求1所述的一种厂网河一体化模型参数优化方法，其特征在于，步骤二中所述利用正交最小二乘法对RBF径向基神经网络进行训练的具体方法为：
步骤B1、对隐含层回归向量正交获得回归模型，利用正交最小二乘法对所述回归模型进行选择，将误差平方和最小的回归算子作为隐含层的回归算子；
步骤B2、利用平均距离法选取隐含层的宽度；完成对RBF径向基神经网络隐含层的设置；
步骤B3、将厂网河一体化模型参数与模型预测结果作为输入模式对，对RBF径向基神经网络进行训练。


4.根据权利要求1所述的一种厂网河一体化模型参数优化方法，其特征在于，步骤三所述的通过模型参数影响排行解析，确定模型优化关键影响参数的具体方法为：将各参数在隐含层中线性加权权重变化对RBF径向基神经网络的训练结果影响力进行排行，选取影响能力权重排行前5的模型参数作为模型优化关键影响参数。


5.根据权利要求1所述的一种厂网河一体化模型参数优化方法，其特征在于，步骤四中所述利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化的方法为：
步骤C1、根据厂网河一体化模型参数值，确定模型优化关键影响参数的取值范围，将每个模型优化关键影响参数的取值范围离散成N等份，作为N个变量区间；其中N为大于或等于2的整数；
步骤C2、对蚁群算法进行初始化；设定目标函数及目标函数阈值和迭代次数上限，将每个参数N个区间的端点设置为该参数的N+1个节点；
步骤C3、将蚁群中所有蚂蚁随机放置在第一个参数的N+1个节点上；
步骤C4、计算...

【专利技术属性】
技术研发人员：田禹，李运东，孟一鸣，李俐频，马丽娜，胡智超，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23