一种水质预测方法和装置制造方法及图纸

本发明专利技术公开了一种水质预测方法和装置，该方法包括：获取原水数据，根据原水数据建立预测模型；计算预测模型的相对误差，当预测模型的相对误差小于或等于预定的相对误差时，该预测模型为有效模型，并根据所述预测模型进行水质预测；所述建立预测模型包括：根据原水数据建立原始ＧＭ（１，１）模型，计算原始ＧＭ（１，１）模型值；通过原始ＧＭ（１，１）模型值确定一次残差数据，并利用一次残差数据建立一次残差ＧＭ（１，１）模型；根据一次残差ＧＭ（１，１）模型对原始ＧＭ（１，１）模型进行一次修正，建立修正ＧＭ（１，１）模型，计算修正ＧＭ（１，１）模型值；通过修正ＧＭ（１，１）模型值确定二次残差数据，并利用所述二次残差数据建立ＢＰ神经网络模型。

【技术实现步骤摘要】

本专利技术涉及水质预测领域，尤其涉及一种水质预测方法和装置。
技术介绍
当前，我们所应用的水质预测模型大体上可分为两类一是通过分析影响水质的各种因素，模拟水中生物动态变化的方式而建立的模型；二是利用水质历史数据建立的模型。前者诸如1925年由美国工程师Streeter和Phelps提出的氧平衡模型，其基本依据是DO浓度取决于BOD反映与复氧过程，由厌氧微生物参与的反映属一级动力学方程的观点，再者如1970年美国环保局提出的QUAL-I水质综合模型等。前者模型的复杂度较高，一般只用于对水质的模拟，后者主要有线性回归模型(统计型模型)、灰色理论模型(非统计型模型)、神经网络模型以及相应的修正模型。 目前水质预测的研究热点还在于灰色理论模型和神经网络模型。关于灰色理论模型的应用，包括使用宽域灰色决策方法建立水质综合评价模型、灰色动态GM(1，1)模型群建立河流水质预测模型，以及利用灰色关联分析法进行水质分析等等；而对于神经网络模型，则诸如利用BP神经网络对水库水质的预测、使用神经网络根据上游水质来预测下游水质及当前水质预测未来水质，以及自适应神经网络的水质预测模型等等。当前灰色理论和神经网络对水质预测的应用与上述相符，都是以独立的形式对水质进行建模预测，并利用相关理论对模型进行改进以期望获得更高的预测精度。 上述水质预测模型主要存在的问题是所述的各种模型只针对水质数据的的灰色特性和时间增长性，或只针对其波动性(包含非线性特征)，并没有把灰色特性、时间增长性和波动性结合起来考虑，从而不能获得很高的预测精度。
技术实现思路
有鉴于此，本专利技术提供一种水质预测方法和装置，利用GM(1，1)和BP神经网络进行联合建模，既考虑了水质数据的灰色特性、时间增长性，又考虑了其非线性特性，同时对GM(1，1)进行了修正，并在修正GM(1，1)模型基础上利用BP神经网络进行二次修正，从而获得了很高的水质预测精度。 本专利技术技术方案如下 一种水质预测方法，包括 获取原水数据，并根据所述原水数据建立预测模型； 计算所述预测模型的相对误差，当所述预测模型的相对误差小于或等于预定的相对误差时，所述预测模型为有效模型，并根据所述预测模型进行水质预测； 所述建立预测模型包括 根据原水数据建立原始GM(1，1)模型，并计算原始GM(1，1)模型值； 通过原始GM(1，1)模型值确定一次残差数据，并利用所述一次残差数据建立一次残差GM(1，1)模型； 根据一次残差GM(1，1)模型对原始GM(1，1)模型进行一次修正，建立修正GM(1，1)模型，并计算修正GM(1，1)模型值； 通过修正GM(1，1)模型值确定二次残差数据，并利用所述二次残差数据建立BP神经网络模型。 优选的，所述一次残差数据通过原水数据与GM(1，1)模型值之差获得。 优选的，所述二次残差数据通过原水数据与修正GM(1，1)模型值之差获得。 优选的，所述计算所述预测模型的相对误差，具体包括 获取修正GM(1，1)模型的真实预测值； 获取BP神经网络模型的真实预测值； 叠加两预测值获得预测模型的真实预测值； 利用所述预测模型的真实预测值与所述原水数据计算所述预测模型的相对误差。 优选的，所述获取修正GM(1，1)模型的真实预测值具体包括 对修正GM(1，1)模型进行外推，得到生成数预测值； 对生成数预测值进行一次累减，获得修正GM(1，1)模型的真实预测值。 优选的，所述获取BP神经网络模型的真实预测值具体包括 将二次残差数据的末尾数据作为第一时刻的输入数据，用以预测第二时刻的预测值； 将第二时刻的预测值作为输入数据，用以预测第三时刻的预测值； 以此类推，最终得到所述BP神经网络模型的真实预测值。 一种水质预测装置，包括 获取单元，用于获取原水数据； 模型单元，用于根据所述原水数据建立预测模型； 计算单元，用于计算所述预测模型的相对误差； 验膜单元，用于验证当所述预测模型的相对误差小于或等于预定的相对误差时，确定所述预测模型为有效模型； 预测单元，用于根据所述预测模型进行水质预测； 所述建模单元具体包括 原始模型子单元，用于根据原水数据建立原始GM(1，1)模型，并计算原始GM(1，1)模型值； 残差模型子单元，用于通过原始GM(1，1)模型值确定一次残差数据，并利用所述一次残差数据建立一次残差GM(1，1)模型； 修正模型子单元，用于根据一次残差GM(1，1)模型对原始GM(1，1)模型进行一次修正，建立修正GM(1，1)模型，并计算修正GM(1，1)模型值； 网络模型子单元，用于通过修正GM(1，1)模型值确定二次残差数据，并利用所述二次残差数据建立BP神经网络模型。 优选的，所述计算单元包括 第一获取单元，用于获取修正GM(1，1)模型的真实预测值； 第二获取单元，用于获取BP神经网络模型的真实预测值； 叠加单元，用于叠加两预测值获得预测模型的真实预测值； 计算子单元，用于利用所述预测模型的真实预测值与所述原水数据计算所述预测模型的相对误差。 优选的，所述第一获取单元包括 外推单元，用于对修正GM(1，1)模型进行外推，得到生成数预测值； 累减单元，用于对生成数预测值进行一次累减，获得修正GM(1，1)模型的真实预测值。 优选的，所述第二获取单元的作用具体为 将二次残差数据的末尾数据作为第一时刻的输入数据，用以预测第二时刻的预测值； 将第二时刻的预测值作为输入数据，用以预测第三时刻的预测值； 以此类推，最终得到所述BP神经网络模型的真实预测值。 从上述的技术方案可以看出，本专利技术实施例利用GM(1，1)模型和BP神经网络模型实现组合式叠加预测模型，对原水水质进行了预测。先采用GM(1，1)模型对水质时间序列进行建模，再利用一次残差数据建立残差GM(1，1)模型，来修正原始数据的GM(1，1)模型，并进行了预测，从该修正模型可以获知水质变化的总体趋势；由于水质不仅具有灰色特性、时间增长性，而且还会有一定的波动性，波动本身又包含了非线性信息(水质数据受各种物理反应和化学反应的影响)，为了能有效处理非线性信息，本专利技术在修正GM(1，1)模型的基础上，再采用BP神经网络对水质非线性特性进行补偿，即用BP神经网络对修正GM(1，1)模型的二次残差数据进行训练，获得能处理非线性特性的BP神经网络模型；最终，本专利技术对修正GM(1，1)模型和BP神经网络模型的预测值进行叠加，得到预测模型的预测值，通过计算预测模型的相对误差，并将该误差与预定的相对误差相比较，当该误差小于或等于预定的相对误差时，确定所述预测模型为有效模型。通过本专利技术，使水质预测达到较好的预测效果，大大提高了预测精度。 附图说明 为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。 图1为本专利技术实施例公开的一种水质预测方法的流程图； 图2为本专利技术实施例公本文档来自技高网...

【技术保护点】
一种水质预测方法，其特征在于，包括：获取原水数据，并根据所述原水数据建立预测模型；计算所述预测模型的相对误差，当所述预测模型的相对误差小于或等于预定的相对误差时，所述预测模型为有效模型，并根据所述预测模型进行水质预测；所述建立预测模型包括：根据原水数据建立原始ＧＭ（１，１）模型，并计算原始ＧＭ（１，１）模型值；通过原始ＧＭ（１，１）模型值确定一次残差数据，并利用所述一次残差数据建立一次残差ＧＭ（１，１）模型；根据一次残差ＧＭ（１，１）模型对原始ＧＭ（１，１）模型进行一次修正，建立修正ＧＭ（１，１）模型，并计算修正ＧＭ（１，１）模型值；通过修正ＧＭ（１，１）模型值确定二次残差数据，并利用所述二次残差数据建立ＢＰ神经网络模型。

【技术特征摘要】

【专利技术属性】
技术研发人员：张海峰，张伟，古述波，章遂平，叶友红，
申请(专利权)人：浙江浙大中控信息技术有限公司，
类型：发明
国别省市：86[中国|杭州]