基于灰色神经网络的爆管预测方法技术

本发明专利技术公开了一种基于灰色神经网络的爆管预测方法。本发明专利技术首先，对于给定的爆管因素和爆管率数据序列，通过静态灰色建模，对爆管率序列进行预测。预测结果和原爆管率序列进行比较，得到残差。然后，利用神经网络在这些残差和爆管因素间建立神经网络逼近模型。经过反复训练的神经网络就是残差和所选的灰色模型数据间的映射关系。最后预测时，再将灰色模型的预测值用神经网络的补偿值进行补偿。本发明专利技术结合灰色建模方法和神经网络模型建立灰色神经网络模型，克服传统爆管模型需要大量的数据的缺点，能较好的解决小样本预测问题，提高预测精度。

【技术实现步骤摘要】
基于灰色神经网络的爆管预测方法
本专利技术属于城市供水领域，具体是一种基于灰色神经网络的供水管网爆管预测方法。
技术介绍
供水管网是城市的重要基础设施之一，也是城市生命线工程的重要组成部分。管网爆管会造成大量水资源的浪费，威胁供水安全，影响正常生产和生活。对历史漏损数据进行分析，建立有效的爆管预测模型，可从源头上对管网漏损进行控制，做到早预防、早发现，科学合理地进行维护，实现漏损的主动控制。目前，爆管预测模型主要包括物理模型和统计模型。物理模型一般通过分析作用在管道上的荷载，管道抗荷载的能力，管道内外所受腐蚀的程度、范围等来预测管道事故。统计模型则以管网历史爆管数据为依据，用统计的方法建立爆管事故量化规律。近年来，基于人工智能的数据驱动建模技术受到重视，并在爆管预测研究方面已有应用，如TabeshM.等在文章Assessingpipefailurerateandmechanicalreliabilityofwaterdistributionnetworksusingdatadrivenmodeling中提出并建立了基于人工神经网络和适应性神经-模糊推断系统的爆管模型。然而，传统爆管模型需要大量的数据，如管道特性数据,准确而足够长时间的管道运行维护历史数据等，但给水管网系统庞大复杂，漏点发生的详细记录难以准确、全面采集，急需研究利用现有少量数据进行爆管分析以及预测方法。同时，考虑到供水管网的漏损受管道年限、管道材料、气温、外部工程等各种因素的影响，不确定因素较多，若将影响管网爆管的各种复杂因素联合起来看成一个大系统，这一系统兼有确定性与不确定性，可以看成一个典型的灰色系统。灰色系统建模方法可不考虑分布规律、变化趋势，能从少量样本中找出系统的变化关系,且建模方法简单。但灰色系统不具备并行计算能力,模型精度欠高。而神经网络可以实现非线性映射,具有并行计算、分布式信息存储、容错能力强、自适应学习功能等优点。若将两者结合构成灰色神经网络模型,则优点兼具，能较好的解决小样本预测问题，提高预测精度。
技术实现思路
本专利技术的目的在于克服现有方法中的不足，提出一种基于灰色神经网络的供水管网爆管预测方法，能有效地提高预测精度，且对管网爆管历史记录要求不高可同时适用于小样本预测和大样本预测。本方法通过以下技术方案实现：首先，对于给定的爆管因素和爆管率数据序列,通过静态灰色建模，对爆管率序列进行预测。预测结果和原爆管率序列进行比较,得到残差。然后，利用神经网络在这些残差和爆管因素间建立神经网络逼近模型。经过反复训练的神经网络就是残差和所选的灰色模型数据间的映射关系。最后预测时，再将灰色模型的预测值用神经网络的补偿值进行补偿。具体建模过程如下：(1)收集、整理统计爆管数据一般影响爆管的因素有：管材质量，接口形式，管径，管道埋深，气温变化，地势沉降和载荷，管网运行压力，管道腐蚀等等。其中某些因素可以量化，某些因素无法量化。从爆管数据库中，统计分析可量化的因素如管径、埋深、管网运行压力、管长等，并计算爆管率（一般计算年爆管率）。(2)建立模型基于步骤(1)收集统计的个爆管因素和爆管率，建立以个爆管因素为因子变量，以爆管率为行为变量的模型。具体步骤如下：1）设为系统特征数据序列（此序列表示行为变量的个观测值）这个序列称为相关因素序列（表示个因子变量各自的个观测值）。上述各数据序列的一次累加生成（）序列记为（），所谓一次累加生成即：设（）为原始序列，为序列算子，其中，称为的一次累加生成算子，而生成的新的序列为一次累加生成序列。2）基于（）建立模型其中参数列，可用最小二乘估计而得到为。其中：3）应用步骤2）中的模型进行预测，得到预测的行为变量序列为通过以上步骤，就建立了以个爆管因素为因子变量，以爆管率为行为变量的模型。(3)建立神经网络模型将一次累加的相关因素序列（）作为BP神经网络（可以使用其他神经网络模型）的输入，由模型预测得到的特征序列与一次累加的特征数据序列的残差序列作为网络的输出，其中，建立BP神经网络模型。首先，为了避免隐含层某神经元处于饱和状态以及数据间数量级的差异，保证网络对样本具有足够的输入敏感性和良好的拟合性，在对BP神经网络进行训练之前，要对学习祥本数据进行预处理。即对所有数据进行归一化处理，将样本数据转化为区间上的值。当然，在使用经过学习后的网络时，对网络的输出数据还应进行反归一化，恢复最终预测值。归一化的具体算法是：式中——所收集的一组数据；——这组数据中的最小值；——这组数据中的最大值；——映射后的数据。反归一化具体算法是：然后，应用Matlab中的工具箱用基本的反向传播算法（可以采用其他学习算法）来训练网络，以得到隐含层和输出层相应的权值。这样,经过反复训练的神经网络就是残差序列和一次累加爆管相关因素序列的映射关系。(4)预测爆管率预测时,先将模型的预测值用神经网络的补偿值进行误差补偿，以得到预测值。然后进行一次累减生成得到所谓一次累减生成即：设（），为原始序列为序列算子，其中称为的一次累加生成算子，记为。至此，经过步骤（1），（2），（3），（4），就建立了灰色神经网络的供水管网爆管预测模型。本专利技术方法结合灰色建模方法和神经网络模型建立灰色神经网络模型，克服传统爆管模型需要大量的数据的缺点，能较好的解决小样本预测问题，提高预测精度，同时对于大样本一样适用。尤其对于爆管数据的记录与维护起步晚供水企业来说，该方法是迫切需要的。附图说明图1为本专利技术的原理框图。具体实施方式下面给出一个实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例仅用于说明本专利技术，但不用来限制本专利技术的范围。（1）收集、整理统计爆管数据从某供水区域的爆管数据库中，统计管道的管径、管龄、压力数据，并计算爆管率（一般计算年爆管率）。具体统计方法是：先将所有管段按照管径（单位）分为组。然后，计算每组的总管长：其中为管段编号，为管段的长度，单位为。基于管长的加权平均管龄：其中为管段的管龄，单位为年。基于管网模拟结果的管道流量加权平均绝对压力：其中为管段的平均绝对压力，单位为；为管段的流量，单位为。以及每年每单位管长平均爆管次数及爆管率：其中为爆管率，单位为；为统计年编号；为第组统计年爆管次数；为统计年总数。（2）建立模型基于步骤（1）收集统计的3个爆管因素和爆管率，共组。建立以管径、管龄、压力为因子变量，以爆管率为行为变量的模型。具体步骤如下：1）令表示爆管率序列；为管径序列；为管龄序列；为压力序列；上述各数据序列的一次累加生成（）序列记为（），所谓一次累加生成即：设（）为原始序列，为序列算子，其中，称为的一次累加生成算子，而生成的新的序列为一次累加生成序列。2）利用（）建立模型其中参数列，可用最小二乘估计而得到为。其中：3）应用步骤2）中的模型进行预测，得到预测的行为变量序列（爆管率）为。（3）建立神经网络模型将一次累加的相关因素序列（）作为BP神经网络（可以使用其他神经网络模型,本实施例采用BP神经网络）的输入，由模型预测得到序列与序列的残差序列作为网络的输出，其中。然后，应用Matlab中的工具箱用基本的反向传播算法（可以其他相应学习算法）来训练网络，以得到隐含层和输出层相应的权值。这样,经过反复训练的神经网络就是残差序列和一次累加本文档来自技高网...

【技术保护点】
基于灰色神经网络的爆管预测方法，其特征在于该方法包括以下步骤：步骤（1）收集爆管因素、整理统计爆管数据并计算爆管率，所述的爆管数据为可量化的爆管因素，包括管径、埋深、管网运行压力和管长；步骤（2）建立?模型；基于步骤（1）收集统计的个爆管因素和1个爆管率，建立以个爆管因素为因子变量，以爆管率为行为变量的模型，具体步骤如下：1）设为系统特征数据序列，此序列表示行为变量的个观测值；这个序列称为相关因素序列，表示个因子变量各自的个观测值；????上述各数据序列的一次累加生成序列记为，，所谓一次累加生成即：????设为原始序列，为序列算子，其中，称为的一次累加生成算子，而生成的新的序列为一次累加生成序列；????2）基于序列建立模型????其中参数列，可用最小二乘估计而得到为；其中：??????3）应用步骤2）中的模型进行预测，得到预测的行为变量序列为：通过以上步骤，就建立了以个爆管因素为因子变量，以爆管率为行为变量的模型；步骤（3）建立神经网络模型；????将一次累加的相关因素序列作为BP神经网络的输入，由模型预测得到的特征序列与一次累加的特征数据序列的残差序列作为网络的输出，其中，建立BP神经网络模型；首先，为了避免隐含层某神经元处于饱和状态以及数据间数量级的差异，保证网络对样本具有足够的输入敏感性和良好的拟合性，在对BP神经网络进行训练之前，要对学习祥本数据进行预处理；即对所有数据进行归一化处理，将样本数据转化为区间上的值；在使用经过学习后的网络时，对网络的输出数据还应进行反归一化，恢复最终预测值；????归一化的具体算法是：????式中表示所收集的一组数据；表示这组数据中的最小值；表示这组数据中的最大值；表示映射后的数据；????反归一化具体算法是：然后，应用Matlab中的工具箱用基本的反向传播算法来训练网络，以得到隐含层和输出层相应的权值；这样,经过反复训练的神经网络就是残差序列和一次累加爆管相关因素序列的映射关系；步骤（4）预测爆管率；预测时,先将模型的预测值用神经网络的补偿值进行误差补偿，以得到预测值；然后进行一次累减生成得到????所谓一次累减生成即：????设，为原始序列为序列算子，其中????称为的一次累加生成算子，记为；至此，经过步骤（1），（2），（3），（4），就建立了灰色神经网络的供水管网爆管预测模型。2013101518441100001dest_path_image002.jpg,2013101518441100001dest_path_image004.jpg,2013101518441100001dest_path_image006.jpg,220365dest_path_image004.jpg,692935dest_path_image002.jpg,2013101518441100001dest_path_image008.jpg,2013101518441100001dest_path_image010.jpg,2013101518441100001dest_path_image012.jpg,2013101518441100001dest_path_image014.jpg,2013101518441100001dest_path_image016.jpg,2013101518441100001dest_path_image018.jpg,291538dest_path_image004.jpg,216768dest_path_image004.jpg,378759dest_path_image010.jpg,2013101518441100001dest_path_image020.jpg,2013101518441100001dest_path_image022.jpg,2013101518441100001dest_path_image024.jpg,2013101518441100001dest_path_image026.jpg,2013101518441100001dest_path_image028.jpg,2013101518441100001dest_path_image030.jpg,2013101518441100001dest_path_image032.jpg,515955dest_path_image028.jpg,2013101518441100001dest_path_image034.jpg,675672dest_path_image022.jpg,8819...

【技术特征摘要】
1.基于灰色神经网络的爆管预测方法，其特征在于该方法包括以下步骤：步骤(1)收集爆管因素、整理统计爆管数据并计算爆管率，所述的爆管数据为可量化的爆管因素，包括管径、埋深、管网运行压力和管长；步骤(2)建立GM(0,N)模型；基于步骤(1)收集统计的N-1个爆管因素和1个爆管率λ，建立以N-1个爆管因素为因子变量，以爆管率为行为变量的GM(0,N)模型，具体步骤如下：1)设为系统特征数据序列，此序列表示行为变量的n个观测值；..............................这N-1个序列称为相关因素序列，表示N-1个因子变量各自的n个观测值；上述各数据序列的一次累加生成1-AGO序列记为i＝1,2,…,N，所谓一次累加生成即：设为原始序列，D为序列算子其中称D为的一次累加生成算子，而生成的新的序列为一次累加生成序列；2)基于序列建立模型其中参数列可用最小二乘估计而得到为其中：3)应用步骤2)中第2)步模型进行检测，得到预测的行为变量序列为：通过以上步骤，就建...

【专利技术属性】
技术研发人员：徐哲，杨洁，车栩龙，孔亚广，薛安克，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：