给水排水工程王
WaterSupply&DrainageEngineering
基于Elman神经网络的排水管网液位预测
欧阳琛
（中铁第四勘察设计院集团有限公司，潮北武汉430063）
摘要：建立了排水管网液位的Elman神经网络预测模型，以液位和雨量的监测数据为输入，未来的液位值为输出。提前 5.15.45和60min的预测平均绝对误差分别为2.07%，3.75%，8.39%和9.49%。与BP神经网络对比，Elman神经网络的拟合和预测效果分别提升约23%和21%。结果表明，基于Elman神经网络的管网预测模型具有良好的预测效果，可以
为建立排水管网的在线预测预警系统提供有效的方法支持关键词：排水管网；液位预测；Elman神经网络；BP神经网络
中图分类号：TU992.03
文献标志码：B
文章编号：1009-7767(2016)01-0093-03
LiquidLevelForecastofDrainagePipelinebyElmanNeuralNetwork
Ouyang Chen
我国排水管网普遍存在规划设计不足、雨污混接、
层、承接层和输出层围。输人层、隐含层、输出层的连接
养护管理不善等问题。近年来，许多城市在汛期发生“内涝"事件，造成了极大的经济损失。及时发现和预防排水事故成为垂需解决的问题。
基于排水系统的监测数据建立管网的实时预测模型，可以对管网的运行风险进行及时的预警。排水管网的建模通常采用水力和水文模型，通过SWMM等软件仿真管网在不同条件下的运行状况，需要经过反复的调试和历史数据验证，因此不能进行实时的预测。
神经网络是一种替代性的方法，它具有强大的非线性映射能力。近年来，国外一些学者应用该法进行了排水管网的液位预测，取得了较好的结果11-2]，而国内的相关报道较少。由于管网液位的预测是一个在线监测数据不断更新的动态过程，BP神经网络是一种静态的前馈型网络，容易陷入局部最小点，因此笔者提出可适应时变特性的Elman神经网络模型，它是一种反馈神经网络，具有动态递归性和良好的联想记忆功能3。
笔者将建立Elman神经网络模型，通过雨量和液位的在线监测值，预测排水管网的未来液位。同时，将 Elman神经网络与BP神经网络相比，验证模型的正确性。
1Elman神经网络基本理论 1.1网络结构
Elman神经网络一般具有4层结构：输人层、隐含方方数据
类似于前馈型网络，承接层用来记忆隐含层单元前时刻的输出值并返回给网络的输人，是一个一步延时算子。Elman神经网络的特点是通过隐含层的延与存储，使其对历史数据具有敏感性，达到动态建模的目的。
1.2网络学习算法
Elman神经网络的非线性状态空间表达式为：
y(k)=g(wx(k)+b2);
x(k)=f(wx.(k)+wu(k1)+b,); x.(k)=x(k-1)。
式中：k表示时刻;u、、为输人层、隐含层和输出层节点向量；x为n维反馈状态向量;w"、w"、w"分别为承接层到隐含层、输人层到隐含层、隐含层到输出层的连接权值;b1、bz分别为输人层和隐含层的阔值：g(x）f(x）
为输出层和隐含层神经元的传递函数。 2模型建立
2.1研究数据
以某污水管道连续17d(2014-08-18—2014-09-03) 的液位监测数据及其附近的雨量监测数据作为研究对象，时间间隔均为5min，其监测数据图见图1。污水管道在旱季的整体运行状况较好，均处于管项高度以下。期间，共发生4场降雨，污水管道的液位均发生显著增高，存在较高的溢流风险。
2016年第1期(1月）第34党蓝放本93