本發(fā)明屬于城市供水領(lǐng)域，具體是一種基于灰色神經(jīng)網(wǎng)絡(luò)的供水管網(wǎng)爆管預(yù)測(cè)方法。

背景技術(shù)：
供水管網(wǎng)是城市的重要基礎(chǔ)設(shè)施之一，也是城市生命線工程的重要組成部分。管網(wǎng)爆管會(huì)造成大量水資源的浪費(fèi)，威脅供水安全，影響正常生產(chǎn)和生活。對(duì)歷史漏損數(shù)據(jù)進(jìn)行分析，建立有效的爆管預(yù)測(cè)模型，可從源頭上對(duì)管網(wǎng)漏損進(jìn)行控制，做到早預(yù)防、早發(fā)現(xiàn)，科學(xué)合理地進(jìn)行維護(hù)，實(shí)現(xiàn)漏損的主動(dòng)控制。目前，爆管預(yù)測(cè)模型主要包括物理模型和統(tǒng)計(jì)模型。物理模型一般通過分析作用在管道上的荷載，管道抗荷載的能力，管道內(nèi)外所受腐蝕的程度、范圍等來預(yù)測(cè)管道事故。統(tǒng)計(jì)模型則以管網(wǎng)歷史爆管數(shù)據(jù)為依據(jù)，用統(tǒng)計(jì)的方法建立爆管事故量化規(guī)律。近年來，基于人工智能的數(shù)據(jù)驅(qū)動(dòng)建模技術(shù)受到重視，并在爆管預(yù)測(cè)研究方面已有應(yīng)用，如TabeshM.等在文章Assessingpipefailurerateandmechanicalreliabilityofwaterdistributionnetworksusingdatadrivenmodeling中提出并建立了基于人工神經(jīng)網(wǎng)絡(luò)和適應(yīng)性神經(jīng)-模糊推斷系統(tǒng)的爆管模型。然而，傳統(tǒng)爆管模型需要大量的數(shù)據(jù)，如管道特性數(shù)據(jù),準(zhǔn)確而足夠長時(shí)間的管道運(yùn)行維護(hù)歷史數(shù)據(jù)等，但給水管網(wǎng)系統(tǒng)龐大復(fù)雜，漏點(diǎn)發(fā)生的詳細(xì)記錄難以準(zhǔn)確、全面采集，急需研究利用現(xiàn)有少量數(shù)據(jù)進(jìn)行爆管分析以及預(yù)測(cè)方法。同時(shí)，考慮到供水管網(wǎng)的漏損受管道年限、管道材料、氣溫、外部工程等各種因素的影響，不確定因素較多，若將影響管網(wǎng)爆管的各種復(fù)雜因素聯(lián)合起來看成一個(gè)大系統(tǒng)，這一系統(tǒng)兼有確定性與不確定性，可以看成一個(gè)典型的灰色系統(tǒng)?；疑到y(tǒng)建模方法可不考慮分布規(guī)律、變化趨勢(shì)，能從少量樣本中找出系統(tǒng)的變化關(guān)系,且建模方法簡單。但灰色系統(tǒng)不具備并行計(jì)算能力,模型精度欠高。而神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)非線性映射,具有并行計(jì)算、分布式信息存儲(chǔ)、容錯(cuò)能力強(qiáng)、自適應(yīng)學(xué)習(xí)功能等優(yōu)點(diǎn)。若將兩者結(jié)合構(gòu)成灰色神經(jīng)網(wǎng)絡(luò)模型,則優(yōu)點(diǎn)兼具，能較好的解決小樣本預(yù)測(cè)問題，提高預(yù)測(cè)精度。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于克服現(xiàn)有方法中的不足，提出一種基于灰色神經(jīng)網(wǎng)絡(luò)的供水管網(wǎng)爆管預(yù)測(cè)方法，能有效地提高預(yù)測(cè)精度，且對(duì)管網(wǎng)爆管歷史記錄要求不高可同時(shí)適用于小樣本預(yù)測(cè)和大樣本預(yù)測(cè)。本方法通過以下技術(shù)方案實(shí)現(xiàn)：首先，對(duì)于給定的爆管因素和爆管率數(shù)據(jù)序列,通過靜態(tài)灰色建模，對(duì)爆管率序列進(jìn)行預(yù)測(cè)。預(yù)測(cè)結(jié)果和原爆管率序列進(jìn)行比較,得到殘差。然后，利用神經(jīng)網(wǎng)絡(luò)在這些殘差和爆管因素間建立神經(jīng)網(wǎng)絡(luò)逼近模型。經(jīng)過反復(fù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)就是殘差和所選的灰色模型數(shù)據(jù)間的映射關(guān)系。最后預(yù)測(cè)時(shí)，再將灰色模型的預(yù)測(cè)值用神經(jīng)網(wǎng)絡(luò)的補(bǔ)償值進(jìn)行補(bǔ)償。具體建模過程如下：(1)收集、整理統(tǒng)計(jì)爆管數(shù)據(jù)一般影響爆管的因素有：管材質(zhì)量，接口形式，管徑，管道埋深，氣溫變化，地勢(shì)沉降和載荷，管網(wǎng)運(yùn)行壓力，管道腐蝕等等。其中某些因素可以量化，某些因素?zé)o法量化。從爆管數(shù)據(jù)庫中，統(tǒng)計(jì)分析可量化的因素如管徑、埋深、管網(wǎng)運(yùn)行壓力、管長等，并計(jì)算爆管率（一般計(jì)算年爆管率）。(2)建立模型基于步驟(1)收集統(tǒng)計(jì)的個(gè)爆管因素和爆管率，建立以個(gè)爆管因素為因子變量，以爆管率為行為變量的模型。具體步驟如下：1）設(shè)為系統(tǒng)特征數(shù)據(jù)序列（此序列表示行為變量的個(gè)觀測(cè)值）這個(gè)序列稱為相關(guān)因素序列（表示個(gè)因子變量各自的個(gè)觀測(cè)值）。上述各數(shù)據(jù)序列的一次累加生成（）序列記為（），所謂一次累加生成即：設(shè)（）為原始序列，為序列算子，其中，稱為的一次累加生成算子，而生成的新的序列為一次累加生成序列。2）基于（）建立模型其中參數(shù)列，可用最小二乘估計(jì)而得到為。其中：3）應(yīng)用步驟2）中的模型進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)的行為變量序列為通過以上步驟，就建立了以個(gè)爆管因素為因子變量，以爆管率為行為變量的模型。(3)建立神經(jīng)網(wǎng)絡(luò)模型將一次累加的相關(guān)因素序列（）作為BP神經(jīng)網(wǎng)絡(luò)（可以使用其他神經(jīng)網(wǎng)絡(luò)模型）的輸入，由模型預(yù)測(cè)得到的特征序列與一次累加的特征數(shù)據(jù)序列的殘差序列作為網(wǎng)絡(luò)的輸出，其中，建立BP神經(jīng)網(wǎng)絡(luò)模型。首先，為了避免隱含層某神經(jīng)元處于飽和狀態(tài)以及數(shù)據(jù)間數(shù)量級(jí)的差異，保證網(wǎng)絡(luò)對(duì)樣本具有足夠的輸入敏感性和良好的擬合性，在對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前，要對(duì)學(xué)習(xí)祥本數(shù)據(jù)進(jìn)行預(yù)處理。即對(duì)所有數(shù)據(jù)進(jìn)行歸一化處理，將樣本數(shù)據(jù)轉(zhuǎn)化為區(qū)間上的值。當(dāng)然，在使用經(jīng)過學(xué)習(xí)后的網(wǎng)絡(luò)時(shí)，對(duì)網(wǎng)絡(luò)的輸出數(shù)據(jù)還應(yīng)進(jìn)行反歸一化，恢復(fù)最終預(yù)測(cè)值。歸一化的具體算法是：式中——所收集的一組數(shù)據(jù)；——這組數(shù)據(jù)中的最小值；——這組數(shù)據(jù)中的最大值；——映射后的數(shù)據(jù)。反歸一化具體算法是：然后，應(yīng)用Matlab中的工具箱用基本的反向傳播算法（可以采用其他學(xué)習(xí)算法）來訓(xùn)練網(wǎng)絡(luò)，以得到隱含層和輸出層相應(yīng)的權(quán)值。這樣,經(jīng)過反復(fù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)就是殘差序列和一次累加爆管相關(guān)因素序列的映射關(guān)系。(4)預(yù)測(cè)爆管率預(yù)測(cè)時(shí),先將模型的預(yù)測(cè)值用神經(jīng)網(wǎng)絡(luò)的補(bǔ)償值進(jìn)行誤差補(bǔ)償，以得到預(yù)測(cè)值。然后進(jìn)行一次累減生成得到所謂一次累減生成即：設(shè)（），為原始序列為序列算子，其中稱為的一次累加生成算子，記為。至此，經(jīng)過步驟（1），（2），（3），（4），就建立了灰色神經(jīng)網(wǎng)絡(luò)的供水管網(wǎng)爆管預(yù)測(cè)模型。本發(fā)明方法結(jié)合灰色建模方法和神經(jīng)網(wǎng)絡(luò)模型建立灰色神經(jīng)網(wǎng)絡(luò)模型，克服傳統(tǒng)爆管模型需要大量的數(shù)據(jù)的缺點(diǎn)，能較好的解決小樣本預(yù)測(cè)問題，提高預(yù)測(cè)精度，同時(shí)對(duì)于大樣本一樣適用。尤其對(duì)于爆管數(shù)據(jù)的記錄與維護(hù)起步晚供水企業(yè)來說，該方法是迫切需要的。附圖說明圖1為本發(fā)明的原理框圖。具體實(shí)施方式下面給出一個(gè)實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例僅用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。（1）收集、整理統(tǒng)計(jì)爆管數(shù)據(jù)從某供水區(qū)域的爆管數(shù)據(jù)庫中，統(tǒng)計(jì)管道的管徑、管齡、壓力數(shù)據(jù)，并計(jì)算爆管率（一般計(jì)算年爆管率）。具體統(tǒng)計(jì)方法是：先將所有管段按照管徑（單位）分為組。然后，計(jì)算每組的總管長：其中為管段編號(hào)，為管段的長度，單位為?；诠荛L的加權(quán)平均管齡：其中為管段的管齡，單位為年?；诠芫W(wǎng)模擬結(jié)果的管道流量加權(quán)平均絕對(duì)壓力：其中為管段的平均絕對(duì)壓力，單位為；為管段的流量，單位為。以及每年每單位管長平均爆管次數(shù)及爆管率：其中為爆管率，單位為；為統(tǒng)計(jì)年編號(hào)；為第組統(tǒng)計(jì)年爆管次數(shù)；為統(tǒng)計(jì)年總數(shù)。（2）建立模型基于步驟（1）收集統(tǒng)計(jì)的3個(gè)爆管因素和爆管率，共組。建立以管徑、管齡、壓力為因子變量，以爆管率為行為變量的模型。具體步驟如下：1）令表示爆管率序列；為管徑序列；為管齡序列；為壓力序列；上述各數(shù)據(jù)序列的一次累加生成（）序列記為（），所謂一次累加生成即：設(shè)（）為原始序列，為序列算子，其中，稱為的一次累加生成算子，而生成的新的序列為一次累加生成序列。2）利用（）建立模型其中參數(shù)列，可用最小二乘估計(jì)而得到為。其中：3）應(yīng)用步驟2）中的模型進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)的行為變量序列（爆管率）為。（3）建立神經(jīng)網(wǎng)絡(luò)模型將一次累加的相關(guān)因素序列（）作為BP神經(jīng)網(wǎng)絡(luò)（可以使用其他神經(jīng)網(wǎng)絡(luò)模型,本實(shí)施例采用BP神經(jīng)網(wǎng)絡(luò)）的輸入，由模型預(yù)測(cè)得到序列與序列的殘差序列作為網(wǎng)絡(luò)的輸出，其中。然后，應(yīng)用Matlab中的工具箱用基本的反向傳播算法（可以其他相應(yīng)學(xué)習(xí)算法）來訓(xùn)練網(wǎng)絡(luò)，以得到隱含層和輸出層相應(yīng)的權(quán)值。這樣,經(jīng)過反復(fù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)就是殘差序列和一次累加爆管相關(guān)因素序列的映射關(guān)系。具體步驟如下：1）將一次累加的相關(guān)因素序列（）構(gòu)成BP神經(jīng)網(wǎng)絡(luò)的輸入矩陣。將殘差序列利構(gòu)成網(wǎng)絡(luò)輸出矩陣。2）數(shù)據(jù)歸一化處理。利用歸一化公式分別對(duì)輸入輸出矩陣進(jìn)行歸一化處理。對(duì)于輸入矩陣每一列分別作歸一化處理，得到歸一化矩陣。對(duì)于輸出矩陣作歸一化處理，得到。3）構(gòu)建BP神經(jīng)網(wǎng)絡(luò)本實(shí)施例使用三層前饋神經(jīng)網(wǎng)絡(luò)。由三個(gè)神經(jīng)元組成輸入層，即經(jīng)一次累加后的管徑、管齡、壓力；一個(gè)隱含層，隱含層的神經(jīng)元數(shù)可據(jù)實(shí)際問題復(fù)雜性而定，本例采用12個(gè)神經(jīng)元（如管材因素，管道接口問題，溫度變化，管道埋深等因素）；輸出層由一個(gè)神經(jīng)元組成，即爆管率。具體步驟如下：A.搭建BP神經(jīng)網(wǎng)絡(luò)框架，調(diào)用Matlab函數(shù)庫中的newff函數(shù)Net=newff(minmax(P’),[12,1],'tansig','purelin','traingdm')其中minmax(P’)為矩陣P’每行的最小和最大值，[12,1]表示隱層有12個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元；tansig為輸入層傳遞函數(shù)；purelin為輸出層傳遞函數(shù)；trainlm為基于l-m算法的訓(xùn)練函數(shù)。B.訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)a.初始化網(wǎng)絡(luò)。net.initFcn來決定整個(gè)網(wǎng)絡(luò)的初始化函數(shù)。參數(shù)net.layer{i}.initFcn用來決定每一層的初始化函數(shù)。initwb函數(shù)根據(jù)每一層自己的初始化參數(shù)（net.inputWeights{i,j}.initFcn）初始化權(quán)重矩陣和偏置，初始化權(quán)重通常設(shè)為rands，具體方法如下：net.layers{1}.initFcn=’initwb’;net.inputWeights{1,1}.initFcn=’rands’;net,layerWeights{2,1}.initFcn=’rands’;net.biases{1,1}.initFcn=’rands’;net.biases{1,1}.initFcn=’rands’;net=init(net);net.IW{1,1}為輸入層到隱含層的權(quán)重矩陣，net.LW{2,1}為隱含層到輸出層的權(quán)重矩陣；net.b{1,1}為隱含層的閥值向量，net.b{2,1}為輸出接點(diǎn)的閥值；b.設(shè)置網(wǎng)絡(luò)訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)誤差及用來顯示的步數(shù)net.trainParam.epochs=1500;net.trainParam.goal=0.0008;net.trainParam.show=100;設(shè)置網(wǎng)絡(luò)訓(xùn)練次數(shù)為1500步，訓(xùn)練目標(biāo)誤差為0.0008，顯示訓(xùn)練步數(shù)為100.c.利用輸入矩陣和輸出矩陣，通過調(diào)用train函數(shù)，net=train(net,P’,T’)進(jìn)行網(wǎng)絡(luò)訓(xùn)練直至收斂。這樣就建立了殘差序列和一次累加爆管相關(guān)因素序列的映射關(guān)系。(4)預(yù)測(cè)爆管率預(yù)測(cè)步驟如下：1)將神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出矩陣，用公式進(jìn)行反歸一化，得到預(yù)測(cè)殘差矩陣。2)將模型的預(yù)測(cè)值用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到的殘差矩陣進(jìn)行誤差補(bǔ)償，以得到預(yù)測(cè)值。然后進(jìn)行一次累減生成得到所謂一次累減生成即：設(shè)（），為原始序列為序列算子，其中稱為的一次累加生成算子，記為。至此，經(jīng)過步驟(1),(2),(3),(4),就建立了基于灰色神經(jīng)網(wǎng)絡(luò)的以管徑、管齡、壓力為因子變量，以爆管率為行為變量供水管網(wǎng)爆管預(yù)測(cè)模型。