基于改进PSO-WNN模型的管网余氯预测研究

针对供水管网余氯浓度随时间序列的变化特性,采用小波神经网络模型对其变化规律进行预测分析。模型借助粒子群优化算法全局快速寻优对小波神经网络特性参数进行优化,克服预测模型网络参数选取可能存在的盲目性,增强了预测模型的全局搜索能力。研究结果表明:采用粒子群优化的小波神经网络模型,在较小数据要求的工况下能进行连续多步预测,相比常规时间序列预测在相应时间尺度内具有较高的预测精度,收敛性和稳定性也得到较明显增强。

供水管网余氯预测模型样本量的选择

为了在大样本余氯监测数据中合理确定余氯预测样本容量,通过比较分析不同取样频率中余氯监测平均值的变化趋势,确定了样本密度,并根据样本数据的变化规律和相关性,初步选择了样本量范围,进一步通过线性回归和支持向量机两种预测方法,分析了不同样本量对预测结果的影响,并以预测误差的平均幅值和均方差进行验证。结果表明,建立管网余氯预测模型时,用72小时的样本容量即可得到较好的、稳定的预测效果。

基于串级LSTM深度学习模型的二次供水余氯预测方法

伴随着城市高层住宅的增多,住宅区内二次供水泵房数量迅速增加。由于二次供水水箱位于城市供水系统末端,水质安全引起社会广泛关注。为提升水箱水质,一些泵房引入自动补氯装置,然而传统自动控制方法在应对二次供水系统中长时间延迟和非线性特性的补氯系统时存在局限性,仅能在线监测水箱余氯水平,过多的余氯可能对人体健康有害,因此,确保自动补氯系统安全运行成为亟待解决的问题。研究提出基于串级LSTM深度学习的神经网络模型,用于分析水箱余氯数据、准确预测水箱出水余氯浓度,并制定相应监测和控制策略。试验验证和实际应用结果表明,该深度学习模型能有效智能预测水箱余氯,为自动补氯系统提供重要的智能控制手段,具有实用意义。