基于神经网络的水库标准化管理体系与评估

周志维，马秀峰，黎凤赓

（江西省水利科学研究院，江西省水工安全工程技术研究中心，江西 南昌 330029）

0 引 言

标准化管理是提升水库安全管理水平的重要保障，是实现水利现代化的基本前提。近年来，随着江西省开展水利工程标准化管理工作，提出了水库标准化管理达标创建指标体系，水库的安全管理技术水平取得显著成就[1]。然而，水库在完成标准化管理创标之后，若继续延用创标阶段的管理指标体系，不利于水库标准化管理的可持续发展。如，创标阶段不少指标是一次性投入的，创标后若仍将重点关注这些指标，不利于资源的合理分配，不利于标准管理持续性。因此，修改完善现有的标准化管理评估指标体系十分必要。

水库标准化管理评估是分析判断水库管理水平的关键环节，旨在识别出管理主体存在的薄弱环节。科学合理的评估方法往往直接影响评估结论[2，3]。由于评估主体具有主观性强、模糊性等特点，在指标定量时必然存在不确定性。只有对模糊边界更清晰地描述，才能有效指导管理工作。在分析不确定性及模糊问题时，神经网络具有明显的优势，由于其具有较高的鲁棒性和容错性能[4]，对输入指标的信息要求不高，减少了专家的主观性。

神经网络在评估方面应用非常广泛[5～7]，尤其在大坝风险分析、安全监测、调度运用等方面研究较多[8～10]，但在水库管理评估方面应用较少，本文将人工神经网络引入标准化管理评估中，通过建立水库标准化管理评估指标体系，构建基于BP神经网络的标准化管理评估模型，为进行水库安全管理水平考核评价建立一种新方法，为提高水库安全管理水平起促进作用。

1 标准化管理评估指标体系的建立

1.1 评估指标选取原则

评估指标应根据江西省水库管理实际情况，保证其科学性与先进性。依据水库标准化管理评分标准（以下简称“评分标准”），重点围绕创标后的工作需求及水利部提出的水库管理“三年行动方案”。做到指标概念清晰、层次分明、相关性弱、操作性强等特点，既要全面、科学、系统地体现水库标准化管理创标后的整体情况，也要体现管理现状与经济、社会发展相协调并适度超前的要求。

1.2 评估指标的选取

在遵循上述指标选取原则基础上，通过研究“评分标准”及水利部提出的管理新要求，“评分标准”中一级指标分为4部分，分别为安全管理、运行管理、养护管理、管理保障，而水利部的工程管理考核评分标准内还细分出组织管理。为了细分指标体系，将上述4个一级指标分离出管理基础这一指标，该级指标包含机构人员、管理手册、工程划界等二级指标。因此，评价体系包含5项一级指标，编号为C1～C5，二级指标共21项（见表 1）。

在确定二级指标权重时，主要采用层次分析法确定。在构建判断矩阵和进行指标重要性比较时，主要依据“评分标准”分值大小及水库管理创标完成后管理新要求确定，对于分值越大的，则该指标相对更重要；对于创标阶段一次性投入，在创标后重要性相对减弱，对于需要持续投入的指标，重要性可相对提高。指标体系及计算的权重具体见表1。

1.3 评估等级的分类

表1列举了各指标体系的权重，实际管理考评或者评估时，不仅需要了解总分，而且还需明确每个指标的得分情况，以便有针对性的采取措施，因此，有必要对每一级进行分类划分，不妨将管理综合等级及各指标等级均分为4级，分别为1级、2级、3级、4级。

传统的评价结论一般按均匀或Γ型分布[10]，如对于100 总分时，对应的等级为 [0，25）、[25，50）、[50，75）、[75，100]，这种划分体现不出工作事项的普遍性与极端性。经对全省的标准化验收得分统计发现，管理得分一般按正态分布，即得分普遍集中在中间区域，管理非常突出或非常差往往是少数。根据以上分布规律，将管理指标等级划分按 [0，0.1）、[0.1，0.5）、[0.5，0.9）、[0.9，1]四等进行划分，每个指标的具体得分按区间边界值乘以对应的权重值确定。

2 基于BP神经网络评估模型的建立

2.1 BP神经网络基本原理

BP（Back Propagation）神经网络又称为多层前馈神经网络，其训练过程实际上是将误差逐层传播并不断修改权值的过程[11]。在运行过程中包含了正向和反向的传播两个阶段：（1）在正向传播过程中，输入数据经输入层至隐含层，并传向输出层，计算实际输出与期望输出的误差，若误差超过范围，则转入反向传播；（2）在反向传播过程中，通过不断修改各层神经元的权重系数，使输出层神经元上得到所需要的期望输出值为止。

表1 水库标准化管理指标体系

2.2 评估模型的建立

神经网络实际上是一种经验分析，通过已有的原始数据及结果进行有限次数的训练，直到训练结果的精度满足要求，在评估模型中，主要参数包括输入输出数据、网络拓朴结构等。

2.2.1 输入输出数据

以21个二级指标个数作为输入变量，期望输出以向量形式表示，即以 Y1=（1，0，0，0）T、Y2=（0，1，0，0）T、Y3=（0，0，1，0）T、Y4=（0，0，0，1）T，对应的等级为 1 级、2级、3级、4级，如表 2。

在选取训练数据时，以表2区间边界值作为样本输入数据，显然具有较强的代表性。但数据过少，训练得出的BP网络模型实用性不强，网络鲁棒性差，识别结果不甚理想，如对于位于不同指标间区间的输入向量。为此，在不同的评分区间内再随机生成2 000组数据，其中，1 800组作为训练数据，200作为检验数据。

表2 标准化管理评估BP网络模型训练样本集

2.2.2 网络拓扑结构

网络拓扑结构的确定合理与否，直接影响到评估结果的精确性和适用性。具体包括网络层数、输入层节点数、隐含层数、隐含层节点数、输出层节点数等几个方面。其中，网络层分为3层，输入层、输出层及隐含层[12，13]。隐含层可根据通过输入层、输出层节点数，采取经验公式确定[14，15]，本文采用黄金分割法确定[16]。激活函数常用的用logsig、tansig、purelin等3种函数，根据本文分析特点，隐含层转移函数选用logsig函数或tansig函数，输出层节点转移函数选用tansig或purelin 函数[17]。

确定了输入输出数据及网络拓扑结构，则标准化管理评估模型也建立了，标准化管理的评估模型见图1。

标准化管理评估模型的核心算法是前馈传播算法，采取网络参数确定及优化两个路径同时进行，基于matlab语言开展语句进行编程计算，鉴于篇幅有限，代码略。

2.3 网络模型测试

根据2.2节确定的网络模型，分析了不同隐含节点数的训练情况，其误差及迭代次数如图2所示。

图1 基于神经网络标准化管理评估模型

图2 不同隐含结点的总误差变化曲线

图3 检验计算结果

表3 水库标准化管理输入数据

表4 水库标准化管理BP神经网络计算结果

总误差为每一个样本数据的输出向量与期望向量之差。从图2可知，总误差随着节点的个数呈先减小后增大的抛物线变化。不同隐含点的数量误差均能较快的趋于收敛，且收敛速度相近。但误差大小有所不同，当隐含节点为17时，总误差最小，低于200，而随着隐含节点增加，总误差也不断升高，并达到300以上。选择17个作为最终隐含节点数。

将检验数据代入，计算结果如图3所示，图中实线表示计算输出值，圆圈为期望输出值。据图可知，输出结果与期望结果基本一致，正确率达到98%，表明该神经网络训练成果是合适的。

3 案例分析

江西省于2018年开展了标准化试点工作，包含293座各类试点工程。根据工程规模等级规模及运行条件不同，确定了对应的达标等级。从验收情况来看，所有工程均完成标准化创标工作，工程形象面貌及管理水平有了极大的提高。为此，选取2018年江西省标准化管理达标的部分水库进行评估。应用以上建立的神经网络模型，其输入与期望输出数据如表3。

将表3数据代入网络模型中，根据最大隶属原理，确定计算等级，计算结果见表4。在6个试点工程中，有5个工程计算结果与实际相符。其中山口岩水库计算有偏差，计算结果为一级，而验收标准为二级，主要因为：（1）评估指标体系的侧重点有所差异，赋分原则及权重也不尽相同；（2）山口岩水库验收时综合得分非常接近一级界限，神经网络在选取边界附近的训练数据偏少等。模型计算准确率83%，表明该神经网络算法能够对水库进行了管理评估。同时，在考虑水库标准化管理的可持续性，加重了水库运行管理指标的权重。

4 结论

本文探讨并构建了水库标准化管理创标后的评估指标体系，建立了基于BP人工神经网络的标准化管理评估模型，分析了神经网络模型参数确定方法。利用神经网络模型，对江西省2018年部分水库标准化管理创标数据进行了计算、验证，结果表明，BP神经网络评估结论与实际情况总体相符，该评估方法具有普遍适用性，操作性较强，有较大推广价值。