基于改进的BP神经网络模型的营口地区河流水质预测分析

戚卫伟

(辽宁省营口水文局，辽宁 营口 115000)

0 引 言

河流水质污染物指标浓度的准确预测，是区域进行水质预警的重要依据，也是河流水污染事件决策的重要参考[1]。近些年来，随着预测模型的不断发展，河流水质预测的精度得到明显改善。这其中基于小波函数原理的BP神经网络模型在许多地区河流水质污染物指标浓度预测中得到不同程度的应用。应用结果均表明BP神经网络模基于水质观测数据样本，通过样本训练，逐步对其水质污染负荷进行拟合，从而实现水质预测分析。但传统BP神经网络模型由于不能考虑模型梯度变量影响，求解存在不能收敛的局限。为此有学者针对传统BP神经网络模型的局限，对模型进行了改进，但改进模型在河流水质预测中还未得到应用，为提高营口地区河流水质预测的精度，文章引入改进的BP神经网络模型对区域河流水质进行预测，并结合监测浓度对传统模型及改进模型的计算精度进行对比分析。研究成果对于营口地区河流水质预测具有重要的方法参考价值。

1 模型改进原理

传统 BP神经网络模型基于小波变换原理对变量进行方程求解计算：

(1)

式中：τ为横向变量；α为小波变换变量；t为计算时段，h。模型对其进行小波转换计算：

ψ(t)=cos(1.75t)e(-t2/2)

(2)

对传统模型的梯度变量进行修正，修正方程为：

(3)

式中：φ(j)为改进模型隐含层输出变量；αj为模型基础变量；i为模型控制节点数目；wij为变量权重；τj为模型控制节点计算步长。结果模型变量权重对其输出变量进行计算：

(4)

式中：y(k)为模型输出变量。结合区域水质样本观测数据，对计算节点控制单元的参数对水质指标浓度进行预测：

(5)

(6)

(7)

(8)

3 模型应用

3.1 数据情况

以营口地区河流为分析目标，该河流的水质监测采样数据系列为30年，由于点源和农业面源污染的综合影响，营口地区河流水质受到不同程度的影响。为提高营口地区河流水质，基于营口地区河流实测的总氮数据，分别采用改进的和传统的的BP神经网络模型对区域河流总氮进行预测，并对比分析不同模型的水质预测精度。

3.2 年尺度模型预测精度对比结果

结合营口地区近30年的年尺度水质监测数据作为模型的训练样本，分别采用改进的BP神经网络模型和传统BP神经网络模型对区域2009年-2019年的总氮预测精度进行对比分析，分析结果如表1所示。

表1 改进模型和传统模型的年总氮精度对比分析结果

从营口地区河流总氮年尺度对比结果可看出，相比于传统BP神经网络模型，改进的BP神经网络模型在营口地区总氮年尺度预测精度上具有明显的改善，总氮实测值和预测的总氮含量之间的误差指标平均降低±10%左右，且各年份总氮预测误差均有所改进。这主要是因为改进的BP神经网络模型对变量求解的梯度进行修正，加速了模型的收敛精度，使得模型求解精度得到改善，因此提高了改进模型对于年尺度总氮的预测精度。

3.3 月尺度模型预测精度对比结果

为对比不同月份下改进的BP神经网络模型和传统模型的水质预测精度，结合营口地区水质监测站各月份总氮的监测数据，对改进前后模型月尺度的总氮预测精度进行对比分析，分析结果如表2所示。

表2 改进模型和传统模型的月总氮精度对比分析结果

从改进模型和传统模型的月总氮精度对比分析结果可看出，和年尺度总氮预测精度具有一致性，相比于传统BP神经网络模型，改进的BP神经网络模型在营口地区月尺度总氮预测误差上也有较为明显的改善，总氮预测误差相比于传统BP神经网络模型减低±8%左右，月总氮预测误差要高于年尺度总氮预测误差，这主要是年尺度总氮预测由于均化影响，减低了模型预测随机影响，而月尺度总氮误差受随机影响程度要高于年尺度，因此其误差要高于年尺度。

4 结 论

1)改进的BP神经网络模型在营口地区总氮年尺度预测精度上具有明显的改善，总氮实测值和预测的总氮含量之间的误差指标平均降低±10%左右，且各年份总氮预测误差均有所改进.

2)改进的BP神经网络模型在营口地区月尺度总氮预测误差上也有较为明显的改善，总氮预测误差相比于传统BP神经网络模型减低±8%左右，由于年尺度均化影响，减低了模型预测随机影响，而月尺度总氮误差受随机影响程度要高于年尺度，因此其误差要高于年尺度。