基于BP 神经网络的多相管流模型优选及应用分析
基于改进PSO-BP神经网络在径流量预测中的应用
基于改进PSO-BP神经网络在径流量预测中的应用王长鹏;齐俊;蔡永宁;杲广文;吴凯【摘要】为构建一个预测精度高、预测速度快的河流径流预测系统,完善径流预测理论,同时指导生产实践,本文提出了用粒子群优化算法(PSO)改进BP神经网络训练算法的方法,建立改进的粒子群优化算法BP神经网络模型(IPSO-BP),利用历史真实数据对IPSO-BP模型进行训练,把训练好的IPSO-BP模型用于对宜昌水文站的日径流量数据进行预测,改进的IPSO-BP神经网络模型算法在预测速度和预测精度方面优于标准BP算法、标准的PSO-BP算法,取得良好的预测效果.【期刊名称】《城市勘测》【年(卷),期】2019(000)002【总页数】5页(P199-203)【关键词】径流量;BP神经网络;粒子群优化算法;预测算法【作者】王长鹏;齐俊;蔡永宁;杲广文;吴凯【作者单位】济南市勘察测绘研究院,山东济南 250101;济南市勘察测绘研究院,山东济南 250101;济南市勘察测绘研究院,山东济南 250101;济南市勘察测绘研究院,山东济南 250101;济南市勘察测绘研究院,山东济南 250101【正文语种】中文【中图分类】P641.6;TP1831 引言水资源是生产生活中的重要自然资源，河流径流是水文系统的重要内容，河流径流量预测对于汛期防洪、水运灌溉、河流发电等水资源的有效利用起着重要作用[1]。
河流径流的生成过程是一个巨大的非线性系统，在建模方面难度较大[2]。
同时，河流径流量的影响因素颇多，各项因素的数据单位不统一、数值差异大等客观条件制约，预测系统要求有较好的数据容错能力[3]。
构建一个预测精度高、预测速度快的河流径流预测系统，不仅能够完善理论研究，而且对生产实践具有指导意义[4]。
当前，国内外在河流中长期径流量预测这方面的研究还处于摸索阶段，提出了诸多的模型与方法，张利平等在2004年利用4种相空间模型对吉林白山水库的汛期径流量和月径流量进行预测，取得了不错的预测效果[5]。
BP神经网络基本原理与应用
BP神经网络基本原理与应用BP神经网络，即反向传播神经网络（BackPropagation Neural Network），是一种常用的人工神经网络模型，由几层节点相互连接而成，通过输入与输出之间的连接进行信息传递与处理。
BP神经网络广泛应用于模式识别、数据挖掘、预测分析等领域，具有较好的非线性映射能力和逼近复杂函数的能力。
BP神经网络的基本原理是参考人脑神经元的工作方式，通过模拟大量神经元之间的连接与传递信息的方式进行数据处理。
BP神经网络通常由输入层、隐藏层和输出层组成，其中输入层接收外部输入的数据，输出层返回网络最终的结果，隐藏层通过多个节点进行信息传递和加工。
在前向传播阶段，输入数据从输入层进入神经网络，通过各层节点之间的连接，经过各层节点的加权和激活函数处理，最终输出到输出层。
此过程权值是固定的，只有输入数据在网络中的传递。
在反向传播阶段，通过计算输出层的误差与目标输出之间的差异，反向传播至隐藏层和输入层，根据误差大小调整各层节点之间的权值。
这种反向传播误差的方式可以不断减小输出误差，并逐渐调整网络的权值，使得网络的输出结果更加准确。
BP神经网络的应用非常广泛，可以有效地处理非线性问题。
例如，在模式识别领域，可以用于人脸识别、声纹识别等方面，通过学习大量的样本数据，提取出特征并建立模型，实现对特定模式的识别和分类。
在数据挖掘领域，可以用于聚类分析、分类预测等方面，通过训练网络，建立数据模型，对未知数据进行分类或者预测。
在预测分析领域，可以用于股票预测、销售预测等方面，通过学习历史数据，建立预测模型，对未来的趋势进行预测。
总的来说，BP神经网络作为一种常用的人工神经网络模型，具有强大的非线性映射能力和逼近复杂函数的能力，其基本原理是通过输入与输出之间的连接进行信息传递与处理，并通过不断调整权值来减小输出误差。
在实际应用中，可以广泛应用于模式识别、数据挖掘、预测分析等领域，为我们解决复杂问题提供了有力的工具和方法。
BP神经网络的应用
x2
w1 w2
xk
wk wn
net
传输函数 f ( )
y f ( net )
输出端y
xn
输入端
1.2.3 BP神经网络模型
(2)使用S型激活函数时BP网络输入与输出关系 输入 net x1w1 x2 w2 ... xn wn b 1 输出 y f (net ) 1 e net 1 1 输出的导数 f '(net ) y (1 y ) - net net 2 1 e (1 e ) 根据S型激活函数的图形可 知,对神经网络进行训练， 应该将net的值尽量控制在 收敛比较快的范围内.
从训练情况可以看出，在误差值比较大的时候训练就 停止了，将输入p带入训练后的矩阵，发现输出结果与t很 不一致，说明这里找不到分类的规律。
Jean Gabriel Ganascia
Ricard Gavalda Melinda T. Gervasio Attilio Giordana Paul W. Goldberg Diana Gordon Jonathan Gratch
BP神经网络在分类与预测中的应用
二、徽章的分类
14名未参加会议的代表 徽章 代表姓名 徽章 代表姓名 ? Merrick L. Furst ? Jean Gabriel Ganascia ? William Gasarch ? Ricard Gavalda ? Yolanda Gil ? Melinda T. Gervasio ? David Gillman ? Attilio Giordana ? Kate Goelz ? Paul W. Goldberg ? Sally Goldman ? Diana Gordon ? Geoffrey Gordon ? Jonathan Gratch 徽章问题的背景
BP神经网络的优化及应用研究
第28卷第1期2001年北京化工大学学报JOURNAL OF BEI J IN G UN IV ERSIT Y OF CHEMICAL TECHNOLO GYVol.28,No.12001BP 神经网络的优化及应用研究吕砚山 赵正琦(北京化工大学信息科学与技术学院,北京 100029)摘 要:介绍对BP 网络的结构和算法进一步优化的实验研究方法,并给出了有关隐含层数和节点数选择、误差构成方式设计以及再学习策略引进的研究结果。
关键词:人工神经网络;BP 算法;液滴粒度分布中图分类号:TQ 05611收稿日期:2000206226第一作者:男,1936年生,教授引 言BP 神经网络在信息处理、智能控制等领域有着广阔的应用前景,但在其应用上仍存在一些待解决的问题。
例如,在网络的结构方面隐含层节点数的选择尚无理论上的指导;在算法方面标准BP 算法存在局部最小问题未能解决,以及迭代次数多、培训时间较长等[1]。
赖英旭等[2]将BP 网络应用于液滴粒度分布测量中,并提出了一种通过实验确定单隐含层节点数的方法,但对多隐含层的层数和节点数选择未作详细研究,此外,网络的算法也有待进一步优化。
本文是在此基础上,对上述问题作进一步探讨,并结合将BP 网络应用于液滴粒度分布测量和过热蒸汽流量测量的实例,介绍对网络结构和算法优化的方法和结论。
1 网络结构的优化BP 网络的输入层和输出层是与外界联系的接口,这两层的节点数一般由应用对象的实际问题决定,不能任意选取。
可以改变的仅为隐含层的层数和各隐含层的节点数。
1.1 隐含层层数选择首先探讨隐含层数不同对培训误差S 的影响。
以应用于液滴粒度分布测量中的BP 网络为例,具有单隐含层者,网络各层节点数为62622;再考虑一含双隐含层的结构,各层节点数为6262622(图1),采用下列实验方法,对两种网络进行培训;用选定的同一培训样本,按相同的培训方式(成批处理修正误差,学习速率及动量因子不变)及培训次数(3万次)进行培训。
BP神经网络的研究及应用
为第k次迭代的神经网络输出误差对个权值或阈值的梯度向量。
负号代表梯度的反方向，即梯度的最速下降方向。
，分别代入式（2.1）中，就可以逐次修正其权值和阈值，并使总的误差向减小的方向变化，最终求出所要求的误差性能。
(2)冲量BP算法（momentum backpropagation,MOBP）因为反向传播算法的应用广泛，所以已经开发出了很多反向传播算法的变体。
其中最常见得事在梯度下降算法的基础上修改公式(2.1)的权值更新法则，即引入冲量因子＜1的常数。
更新后的公式为：0≤为学习率，范围在0.001~1之间。
这种方法所加的冲量因子实际上相当于阻尼项，它减小了学习过程中的振荡趋势，来改善收敛性。
冲量法降低了网络对误差曲面局部细节的敏感性，有效的抑制了网络陷入局部极小值。
(3)学习率可变的BP算法(variable learnling rate backprop-agation,VLBP)标准BP算法收敛速度缓慢的一个重要原因是学习率选择不当，学习率选得太小，收敛慢；反之，则有可能修正的过头，导致振荡甚至发散。
因此可以采用图3所示的自适应方法调整学习率。
图3自适应学习自适应调整学习率的梯度下降算法，在训练的过程中，力求使算法稳定，而同时又使学习的不长尽量地大，学习率则是根据局部误差曲面作出相应的调整。
学习率则是通过乘上一个相应的增量因子来调整学习率的大小。
即公式(2.5)所示：(2.5)其中：为使步长减小的增量因子;(3.1)其中：n为隐含层节点数；m为输入节点数；t为输出节点数；a为1~10之间的常数。
根据本文要预测的数据及输入和输出节点的个数，则取隐含层个数为10。
(4)传输函数BP神经网络中的传输函数通常采用S(sigmoid)型函数：。
BP神经网络在分类与预测中的应用
BP神经网络在分类与预测中的应用
一、 BP神经网络
1.1 神经网络(Artificial Neural Netwroks,简称ANN) 1.1.1 研究ANN目的 1.(13.)2研研究究仿A照N脑N方神法经系统的人工神经网络,将在模式 识11别..11..、34 组A人合N工优N神的化经研和网究决络内策概容判述断等方面取得传统计算机所 难1以.1.达5 到脑的神效经果信。息活动的特征 1.1.6 ANN研究的目的和意义
BP神经网络在分类与预测中的应用
一、 BP神经网络
1.1 神经网络(Artificial Neural Netwroks,简称ANN)
1.2 BP神经网络 1.2.1 BP神经网络概述 1.2.2 BP神经网络特点
(1)非线性映射能力
神经网络能以任意精度逼 近任何非线性连续函数。 在建模过程中的许多问题 正是具有高度的非线性。
BP神经网络在分类与预测中的应用
一、 BP神经网络
1.1 神经网络(Artificial Neural Netwroks,简称ANN)
1.2 BP神经网络 1.2.1 BP神经网络概述 1.2.2 BP神经网络特点
(1)非线性映射能力
(2)并行分布处理方式
在神经网络中信息是分布 储存和并行处理的，这使 它具有很强的容错性和很 快的处理速度。
1.1.1 研究ANN目的 (1) 探索和模拟人的感觉、思维和行为的规律，设
计具有人类智能的计算机系统。 (2) 探讨人脑的智能活动，用物化了的智能来考察
和研究人脑智能的物质过程及其规律。
BP神经网络在分类与预测中的应用
一、 BP神经网络
1.1 神经网络(Artificial Neural Netwroks,简称ANN) 1.1.1 研究ANN目的 1.1.2 研究ANN方法
基于BP_神经网络的智慧供热管控系统研究与应用
文章编号:1006 2610(2023)03 0042 09基于BP 神经网络的智慧供热管控系统研究与应用王洁瑜,魏鹏刚,杨文栋(中国电建集团西北勘测设计研究院有限公司,西安 710065)摘 要:供热是北方城市居民冬季生活中不可或缺的一部分,但随着社会经济的发展和城市的扩张,城市人口不断增加,目前的供热服务水平已经不能满足北方地区城市化进程中对供热的需求量,且面临着供热管控不足㊁安全把控不力和技术水平有待提高等问题㊂通过利用BP 神经网络技术建立供热负荷预测模型,依托实际工程项目,结合大数据分析技术来预测区域供热负荷,同时利用3D+GIS 技术,构建了一种基于神经网络技术来构建区域的智慧供热管控系统,对区域供热分布进行可视化应用分析㊂结果表明:该智慧供热管控系统可为供热行业信息化发展提供新思路和新方法㊂关键词:BP 神经网络;智慧供热;智慧管控系统中图分类号:C931.6 文献标志码:A DOI :10.3969/j.issn.1006-2610.2023.03.009Research and Application of Intelligent Heat Supply Control System based on BP Neural NetworkWANG Jieyu ,WEI Penggang ,YANG Wendong(PowerChina Northwest Engineering Corporation Limited ,Xi'an 710065,China )Abstract :Heating is an indispensable part of life for urban residents in northern China in winter.However ,with the development of so⁃cial economy and expansion of cities ,the urban population continues to increase ,and the current heating service can no longer meet the demand for heat supply in the process of urbanization in northern China ,and faces problems such as insufficient heat supply control ,poor safety control and weak technical level.By using BP neural network technology to establish a heating load prediction model ,relying on actual engineering projects ,combined with big data analysis technology to predict region heating load ,and using 3D+GIS technology ,a regional intelligent heat supply management and control system based on neural network technology is constructed through which the re⁃gional heat supply distribution is visualized and analyzed.The results show that the intelligent heat supply control system can provide new ideas and methods for the informatization development of the heating industry.Key words :BP neural network ;heating ;intelligent management and control system 收稿日期:2023-02-18 作者简介:王洁瑜(1992-),女,陕西省西安市人,工程师,主要从事工程数字化设计与研究工作.0 前 言随着中国经济发展和科技的不断进步,国民物质水平在有了长足的提高,集中供热已成为北方城市居民冬季生活中必不可少的一部分㊂中国冬季集中供热区主要分布在 秦淮线”以北[1]㊂随着供热需求的快速提高,供热行业开始面临因供热面积大㊁供热用户多等引起的供热管控不力㊁安全把控不足和技术水平有待提高,以及供热信息共享不够等问题,现有供热水平已经不能完全满足整个社会生产㊁生活的需求,亟需在供热系统管控方面进行革新[2-3]㊂同时,互联网技术的飞速发展推动着各行业的快速升级,供热行业也不例外,实现供热产业的信息化管控㊁智慧化管理是大势所趋㊂利用云计算㊁机器学习㊁大数据以及3D+GIS 等新兴技术构建智慧管控系统是实现供热系统信息化㊁数字化㊁科学化管理的重要途径和手段,也是优化提升供热能力和管控模式的当务之急[4]㊂近年来,已有不少学者就供热系统信息化建设做了大量24王洁瑜,魏鹏刚,杨文栋.基于BP 神经网络的智慧供热管控系统研究与应用===============================================的相关研究工作㊂针对我国工业热力供应存在耗能高㊁效率低㊁污染排放量大等问题,柴春蕾[5]等人利用云㊁边㊁管㊁端协同方式开发了信息系统与物理系统深度融合的智慧供热系统㊂针对渭源县地区供热系统缺少一个集信息监测与处理于一体的管控平台,无法实现各级热网实时监测,不能反映供热管网实时运行工况,更难以做到供热量远程调控和管网热量平衡调控等问题,康金霞[6]提出了利用物联网技术来构建渭源县的智慧供热体系,用以实现热量的合理分配㊂针对供热管网数量大㊁分布广而散㊁难以集中统一监控管理的难题,李光明等[7]指出可以利用OPC技术和LabVIEW软件进行多通道数据采集和分析管理,进而实现供热系统的实时监管㊂但以上系统主要是对传统供热方式的信息化升级改造,智慧化水平有所欠缺,难以做到对区域供热负荷的前瞻预测,供热管理可视化㊁信息共享和调度优化能力不足㊂本文利用BP神经网络技术建立供热负荷预测模型,结合大数据分析技术来预测区域供热负荷,同时利用3D+GIS技术,构建一种基于神经网络技术来构建区域的智慧供热管控系统,对区域供热分布进行可视化分析,实现区域热源生产数据的汇集管理和信息共享,进而通过智慧管控全面提升供热质量和供热的应急调度能力㊂1 智慧供热管控系统构建一般情况下,供热负荷主要受建筑内外环境条件和建筑自身保温性能影响㊂对于城市的同一个供热片区来讲,建筑自身保温性能应该符合建筑节能工程施工质量验收标准,整体保温性能差异较小;建筑内部环境主要受电器热量和人体辐射等因素影响,波动较小;而建筑外部环境随季节变化较大㊂因此,为实现对供热负荷准确的预测,分析建筑外部环境条件如太阳辐射㊁室外温度㊁湿度㊁风速等对供热负荷的影响,利用BP神经网络建立供热负荷预测模型,并结合3D+GIS技术实现区域供热分布的空间可视化分析,帮助区域供热管理者更好地掌握区域的供热情况,实现合理供热分配,使其可以对供热质量和安全进行把控㊂1.1 基于BP神经网络的供热预测模型设计1.1.1 BP神经网络BP算法是人工神经网络中一种较为典型的学习算法,主要由输入层㊁一个或多个隐含层㊁输出层组成,各层由若干个神经元节点构成,利用输入值㊁作用函数和阈值来预测确定输出值㊂单个隐含层的BP神经网络结构如图1所示㊂图1 BP神经网络的网络结构在供热预测中,建筑外部环境条件数据从输入层经隐含层传向供热负荷输出层,如果在输出层计算的供热负荷与实际情况不符或者未达到预期值,则会通过计算误差进行反向传播,将误差信号沿原来通路返回,通过不断迭代学习修改隐含层各神经元的权值,使得误差信号最小㊂每个神经元节点都对应着一个激活函数f(x)和阈值α㊂在本文中采用的激活函数是非线性的Sigmoid型函数,见式(1):f(x)=1e-x(1) 假设有N对样本(x k~Q k)(k=1,2,3, ,n),其中x k为输入;Q k为期望输出;x k经BP神经网络计算输出结果为y k,此时y k与Q k之间的均方误差可利用式(2)进行计算:E k=12∑M P(y k,p-O k,p)2(2)式中:M为输出层节点数;y k,p为第k样本对第P因素分量的实际输出;O k,p为第k样本的期望输出,因此整个样本集的总误差为:E=∑N1E k(3)34西北水电㊃2023年㊃第3期=============================================== 再利用梯度下降法计算E 的最小值,经过迭代使其满足预设误差阈值,得到能够满足供热预测的BP 神经网络模型㊂1.1.2 建立模型变量本次供热预测模型以对供热负荷影响较大的太阳辐射㊁室外温度㊁空气湿度㊁自然风风速这4个建筑外部环境条件为自变量,以供热负荷量为因变量,研究建筑外部环境条件变化对供热负荷的影响㊂1.1.3 构建热负荷预测模型将4个建筑外部环境条件的实测数据作为输入量,供热负荷作为输出量,利用BP 神经网络构建供热负荷预测模型㊂通过设置误差和学习次数㊁输入训练数据㊁前向传播㊁反向过程等步骤对供热预测模型进行完善直至其计算数据符合误差要求,使模型误差最小,更精确地预测供热负荷㊂1.2 基于3D+GIS 的供热分布空间可视化分析利用开源的3D+GIS 框架,结合热源㊁一级网㊁换热站㊁二级网㊁各社区㊁企业以及供暖建筑分布等信息,开展供热分布空间可视化研究,根据区域的供热工程特性与地理空间分布,划分供热区域,分析区域的供热情况,实现区域的合理供热㊂1.2.1 供热BIM 模型构建依据Revit 平台的采暖建模系统,分别建立供热工程的地质㊁主体结构㊁暖通管线的各专业模型,其中具体包括绘制供㊁回水管,布设换热站㊁散热器及阀件等㊂在此基础上集成并整合各专业模型,形成完整的综合供热BIM 模型,供热BIM 模型管线排布如图2所示㊂图2 供热BIM 模型管线排布1.2.2 多图层服务和BIM+3D+GIS 可视化由于供热数据繁杂,为能充分地展示各种信息数据,更好利用各类数据信息,本系统采用多图层服务和BIM+3D+GIS 可视化服务,将不同种类的数据信息以图层形式进行空间可视化展示,可实现图层之间数据的对比㊁历史数据的演化对比,也可利用系统提供的鹰眼视图和地图书签等进行视图控制㊂同时,数据也可以通过共享模块实现对外共享㊂1.2.3 要素查询定位利用3D+GIS 的空间分析特点,实现信息的基本查询功能,分类查询,可以快速查询定位片区实时状况及各项设施设备㊁巡检人员等相关信息㊂实现设施设备的静态空间和属性信息的综合查询,将查询结果的属性信息以图形或图表的形式显示系统中,能够实时反映区域的供热情况,及时对供热状况进行调整,使其分配更加合理㊂1.2.4 区域划分与监测分析通过3D+GIS 可视化展示,结合不同供热数据信息,根据供热的工程特性及地理特性划分空间区域,对空间信息进行修正,简化信息量以便于数据的操作,并动态生成不同区域的供热变化数据,直观地预测供热系统未来运行情况㊂2 智慧供热管控系统构建智慧供热管控系统建设以工程数据中心建设为基础,通过智能化数据汇集传输㊁网络化大数据分析决策,最终实现供热系统的智慧化管控㊂利用智慧供热管控系统进行数据整合㊁分析和可视化展示,从而达到安全供热㊁平衡供热㊁节能降耗㊁降低漏损的目的,提高供热服务水平和业务管理水平㊂2.1 智慧供热管控系统架构基于 一体化㊁系统化㊁标准化㊁开放性㊁先进实用”的设计原则,采用分层和面向服务的设计思路,构建智慧供热管控系统,系统框架分为感知层㊁网络层㊁数据层㊁应用层㊁用户层㊁展示层共6个层级,如图3所示㊂感知层:由室温采集设施㊁供热计量装置等各类感知设施设备构成,满足供热感知需求,为生产提供长效的数据支撑,并利用覆盖供热输配系统(热源㊁一次网㊁二次网等)的数据信息系统,为供热运行情况的应急管理决策提供依据支撑㊂网络层:感知层的建设实现了智慧供热一体化44王洁瑜,魏鹏刚,杨文栋.基于BP 神经网络的智慧供热管控系统研究与应用===============================================平台运维数据的智能采集,各种类型的数据需要回传到云计算中心层进行相应的存储和分析,网络传输通道必不可少㊂结合供热管理不同业务㊁不同场景及不同应用终端网络需求,将综合应用运营商4G /5G 通讯网络㊁主干光纤环网㊁监测自动化组网㊁物联网通信链路和Wi -Fi 网络等形成多网融合的统一网络平台,以满足不用的业务需求㊂图3 系统架构 数据层:数据层主要由5部分组成,即地理信息数据库㊁在线监测数据库㊁运行管理数据库㊁文档多媒体数据库及业务管理数据库㊂其中地理信息系统主要存储热力管线㊁供热设施㊁监测设备等要素,同时空间信息根据要素进行分层的图层方式进行组织管理;在线监测数据库主要存储在线监测仪器所采集得到的热源㊁管网㊁换热站㊁末端计量等实时数据㊂各类数据均依照统一的数据标准进行存储㊁整合㊁调用㊁分析㊁管理和共享㊂应用层:按照智慧供热的不同业务,将功能服务层划分为在线监测系统㊁供热运行监控系统㊁供热运行分析系统㊁供热负荷预测系统㊁供热调度优化系统㊁安全预警系统㊁设备管理系统㊁客服管理系统和收费系统十大业务子系统㊂其中,在线监测系统主要是实时监测热源㊁管网㊁设备等整体运行情况,实现 GIS 一张图”可视化在线监测数据;供热运行监控系统主要是接入换热站监控系统及各前端监测设备数据,实现统一管理及多系统联动㊂以供热运行状态的全面感知㊁信息的即时传达为基础,借助云㊁大㊁物㊁移㊁智等前沿信息技术,实现对供热生产运行维护各个环节进行全方位的高效管控㊂用户层:用户层主要体现智慧供热管控一体化平台的各类用户,包括电投热力企业㊁热用户㊁运维人员等㊂展示层:展示层主要包括PC 端㊁移动端和大屏㊂PC 端主要用于日常运维人员进行生产办公,移动端主要用信息收发㊁流程审批㊁用户缴费和运维信息上传等,大屏主要用来集中展示供热运行实况及宏观数据㊂基于统一数据中心开发适用于不同业务场景下的终端应用,方便不同角色人员在不同环境下应用,从而提高生产管控效率㊂2.2 智慧供热管控系统应用智慧供热管控一体化平台内容包括在线监测系统㊁供热运行监控系统㊁供热运行分析系统㊁供热负荷预测及专家系统㊁供热调度优化系统㊁安全预警系统㊁设备管理系统㊁客服管理系统㊁收费系统等子系54西北水电㊃2023年㊃第3期===============================================统建设㊂2.2.1 在线监测系统在线监测系统可实时监测热源㊁管网㊁设备等整体运行情况,同时展示当前数据与历史数据比对分析结果,实现 GIS 一张图”可视化在线监测数据,在线监测子系统如图4所示㊂图4 在线监测子系统2.2.2 供热运行监控系统供热运行监控系统主要包括实时数据的监控及远程控制两大功能,实现供热运行工况的实时全面展示,可用于监视不利工况点的压差,保障区域供暖系统安全合理地运行,并联动换热站监控系统实现远程控制,供热运行监控子系统如图5所示㊂图5 供热运行监控子系统64王洁瑜,魏鹏刚,杨文栋.基于BP 神经网络的智慧供热管控系统研究与应用===============================================2.2.3 供热运行分析系统供热运行分析系统可对热源㊁管网㊁换热站等在内的供热系统数据进行实时分析比对,通过与历史数据的大数据比对分析,可以更好地对供热系统进行精细化监管,供热运行分析系统示意如图6所示㊂图6 供热运行分析子系统2.2.4 供热负荷预测及专家系统基于供热负荷预测模型,在建筑外部环境条件变化时,对热源㊁换热站㊁公共建筑㊁热用户的供热负荷进行预测,并对供热系统进行节能潜力分析和评价,在此基础上由专家系统对供热系统的节能运行提供专业的合理化建议,辅助制定节能运行的控制策略,并联动二次网智能平衡系统,快速实现热量供需平衡,保证日供热负荷,供热负荷预测专家子系统如图7所示㊂图7 供热负荷预测专家子系统74西北水电㊃2023年㊃第3期===============================================2.2.5 供热调度优化系统供热调度优化系统可通过底层提供的温度及流量等数据,经过供热负荷模型的优化计算,筛选出最优调度方案㊂节能减排同时也提升了供暖质量,供热调度优化系统如图8所示㊂图8 供热调度优化子系统2.2.6 安全预警系统安全预警系统可以将实时监测数值与设定的安全数值进行对比,当监测数值超出系统设定的阈值时将发出预警信息,安全预警系统如图9所示㊂图9 安全预警子系统84王洁瑜,魏鹏刚,杨文栋.基于BP 神经网络的智慧供热管控系统研究与应用===============================================2.2.7 设备管理系统设备管理系统通过建立设备台账管理信息,对设备的出厂㊁维修㊁配件更换等记录进行全面记录,同时对临近检修期的设备发出设备检修的提醒,实现对设备的全生命周期管理,设备管理系统如图10所示㊂图10 设备管理子系统图11 客服管理子系统2.2.8 客服管理系统客服管理子系统见图11㊂客服管理系统实现流程化跟踪和管理各项服务的内容,包括用户的报修服务㊁投诉等进行管理,可以按照住址或用户名称查询相关维修㊁投诉等综合信息,并详细记录为用户提供的各项服务和服务中发生的各项费用㊂让客服人员了解用户的全部信息,掌握沟通主动权,及时处理用户提出的服务申请㊂提供包括语音服务㊁人工94西北水电㊃2023年㊃第3期===============================================服务和互联网服务等多种形式综合性信息服务㊂实现用户报修㊁业务受理㊁咨询㊁投诉㊁催费㊁查询和回访等具体业务,提高用户满意度㊂2.2.9 收费管理系统收费管理系统可显示末端用户缴费信息,可计量㊁收集末端用户用热信息;具备开放接口,可扩展收费管理功能㊂3 结 语本文依托实际供热工程项目构建智慧供热管控一体化平台,该平台采用云大物移智㊁GIS及智能模型等先进技术,实现用热单位及居民室内温度㊁管网压力㊁流量㊁热媒温度㊁换热站和热源厂等生产数据的汇集管理,实现供热数据㊁能耗可视化分析,优化供热调度,提升安全预警能力,并实现系统内各种业务数据互通,实现信息共享,消除信息孤岛,向各业务提供数据服务,为管理者提供决策支持,同时开通用户网上缴费服务,更加精细㊁动态管理供热系统的整个生产㊁管理和服务流程㊂参考文献:[1] 蔡俊华.夏热冬冷地区实施集中供热的可行性[C]//中国市政工程华北设计研究总院有限公司.中国建设科技集团股份有限公司.2021供热工程建设与高效运行研讨会论文集.天津:‘煤气与热力“杂志社有限公司,2021:151-156. [2] 蒋涵.智慧供热信息化平台建设实例分析[C]//中国市政工程华北设计研究总院有限公司.中国建设科技集团股份有限公司.2021供热工程建设与高效运行研讨会论文集.天津:‘煤气与热力“杂志社有限公司,2021:817-822.[3] 李昊.基于多维决策向量的多热源联网大型供热系统调度优化[D].杭州:浙江大学,2021.[4] 许广平.集中供热的智慧化管理与控制策略探讨[J].科技资讯,2019,17(19):92-93.[5] 柴春蕾.智慧供热系统研究与架构设计[J].物联网技术,2020(05):109-111.[6] 康金霞.智慧供热信息化建设管理系统研究 以渭源县为案例[J].江西建材,2020(04):187-188.[7] 李光明,赵立强,高远谋.城市供热监控与智能化管理系统的设计与实现[J].信息通信,2016(09):58-60. (上接第24页)7 结 语库区复建道路作为移民安置规划中一项重要的组成部分,是水库生产安置移民最主要的交通运输方式,关系到库区安置群众的生产㊁生活,关系到水库移民的经济社会发展,关系到建设区域的生态环境保护,同时也直接影响着国家资金投入的多少㊂因此,在建设过程中,设计人员应把好 第一道关”,充分发挥作用,干出一条经济安全㊁生态环保㊁人民满意的绿色通道㊂参考文献:[1] 闫醒春,王海云.水库库区公路路线设计及工程地质问题探究[J].甘肃科技,2006,22(09):139-141.[2] 李鹏.山区公路勘察设计常见的问题及对策[J].黑龙江交通科技,2018,41(09):71-73.[3] 王立民.公路路基设计中边坡防护技术分析[J].北方建筑,2022(05):23-26.[4] 杨欢.实例探析道路路线平㊁纵㊁横断面设计要点[J].黑龙江交通科技,2015(07):35-36.[5] 刘婷.公路路线设计中存在的问题及要点分析[J].交通世界,2019(14):57-58.[6] 祁荣欣.山区公路路线设计与质量控制研究[J].工程与建设,2022(02):74-76.[7] 李智.公路工程设计中的路线布设及路基设计[J].中国公路,2020(06):104-105.[8] 于维鑫.公路路基设计中的边坡防护问题分析[J].智能城市,2020(05):198-199.[9] 马建国.公路路基设计中边坡防护技术的应用[J].交通世界,2022(14):112-114.[10] 张大勇,闫海清,周涛.库区复建公路桥梁设计选型[J].人民长江,2008(11):77-78.05王洁瑜,魏鹏刚,杨文栋.基于BP神经网络的智慧供热管控系统研究与应用===============================================。
BP神经网络在多元统计分析中的应用
BP神经网络在多元统计分析中的应用随着科技的不断进步，随着计算机技术和数据采集技术的不断发展，数据的规模和质量都在不断增加。
传统多元统计分析方法，如主成分分析、因子分析、聚类分析等，往往存在一些缺陷。
BP神经网络作为一种新型的数据处理方法，具有自适应学习、非线性映射、高度并行和自适应能力等特点，在多元统计分析中的应用也越来越受到人们的关注。
一、BP神经网络的原理BP神经网络是由美国科学家Rumelhart和McClelland于1986年提出的，其英文全称为Back Propagation，即反向传播。
BP神经网络模型是一种基于误差反响传递算法的有向神经网络，它是由输入层、隐含层和输出层组成的三层网络。
输入层将原始数据输入神经网络，隐含层将输入信号进行非线性的映射处理，输出层则将隐含层的结果输出为最终结果。
BP神经网络的训练过程主要分为两个阶段：前向传播和误差反向传播。
前向传播是指从输入层开始，将数据一层一层地传递至输出层的过程，其目的是获取预测结果。
误差反向传播是指计算输出误差，并向反方向逐层反向传播误差信息，从而修正网络的参数，使得输出误差得到最小化。
二、1.分类分析分类分析是指将一组事物分成不同类别的过程，是多元统计分析中应用最多的技术之一。
BP神经网络可以自适应地学习样本特征与类别之间的关系，通过训练可以实现新数据的分类。
在医学、金融等领域，BP神经网络的分类分析已经广泛应用。
2.聚类分析聚类分析是指将一组事物按其相似性分为若干类别的过程，与分类分析相比，不需要事先定义类别。
BP神经网络具有强大的模式识别和分类能力，可以对大规模的复杂数据进行聚类分析。
3.数据降维在多元统计分析中，经常需要通过降维来减少数据的维度，提取主要特征。
传统的降维方法，如主成分分析等，需要对数据做线性变换。
而BP神经网络具有显著的非线性数据建模能力，可以更好地保留数据的非线性特征。
4.异常检测异常检测是指在数据中寻找与其他数据不同的数据点，用于识别潜在的异常情况。
基于PIPSIM软件的多相管流模型优选
流型判别 准则 和应 用方 便 的持 液率 及摩 阻 系数 经验 公
式， 可适 合 于垂直油 气井 和定 向井 以及输油 气管线 管流 模 型 。通常计 算高 气液 比井压 降梯度 偏大 。
１ ． ３ Ｇｒ ａ ｙ 模 型
由于流 体加速 度 引起 的压 降梯 度甚小 可忽 略不计 ， 总 压降梯 度 方程为 ：
明： ＴＭＢ模 型性能 最佳 ， 其 次是 ＡＮＳ ＡＲ Ｉ 模型。
关键 词 ： 多相 管流 ； 评 价模 型 ； 优 选
中图分类 号 ： ＴＥ ３ １ 文献标 识码 ： Ａ 文 章编号 ： １ Ｏ ０ ４ —５ ７ １ ６ （ ２ ０ １ ３ ） Ｏ ４ 一Ｏ ０ ３ ８ 一Ｏ ４
多相管流在石油工业中是一个重要的研究课题 ， 大 多数油 气井 将不 可避 免 的 出现 气 液 两相 或 油 、 气、 水 三 相流 ， 油 井 生 产 系统 中有将 近 ８ ０ ９ ／ ６ 的能 量 损失 是 在 油 气 生产 流体 沿油 管 向上举 升 的过 程 中 消耗 掉 的， 因此 ， 对 于垂 直 管 中多 相 流动 的研 究 ， 计 算井筒 内油气水 混合 物流 动时 的压力 分 布 ， 对 指 导 油井 生 产 参 数优 化 设 计 、 工况分析以及气举工艺设计等有非常重要的作用。 １ 井筒 多相管 流模 型 选 择 ４种 常 用 的 两 相 流 管 流 模 型 ： Ｈａ ｇ ｅ ｄ ｏ ｒ ｎ － Ｂ ｒ ｏ ｗｎ模 型 、 Ｍｕ ｋ ｈ ｅ ｌ ｆ ｅ ｅ － Ｂ ｒ ｉ ｌ ｌ 模型 、 Ａｎ ｓ ａ ｒ ｉ 模型、 Ｇ ｒ ａ ｙ
＂ Ｇ￣ ｄ ｈ ＋ ｄ ｐ一 ［ 《 ； ９ ＋ （ １一 ｆ ０ １ ］ ＋ Ｊ
ｇ
矿
Ｈａ ｇ ｅ ｄ ｏ ｒ ｎ － Ｂ ｒ ｏ ｗｎ（ １ ９ ６ ５ ） 方 法 是针 对垂 直 井油 、 气、 水 三相 流动 ， 井 在 小 管径 的试 验 中 ， 以 １ ０ 、 ３ Ｏ 、 ３ ５和
神经网络BP算法的研究及在气象业务中的应用研究的开题报告
神经网络BP算法的研究及在气象业务中的应用研究的开题报告题目：神经网络BP算法的研究及在气象业务中的应用研究1. 研究背景及意义气象业务是指运用气象科学研究成果和气象技术手段，为国民经济和社会发展服务，保障公共安全和人民健康，促进可持续发展。
气象业务中的气象预报、气象灾害预警等需要大量的数据分析和预测，传统的数学模型（如统计模型）已不能满足现代气象预报工作的需要。
而神经网络模型作为一种新兴的数学模型，能够利用其自身学习能力及非线性映射特性，对大量复杂的数据进行有效处理及预测。
BP算法是神经网络中最为重要和常用的算法之一，采用误差反向传播的方式进行学习与优化。
因其高效、通用、自适应等优点，已在气象预报中得到广泛应用。
因此，本文选择研究神经网络BP算法及其在气象业务中的应用，旨在提高气象预报与预警等方面的精度及效率，进一步推动气象事业的发展。
2. 研究内容本文将围绕神经网络BP算法在气象业务中的应用展开研究，具体内容包括以下几个方面：1）对BP算法的理论进行深入研究，探究其实现原理；2）根据气象业务的特点，设计并优化神经网络BP模型；3）选择适当的气象数据集，对BP算法在气象预报中的应用进行探究与实验；4）通过与传统气象预测方法的比较，分析BP算法在气象预报中的优劣势；5）根据实验结果，进一步改进气象预测中的神经网络BP模型，提高预报准确度及效率。
3. 研究方法本文将采用文献研究和实验研究相结合的方法。
首先通过对神经网络BP算法的相关文献进行综述，了解其基本原理；然后根据气象业务的特点，结合大量气象数据，对神经网络BP模型进行优化并进行预报实验。
最后，通过实验结果分析，对优化后的神经网络BP模型进行改进，提高预报效果。
4. 预期成果1）深入了解神经网络BP算法的理论基础及特点；2）熟练掌握气象数据预处理、BP神经网络的建立及训练等方法；3）在气象预报中应用神经网络BP算法，并与传统气象预测方法进行比较，验证其优越性；4）提出一种优化后的神经网络BP模型，提高气象预报的准确度及效率。
BP神经网络的研究分析及改进应用
BP神经网络的研究分析及改进应用一、本文概述本文旨在对BP（反向传播）神经网络进行深入的研究分析，并探讨其在实际应用中的改进策略。
BP神经网络作为领域的重要分支，已经在模式识别、预测分析、自适应控制等多个领域展现出强大的应用潜力。
然而，随着数据规模的扩大和应用场景的复杂化，传统的BP 神经网络也暴露出诸如训练速度慢、易陷入局部最优解、泛化能力弱等问题。
因此，本文希望通过理论分析和实证研究，提出针对性的改进方法，以提升BP神经网络的性能，进一步拓展其应用范围。
本文将首先回顾BP神经网络的基本原理和发展历程，分析其在现有应用中的优势和局限。
接着，从算法优化、网络结构设计和硬件加速等方面探讨改进BP神经网络的途径。
算法优化方面，将研究如何结合现代优化理论，如遗传算法、粒子群优化等，改进BP神经网络的权值更新规则和训练策略。
网络结构设计方面，将探讨如何通过增加隐藏层、调整神经元连接方式等方式提升网络的复杂度和表达能力。
硬件加速方面，将研究如何利用专用硬件（如神经网络处理器、图形处理器等）提高BP神经网络的训练速度和推理效率。
本文将通过具体的应用案例，验证所提出改进方法的有效性。
这些案例将涵盖不同领域的数据集，旨在全面评估改进BP神经网络在不同场景下的表现。
通过本文的研究，我们期望能够为BP神经网络的发展和应用提供新的思路和方法，推动其在领域的更广泛应用。
二、BP神经网络的基本原理BP神经网络，即反向传播神经网络，是一种基于误差反向传播算法的多层前馈网络。
它的基本原理主要包括两个过程：前向传播和反向传播。
前向传播过程中，输入信号从输入层开始，通过隐藏层，最终到达输出层。
在每一层，每个神经元的输出都是其输入与权重的加权和，再经过激活函数的转换得到。
这个过程主要是将输入的信息逐层传递，直到得到网络的输出结果。
然而，由于网络初始权重的随机性，初次前向传播得到的结果往往与实际期望的输出存在误差。
这时就需要进行反向传播过程。
基于改进型BP神经网络算法的流量预测模型构建
基于改进型BP神经网络算法的流量预测模型构建随着互联网技术的不断发展，大量的数据被生成，随之而来的是海量的数据应用需求，其中流量预测模型是其中一项非常重要的应用。
流量预测模型应用广泛，例如社交网络的用户活跃度预测、电子商务平台的销售预测、搜索引擎的流量预测等等。
因此，本文将重点讨论一种基于改进型BP神经网络算法的流量预测模型构建方法。
BP神经网络在流量预测方面具有一定的优势。
相较于传统的统计模型，BP神经网络具有更强的非线性拟合能力，更适用于复杂的系统建模。
但是在实际应用中，BP神经网络也存在着一些问题，例如训练时间慢、容易陷入局部最优解等等。
因此，本文将通过改进BP神经网络算法，提高流量预测的准确性和效率。
首先，我们需要对BP神经网络进行改进，以提高其预测精度。
我们可以对BP 神经网络中的梯度下降算法进行改进，以降低其陷入局部最优解的概率。
例如，可以采用动量梯度下降算法，引入动量因子来储存之前训练过程的历史梯度，以在梯度变化较小时，能够加速网络的收敛速度。
此外，我们还可以采用自适应学习率算法，在训练的初始阶段使用较大的学习率来加快收敛速度，待到网络接近收敛时降低学习率，以减少之后的震荡。
其次，我们需要对神经网络进行正确的输入数据预处理，以提高预测精度。
输入数据预处理是神经网络模型的一个重要环节，因为不同的处理方法会直接影响神经网络的预测精度。
我们可以通过分析所要预测的数据特点，选择合适的预处理方法。
例如，对于时间序列预测模型，我们可以采用差分法将数据转化为平稳序列，以去掉趋势和季节性等影响因素。
最后，我们需要对网络进行良好的训练和测试，以验证模型的准确性和效率。
网络的训练需要进行多次迭代，直到网络收敛。
测试阶段需要用新的数据集对模型进行验证，以检验其在新数据上的预测能力。
我们可以选择平均绝对误差（MAE）和均方误差（MSE）等指标来度量预测误差大小，以及误差率、准确率等指标来评估模型的性能。
总之，建立基于改进型BP神经网络算法的流量预测模型，并不是一件简单的任务。
基于BP神经网络的多测点监测模型在大坝安全监测中的应用
基于BP神经网络的多测点监测模型在大坝安全监测中的应用摘要：建立了基于BP神经网络的多测点监测模型，为了验证该监测模型的有效性和精确性，通过具体的工程计算实例，将该模型的计算结果与统计回归单测点监测模型、BP神经网络单测点监测模型的计算结果比较。
对比分析表明：对于TP8测值，统计回归模型平均误差为3.8%，BP神经网络单测点监测模型平均误差为9.4%，而BP神经网络的多测点监测模型平均误差仅为1.6%。
因为BP神经网络的多测点监测模型考虑了各种效应量之间的相关性，预测结果比另外两种模型预测结果好，在大坝监测预测预报中具有一定的应用价值。
关键词：BP神经网络；安全监测；多测点监测模型；数据分析中图分类号：TV551.2文献标志码：A文章编号：1672-1683（2015）001-0216-04Multi-pointsmonitor model on BP neural network in the application of dam safety monitoringZHANG Guo-zhi1，2，CHEN Jian-kang1，2，ZHANG Yi-ran1，2，YANG Zhi-yong1，2，PAN Wang1，2（1.School of Water Resources and Hydropower，Sichuan University，Chengdu 610065，China；2.State Key Laboratory of Hydraulics and Mountain River Engineering，Sichuan University，Chengdu 610065，China）Abstract：This paper established a multi-pointsmonitor model on BP neural network for analysis of dam monitoring data，and contrast it with the traditional single-point regression model and single-point Model on BP neural network in a project.The results showed that the multi-pointmonitor model on BP neural network takes into account the correlation of various effects and the predicted results are better than the traditional single-point regression model and single-point model on BP neural network.So it has great value in the dam monitoring and prediction.Key words：BP neural network；safety monitoring；multi-point monitor；data anaysis大坝监测的原始数据中包含了反映坝体结构安全性的丰富信息，数据分析可以从原始数据中提取出其包含的信息，为大坝的建设和运行管理提供有价值的科学依据[1]。
基于BP神经网络模型预测区域需水量
具 有 非 常 重 要 的 现 实 意 义 。 区域 需水 量 的预 测 工 作是 供水系统 优化调度先 决条件 和必备条件 ， 为 国家 在 水 利 方 面 的 宏 观 和微 观 决 策 提 供 参 考 ， 加 快 建 设 节 水 型 社会 的 步 伐 ， 现 经 济 的快 速 增 长 、 实 稳 定 和健 康 发展 。 图 １为 区域 水 资 源 供 需 关 系 。
定 因素 考 虑 。最终 确 定 区域 生 活用 水 量 的 主要 影 响 因素 为 ： 区域 总 人 口 、 镇 人 口 、 村 人 口 、 城 农 城
镇人均 可支配 收入 、 村人 均纯 收入 、 均 Ｇ Ｐ 农 人 Ｄ
。
业水 价 、 水 回用 率 、 污 污水 处 理 设 施 完善 程 度 对 工 业 用 水 量 也 有 微 弱 的影 响 。 区 域 工 业 需 水 量 Ｂ Ｐ 神经 网络 预 测模 型 中采 用输 入参 数 如 图 ４ 。
图 ３ 生活 需水量 Ｂ Ｐ神 经网络 预测模 型输入 参数 图
区域 生 产 需水 量 分 为工 业 生 产 需 水 量 和 农 业
生产需水量两大类 ，其中在工业需水量 中按工业 用 水 特 点 ，分 为 火 力 发 电工 业 用 水 和 一 般 工 业用 水 ， 是 指 所 取用 的是 新 鲜水 量 ， 包 含工 业 内部 都 不 的水 的重 复 利 用量 。 随着 工 业 的 发展 ， 业生 产 规 工 模 的进 一 步 扩 大 ， 水 量 也会 不 断增 加 ， 业 规 模 需 工 的扩 大 主要 表 现在 工 业 产 值上 ，这 里 指 的是 一 般 工业 。在 电力 工 业 上 ， 主要 体 现在 发 电量 上 。 电 火 行业 用 水 量 也是 区域 工 业 部 门 用水 量 的重 要 组 成 部 分 。工 业用 水 重 复 利 用率 虽 然 也 是 工 业 用 水 量
bp神经网络的应用综述
bp神经网络的应用综述近年来，随着人工智能（AI）发展的飞速发展，神经网络技术也在迅速发展。
BP神经网络是一种能够将输入大量信息并有效学习并做出正确决策的广泛应用的深度学习算法。
它的强大的学习能力令人印象深刻，从很多方面来看都是一种具有潜在潜力的技术。
在科学和工程方面，BP神经网络的应用非常广泛。
它可以用于模式识别，数据挖掘，图像处理，语音识别，机器翻译，自然语言处理和知识发现等等。
当可用的数据量很大时，BP神经网络可以有效地自动分析和提取有用的信息，从而有效地解决问题。
例如，在图像处理领域，BP神经网络可以用于图像分类、目标检测和图像语义分析。
它能够以准确的速度检测目标图像，包括人脸、行人、汽车等等，这在过去难以实现。
在机器翻译等技术中，BP神经网络可以用于语义分析，以确定机器翻译的正确语义。
此外，BP神经网络还可以用于人工智能的自动控制，例如机器人与机器人感知、模式识别、语音识别和控制系统。
除此之外，BP神经网络还可以用作在计算机游戏和科学研究中的决策支持系统，以便帮助决策者做出正确的决策。
总而言之，BP神经网络是一种具有广泛应用的深度学习算法，它能够自动处理大量复杂的信息，并能够做出正确的决策。
它可以用于各种科学和工程任务，如模式识别、机器翻译、图像处理、语音识别、机器人感知及自动控制等领域。
此外，它还可以用于决策支持系统，以便帮助决策者做出正确的决策。
BP神经网络在许多领域都具有巨大的潜力，希望以后能得到更多的研究和应用。
因为随着计算机技术的发展，BP神经网络在未来有望发挥更大的作用，帮助人们实现和科学研究的突破。
BP神经网络的潜力巨大，尽管它的应用前景十分广阔，但许多研究仍然存在挑战。
因此，有必要开展更多的研究，并利用其强大的特性，尽可能多地发掘它的潜力，以便最大限度地利用它的优势。
我们期待着BP神经网络会给人类的发展带来更多的惊喜。
BP神经网络在管网中的应用
BP神经网络在二次污染的应用1 引言由于影响水质的因素较多，目前用物理方法进行水质评价存在一些困难。
70年代我国使用的是综合污染指标法的“硬性分级划分”，目前使用的是灰色和模糊系统，如灰色集类法、模糊综合评判法[1]等。
30多年来在评价原理的科学性和实际评价结论的合理性等方面都有了长足的发展。
然而，灰色和模糊系统两大类方法都仍然存在一些缺陷，如都需要设计若干不同的效用函数（灰色系统的白化函数、模糊数学的隶属函数等）以及人为地给定各评价指标的权重（或权函数）等。
这些效用函数和指标权重的给定往往因人而异，造成评价模式难以通用，而且增加了应用的困难和人为臆断因素对结论的影响。
事实上，在评价指标确定后，水质评价的过程是把这些指标的监测值与标准值进行比较和分析，在此基础上判断其与哪一级分类标准更接近。
因此，水质综合评价属于模式识别问题。
当前，迅速发展的人工神经网络已在模式识别中广泛应用[2]。
人工神经网络是近几年来发展起来的一门新兴学科，它是一种大规模并行分布处理的非线性系统，可以处理那些难以用数学模型描述的系统，可以逼近任何非线性的特性，具有很强的自适应、自学习、联想记忆、高度容错和并行处理能力，使得神经网络理论的应用已经渗透到了各个领域。
近年来，人工神经网络在水质分析和评价中的应用越来越广泛，并取得良好效果[2]。
在这些应用中，纵观应用于模式识别的神经网络，BP网络是最有效、最活跃的方法之一。
本文将采用BP神经网络模型来预测管网水的水质，并将预测值与实际值做了比较分析。
针对管网水二次污染的原因，提出相应的对策。
2 BP神经网络BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
基于BP神经网络模型的大伙房水库调度优化研究
基于BP神经网络模型的大伙房水库调度优化研究
陆彦伯
【期刊名称】《吉林水利》
【年(卷),期】2022()11
【摘要】水库的科学调度对保证水库运行安全,充分发挥其资源效益和经济效益具有重要价值。
以辽宁省大伙房水库为例,探讨BP神经网络模型优化水库调度的科学性与可行性。
模拟计算结果显示,采用BP神经网络优化调度之后,水库的引水量和弃水量显著下降,水库的蓄水量显著上升,这不仅有利于提高水库的供水能力,引水费用也会有所降低。
因此,BP神经网络模型在大伙房水库优化调度中具有合理性和有效性,建议在水库调度管理中采用。
【总页数】5页(P34-38)
【作者】陆彦伯
【作者单位】辽宁润中供水有限责任公司
【正文语种】中文
【中图分类】TV697.11
【相关文献】
1.大伙房水库防洪优化调度研究
2.基于长序列调节的大伙房水库兴利优化调度研究
3.大伙房水库兴利调度的自优化模拟模型研究
4.大伙房水库供水量优化调度的水资源配置研究
5.大伙房水库汛期水位动态控制的调度方案优化研究
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于BP神经网络的多相管流模型优选及应用分析1钟海全1，李颖川1,2，刘永辉1，李成见3，李伟31.西南石油大学，成都（610500 ）2.“油气藏地质及开发工程”国家重点实验室，西南石油大学，成都（610500）3.中海石油（中国）有限公司北京研究中心，北京（100027）E-mail：jet_haier@摘要：应用91井次的油气井测试数据对Ansari、Hagedorn&Brown Revised、Duns&Ros、Gray以及Beggs&Brill Revised模型进行了评价分析，结果表明：最适合的模型主要有Hagedorn&Brown Revised模型和Ansari模型，其最佳井数分别占50.5％和35.2％。
为了对于特定的油井条件优选出最佳的计算模型，本文提出了利用神经网络优选多相管流模型的方法，建立了BP神经网络模型，给出了完整的学习算法程序框图，提出采用动量算法修改隐含层权值，采用基于指数平滑的方法修改输出层权值，从而有效地减少了抖动。
应用油气井测试数据及管流模型评价结果，研究了神经网络输入层、输出层及隐含层神经元个数对预测准确率的影响，结果表明：合理的BP神经网络模型能很好的预测最佳管流模型，其预测准确率可高达100％。
关键词：BP神经网络；管流模型；BP算法；模型优选；误差井筒多相流动压力梯度无论是在完井管柱设计，预测油气井产能，还是人工举升设计方面都是非常重要的，但由于多相流流型的多变性和流动机理的复杂性，要寻求适用于任何流动条件下的多相流压降计算方法是非常困难的。
迄今已发展了许多经验相关式和机理模型[1～4]，但这些方法均具有一定的适用条件。
理论上，应该通过测量确定多相流井筒压力分布，但通常测量成本较高或无法下入测量工具而无法获得。
因此，只能根据油气井生产的实际条件优选多相流模型来预测井筒压力分布。
为了对于特定的油井条件优选出最佳的管流计算模型，本文提出了一种优选多相管流计算模型的新方法，该方法应用了BP神经网络模型确定最佳管流模型，方法的流程如图1所示。
1本课题得到高等学校博士学科点专项科研基金项目“气举采油多相瞬态流实验与理论研究”(NO.20060615002)部分成果；四川省自然科学基金项目“深层有水气井球塞助喷气液球三相流动实验与理论研究”(NO.2006ZD042)部分成果的资助。
- 1 -图1优选最佳管流模型的流程Fig.1 Flow chart to select the optimum pipe-flow model输入层隐含层（n个神经元）输出层图2 BP神经网络模型Fig.2 BP neural networks model1 管流模型评价搜集到91井次的测试资料，其井口压力范围为0.21～6.62MPa，原油重度36.0～37.0o API，含水率0～86.3％，气液比6.7～165.0m3/m3，产液量189.7～3042.3m3/d，油管尺寸50.3～159.4mm，地层水相对密度为1.07，气体相对密度为0.73。
应用测试数据对PIPESIM软件中的Gray、Ansari、Hagedorn & Brown Revised、Beggs & Brill Revised及Duns & Ros模型（分别简写为GR、AN、HBR、BBR及DR）进行评价，结果表明：HBR误差最小的有46井- 2 -次，AN为32井次，GR为7井次，DR为5井次，BBR为1井次，可见HBR模型和AN模型最佳井数分别占50.5％和35.2％，其余三种方法所占百分比均很小。
2 BP神经网络模型BP模型是一种多层感知机构，是由输入层、隐含层和输出层构成的前馈网络，其功能是通过对一系列样本点进行学习来实现的[5～8]，1989年Robert [5]已经证明3层BP网络可以任意精度逼近连续函数，因此本研究采用3层BP网络。
影响多相管流计算的参数主要有井口压力，流体密度，含水率，气液比，产液量，油管尺寸，井斜角。
由于本次收集到的资料绝大多数为垂直井，且各井地层水和气体相对密度均分别为1.07和0.73。
因此确定神经网络的输入层神经元为井口压力p wh，原油API重度，含水率f w，气液比GLR，产液量Q L，油管尺寸d ti。
要建立一个好的神经网络模型，隐含层神经元个数至关重要，但通常很难直接确定神经元个数，一般可用试错方式确定。
从上文多相管流模型评价结果看，BBR模型仅一口井最佳，因此无法作为神经网络输出。
由以上分析建立图2所示的BP神经网络模型，图中n为待定隐含层神经元个数。
3 BP算法程序设计框图BP网络的学习过程是一个反复迭代的过程，首先给网络一组初始的权值，然后输入样本并计算其输出，通过比较实际的输出与期望值间的差值，用一定的方法来修改网络的权值，以达到减小此差值的目的，迭代此过程直至差值小于预先确定的精度。
该算法的核心是采用恰当的方法调整网络的权值，本研究采用基于指数平滑的方法调整输出层的权值，而采用动量算法调整隐含层的权值。
BP算法程序设计框图如图3所示。
4 应用分析根据管流模型评价结果及所建立的神经网络模型，由AN和HBR模型最佳井比例最大，首先分析两个输出神经元的情况，将AN和HBR模型计算最佳的井分为63口训练样本井（含8口试错样本井）及15口检验井（未经训练）。
输入层神经元为6个，隐含层神经元为7个，输出层神经元为2个，学习速率0.02，动量系数取0.9，目标精度为10-4，则训练误差如图4（A）所示，试错井及检验井列入表1和表2，结果列入表3和表4。
从图4(A)可得达到目标精度需迭代3563次，最小方差为5.18×10-5，表1和表3试错样本的期望输出与实际输出吻合很好，表明神经网络模型对样本学习是成功的，比较检验井实际输出与期望输出，FGS16井及FGS88井预测错误，预测准确率为86.7％。
如果隐含层神经元取10个，其它数据不变，则训练误差如图4(B)所示，试错井结果列入表3，检验井结果表4。
从图4(B)可得达到目标精度需迭代3605次，最小方差为9.18×10-5，表1和表3试错样本的期望输出与实际输出吻合很好，比较检验井的实际输出与期望输出，预测与期望结果一致，预测准确率为100％。
可见，隐含层取10个神经元即能满足要求。
由于原油重度范围很小，如忽略其影响，即输入层神经元为5个，隐含层为10个，其它数据不变，则训练误差如图4(C)所示。
从图4(C)可得达到目标精度需迭代2994次，最小方差- 3 -为7.69×10-5，表1和表3试错样本的期望输出与实际输出吻合很好，比较检验井的实际输出与期望输出，预测准确率为100％，但FGS2井和FGS88井预测值与期望值相差较大。
比较取6个输入神经元的预测情况，6个更为合理。
如果输出神经元取3个，即输出为AN、HBR及DR，将DR计算最佳的井也加入训练样本集（除检验井FGS90），输入取6个，隐含层取10个，则训练误差如图4(D)所示，试错井结果列入表3，检验井结果列入表4。
从图4(D)可得达到目标精度需迭代22932次，最小方差为6.82×10-5，试错样本的期望输出与实际输出吻合较好，比较检验井的实际输出与期望输出，预测准确率为100％，但FGS90预测值与期望值相差较大。
如果输出神经元取4个，即输出为AN、HBR、DR及GR，将DR和GR计算最佳的井加入原训练样本集（除检验井FGS90和FGS44），隐含层取10个，训练精度不能达到10-4，将隐含层取20个，则训练误差如图4(E)所示，试错井结果列入表3，检验井结果列入表4。
从图4(E)可得达到目标精度所需迭代次数为40744次，最小方差为6.77×10-5，从表4可得，FGS44井预测结果错误，预测准确率为94.1％，同时FGS16、FGS37、FGS75、FGS90预测与期望差值较大。
从以上分析可知，当输出神经元个数增加时，其预测和期望差值增加，预测准确率降低，这主要是由于DR和GR模型训练样本太少，不足以“学会”形成预测能力。
表1 试错样本井Table 1 the trial-and-error sample wells井号最佳模型期望输出输出层神经元FGS5 AN (0.999,0.001)FGS9 HBR (0.001,0.999)FGS15 HBR (0.001,0.999)FGS25 HBR (0.001,0.999)FGS30 AN (0.999,0.001)FGS43 AN (0.999,0.001)FGS61 AN (0.999,0.001)FGS73 HBR (0.001,0.999)2个FGS86 DR (0.0005,0.0005,0.999) 3个FGS41 GR (0.0003,0.0003,0.0003,0.999) 4个备注最佳模型的期望输出为0.999，其余模型均分0.001表2 检验井Table 2 the check wells井号最佳模型期望输出输出层神经元FGS2 HBR (0.001,0.999)FGS11 HBR (0.001,0.999)FGS16 AN (0.999,0.001)FGS19 HBR (0.001,0.999)FGS28 HBR (0.001,0.999)FGS37 HBR (0.001,0.999)FGS38 AN (0.999,0.001)FGS48 HBR (0.001,0.999)2个- 4 -FGS50 HBR (0.001,0.999)FGS57 AN (0.999,0.001)FGS62 AN (0.999,0.001)FGS75 HBR (0.001,0.999)FGS78 AN (0.999,0.001)FGS82 HBR (0.001,0.999)FGS88 HBR (0.001,0.999)FGS90 DR (0.0005,0.0005,0.999) 3个FGS44 GR (0.0003,0.0003,0.0003,0.999) 4个备注最佳模型的期望输出为0.999，其余模型均分0.001表3 试错样本井试错结果Table 3 the predicted results of trial-and-error sample wells各神经网络模型结构的实际输出井号5-10-2 6-10-3 6-20-4 6-7-2 6-10-2(0.998,-0.008) (0.974,0.023,0.002) (0.968,0.057,-0.042,0.016) FGS5 (0.984,0.020) (0.995,-0.002)(0.002,0.997) (-0.001,0.999,0.001) (0.007,1.004,-0.019,0.007) FGS9 (0.001,0.998) (-0.001,0.996)FGS15 (0.126,0.874) (0.001,0.999) (0.011,0.988) (0.042,0.976,-0.018) (0.075,0.918,-0.119,0.125) FGS25 (0.023,0.978) (0.002,0.995) (0.000,0.998) (0.002,0.996,0.001) (0.005,0.996,-0.018,0.017) FGS30 (1.007,-0.003) (0.988,0.010) (1.011,-0.009) (1.000,0.001,-0.001) (1.016,0.004,-0.022,0.001) FGS43 (1.020,-0.020) (0.992,0.010) (1.005,-0.005) (1.013,-0.003,-0.010) (1.012,-0.065,0.074,-0.021) FGS61 (1.023,-0.022) (0.996,0.002) (1.005,-0.005) (1.010,-0.009,-0.001) (1.011,0.009,-0.022,0.002) FGS73 (0.032,0.960) (-0.003,0.999) (0.007,0.996) (0.000,0.994,0.005) (0.016,0.986,-0.001,-0.001) FGS86 最佳模型为DR，输出神经元个数为3和4时增加的试错样本(0.002,-0.003,1.000) (-0.004,-0.007,1.004,0.006) FGS41 最佳模型为GR，输出神经元个数为4时增加的试错样本(0.002,-0.032,-0.023,1.053)表4 检验井预测结果Table 4 the predicted results of check wells各神经网络模型结构的实际输出井号6-7-2 6-10-2 5-10-2 6-10-3 6-20-4 FGS2 (-0.037,1.033) (-0.057,1.057) (-0.330,1.329)# (0.003,1.001,-0.004) (-0.015,1.009,0.022,-0.016) FGS11 (0.001,0.999) (-0.004,1.001) (-0.003,1.005) (-0.001,0.999,0.001) (0.007,1.006,-0.021,0.007) FGS16 (0.206,0.802)* (1.007,-0.009) (0.976,0.020) (1.074,-0.067,-0.007) (0.695,0.003,0.008,0.294)#FGS19 (0.001,0.999) (-0.008,1.006) (-0.003,1.005) (-0.001,0.926,0.075) (0.007,1.006,-0.021,0.007) FGS28 (0.001,0.999) (-0.009,1.011) (-0.003,1.005) (0.002,0.976,0.022) (-0.035,0.984,0.043,0.008) FGS37 (0.008,0.990) (0.149,0.849) (-0.010,1.011) (-0.024,1.013,0.011) (-0.148,2.275,-1.102,-0.024)#FGS38 (0.952,0.046) (1.012,-0.013) (1.009,-0.009) (0.999,0.000,0.001) (1.015,0.004,-0.022,0.003) FGS48 (0.001,0.999) (-0.009,1.008) (-0.042,1.043) (0.001,0.998,0.001) (0.017,0.994,-0.018,0.007) FGS50 (0.001,0.999) (0.049,0.956) (0.057,0.945) (0.040,0.783,0.177) (0.004,1.005,-0.017,0.008) FGS57 (0.997,0.015) (0.917,0.083) (1.120,-0.120) (1.002,-0.005,0.002) (1.013,0.014,-0.043,0.016) FGS62 (1.019,-0.018) (0.984,0.013) (1.015,-0.015) (0.999,0.000,0.001) (1.017,0.002,-0.022,0.004) FGS75 (0.001,0.997) -0.056,1.044 (-0.006,1.005) (-0.001,1.071,-0.070) (0.212,0.513,0.040,0.235)#FGS78 (0.909,0.087) (1.009,-0.025) (1.016,-0.014) (1.004,-0.006,0.003) (0.714,0.057,-0.035,0.264)#FGS82 (-0.249,1.266) (0.037,0.966) (-0.008,1.007) (0.002,1.055,-0.057) (-0.005,1.011,-0.025,0.019) FGS88 (0.716,0.310)* (-0.204,1.207) (0.368,0.632) # (0.004,0.993,0.003) (-0.015,1.009,0.023,-0.016) FGS90 最佳模型为DR，输出神经元个数为3和4时增加的检验井(1.318,-1.667,1.349) # (-0.913,-1.017,2.928,0.002)#FGS44 最佳模型为GR，输出神经元个数为4时增加的检验井(1.017,0.004,-0.022,0.001)*备注*：预测结果错误 #：预测结果与期望值相差较大- 5 -- 6 -图3 BP 算法程序设计框图Fig.3 Flow chart of program design for BP algorithm（A ）6-7-2 （B ）6-10-2- 7 -（C ）5-10-2 （D ）6-10-3（E ） 6-20-4图4神经网络模型训练误差Fig.4 Training error for neural networks models5 结论（1） 本文提出了利用神经网络模型优选多相管流计算模型的新方法，建立了其神经网络模型，给出了完整的学习算法框图，提出采用动量算法调整隐含层权值，而采用基于指数平滑的方法调整输出层权值，有效的减少了抖动。