(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110371034.1 (22)申请日 2021.04.07 (65)同一申请的已公布的文献号 申请公布号 CN 113221439 A (43)申请公布日 2021.08.0 6 (73)专利权人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 周永潮　沈大利　张仪萍　张土乔　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 傅朝栋　张法高 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06F 111/06(2020.01) G06F 113/14(2020.01) (56)对比文件 CN 111833202 A,2020.10.27 CN 109086978 A,2018.12.25 US 5402521 A,19 95.03.28 US 2007213956 A1,2007.09.13 审查员 邓迪 (54)发明名称 一种基于BP神经网络的排水系统实时率定 与动态预测方法 (57)摘要 本发明公开了一种基于BP神经网络的排水 系统实时率定与动态预测方法， 包括以下步骤： 收集排水系统的历史液位和降雨数据， 或是利用 计算机水力模 型计算不同降雨下的液位数据， 构 建排水系统的降雨 ‑液位数据集； 将降雨 ‑液位数 据集中提取目标雨水井未来时间的液位和影响 未来液位的因素构建运算数据集， 依此建立预测 排水系统液位的映射模型； 将目标雨水井的影 响 未来液位的因素作为映射模型的输入， 即可输出 目标雨水井的预测液位。 若根据映射模型预测的 液位和后续实测液位出现较大偏 差， 则每出现一 次较大偏 差都要更新运算数据集， 并依此建立更 新的预测排水系统液位的映射模 型。 该方法有助 于雨水排水系统在极端灾害降雨下的实时应急 调控。 权利要求书1页 说明书6页 附图4页 CN 113221439 B 2022.11.25 CN 113221439 B 1.一种基于BP神经网络的排水系统实时率定与动态预测方法， 其特征在于， 包括以下 步骤： S1： 针对待预测的目标区域， 获取该区域在不同降雨事件下的雨水排水系统水力特征 和降雨特 征的时序变化数据， 构建成排水系统的降雨 ‑液位数据集； 所述降雨 ‑液位数据集通过收集排水系统的历史液位和降雨数据， 或是利用计算机水 力模型计算 不同降雨下的液位数据进行获取； S2： 从所述降雨 ‑液位数据集中提取目标雨水井液位数据和雨水井未来液位影响因素 对应的数据构建为训练样本， 且每个训练样本中目标雨水井液位数据比雨水井未来液位影 响因素对应的数据超前一个预测步长； 将所有训练样本作为运算数据集， 并基于所述运算 数据集训练BP神经网络模 型， 建立能根据当前时刻的雨水井未来液位影响因素预测未来排 水系统中目标雨水井液位的映射模型； 所述雨水井未来液位影响因素包括目标雨水井当前液位、 目标雨水井当前流量以及气 象预报数据中目标雨水井所在位置下一预测步长对应时刻的总降雨量、 降雨间隔时间、 峰 前雨量和峰值 雨强； S3： 针对目标雨水井， 实时测定每个雨水井未来液位影响因素的实测值， 并将其作为所 述映射模型的输入， 根据设定的预测步长 输出目标雨水井的未来液位预测值； 而且在S3预测过程中需对所述映射模型进行实时率定， 如果映射模型预测的液位和后 续实测液位出现偏差超过设定偏差范围时， 则需要从新的实测数据中采样训练样本更新所 述运算数据集， 并重新训练BP神经网络模型以在下一次预测之前 更新所述映射模型； 所述实时率定中， 更新 运算数据集的具体步骤是： 如果所述偏差超过设定偏差范围的实测数据满足抽 样对于数据量的要求， 则从出现偏 差的实测数据中用蒙特卡洛采样法抽取n组数据， 再从原始的运算数据集中用蒙特卡洛采 样法抽取等 量的n组数据， 将两 部分数据合并作为 新的运算数据集； 如果所述偏差超过设定偏差范围的实测数据不满足抽 样对于数据量的要求， 则对出现 偏差的实测数据进行复制直至达到n组数据， 再从原始的运算数据集中用蒙特卡洛采样法 抽取等量的n组数据， 将两 部分数据合并作为 新的运算数据集。 2.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法， 其特征 在于， 步骤S1中， 所述降雨 ‑液位数据集所包含的降雨事件应至少包括小雨、 中雨、 大雨在内 的不同降雨强度。 3.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法， 其特征 在于， 步骤S2中， 所述的BP神经网络模型包含输入层、 隐藏层和 输出层， 输入层的节点数量 与雨水井未来液位影响因素个数相等， 输出层的节点数量 为1个。 4.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法， 其特征 在于， 所述的n>104。 5.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法， 其特征 在于， 所述的设定偏差范围为 绝对偏差 5cm或相对偏差 5%。权　利　要　求　书 1/1 页 2 CN 113221439 B 2一种基于BP神经 网络的排水系统实时率定与动态预测方 法 技术领域 [0001]本发明涉及雨水排水系统及设计方案的性能评估技术领域， 特别涉及一种基于BP 神经网络的排水系统实时率定与动态预测方法。 背景技术 [0002]城市雨水排水系统与城市河道系统共同承担着排放雨水和防止城市内涝的作用。 城市内涝和排水系统失效的一个重要表现形式就是雨水井发生溢流， 进而导致地面积水， 因此对雨水井内液位的预测对评估内涝风险有很大意 义。 [0003]实际降雨的复杂性、 城市管道 ‑河道排水系统边界条件的复杂性导致雨水井内液 位的计算比较复杂， 对其的预测和评估往往需要 借助计算机水力模型的计算才能有较为可 靠的结论， 这不仅需要耗费很大 的时间精力进行前期调研构建模型， 同时在模型 的运算过 程中也要耗费大量时间， 难以做到对雨水井内液位的快速预报。 另外， 城市排水系统并非一 成不变的系统， 泥沙淤积、 管线改造等会使雨水井液位的预测预警模 型随着时间推移， 误差 逐渐增大直至模型失效。 [0004]因此， 快速且准确地得到城市雨水排水系统中雨水井液位的预测数据， 并且保证 该预测模型的持续、 可靠运行， 对指导城市 防洪调度、 加快相关部门的防洪应对速度、 便利 城市居民生活出 行具有重大意 义。 发明内容 [0005]本发明目的在于解决现有技术中存在的问题， 并提供一种基于BP神经网络的排水 系统实时率定与动态预测方法， 使用该方法可根据短历时高精度天气预报实时高效计算预 测未来时段的排水系统水力情况， 计算步长可根据短历时高精度天气预报步长进行调整。 在此基础上， 根据感知层实时传回的水力特征(液位流量等)感知数据， 实时更新每一计算 步长的初始条件， 预报结束后， 根据计算精度， 实时优化映射模型。 [0006]为了实现上述发明目的， 本发明具体采用的技 术方案如下： [0007]一种基于BP神经网络的排水系统实时率定与动态预测方法， 其包括以下步骤： [0008]S1： 针对待预测的目标区域， 获取该区域在不同降雨事件下的雨水排水系统水力 特征和降雨特 征的时序变化数据， 构建成排水系统的降雨 ‑液位数据集； [0009]S2： 从所述降雨 ‑液位数据集中提取目标雨水井液位数据和雨水井未来液位影响 因素对应的数据构建为训练样本， 且每个训练样本中目标雨水井液位数据比雨水井未来液 位影响因素对应的数据超前一个预测步长； 将所有训练样本作为运算数据集， 并基于所述 运算数据集训练BP神经网络模型， 建立能根据当前时刻的雨水井未来液位影响因素预测未 来排水系统中目标雨水井液位的映射模型； [0010]S3： 针对目标雨水井， 实时测定每个雨水井未来液位影响因素的实测值， 并将其作 为所述映射模型的输入， 根据设定的预测步长 输出目标雨水井的未来液位预测值； [0011]而且在S3预测过程中需对所述映射模型进行实时率定， 如果映射模型预测的液位说　明　书 1/6 页 3 CN 113221439 B 3