摘    要：针对污水流量受降雨径流、管网汇流等自然因素和生活污水、工业压水及泵闸开关等人为因素的影响，具有不确定性、非线性及滞后性，难以建立准确的城市污水泵站系统模型，采用人工神经网络方法建立了城市污水泵站预测模型，通过对污水泵站运行机理过程的理解以及对各变量进行相关性分析从而确定模型的输入，并对不同预见期污水泵站水位进行预测，通过与实际比较及有效性验证，该模型具有较高的精度，可指导城市排水的安全运行控制。

关键词：污水泵站；神经网络；预测模型

中图分类号：tp 27    文献标识码：a

    受天气、人群行为及管道损漏等复杂因素影响，城市污水具有不确定性。现行污水泵站主要采用液位控制，在降雨时，由于短时间大量雨水进入污水管网，使污水量剧增，如控制不及时，极易引起污水外溢。因此探讨建立污水泵站预测模型，为城市排水安全运行控制提供依据具有重要的意义。

    现行的污水泵站系统建模的方法在实际应用中受检测条件的限制和基础资料的缺乏等原因难以普遍应用。如汪雄海等人提出的污水泵站管网时滞模型。在现有条件下难以获得准确的实时流量数据；谢莹莹、陆晓烽等应用国外先进的专业软件建立排水管网计算机模型[3-5]。但建立模型所需的数据项非常详细，加汇水子区域面积、埋深等数据，本文以杭州城市排水系统为背景，基于运行数据，提出采用人工神经网络方法建立预测模型，为优化运行控制提供依据。

    1)人工神经网络简介人工神经网络技术模仿人类大脑的结构和功能，在处理复杂信息，随机信息或推理不明确问题时显示其独特的优越性。神经网络强大的非线性特点和容错能力，使得用其他方法难以获得理想效果的污水泵站预测模型成为可能。人工神经网络是基于生物神经网络而发展起来的网络模型，主要特点是具有自适应性的功能，即通过信息的学习来获得信息之间复杂的相关关系。针对污水泵站，排水管网的scada系统，积累了大量各泵站的历史运行数据，而这些数据反映了泵站链级之间变化关系及人群行为规律等，通过建立人工神经网络的污水泵站模拟预测模型，对历史资料进行学习训练来识别复杂的城市污水排放机制，从而实现污水泵站排水过程计算机仿真。基于神经网络的污水泵站预测模型不同于一般的计算公式，而是对水文水力过程及各种不确定因素影响的复杂运行机制的综合模拟与体现．

    神经网络中应用****泛的是采用bp算法的神经网络，bp算法称为误差反向传播(bp)算法。典型的bp网络为3层网络，即输入层、隐层和输出层。基本思想是，学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播时，输入样本从输入层传人，经各隐层处理后传向输出层。若输出层的时间输出与期望输出不符，则转入误差反向传播阶段。误差反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，使各层所有单元得到误差信号，然后根据误差情况修正各连接权值，使网络朝着误差减小的方向变化，直至网络输出误差减少到指定值。权值不断调整的过程即网络的学习训练过程。通过学习训练，在模拟预测时，当网络受到曾经学习过或相似的刺激后，其输出端就产生了相应的输出。

    2)基于bp神经网络的预测模型

    ①模型的分析建立  杭州城市排水scada系统以20 s间隔在线采集运行数据，已存储了远2年的数据资料。其中，泵站运行数据包括前池水位高度，各泵的运行状态及开关时间等。另有各泵站工艺图及管网连接同等静态数据，这些为研究建立预测模型奠定基础。现分析、建立基于bp神经网络的预测模型如下：

    a)模型的输入输出量的选择神经网络是通过训练从提供的数据中直接推求输入输出的关系，由于系统的非线性，影响系统啊应的主要参量无法预先确定：为避免纯黑箱操作的盲目性，借助对机理过程的大致理解，分析建立合理的输入输出模型以****程度地反映系统的物理背景显得很重要。

模型的输出为前池水位，影响它的主要因素有上游泵站提升量和本地流人量（包含降雨时的人流，生活污水及