通过基于规则的模糊神经网络自动控制排污系统中的抽水运行外文翻译资料

Auto-control of pumping operations in sewerage systems by rule-based fuzzy neural networks

Abstract. Pumping stations play an important role in flood mitigation in metropolitan areas. The existing sewerage systems, however, are facing a great challenge of fast rising peak flow resulting from urbanization and climate change. It is imperative to construct an efficient and accurate operating prediction model for pumping stations to simulate the drainage mechanism for discharging the rainwater in advance. In this study, we propose two rule-based fuzzy neural networks, adaptive neuro-fuzzy inference system (ANFIS) and counterpropagation fuzzy neural network for on-line predicting of the number of open and closed pumps of a pivotal pumping station in Taipei city up to a lead time of 20min. The performance of ANFIS outperforms that of CFNN in terms of model efficiency, accuracy, and correctness. Furthermore, the results not only show the predictive water levels do contribute to the successfully operating pumping stations but also demonstrate the applicability and reliability of ANFIS in automatically controlling the urban sewerage systems.

1 Introduction

Taiwan is located in subtropical zone with frequent thunderstorms and typhoon events. Both temporal and spatial distributions of precipitation are uneven due to the mountainous topography which occupies about 70% of Taiwan. In addition, the time of concentration in a metropolitan area is reduced and both the rate and amount of surface runoff increase owing to more impervious areas caused by urbanization. Asa result, the phenomenon of flood/flooding in urbanized area will occur if the surface runoff exceeds the design capacity of the sewerage system. For example, Typhoon Nari brought massive rainfalls at an astonishing level of 500mm/day on 17 September 2001 which resulted in 27 deaths and countless economic losses. In case of flood/flooding in urban areas, the operation strategy for sewerage systems in Taipei City is to set up pumping stations which are the major hydraulic facilities for inner rainwater discharges. Undoubtedly, pumping stations play a key role in flood reduction in metropolitan areas. Nevertheless, fast rising peak flows resulting from urbanization and climate change are highly challenging to existing sewerage systems. In fact, the current pumping operation procedure depends more highly on the experiences of local operators than on the pumping operation standards. In other words, there are no explicit guidelines for pumping operations. Operators have to stand by prior to the coming of extreme rainfall events and keep monitoring and operating until stormsrsquo; departure. It is time- and human resourcesconsuming with no guarantee of safe pumping operations because only the information of current water level measurements is available for operators. Therefore, it is necessary to construct an efficient and accurate pumping operation model to simulate the drainage mechanism for discharging rainwater in advance. Furthermore, the advantages of building a suitable and successful pumping operation prediction model for a sewerage system are to increase its storage capacity prior to peak flows by reducing water levels in advance and to decrease flood/flooding probability by speeding up discharge rates during storm periods. To achieve this goal, two rulebased fuzzy neural networks are introduced in this study by taking the predictive water levels into account to effectively on-line predict the number of open pumps for a pivotal pumping station in Taipei city during the process of storm events. The combination of an artificial neural network (ANN) and a fuzzy theory into a fuzzy neural network has proven to be another powerful intelligent system and has received much attention in recent years (Chang et al., 2005; Coulibaly and Evora, 2007; Firat, 2008; Nayak et al., 2004; Wang et al., 2009; Yarar et al., 2009). There are several reasons for adopting fuzzy neural networks as effective operating models. In general, fuzzy neural networks require less information than physical/stochastic models. Besides, physical/stochastic models are usually more complex, relying on the skill and experience of the modeler, whereas the advantage of the fuzzy neural networks is that it does not require the model structure to be known a priori. Furthermore, the individual strengths of ANN and fuzzy logic approaches can be exploited in a synergistic way for the hybrid construction of fuzzy neural network systems. Therefore, the utilization of fuzzy neural networks is an attractive approach especially when dealing with control systems. For example, Chang and Chang (2001) proposed a fuzzy neural network for reservoir operation and showed that the network improves the efficiency of operation than the classical models based on rule curves. Both ANNs and fuzzy theories are state-of-the-art technologies that try to mimic the human thinking process for learning similar strategies or experiences to make optimal decisions, and are well recognized for their outstanding abilities in modeling complex nonlinear systems such as precipitation estimation/prediction (Chiang et al., 2007), streamflow forecasting (Abrahart and See, 2002; Brath et al., 2002; Chiang et al., 2004; Dawson et al., 2002; Shrestha and Nestmann, 2009; Toth, 2009), reservoir operations (Chaves and Kojiri, 2007; Hsu and Wei, 2007; Mehta and Jain, 2009; Pinthong et al., 2009), prediction of water quality parameters (Sudheer et al., 2006; Tyagi et al., 2008), and pumping operations (Chang et al., 2008; Rao et al., 2007). ANNs are effective in extracting significant features from complex databases and are capable of learning the relationship between any data pairs. Fuzzy theories are based on the way how brains deal with inexact information. The fundamental inspirations of these two methods are quite different. ANNs offer good performance in dealing with sensory data, while fuzzy systems often deal with issues s

剩余内容已隐藏，支付完成后下载完整资料

通过基于规则的模糊神经网络自动控制排污系统中的抽水运行

摘要

抽水站在大都市地区缓解灾害中发挥重要作用。然而，现有的污水处理系统面临着城市化和气候变化带来的快速上升峰值的巨大挑战。为泵站建立有效和准确的运行预测模型，以模拟预先排放雨水的排水机制。在本研究中，我们提出两个基于规则的模糊神经网络，自适应神经模糊推理系统（ANFIS）和反向传播模糊神经网络，用于在线预测台北市枢纽泵站开闭泵数量到20分钟的交货期。在模型效率，准确性和正确性方面，ANFIS的性能优于CFNN。此外，结果不仅表明预测水位确实有助于成功运行的泵站，而且还展示了ANFIS在自动控制城市污水系统中的适用性和可靠性。

1介绍

台湾位于亚热带，频发雷暴和台风事件。由于山地占地约台湾的70％，降水的时空分布不均匀。此外，由于城市化带来的不透水区域，大都市地区的集中时间减少，地表径流量和数量都有所增加。结果，如果地表径流超过污水系统的设计能力，城市化地区的流域/流域现象将会发生。例如，2001年9月17日，纳里台风使大量降雨量达到惊人的500毫米级别，造成27人死亡，无数经济损失。在城市发生火灾的情况下，台北市污水处理系统的运行策略是建立抽水站，这些抽水站是内部雨水排放的主要液压设施。无疑，泵站在大都市地区的减排方面发挥了关键作用。然而，由于城市化和气候变化而导致的快速上升的高峰对现有污水处理系统来说是非常具有挑战性的。事实上，目前的抽水作业程序，更依赖于本地营办商的经验，而不是抽水作业的标准。换句话说，没有明确的抽油作业准则。经营者必须在极端降雨事件的到来之前待遇，并继续监测和运行，直到风暴离开。只有当前水位测量的信息可供运营人使用，时间和人力资源消耗不能保证安全的抽水作业。因此，有必要建立一个有效和准确的抽水运行模型，以模拟预先排放雨水的排水机理。此外，为排污系统建立合适而成功的泵送运行预测模型的优点是通过提前降低水位来提高其在最大流量之前的储存能力，并通过加快风暴期间的排放速率来降低流量/流量概率。为了实现这一目标，本研究采用两个基于规则的模糊神经网络，通过考虑预测水位来有效地在风暴事件过程中预测台北市枢纽泵站的开放泵数量。人造神经网络（ANN）与模糊神经网络的组合已被证明是另一个强大的智能系统，近年来受到很多关注（Chang等，2005; Coulibaly和Evora，2007; Firat ，2008; Nayak等人，2004; Wang等人，2009; Yarar等人，2009）。采用模糊神经网络作为有效运行模型有几个原因。通常，模糊神经网络需要的信息少于物理/随机模型。此外，物理/随机模型通常更复杂，依赖于建模者的技能和经验，而模糊神经网络的优势在于它不需要先验知道模型结构。此外，模糊神经网络系统的混合构建可以以协同的方式利用ANN和模糊逻辑方法的个体优势。因此，模糊神经网络的利用是一个有吸引力的方法，特别是在处理控制系统时。例如，Chang和Chang（2001）提出了一种用于油藏运行的模糊神经网络，并且表明该网络提高了基于规则曲线的经典模型的运行效率。 ANN和模糊理论都是最先进的技术，试图模仿人类思维过程，以学习类似的策略或经验来做出最佳决策，并且在建模复杂的非线性系统（如降水估计）方面具有突出的能力，得到了很好的认可/预测（Chiang et al。，2007），流流预测（Abrahart and See，2002; Brath et al。，2002; Chiang et al。，2004; Dawson et al。，2002; Shrestha and Nestmann，2009; Toth，2009 ），水库运行（Chaves和Kojiri，2007; Hsu和Wei，2007; Mehta和Jain，2009; Pinthong等，2009），水质参数预测（Sudheer et al。，2006; Tyagi et al。，2008 ）和泵送操作（Chang等人，2008; Rao等人，2007）。 ANN有效提取复杂数据库中的重要特征，并能够学习任何数据对之间的关​​系。模糊理论是基于大脑处理不精确信息的方式。这两种方法的根本灵感是完全不同的。 ANN在处理感觉数据方面提供了良好的表现，而模糊系统则常常处理诸如ANN之间更高分析级别的推理等问题。然而，由于模糊系统的学习能力较弱，很难调整模糊规则和记忆。

2方法论

我们应用两个流行的基于规则的模糊神经网络，即反向传播模糊神经网络（CFNN）和自适应神经 - 模糊推理系统（ANFIS），用于建立城市污水系统中水文因素与抽水作业之间的适当关系。

2.1反传播模糊神经网络（CFNN）

Hecht-Nielsen（1987）提出的反向传播网络（CPN）用作自编程最优查找表，提供输入和输出模式之间的映射。 NN和Linkens（1994）首先介绍了CFNN，CPN和模糊算术的组合。 CFNN的结构由输入层，Kohonen层和Grossberg层组成（见图1）。 Kohonen层中排列的每个神经元代表一个规则。输入和Kohonen层之间的连接指示规则的“if”语句。 Kohonen和Grossberg层之间的联系代表了规则的“then”部分。 CFNN具有混合学习方案，可以在模型构建过程中分为两个阶段。在第一阶段，使用无监督学习的模型根据输入向量的类似特征构建if-then规则;而通过使用监督学习来改善Kohonen和Grossberg层之间的权重向量来改善第二阶段的性能。 CFNN也是一个很好的模式识别引擎和强大的分类器，能够根据不精确的输入数据进行决策。 Chang等（2008）指出，网络具有简单的基础结构，具有有效的学习能力，构建了类似操作流控制系统的人性化操作策略。建立CFNN的详细程序可以在Chang和Chen（2001）中找到，其描述如下。

2.1.1 CFNN的学习过程输入向量X =（x1，...，xi，...，xn）将通过逻辑判断转换为输出向量Y =（y1，...，ym） ，这被称为一套规则。输入层和Kohonen层之间的连接表示为w，它是规则库控制的“if”语句，而Kohonen层和Grossberg层之间的连接是pi;，这是“then”基地控制。因此，每个规则的陈述定义为：“如果X是w，则Y是pi;”。 Kohonen和Grossberg层次中的重量分别由以下步骤进行训练。在Kohonen层，每个神经元代表一个规则。首先，在学习过程之前应该选择1值。 1的含义表示规则的宽度。具有小于1的距离（输入数据和最近中心）的数据被分类为相同的规则。在本研究中，通过使用试错法优化了1的值。第二，计算每个输入X（t）与现有神经元的中心wj之间的距离（Dj）。具有最小距离的神经元被认为是获胜神经元。如果最小距离小于1，则w和pi;的中心必须更新为

1. 其中alpha;和beta;是间隔内的学习率[0（0）），其中alpha;和beta;是区间[0（t） ，1]并在模型训练阶段进行校准。 Y（t）是输出向量。如果最小距离大于1，则新的规则将被创建为新的j = X（t），新的j = Y（t），现有的N规则将成为（N 1）规则。图1还显示了CFNN的训练过程。一般来说，当1的值增加时，规则数和模型精度将逐渐增加。然而，网络的复杂性也与1的成正比。

2.1.2 CFNN的预测程序

CFNN的预测过程包括模式匹配和加权平均，并结合模糊控制的概念。模式匹配使用高斯隶属函数（sjisin;[0,1]）来计算输入和第j个规则之间的距离，以分配每个规则的隶属度。高斯函数的使用在以前的作品中经常被提出，并且广泛应用于各种领域。此外，根据以往的经验，高斯函数通常提供更多的成员学位，从而产生比三角函数更合适的结果（Chang和Chang，2001）。因此，选择高斯函数来表示隶属度。如果距离大于1，则sj = 0。这意味着第j条规则对输入的影响是空的。模糊控制输出and;Y（t）是每个规则的输出的加权平均值，可以计算如下。 and;Y（t）= PN j =1sjpi;jPN j = 1sj

（3）2.2自适应神经 - 模糊推理系统（ANFIS）

Jang（1993）提出的自适应神经 - 模糊推理系统（ANFIS）是一种结合ANN和模糊逻辑的多层前馈神经网络。它消除了模糊系统设计中的基本问题，通过有效利用ANN的学习能力进行自动模糊规则生成和参数优化，定义了隶属函数和设计模糊规则（Nayak等，2004）。此外，ANFIS不仅保持了ANN的映射能力，而且具有模糊的if-then规则用于描述这种映射的本地行为和强大解决高度非线性控制问题的优点。 ANFIS已被广泛研究和应用于水文和水资源，如张昌昌（2006）。一般来说，ANFIS的架构由五层组成。第一层由输入节点组成，其中每个节点对应于具有隶属函数（MF）的语言标签。在这项研究中，使用钟形MF。第一层的输出指定给定输入满足MF的程度。第二层由规则节点组成，每个节点的输出表示规则的环形强度。节点通过乘以规则中涉及的所有输入信号来生成其输出。因此，该层的输出是来自层1的对应度的乘积。第三层由平均节点组成，其计算每个规则的环形强度与所有规则的环形强度之和的比率。第四层由后续节点组成。后续节点的功能是计算每个规则对总输出的贡献。第五层由输出节点组成。该层包括一个稳定的单个节点，其总和所有信号的值以计算最终输出。 ANFIS的训练是基于混合监督学习算法，它是梯度下降法和最小二乘法的组合。这些算法用于优化线性和非线性参数。此外，在设计ANFIS模型时定义模糊规则是非常重要的，因为随着规则数量的增加，确定参数的数量可能会大大增加。解决这个问题的方法是使用减法模糊聚类算法（SFCA）建立输入和输出变量之间的基于规则的关系。 SFCA致力于自动确定最小数量的规则来区分与每个集群相关联的模糊质量。该算法计算每个数据的可能性的度量，其根据周围数据点的密度定义聚类中心。与SFCA相结合的ANFIS算法的细节可以在Chang和Chang（2001）中找到。

3应用

3.1研究区域和数据

台北市位于台北盆地，丹霞河流经该地区。该地区的平均海拔高度仅为海拔四米。丹霞河口的地形狭窄，因此台风集中的地下径流不能在台风期间被重力排除。台北的暴风雨是作为排放主要液压设施的泵站排出的，因此在缓解洪灾方面发挥重要作用。正在考虑的地点是位于台北东南部的玉城流域，如图1所示。 2，这是为了详细调查抽油作业的不同投入策略而选择的。面积约1645ha的集水区是台北市最大的污水处理系统。该区域有图蓝色圆圈表示的五个雨量测站。 2.污水处理系统的出口是水位测量站YC10，标有红色三角形。以紫色广场为标志的余诚泵站于1987年建成，目的是将内水泵入基隆河。该泵站包含七个大型泵（见图2），总容量为184.1m3 / s，是1980年代亚洲最先进，最大的泵。一般来说，玉城泵站的重力闸开放，将内河排水到基隆河。当基隆河水位上升到警戒水位（1.8米）时，泵将被启动并加热。当基隆河水位高于2.4m时，这些泵将开始抽水;同时，重力门立即关闭，这意味着自来​​水不能通过重力排放。这七台泵组根据水位的变化顺序运行，这意味着当一个运行的泵不能控制水位在2.4米的水位以下时，另一台泵将首先与第一台泵一起工作。由于全球气候变化和城市化进程，极端降雨事件通常带来暴雨，台湾地区迅速发生。操作程序的原始设计不能适应现在的降雨径流现象。作为目前的运行机制，泵运行没有明确的指导原则，但高度依赖运营商的经验。总之，泵站在实际情况下运行，需要经验丰富的操作人员调整泵的状态。为克服现行作业的缺点，有必要建立有效，准确的抽水运行模式，模拟排水机理，降低排水风险。因为YC10是排污系统的出口，水位与玉城泵站的运行策略之间存在很高的相关性。因此，从2002年到2008年收集了YC10的水位测量，包括17场风暴事件。该信息进一步计算得到不同持续时间的升降机（1L（t）：时间t和t-5之间的水位差）。同时，还收集了同一观测期间降水，四个重力闸（开放或关闭）状况和七台泵的记录。基于Thiessen多边形方法，采用五维雨量计收集的降水观测值用于计算平均面积降雨量（R（t）），以有效降低模糊神经网络的输入尺寸。关于重力门的信息，当门打开时，该值被记录为1;而当门关闭时，该值记录为0。然后将四个重力门的状态归纳为一个输入变量（G（t））。就泵的操作而言，记录规则与重力门的记录规则相同（1表示打开; 0表示关闭）。因此，将七个泵的状态总和为一个输入变量（P（t））。 7泵的启动以预先设计的顺序运行，这对各个泵的排放能力没有差别。运行泵总数的先前信息可以很好地参考运营商，特别是在发生快速发生时。通过调查泵送操作，模型输出的运行泵总数是一个简单而有意义的变量，直接关系到运营商的需求。

此外，在我们以前的研究（Chiang）中，YC10的水位预测（L0（t 5），L0（t 10），L0（t 15），L0（t 20））的另一重要信息et al。，2010）也在本研究中进行了额外的投入。预测水位是从隐层和输出层内部具有内部时间延迟反馈回路的三层反复神经网络（RNN）获得的。为了预测YC10站的水位，基于RNN的水文模型的输入信息主要来自平均地面沉降和两个上游属于两个排水系统的水位计测站。 RNN模型的学习目标是YC10的水位观测。为了获得5到20分钟的水位预测，本研究构建了四个相同的RNN结构，每个具有单个输出。模型参数的校准通过梯度下降法通过最小化预测误差进行。结果表明，RNC能够对YC10的5，10，15和20分钟水位预测产生令人满意的预测。在测试阶段，预测水位和观测值之间的预测水位和观测值之间的效率系数（CE）保持在20分钟前的预测值（见表1），表明水位预测的准确性很高，应有助于建模泵送操作。在数据预处理之后，将这些数据在输入到模型中之前被标准化为间隔[0,1]。共收集2375条记录，从17个台风或风暴事件中提取，时间分辨率为5分钟。这些数据分为三个不同阶段：培训，验证和测试。与八个事件相关的数据被安排在

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[138182]，资料为PDF文档或Word文档，PDF文档可免费转换为Word