佟 強

(沈陽市遼中區(qū)農業(yè)技術推廣與行政執(zhí)法中心，沈陽 110200)

0 引 言

為了解決水資源短缺問題，水資源管理制度得到嚴格落實，水資源監(jiān)測能力越來越受到重視。在水資源開發(fā)利用中，農業(yè)灌溉是占比較大的一部分。做好農業(yè)灌溉取水流量的測量計算[1]，掌握水量監(jiān)測數據，對水資源監(jiān)測具有重要的影響[2]。灌區(qū)取水流量在線監(jiān)測將水量信息提供給管理部門，管理部門根據灌溉用水總量數據，通過管理制度和專業(yè)人員分析，達到水資源的合理調配。這個過程中監(jiān)測方式的合理選擇，以及檢測技術的準確應用，可以直接影響最終的取水流量數據計算結果。灌區(qū)取水流量在線監(jiān)測方法需要針對不同類型的灌區(qū)取水狀態(tài)，選擇不同的流量監(jiān)測方法[3]。目前，廣泛應用的灌區(qū)取水流量在線監(jiān)測方法都存在一些弊端，如成本比較高、后期維護頻繁等。在測算過程中，傳統(tǒng)方法很容易受到渠道內水草、泥沙等外界因素的干擾[4]，影響最終監(jiān)測數據測量精度。為了使灌區(qū)取水流量達到更好的監(jiān)測效果，實現灌區(qū)水資源的統(tǒng)一調度，所以取水流量值的計算是最為重要的環(huán)節(jié)之一。

本文以BP神經網絡為基礎，設計灌區(qū)取水流量在線監(jiān)測方法。利用傳感器采集灌區(qū)水位信息，以傳統(tǒng)水流量計算方案為基礎，構建基于BP神經網絡的計算模型，借助水位信息和計算模型得到灌區(qū)取水流量數據。通過水位值和流量軟測量模型獲取水流量監(jiān)測數據[5]，可以保證監(jiān)測過程中受到較小的干擾，穩(wěn)定可靠地實現灌區(qū)取水流量在線監(jiān)測工作[6]。

1 灌區(qū)取水流量在線監(jiān)測方法設計

1.1 采集灌區(qū)取水流量信息

文中設計的灌區(qū)取水流量在線監(jiān)測方法[7]，是以水位信息采集為基礎，結合現場RTU、遠程控制端共同完成。水流量監(jiān)測過程中，采用水位計讀取水位信息，并利用現場RTU接收水位值并對數據進行處理。文中設計將兩個水位計安裝在水流平穩(wěn)上下游渠道內，并保證二者之間的距離為500 m左右。采用RS485總線實現上游水位計、現場RTU終端的數據傳遞。針對下游水位計和RTU終端的信息傳遞，選擇433 MHZ短距離通訊。具體的水位計數據傳輸過程見圖1。

圖1 水位計數據傳輸示意圖

由圖1可知，在灌區(qū)范圍內，通常會安裝現場終端RTU，承擔著數據采集、信息傳遞的作用。水位計采集的數據通過現場終端RTU進行傳遞，所以數據的發(fā)送方式、數據通信、傳輸組網的應用都會對最終監(jiān)測效果產生較大影響。由于灌區(qū)內各種外界因素影響，數據的傳輸不采用有線通信方式。常用的幾種無線通信方式及其相關特性對比見表1。

表1 常見通信方式及其特性

通過表1的無線通信方式對比可以發(fā)現，GPRS通信方式以數據量為依據進行計費，通過分析發(fā)現該方式適用于遠程傳輸工作。文中采用此方式完成RTU與控制端服務器的通信，上下游水位傳感器將采集信息傳遞給灌區(qū)現場RTU，然后通過GPRS遠程發(fā)送到監(jiān)測平臺。最后利用BP神經網絡構建的軟測量模型[8]，基于水位值完成水流量值的計算。

1.2 基于BP神經網絡構建計算模型

以BP神經網絡為基礎構建的計算模型屬于軟測量建模方法之一，在線性或非線性問題處理中可以發(fā)揮極大作用[9]。尤其是人工智能算法的結合，推廣了軟測量模型在各個領域的應用。該方法與應用過程中，可以將模型中的輔助變量作為輸入信息，從而獲取輸出變量。近年來，基于BP神經網絡構建計算模型開始被提出[10]，并在應用中提升了數據計算精度。文中針對灌區(qū)最常見的自然流梯形渠進行計算模型設計。利用BP神經網絡擬合水位-流量關系，通過灌區(qū)現場的水位和流量值完成神經網絡的訓練，將灌區(qū)現場采集的數據輸入到神經網絡中，完成取水流量值的計算[11]。模型構建中應用到最小二乘法，其核心概念是極小值思想。針對比較復雜的函數f(x)和給定的函數p(x)，促使其對n個實際數據的誤差E=f(xi)-p(xi)對應最小的平方和誤差。選擇流量計算公式時，若進行最小二乘法的曲線擬合，需要采用水位-流量法對應的水文公式為：

Q=KXM

(1)

式中：Q為斷面的流量；X為水位；K和M分別為兩個參數。

根據式(1)可以形成擬合曲線圖，見圖2。

圖2 水位-流量函數擬合曲線圖

基于BP神經網絡構建計算模型后，采用BPNN作為算法核心，結合神經網絡模型[12]，建立基于擬合曲線的計算模型。針對灌區(qū)現場數據，通過仿真對比的方式驗證文中設計算法的精確性[13]。BPNN網絡拓撲結構見圖3，通過3個連接層組合而成，在神經元接受前一級的同時，并將結果向下一級輸出。

圖3 BPNN的網絡拓撲結構

圖3中XM以輸入值存在于神經網絡中，輸出值用YJ來表示。M和J分別表示輸入、輸出層神經元的個數。而I表示隱含層神經元數量。用εMI來表示XM到KI的連接權值，εIJ表示KI到YJ的連接權值。應用基于BP神經結構建立的水位-流量測流模型中，包含兩個變量信息。變量數據為上游、下游的水位數據，輸出的就是渠道流量信息。在模型計算過程中，需要進行n次的迭代計算，該次計算對應的隱含層第i個神經元輸入公式為：

(2)

其輸出為：

(3)

式中：I為隱含層節(jié)點數；V為上一層輸出信號；f()為激勵函數。

此外，在計算過程中總是存在一些誤差的。為了保證計算結果誤差降到最小，可以采用最速下降法調整權值，公式為：

(4)

式中：η和θ分別為學習率、局部梯度。

1.3 確定灌區(qū)取水流量計算參數

針對基于BP神經網絡構建的計算模型，計算參數的選擇直接影響著最終計算結果[14]。在計算模型開始應用之前，依據計算樣本的特征信息、模型計算的精確度、模型訓練周期，選擇并處理建模數據。文中設計的模型以斷面的水位值為輸入數據，獲取輸出的取水流量值[15]。將灌區(qū)常見的梯形斷面明渠作為研究地點，在渠道中選擇兩個過水斷面作為測量點。

計算模型所應用的數據需要從罐區(qū)現場來獲取，其參數包括水位、流量值等。在斷面上選擇5～8條測速垂線，將每條垂線中設置3個不同深度的測量點。通過測量點的數據獲取垂線的流速，然后依據流速獲取對應的水流量信息。在神經網絡構建的模型中，應用實際數據進行訓練。訓練數據選擇50組，其余數據當作測試樣本。因為在神經網絡計算模型中輸入的樣本大部分不是一個量綱，所以在模型應用之前將需要的數據采用歸一化方法處理，確保神經網絡計算模型的應用效果。數據歸一化處理公式為：

(5)

式中：xi為輸入值；ximax為輸入參數中的最大值；ximin為最小值；xj為歸一化后的無量綱值。

因為輸入參數數量有限，采用單隱含層神經網絡，并結合sigmod函數進行計算。除此之外，在BP神經網絡中，沒有一定的標準來確定隱含層的節(jié)點數，這一點往往需要通過實際情況來判斷。具體的判斷結果可以通過以下公式來決定：

(6)

式中：l為隱含層個數；m、n分別為輸入層和輸出層節(jié)點數目；a為常數，其取值范圍0～10。

為了實現良好的訓練結果，通過MATLAB仿真方式，分析應用不同的隱含層節(jié)點數產生數據誤差，選擇最優(yōu)節(jié)點數目。通過節(jié)點個數改變觀察數據均方誤差、隱含層節(jié)點的關系，見圖4。

圖4 訓練節(jié)點mse變化圖

通過圖4可以發(fā)現，隨著隱含層節(jié)點數量的增長，訓練數據均方誤差處于不斷變化的狀態(tài)。直到節(jié)點為6的時候，誤差瞬間減少，隨后保持比較穩(wěn)定的狀態(tài)。因此，將測流模型的隱含層節(jié)點數選擇為6。

1.4 實現取水流量在線監(jiān)測

灌區(qū)取水流量在線監(jiān)測中應用的軟測量模型需要提前確定完成，在離線時通過實際數據進行仿真建模處理。在檢測過程中，將基于BP神經網絡構建計算模型保存到遠程控制中心，將GPRS傳遞過來的水位信息輸入模型，并在模型的作用下計算灌區(qū)取水流量值。具體的數據處理及其模型計算流程見圖5。

圖5 數據處理及模型計算的流程圖

將計算后的監(jiān)測數據通過C/S與B/S結合的上位機架構進行存儲。基于B/S模式設計外部服務器，通過客戶端瀏覽器將灌區(qū)水位和流量信息的監(jiān)測數據呈現在工作人員面前。文中采用VS2010的.Net平臺，作為監(jiān)測的顯示服務器。

針對灌區(qū)監(jiān)測方法所需要的功能進行設計，在取水流量在線監(jiān)測實現過程中，需要的基本功能包括讀取并顯示灌區(qū)現場的水位數據、導入測量模型、輸入水位數據、計算實時流量值、顯示取水流量值變化、保存監(jiān)測數據等。此外，以報表的形式將數據進行存儲，工作人員通過Web登錄完成取水流量在線監(jiān)測，并通過監(jiān)控點的選擇，查詢現場水流量監(jiān)測數據。

除此之外，在取水流量在線監(jiān)測工作中，監(jiān)測方案的確定需要以現場實際環(huán)境為基礎。與現場情況相結合，適當修改監(jiān)測設備與方法。在取水流量監(jiān)測時，還需要考慮供電系統(tǒng)穩(wěn)定性，分析其對監(jiān)測數據產生的影響，采取相應解決措施，以保證監(jiān)測數據的誤差降到最小。

2 實 驗

2.1 實驗準備

為了驗證文中設計的取水流量在線監(jiān)測方法具有良好的應用效果，特進行實驗。地點選擇某一農業(yè)灌溉區(qū)域，根據調查可知，該區(qū)域每年從4月份開始進行取水灌溉，直至8月份結束灌溉工作，屬于比較穩(wěn)定的灌區(qū)。將本次測試期限設置為一周，每天對灌區(qū)取水流量實際值進行測量，同時應用文中設計的在線監(jiān)測方法進行在線監(jiān)測，分析二者數據之間的差異，獲得文中設計檢測方法的相對誤差。為了加強實驗結果的說服力，采用兩種傳統(tǒng)監(jiān)測方法同時進行監(jiān)測，對比3種方法的誤差，從而判斷文中取水流量在線監(jiān)測方法的可靠性。根據統(tǒng)計，一周期限內灌區(qū)取水流量人工測量結果見圖6。

圖6 灌區(qū)取水流量實測數據統(tǒng)計圖

以圖6中水量實測數據為基礎，進行檢測方法相對誤差的分析。

2.2 結果與分析

應用3種方法同時進行灌區(qū)取水流量在線監(jiān)測，經過統(tǒng)計后，取水流量監(jiān)測顯示數據見表2。

表2 3種方法灌區(qū)取水流量監(jiān)測數據

針對表2中數據進行分析可以發(fā)現，運用3種監(jiān)測方法可以獲取灌區(qū)每日取水流量數據，但所獲取的數據相對實測數據來說包含一定誤差。并且隨著監(jiān)測方法的不同，產生的誤差大小也不相同。在與實測數據對比分析后可知，文中設計的灌區(qū)取水流量在線監(jiān)測方法所獲取的數據是3種方法中誤差最小的，最貼近實測數據。而兩種傳統(tǒng)方法中，傳統(tǒng)方法1誤差小于傳統(tǒng)方法2。將每日取水流量監(jiān)測數據與實測數據進行對比，繪制相對誤差對比圖，見圖7。

圖7 3種監(jiān)測方法誤差對比圖

由圖7可知，文中設計監(jiān)測方法其相對誤差最高僅為2.31%，并且某些時候可以使得監(jiān)測數據和實測數據保持一致。而傳統(tǒng)方法1和傳統(tǒng)方法2的最高相對誤差分別為12.59%和15.68%，甚至相對誤差最低為4.02%和5.98%。通過計算可知，文中設計監(jiān)測方法的平均誤差為1.52%，相比兩種傳統(tǒng)方法，將平均誤差分別降低8.53%和9.54%。因此，將文中設計的在線監(jiān)測方法應用于灌區(qū)取水流量監(jiān)測中，可以有效降低監(jiān)測數據的相對誤差，從而提高在線監(jiān)測的可靠性，發(fā)揮更加良好的效果。

3 結 語

本文以BP神經網絡為基礎，設計了取水流量在線監(jiān)測方法，通過人工智能技術的應用，促進了灌區(qū)水流量監(jiān)測對水資源管理調度工作的重要意義。本文研究在實際應用中達到良好的預期效果，增強了在線監(jiān)測的可靠性。但是文中的研究僅僅針對監(jiān)測數據精度進行研究，未來針對水流量監(jiān)測方面還可以進行深入研究。從灌區(qū)信息化監(jiān)測平臺的設計上來看，還可以進行全方面設計。添加流量軟測量模型，以及接收水位采集信息板塊，提升信息灌區(qū)取水流量在線監(jiān)測的效率，并加入異常警報等功能，提升取水流量監(jiān)測方法的性能。