基于神经网络的城市内涝点降雨积水预测研究

发布时间：2020-09-10 15:16

　　 城市内涝严重威胁着城市居民财产和生命安全,是城市化进程中亟待解决的难题。除了采取工程措施缓解内涝问题,城市内涝预警预测研究也逐步受到重视,传统的内涝预警预测研究多基于城市雨洪模型实现,但基础数据资料不足以及对水文物理过程认知有限等缺点限制着该类模型的应用。随着城市内涝监控云服务系统的开发与应用,城市内涝数据得到实时监测,基于数据驱动模型的内涝预警预测研究成为新趋势。城市内涝监控云服务系统在恶劣的室外测试环境下能够稳定可靠运行,是为城市内涝预警预测研究提供可靠的数据支撑的重要前提。本文在前期已完成城市内涝监控云服务系统实验室管网模型测试的基础上,对物联网测控终端、网络通讯模块及设备供电装置等设备进行选型与组装,并安装在代表性内涝点进行室外运行性能测试。测试结果表明,城市内涝监控云服务系统的实时性好、稳定性高、所选通讯方式性价较高、电池供电能力强,能够为城市内涝预警预测问题研究提供可靠的数据支撑。基于神经网络的城市内涝点降雨积水预测是以内涝点降雨积水监测数据为研究基础,以神经网络的非线性逼近能力进行数据分析、建模与预测的方法,该方法为城市内涝预测研究提供新的切入点。本文将Elman神经网络引入内涝点降雨积水预测研究,并采用粒子群优化算法优化神经网络输入层和隐含层神经元节点数。研究实例表明,Elman神经网络模型适用于城市内涝点降雨积水预测研究,随着预测时长的增加模型预测精度有所下降,但基本能够满足实际应用需求。同时,为了进一步提高模型预测精度,将回声状态网络引入内涝点降雨积水预测研究,采用回声状态网络动态逼近内涝点降雨积水函数映射关系。针对回声状态网络模型关键参数和时间序列嵌入维数选择主观性强的问题,采用粒子群优化算法对上述值进行联合优化以提高预测精度。并对比分析了回声状态网络、Elman神经网络和BP神经网络的预测效果,研究实例验证了回声状态网络在城市内涝点降雨积水预测中的适用性和优越性。
【学位单位】：华南理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TU992
【部分图文】：

这也使得城市内涝成为城市化进程中亟待解决的问题。内涝现象如图1-1 所示。图 1-1 内涝现象Fig.1-1 Phenomenon of urban waterlogging城市内涝带来的损失惨重使得各地政府部门高度重视城市内涝防治工作，针对城市内涝防治问题，多年以来各地市政部门围绕城市排水系统管网排水能力、河道淤塞情况、管网有效使用率等造成城市排水管网排涝出现问题的原因开展全面调查，通过提高城市排水系统设计标准、加大城市排水基础设施财政投入、借鉴国外防涝经验修缮城市深层隧道以及采用低影响开发技术建设海绵城市等一列可行性措施得到开发与应用，以求尽可能地缓解城市涝情以及降低内涝所带来的损失，在排水系统基础设施建设与整修等工作上投入了大量的人力、物力和财力[9-10]。经过多年的治理，虽然城市排水能力和城市防涝能力得到了一定提升，但在城市内涝现象却依旧频频发生。为了加强对城市内涝情况的实时监控以及提高城市对内涝的防治能力，各地政府部

将物联网测控终端及传感器等设备安装到水浸点开展系统室外性能测试的。本文在课题组前期已经完成实验室自建管网模型系统性能测试基础上，对现场物测控模型、通讯模块及供电装置等现场测控终端设备进行选型与组装，将系统物联控终端及传感设备安装在代表性内涝点进行系统室外测试。为了能够有针对性地测统在较为恶劣的室外环境下的运行性能，分别对系统运行的实时性、稳定性、通讯使用状况以及蓄电池供电能力等方面性能进行了现场测试。城市内涝监控云服务系外测试是进行城市内涝点降雨积水预测研究的重要前提，系统能够为内涝防治问题提供可靠的数据支撑。1 城市内涝监控云服务系统.1 系统主要架构城市内涝监控云服务系统架构总体上分为物联网测控终端、云服务中心、客户端通讯网络四个组成部分。城市内涝监控云服务系统的主要架构如图 2-1 所示。

图 2-2 系统页面Fig 2-2 The interface of system（1）实时监测系统实时监测数据主要包括物联网测控终端设备所采集的现场实时监测数据、通讯网关和测控模块等终端设备自身的工况信息以及实时报警信息等，注册用户登陆系统网站“实时监测”页面后可以使用“实时地图”、“实时数据”和“实时监控”功能。其中，“实时地图”界面以在图上标记相应点位的方式提供实时数据查询服务，当系统检测到所采集数据异常时以在地图上显示红色标记和发送报警信息的形式提醒管理员；“实时数据”界面以实时数据报表形式提供监测值、在线状态以及正常值范围等数据查询服务，用户可以通过菜单栏监测区域、站点信息以及设备类型等要素有选择性地进行数据信息查询；“实时监控”界面提供当前和历史视频查询以及网络摄像机拍摄角度调整功能，以便管理人员随时根据站点信息等基本查询要素调出相应视频进行查看。（2）数据分析

【参考文献】

相关期刊论文 前10条

1 陈洋波;周浩澜;张会;杜国明;陈俊合;;东莞市内涝预报模型研究[J];武汉大学学报(工学版);2015年05期

2 赵冬泉;李雪森;唐兰贵;李磊;;SmartWater智能在线液位监测预警系统介绍及应用[J];给水排水;2015年09期

3 许榕;周东;蒋士正;陈启美;;自适应粒子群神经网络交通流预测模型[J];西安交通大学学报;2015年10期

4 田中大;高宪文;李树江;王艳红;;遗传算法优化回声状态网络的网络流量预测[J];计算机研究与发展;2015年05期

5 刘勇;张韶月;柳林;王先伟;黄华兵;;智慧城市视角下城市洪涝模拟研究综述[J];地理科学进展;2015年04期

6 肖勇;杨劲锋;马千里;阙华坤;王家兵;秦州;;基于模块化回声状态网络的实时电力负荷预测[J];电网技术;2015年03期

7 郑姗姗;万庆;贾明元;;基于STARMA模型的城市暴雨积水点积水短时预测[J];地理科学进展;2014年07期

8 何嘉莉;陈兵;姜涛;林雨阳;;城市内涝在线监控与信息服务数字化系统设计[J];中国给水排水;2014年01期

9 卢辉斌;李丹丹;孙海艳;;PSO优化BP神经网络的混沌时间序列预测[J];计算机工程与应用;2015年02期

10 车伍;杨正;赵杨;李俊奇;;中国城市内涝防治与大小排水系统分析[J];中国给水排水;2013年16期

相关博士学位论文 前2条

1 黄标兵;回声状态网络时间序列预测方法及应用研究[D];吉林大学;2017年

2 王建民;基于回声状态网络的非线性时间序列预测方法研究[D];哈尔滨工业大学;2011年

相关硕士学位论文 前10条

1 解小平;基于Elman神经网络的短时交通流预测及应用研究[D];兰州交通大学;2017年

2 赵印;智慧城市排水管网（内涝）云服务系统设计及监测点优化布置[D];华南理工大学;2017年

3 周力宁;基于SWMM的城市内涝风险识别研究[D];西南交通大学;2016年

4 何嘉莉;城市内涝在线监控与信息服务数字化系统设计及监测点优化布置研究[D];华南理工大学;2014年

5 凌勇;基于物联网的城市排水管线在线监测系统的设计与实现[D];山东大学;2013年

6 刘荣;基于Elman神经网络的短期负荷预测[D];浙江大学;2013年

7 赵露莎;基于回声状态网络的非线性时间序列预测方法研究[D];哈尔滨工业大学;2012年

8 邬玲懿;基于神经网络的排水管网预测模型的研究及应用[D];杭州电子科技大学;2011年

9 杨东;基于GIS的成都城市暴雨内涝预报预警系统研究开发[D];电子科技大学;2010年

10 陈莉;基于ZigBee协议的环境监测无线传感器网络测量节点的设计[D];上海交通大学;2008年

本文编号：2815975