非等间距随机振荡序列水质参数灰色预测模型研究

发布时间：2021-07-26 21:39

　　文章提供了一种针对非等间距随机振荡序列的水质参数灰色预测模型。在考虑了传统的随机振荡序列灰色预测模型能够很好地拟合与预测等间距随机振荡序列的基础上,引入了非等间距变换和等间隔逆变换方法,建立了非等间距随机振荡序列灰色预测模型,讨论了非等间距变换和等间隔逆变换对水质参数的拟合与预测的影响关系。通过对实际数据的拟合与预测,所提出的非等间距随机振荡序列水质参数预测模型能够有效地对水质参数拟合与预测,解决了现有水质参数预测方法的不足。 

【文章来源】：中国管理信息化. 2020,23(09)

【文章页数】：5 页

【部分图文】：

非等间距随机振荡序列水质参数预测模型建模流程图

基于提出的NEROGM(1,1）模型，设计了一个水质参数预测系统。如图2(1）所示，河中有三个监测点。水质预测系统由监控PC、S7-200 SMART PLC和测量传感器组成，如图2(2）所示。水质参数可以通过测量传感器测量，如pH、溶解氧（DO）、H2S、CH4等。为了方便多点测量，水质参数检测传感器安装在一个离线仪器中。水质参数可通过无线网络传输至S7-200 SMART PLC，并由监控计算机进行监控。由于水质参数是离线检测的，所提出的NEROGM(1,1）可以利用离线测量数据对河流的水质参数进行预测。2.2 实验结果与分析

研究工作采用2018年离线仪器测量的pH、溶解氧（DO）等参数，如表1所示。表1显示了5月16日至10月14日的9天数据。通过非等距序列变换，可以得到pH和DO的新的等距序列，如表1所示。如图3(1）、图3(2）所示，分别给出pH和DO的非等间距序列和等距序列。无论哪个参数，由非等间距序列变换得到的pH和DO等间距序列均可视为随机振荡序列。对于等间距序列，由式（9）可得ROGM(1,1）的模型值，由式（11）可分别计算NEROGM(1,1）的模型值，如表2所示。原始序列与模型值之间的绝对误差和相对误差都很小。NEROGM(1,1）对pH值的平均相对误差在1%～5%之间，准确度接近1级。NEROGM(1,1）对DO的平均相对误差小于1%，精度等级为1级。这些数据表明，所提出的NEROGM(1,1）在水质拟合中是有效和可行的。如图3(3）、图3(4）所示，NEROGM(1,1）的拟合值可以很好地逼近原始序列，而NEROGM(1,1）的实际值与预测值之间的绝对误差和相对误差相对较大。NEROGM(1,1）对pH和DO的预测值分别列于表3。NEROGM(1,1）对pH和DO的平均相对误差都在5%到10%之间，准确度接近2级。利用原序列拟合原序列，对已知的原序列拟合效果较好。然而，使用原始序列预测数据，会有一些误差。虽然预测过程中存在一些误差，但NEROGM(1,1）的平均相对误差均小于20%，可以作为预测模型对水质参数进行预测。这些数据表明，所提出的NEROGM(1,1）在水质预测中也是有效和可行的。3 结论

【参考文献】：
期刊论文
[1]灰色系统动态模型群GM（1,1）在秦淮河水质预测中的应用[J]. 胡祉冰,逄勇,宋为威,邵咏絮.  四川环境. 2019(01)
[2]基于逐步聚类分析的水库浮游藻类生长预测[J]. 常淳,冯平,孙冬梅,张凯.  中国环境科学. 2015(09)



本文编号：3304409