基于BPNN算法的浑河突发污染动态预警研究

栗 权

(新宾满族自治县水务局，辽宁 新宾 113200)

0 引言

化学品泄露事件时常发生，对水体造成严重的污染，对环境和社会造成严重的损失[1]。随着水体监测设施的完善与检测数据的不断积累，如何通过环境监测技术与人工智能结合，科学合理地进行突发污染动态智能监控、异常预警以及应急处理，对于我国生态文明建设与社会可持续发展具有十分现实的意义。水质高频连续监测作为突发污染动态预警研究的关键，不仅可以减少实验室分析资源的浪费，而且能够提高河流电导率、pH和溶解氧等相关水质指标的生成速度。张楚天[2]等采用平面二维瞬时排放水质数学模型与GIS集成，有效预测了长江上突发性事故排放形成的污染带在江内的时空迁移状况。王琦[3]实现了河流中污染物运输的不确定性分析。Rui Y[4]等提出了一种基于地理信息系统技术与水力/水质模型相结合的应急响应系统，在水资源保护方面具有广泛应用的潜力。本文根据高频连续水质监测数据，利用相关性分析等手段构建了关键水质参数的测量方法，通过BP神经网络技术得到水质时间序列的动态变化规律，成功实现了突发污染动态预警，为相关研究提供了理论依据。

1 基于BP神经网络的突发污染动态预警模型构建

1.1 连续水质监测

基于对突发污染异常预警研究，采用定期采样数据和高频连续的水质监测数据相结合的方法对水质参数进行软测量，突发污染动态预警模型设计流程见图1[5~6]。

图1 突发污染动态预警模型流程设计图

突发污染水质参数的高频软测量模型以相关性分析技术为基础，通过监测站点的随机和连续采样，得到显著水平不同的水质参数，进而建立相关水质参数与高频连续监测水质参数之间的软测量方程。通过对比分析随机采集的实际监测数据和连续监测的时间序列，确认连续监测的时间序列处于可信范围，作为进行下一步动态预警研究的实际监测数据。

1.2 基于BP神经网络的动态预警模型

采用BP神经网络技术构建突发污染动态预警模型，BP神经去噪分析技术具有将原始数据分解成不同分辨率新数据的作用，能够将由于传感器误差或者周围环境微小变化引起的噪声去除。时间序列的第n+1个值由前n个值作为神经网络的输入层来预测，通过新的监测数据不断更新输入，得到水质时间序列的动态预测，通过实际监测值与动态预测结果的差值得到相应的残差，对比残差与相关分布拟合得到的阈值，假如阈值小于残差则异常，反之正常。预测残差正常时，正常残差保存至数据样本集，进而使得异常阈值不断校正，预警精度不断提高。

1.3 时间序列预测与基线设置

BPNN是一种基于误差反向传播的多层前馈型神经网络算法，在不揭示输入输出变量之间数学方程的情况下，BPNN可以通过“黑箱”学习和存储大量的输入输出映射关系。BP神经网络采用梯度下降法使得网络的阈值与权值不断得到调整，将原始时间序列转换成不同频率的时间序列。通过梯度下降算法进行网络训练，迭代计算公式为：

式中：xk+1为下一时刻的偏差与权值；xk为当前时刻的偏差与权值；gk为当前误差函数的梯度；ak为学习速率。

2 实例研究

对辽宁抚顺浑河的水质监测数据进行实例研究，在浑河河流上游和下游设置监测站点，分别为站点1和站点2，监测内容主要包括TURB（浊度）、电导率和连续流量数据等水质数据，时间间隔15 min，并且悬浮物和养分负荷模型通过暴雨等事件的强化监测数据和离散的TP（总磷）、TSS（总悬浮物）月度监测数据进行校正，因变量和解释变量之间的线性关系通过自然对数函数进行转化[7]。

2.1 水质参数间相关性分析

通过收集二次降雨情景下的水质监测数据，对两个站点的数据进行统计分析[8]。监测站点1，TP与TURB、TSS与TP之间具有明显的相关关系，与监测站点1相比，监测站点2各个水质参数之间关系并不明确，见图2。站点1比站点2水质参数之间的相关性更加明显，这是由于水体中的大部分磷附着到悬浮粒子上的迁移造成的。

图2 监测站点2水质参数之间的时间变化规律（a为一般降雨情景，b为强降雨情景）

从图2可以看出，检测站点2中的TSS和TP之间、TURB和TP之间的关系并非简单的线性关系。一般降雨情景下，TP、TURB和降雨量之间峰值出现几乎同步，强降雨情景下，TURB峰值比TP峰值延迟将近一个1小时，TP峰值比降雨峰值又延迟1小时。降雨量少的情景下，TURB与TP对应关系为“1对1”，随着降雨强度的提高，TURB与TP对应关系为“2对1”，这是由面源和点源共同影响引起的，弱降雨情景下的主要影响因素为点源，随着降雨量的增加，点源和面源共同作用于TURB和TP。

2.2 水体中TP软测量分析应用

水体中的TP负荷主要包括两种形态的磷：颗粒态的磷和溶解态的磷，根据水质参数相关性能够看出，水体中TP小部分是溶解态磷，大部分为悬浮物颗粒，所以TP浓度时间序列能够通过多元回归分析技术建立以浊度与流量为参数的软测量方程，进而得到监测站点2时间序列，见图3。

图3 监测站点2的TP高频代理测量时间序列

由图3可以看出，TP实际监测的数据与计算数据之间的误差一直处于可接受范围之内，因此，高频连续监测可以由TP浓度实现。图3(A)中可以看出，TP实际监测数据浮动范围在TP软测量数据的90%上下限范围之内，表明TP软测量方程具有一定地实用性，能够用作突发异常预警的数据源。图3(B)中可以发现，在流量较高的时间段内TP与水流量的时间序列一致程度较高，由此表明，一般情况下，水体中的TP和流量之间无明显联系，主要影响因素为点源排放污染；强降雨条件下，TP的浓度急剧增加，主要是因为雨水在地面的冲刷，使得大量颗粒态TP污染物随着雨水进入水体之中。

2.3 水质常规时间序列阈值计算

通过标准梯度下降法对神经网络训练过程进行计算，为了检测预测模型的性能，采用Logistic分布进行分布情况的拟合，见图4，2月9日和2月19日残差序列均超出正常阈值，该方法能够检测两次水质异常的情况。

图4 神经网络验证期TP标准时间序列和预测残差（20天）

2.4 异常预警结果的可靠性评估

通过对比直接神经网络和BP神经网络对异常预警性能预测进行可靠性评估，结果见表1。

表1 直接神经网络和BP神经网络异常预警结果对比

由表1可以发现，在网络训练阶段BP神经网络预测残差大于神经网络，原因在于BP神经网络能够对噪声进行处理，导致去噪后的值和实际监测值之间的残差比神经网络更大。而在网络验证阶段，由于异常时间序列的存在，使得直接神经网络预测波动较大，但是由于BP网络神经技术具备噪声处理功能，能够有效降低对异常预警性能预测的影响。

图5 BP神经网络预测和直接神经网络预测两种方法的对比

对比图5中BP神经网络预测和直接神经网络预测两种方法对残差时间序列的影响可以发现，BP神经网络对水质时间序列的突变情况反应更加敏感，而当原始时间序列为正常时间序列时，BP神经网络预测残差均小于阈值，同一时间点的神经网络预测残差分均高于阈值，其原因是BP神经网络预测之前去除噪声的影响，有效地减少预测时间序列的波动。

为了验证BP神经网络的突发污染动态预警可行性分析，在海绵城市建设、流域管理、暴雨管理等领域进行高频水质监测数据的水质异常预警研究，与我国目前已有的水质在线监测方法、常规抽样分析和公共安全检查等传统异常预警方法相比，能够有效地缩短检测时间，更加快速、敏捷的体现水体污染浓度变化，并且不存在异常漏报的现象，具有十分良好的可行性。在加强河段环境管理方面，安装包含电导率、浊度和pH等指标的高频传感器，可以充分体现该突发污染动态预警的优势。

3 结论

通过定期采样数据和高频连续的水质监测数据相结合对水质参数进行软测量，结合BP神经网络技术建立污染异常动态预警模型，并以辽宁抚顺浑河的水质监测数据进行实例研究，得到以下主要结论：

（1）检测站点2中的TSS和TP之间、TURB和TP之间的关系并非简单的线性关系。降雨少的时候，TURB与TP对应关系为“1对1”，其主要影响因素为点源；增加降雨强度，TURB与TP对应关系为“2对1”，由面源和点源共同作用于TURB和TP所引起。

（2）TP实际监测的数据与计算数据之间的误差一直处于可接受范围之内，能够用作突发异常预警的数据源。一般情况下，水体中的TP和流量之间无明显联系，主要影响因素为点源排放污染；强降雨条件下，雨水冲刷地面使得大量颗粒态TP污染物随着雨水进入水体中，导致TP的浓度急剧增加。

（3）通过对比直接神经网络和BP神经网络对异常预警性能的影响发现，BP神经网络对水质时间序列的突变情况反应更加敏感，这是因为BP神经网络预测之前去除噪声的影响，有效地减少预测时间序列的波动。与我国目前已有的水质异常预警方法相比，可以更加快速、敏捷的体现水体污染浓度变化，具有十分良好的可行性，为相关研究提供了理论参考。