申请日2010.10.22
公开(公告)日2011.04.13
IPC分类号G06Q10/00
摘要
本发明公开了一种污水流量变化模式辨识的MCMC方法，通过先验知识建立模型并对模型进行优化，再在模型的基础上运用MCMC算法进行模型参数的寻优过程，取得模型待估参数及模型参数后验分布，再利用所获得的模型参数后验分布，对污水流量变化模式模型的不确定性进行分析，为污水流量预测和污水模型不确定性分析提供参考依据。本发明不仅能够获得模型参数估计值，而且能够获得模型参数的后验分布，据此可以预测模型参数不确定性对识别结果的影响。
翻译权利要求书
1.一种污水流量变化模式辨识的MCMC方法，其特征在于，包括如下步骤：
1)根据先验知识确定模型的初步形式，设定污水流量序列的变化模式可表述为如下形式：
其中：t为时间变量;为待定系数，当样本数目很大时，可选用相对的时间单位，即有：
其中：N为样本数目;τ为采样间隔;
2)模型形式优化，应用逐步回归分析法，在不显著增加模型误差的前提下，尽量减少模型参数个数的原则下对上述模型初步形式进行优化，最终确定的模型形式如下：
其中包括8个待估参数k1、k2、k3、k4、k5、k6、k7和k8，时间项采用1)中公式进行规格化;
3)运用MCMC进行模型参数寻优:对模型参数进行取样，运用MCMC算法对这些参数进行迭代运算，为了保证Markov链获得收敛的稳定分布，设定MCMC算法迭代次数，并将前半部分取样作为Burn-in(过渡阶段)予以舍弃，以后半部分取样作为模型参数估计的依据，经过调整使Markov链实现收敛，达到稳定状态，经过MCMC运算，获得模型待估参数：均值、标准差及Geweke指数的统计特性，最终获得的模型参数后验分布。
4)根据所获得的模型参数的后验分布进行参数取样，将抽取的样本依次输入到污水流量变化模式模型中以预测模型参数不确定性对污水流量变化模式识别结果的影响。
说明书
一种污水流量变化模式辨识的MCMC方法
技术领域
本发明属于市政工程信息技术领域，特别涉及一种污水流量变化模式辨识的MCMC方法。
背景技术
近年来，城市污水处理厂与污水管网配套建设以及城市污水系统(包括污水管网系统、污水处理厂和受纳水体)综合管理已成为城市排水系统建设和运营的重要发展方向。这一趋势对当前污水管网规划设计和运行管理提出了严峻挑战。在这种情况下，城市污水管网建模将会在未来污水管网的规划与设计、污水处理厂设计与运行控制、污水泵站之间以及泵站与污水厂之间的流量调度等方面发挥重要作用。污水流量建模是污水管网建模的基础和前提。但与雨水径流量的变化规律不同，城市污水流量的变化具有相对明显的规律性。因此，污水流量变化规律(或变化模式)识别是污水管网节点流量建模所需要解决的首要问题，这也是后续污水流量及污水系统模型不确定性分析以及预测的基础。
污水流量变化模式识别是在污水管网和污水处理厂设计流量计算研究的基础上发展起来的，其目标在于通过污水管网非恒定流建模，实现城市污水系统优化。1995年，David. Butler在对排水器具脉冲进行实际调查的基础上，建立了污水管网节点流量微观模拟的FLUSH模型;1996年，D. Butler等在对马耳他51个家庭的排水器具使用情况进行统计调查的基础上，获得了各种排水器具在一日之内的排水变化曲线。据此提出了一种基于各种排水器具使用情况的旱季流量过程线合成方法，并制定了当地标准的旱季流量过程线。2002年，E. Piatyszek等应用法国南特市污水处理厂的逐日时流量数据进行了污水旱季流量变化模式辨识方法的研究，并将所获得的流量变化模式用于实测数据中异常数据的识别以及误差原因的诊断。2005年以来，许多学者在污水流量确定性变化模式研究的基础上，在污水流量预测及污水系统控制方面开展了深入研究。譬如，Davut Hanbay等应用小波和神经网络，F.J. Fernandez等应用模糊神经网络，Scott A. Dellana等应用线性和非线性方法在污水流量预测方面的研究;P. A. Vanrolleghem等和David Butler等在污水系统的实时控制及优化控制方面的研究。在国内，刘兴坡应用时间序列分析方法和滑动加权最小二乘法对污水流量变化模式识别进行了研究，为污水流量和污水系统模型的不确定性分析及其预测奠定了初步基础。总的来说，10余年间，城市污水流量模型正在逐步实用化，国外开始将其应用于城市污水系统规划设计和运行控制的业务化过程中。但上述研究较少分析污水流量变化模式识别的不确定性及其影响，为此，应用贝叶斯理论开展污水流量变化模式识别研究，以完善污水流量建模理论。
发明内容
为了完善污水流量建模理论，研究变化模式识别的不确定性及其影响，本发明提出一种污水流量变化模式辨识的MCMC方法，包括如下步骤：
1)根据先验知识确定模型的初步形式，设定污水流量序列的变化模式可表述为如下形式：
其中：t为时间变量;为待定系数，当样本数目很大时，可选用相对的时间单位，即有：
其中：N为样本数目;τ为采样间隔;
2)模型形式优化，应用逐步回归分析法，在不显著增加模型误差的前提下，尽量减少模型参数个数的原则下对上述模型初步形式进行优化，最终确定的模型形式如下：
其中包括8个待估参数k1、k2、k3、k4、k5、k6、k7和k8，时间项采用1)中公式进行规格化;
3)运用MCMC进行模型参数寻优:对模型参数进行取样，运用MCMC算法对这些参数进行迭代运算，为了保证Markov链获得收敛的稳定分布，设定MCMC算法迭代次数，并将前半部分取样作为Burn-in(过渡阶段)予以舍弃，以后半部分取样作为模型参数估计的依据，经过调整使Markov链实现收敛，达到稳定状态，经过MCMC运算，获得模型待估参数：均值、标准差及Geweke指数的统计特性，最终获得的模型参数后验分布;
4)根据所获得的模型参数的后验分布进行参数取样，将抽取的样本依次输入到污水流量变化模式模型中以预测模型参数不确定性对污水流量变化模式识别结果的影响。
本发明提供的这种污水流量变化模式辨识的MCMC方法，能够根据这些模型参数后验分布，对污水流量变化模式模型的不确定性进行分析，从而为污水流量预测和污水模型不确定性分析等提供重要参考依据。随着模型参数先验知识的丰富以及实测数据的增多，模型参数的后验分布将会得到更新。因此，MCMC算法是一种开放式的可更新的识别算法。