摘要：预测供水管网的压力，对实现优化运行和降低能耗具有重要的意义。目前供水网络一般使用微观或者宏观模型对其某点压力进行预测。BP 神经网络都被广泛应用于相关预测的研究。根据供水网络的特点并利用采集的供水压力数据，建立城市供水网络节点压力的预测模型，通过对BP神经网络结果分析，表明BP神经网络模型对城市供水网络压力有更好的预测性。
关键词：供水管网；BP 神经网络；压力预测
随着我国城市与工业生产的迅速增长，稳定而安全的供水对城市生存和发展具有重要的意义。合理的预测城市管道的供水压力，能为高效的分配现有水资源、监测管网运行状态提供可靠的依据。因此研究准确、高效的城市供水管网压力预测方法具有重要的意义。
一、BP神经网络模型
BP 网络是一种按误差逆向传播训练的多层前馈神经网络[1]，其具有知识的分布储存、并行处理、较好的鲁棒性以及很强的非线形、自学习、自适应映射能力。多层前向 BP 网络是目前应用最多的一种神经网络，其模型结构由输入层、隐含层、输出层三层构成[2]。相邻层之间通过权值进行连接，其核心是将误差向后传播另外不断修正误差的方法，最后来不断调整网络参数（权、阀值），再然后逼近所期望的输入输出非线性映射关系。
BP 网络最常用的结构是三层网络，即只采用一个隐含层，在工程实际中也有一些模型需采用两个或者几个隐含层进行建模。根据 BP 网络及供水管网压力的特点，本文在对供水网络对应点压力的预测中采用三层 BP 神经网络。选用连续 9天的测点供水压力作为输入模式，因此对应的输入节点数 n=9，将第 10天的供水压力作为预测的输出。
二、数据采集
训练和预测样本为城市管网中329个需水节点的压力，在表1中给出某县某区2019年6月15日至6月24日13天晚上7点供水管网中部分的节点压力，压力采用读取对应点压力表的读数。
.png)
三、神经网络建立与训练
共采集了239个样本在10天的压力数据，将前200项作为网络训练样本，其中输入为前9天的数据P=[X1,X2,X3……X9]， 所对应的输出为Y=[y1,y2,y3……y9]，通过前200个数据对网络进行训练，其他129组数据作为网络测试样本，其中输入数据同样为前9天的压力数据p=[X1,X2….X9]，对应的输出为y=[y1,y2,y3…..y9]。最终通过对比129组网络预测数据和实际的数据，得到网络预测的误差值，通过误差值进行预测网络的性能评估。
在 Matlab2017b 环境中利用 BP算法对建立的网络进行训练，使用自适应的学习步长，设置当均方误差小于0.00001时结束训练，管网压力预测模型经过了 5000步迭代后，最后收敛。然后在此时输出调整好的权值和阈值，这样 BP 人工神经网络通过采集的样本的训练后获得了较为准确的输入、输出响应。即获得了城市自来水管网压力特性关系的 BP 神经网络模型。
四、神经网络预测与结果分析
本文分别通过BP神经网络对供水管网节点水压进行预测，得到129组测试数据在第10天的预测值。预测值与测量值对比图如图2所示，误差对比图如图3所示。
.png)
由图3可以得出：BP神经网络对样本的预测值与真实值的曲线具有较好的拟合特性，能够预测供水管网的实际压力，其中BP神经网络最大误差为0.0982%，最小误差为0.0009%。因此，BP神经网络对供水管网节点压力的预测非常准确。
五、结论
城市供水管网系统是一项非常复杂的系统， 具有不确定性、非线性、多变性特点且受多种因素的影响。针对供水管网节点压力，笔者运用分别运用BP神经网络对供水管网节点水压进行了预测，从预测结果可知，BP神经网络均能对供水管网水压进行较好的预测，其中BP神经网络预测最大误差不超过0.0982%，预测精度非常高。因此，BP神经网络在城市供水系统中预测供水压力方面的应用具有广阔的前景。
参考文献
[1]郭盼盼. 基于GA-BP神经网络的多日股票价格预测[D].郑州大学,2019.
[2]王珞桦. 基于BP神经网络的供水管网漏损故障诊断研究[D].青岛理工大学,2018.
[3]谢军.基于BP神经网络的供水管网压力预测[J].城镇供水,2016(06):46-49.
[4]侯少康,刘耀儒,张凯.基于IPSO-BP混合模型的TBM掘进参数预测[J/OL].岩石力学与工程学报:1-11[2020-05-28]
[5]明亮,吴永强,安娟,王旭朝.基于BP神经网络的校园中水用水量预测研究[J].安徽建筑,2019,26(11):51-53.
[6]石玉文,张远四,单友良.神经网络在城市供水量预测中的应用[J].计算机与数字工程,2009,37(01):165-166+170.