无码人妻精品一区二区三区久久_国内精品久久久久久久亚洲_久久精品国产91久久综合麻豆自制_99久久精品免费看国产

【上海水處理設備網www.esdzu.com】導讀：再生水指鄉村污水經適當再生工藝處置后,達到一定水質要求,滿足某種使用功能要求,可以進行有益使用的水。隨著社會經濟的快速發展,鄉村污水排放量不時增加,加強以鄉村污水為水源的再生水利用開發有利于緩解水資源短缺、改善水生態環境。2021年6月印發的十四五”城鎮污水處置及資源化利用發展規劃》指出,十四五”時期再生水發展的主要目標為全國地級及以上缺水鄉村再生水利用率達到25%以上,京津冀地區達到35%以上,黃河流域中下游地級及以上缺水鄉村力爭達到30%因此,為做好鄉村再生水利用規劃,促進鄉村再生水事業發展,對鄉村再生水利用量進行預測具有很大的現實意義。

目前,國內外學者在大量研究的基礎上提出了許多種再生水利用量的預測方法,主要有定額法、替代系數法、時間序列法、結構分析法、系統動力學法等。如汪妮等基于不同用水對象對再生水水質的不同要求,采用改進的灰色模型和定額法分別對回用于工業的再生水和市政雜用的再生水進行了需水量預測;王志坤等首先采用趨勢分析法、定額分析法對鄉村再生水用水量進行了分析預測,張家港GMP純化水設備

并在此基礎之上使用折減系數法計算了出鄉村再生水可利用量;余鵬明等運用相關性分析中的Spearman法分析了再生水利用量的影響因素,為進一步了解再生水利用發展狀況以及利用量預測提供參考依據;唐蓮等通過預測鄉村再生水可供水量和蓄水量,并依據供需平衡原理對鄉村再生水利用潛力進行了評估;李梅等建立了鄉村再生水利用系統動力學模型并對某城市的再生水利用預測進行了實踐研究。

鄉村再生水年利用量過程出現出很強的非線性特點,受到多種因素影響,且影響機制各不相同。慣例方法如定額法、灰色模型預測法等較難在考慮這些影響因素的基礎上做出精確預測。本文針對蘇州市污水處置及再生水利用實際狀況,基于其再生水年利用量各影響因素的歷史數據較少、可靠性及完整性低等特點,采用灰色GM1,1模型對影響再生水年利用量的各因素進行預測,并以預測結果為輸入因子,再建立BP神經網絡預測模型預測蘇州市鄉村再生水的年利用量。BP神經網絡是人工神經網絡中應用最為廣泛的模型之一,具有學習速度快和適應能力強的優點,可對大多數非線性數據進行預測,且該模型能綜合考慮再生水年利用量的各相關影響因素。故本文將灰色模型與BP神經網絡模型相結合,以實現對鄉村再生水年利用量的有效預測,為鄉村再生水利用規劃與合理配置提供決策依據。

一、研究區概況及再生水利用狀況

1.1基本概況

蘇州位于長江三角洲中部,地處30°47′N32°02′N119°55′E121°20′E,東鄰上海,南連浙江省嘉興、湖州兩市,西傍太湖,與無錫相接,北枕長江,總面積為8657.32km2,具體如圖1所示。全市地勢低平,境內河流縱橫,湖泊眾多。太湖水面絕大部分在蘇州境內,河流、湖泊、灘涂面積占蘇州市土地面積的36.6%,著名的江南水鄉,擁有各級河道2萬多條,大小湖泊共300多個,著名的有太湖、陽澄湖、長江、京杭運河等。

鄉村再生水年利用量預測分析

圖1蘇州市地理位置

1.2研究區再生水利用狀況

蘇州市自2018年以來,以“高質量推進城鄉生活污水治理三年行動計劃”為基礎,依照“蘇州特別排放限值”要求,遵循江蘇省住建廳提標改造技術指引,制定“一廠一策”提標方案,全力推進89座城鎮污水廠尾水提標改造。蘇州市在全市開展城鄉生活污水治理,項目化推進各項治理任務,確保污水廠提標改造的系統性和高效性;市政府及水主管部門強化組織領導,采取“成立專班,實體化運轉辦公;高位推動,強化安排推進;強化考核,加大推動力度”管理方式,有力、有序、有效推進污水廠尾水提標改造任務。目前,全市城鎮污水廠出水水質全面提標,達到蘇州“準Ⅳ類”除總氮外,其他指標均達到Ⅳ類標準)規范。根據相關數據統計,蘇州市現狀(2020年)年污水處置系統累計處置污水量為11.5億m3目前為止,完成提標改造的89座城鎮污水廠出水水質均已達到太湖地區城鎮污水處置廠及重點工業行業主要水污染物排放限值》DB32/10722018和“蘇州特別排放限值”規范要求。各區市(縣)污水處置廠分布以及再生水利用情況如表1所示。

表1各區市(縣)污水處置廠分布以及再生水利用

鄉村再生水年利用量預測分析

全市89座污水處置廠中:二類污水處置廠(20萬～50萬m3/d有2座,均在工業園區;三類污水處置廠(10萬～20萬m3/d有6座,吳中區1座、相城區1座、姑蘇區2座、昆山市2座;四類污水處置廠20座(5萬～10萬m3/d;其余污水處置廠規模均在五類(1萬～5萬m3/d及以下,污水處置能力較弱。

根據圖2以及表1中數據:姑蘇區再生水利用量及利用率分別為10520.07萬m3和88.30%,高于蘇州其他區市,但是從利用途徑分析,姑蘇區再生水利用僅包括廠區自用及河道景觀補水,其余利用方式均未涉及,且河道景觀補水量約占再生水利用總量的98%,利用范圍需要進一步擴大,充沛發揮再生水潛力;再生水利用總量最少且利用率最低的為高新區,均被留作污水處置廠自用,考慮到區域內高新技術產業較多,這些產業對于生產用水的水質要求較高,目前的再生水出水水質暫時無法滿足要求,因此,高新區內的污水處置廠需要進一步提高再生水處理水平;昆山市再生水利用量較多,達到10122.61萬m3,其中約74%用于河道景觀補水,3.4%留作廠區自用,約3.6%用于工業用水,約19%用于鄉村雜用水及其他用途,但是昆山市的再生水利用率僅為37.38%,這意味著還有大量處置后的污水沒有得到有效利用,利用潛力巨大;其余區(市)中吳江區、工業園區再生水利用率相對較高,分為50.43%和47.00%,而相城區、張家港市、常熟市和太倉市利用率均在40.00%以下。

鄉村再生水年利用量預測分析

圖2各市(縣)再生水利用量及利用率

經計算,蘇州2020年鄉村再生水利用率為36.43%,主要用途為河道景觀補水,占其再生水利用量的78.42%,利用形式較為單一。但隨著再生水可利用量及其供水保證率逐步穩定,配套設施完善水平以及再生水管網覆蓋率不時提高,蘇州市再生水利用的規模和領域會繼續擴大。

二、再生水利用量影響因素選擇

2.1指標初步選取

本文所用的關于2008年—2020年蘇州市再生水利用量系列,以及影響再生水利用量的主要因素等相關數據,主要來源于《城鄉建設統計年鑒》以及《蘇州市水資源公報》

綜合考慮經濟、社會等多種影響再生水利用量的因素以及相關文獻研究效果,初步選取影響再生水利用量的26個指標,如人均GDP污水排放量、再生水生產能力、公共服務用水量、排水設施投資、污水集中處置率等

2.2SPSS相關性分析

上述根據分析選取的26個影響因子均會對鄉村再生水利用量發生一定影響,但影響水平輕重不一。故本文首先采用SPSS軟件中的Spearman法對各個變量進行相關性分析以及顯著性檢驗,并去除其中與再生水利用量相關性較低且不顯著的變量,為下文進行BP神經網絡預測選取合適的輸入單元,提高預測精度。運用SPSS軟件進行分析后,上海實驗室純水設備共選取了7個相關系數在0.65以上的指標,且相關性均為顯著(P<0.05,具體數據如表2所示。

表2影響因素分析結果

鄉村再生水年利用量預測分析

注:**表示在0.01級別(雙尾),相關性顯著;*表示在0.05級別(雙尾),相關性顯著。

經相關性分析后選取的影響因子包括:x1為萬元GDP用水量(m3,與再生水利用量呈顯著負相關,萬元GDP用水量的下降說明慣例水資源以及再生水利用水平均有提升;x2為建成面積(km2,反映了市政公共設施及相應的污水收集措施的完善水平;x3為公共服務用水量(m3x4為鄉村用水人口(萬人)x7為污水處置量(m3,這些因素可直接影響再生水廠的進水水源;x5為排水管道長度(km,管道的完善有利于污水的收集和集中處理,增加再生水廠進水量;x6為再生水生產能力(m3/d,再生水生產能力的提升必定會直接促進鄉村再生水利用量及利用水平的進步。設y為再生水利用總量(m3,篩選后的主要影響因子及其具體數值如表3所示。

表3蘇州市再生水利用量及其主要影響因素數據

鄉村再生水年利用量預測分析

三、影響因素預測

3.1灰色預測模型GM1,1原理

相較于統計趨勢預測法、回歸分析法等預測方法,灰色GM1,1預測模型對于歷史數據的樣本容量要求不高,且允許樣本存在灰色信息,不要求樣本具有一定的分布規律,計算也較為簡便。并結合蘇州市再生水年利用量各影響因素的歷史數據較少、完整性較低的實際情況,本文選擇了灰色GM1,1預測模型。灰色GM1,1模型的基本原理是采用累加等方法生成基于原始數據序列的一次累加序列,并根據此序列建立預測模型,之后采取累減方法還原原始序列,輸出預測結果。其建模過程如下。

設原始數據為x0=x01,x02,,x0n,其累加得到新的數據序列為x1=x11,x12,,x1n,其中

鄉村再生水年利用量預測分析

白化形式微分方程如式(1

鄉村再生水年利用量預測分析

+ax1t=u

1

其中:a發展系數;

u灰色作用量;

t時間序列。

記au構成的矩陣為灰參數

鄉村再生水年利用量預測分析

并按最小二乘法對其進行求解如式(2式(4 上海實驗室純水設備

鄉村再生水年利用量預測分析

2

鄉村再生水年利用量預測分析

3

鄉村再生水年利用量預測分析

4

白化形式的微分方程的離散解如式(5

鄉村再生水年利用量預測分析

5

預測值計算如式(6

鄉村再生水年利用量預測分析

6

3.2基于灰色GM1,1模型的再生水利用量影響因素數據預測

以2008年—2018年的再生水影響因素數據作為原始序列,預測2019年及2020年各影響因素的值,結果如表4所示。

表4灰色模型預測2019年及2020年各影響因素的值

鄉村再生水年利用量預測分析

3.3模型精度檢驗

如表5所示,根據模型評價規范:因素x1x7-a系數均小于0.3,適合中長期預測;各因素的方差比均≤0.3,且小誤差概率全為1,模型預測等級為好;關聯度均在0.60.7,合格。模型基本滿足各種檢驗,可用于再生水利用量各影響因素的中長期預測。

表5模型精度檢驗結果

鄉村再生水年利用量預測分析

四、再生水年利用量預測

4.1BP神經網絡原理

BP神經網絡是一種由輸入層、隱含層和輸出層3層網狀結構構成的多層前饋神經網絡,本文采用含有一個隱含層的3層BP神經網絡。數據信息通過輸入層內的各節點進入網絡,隱含層則可以對數據進行非線性轉換后傳輸至輸出層,理論上上海實驗室純水設備,含有一個隱含層的BP神經網絡可表示任意輸入和輸出數據之間的映射關系。

BP算法的原理是將網絡輸出值與實際值的誤差平方和作為網絡的誤差,輸出誤差由輸出層至輸入層逐層向前傳達,同時誤差將由各層所有單元分攤,各層之間的連接權重也會隨之調整,權值調整完成之后,信號再次正向傳達得到模擬輸出值。通過這一循環過程,整個網絡結構不時適應學習,使網絡輸出迫近期望值,最終誤差達到設置的網絡參數要求,循環停止。

4.2建立模型

本次研究共有13組數據,分別為2008年—2020年蘇州市再生水利用量及其主要影響因子。其中,x1x7這7個影響再生水利用量的因素為預測模型的輸入值,再生水利用量為預測模型的輸出值。將2008年—2018年的數據作為模型訓練樣本,2019年和2020年的數據則作為測試樣本,同時為檢驗灰色GM1,1模型預測各因素對再生水預測精度的影響,將使用灰色模型預測所得的2019年及2020年的各影響因素的值同樣作為測試樣本,并與原始序列樣本預測所得進行比擬。由于影響再生水年利用量相關因素之間數據的量綱不同,數據范圍相互差異較大,需要對其進行歸一化,如式(7

鄉村再生水年利用量預測分析

7

其中:Y歸一化后的輸出數據;

X原始輸入數據;

minXX最小值;

maxXX最大值。

4.2.1BP模型各參數確定

本文采用僅含有一個隱含層的3層BP神經網絡,輸入層為7個影響再生水年利用量的變量,故輸入層節點個數為7個,輸出層節點1個。經過多次模型運行試驗,并對比分析結果之后,確定隱含層節點個數為10個,網絡參數設置如下:訓練次數為50000學習速率和期望誤差分別為0.060.00001,此時模型運算結果最佳。隱含層節點的個數靠式(8確定。激活函數選擇單極性Sigmoid型函數。

鄉村再生水年利用量預測分析

8

其中:m隱含層節點個數;

C輸入層節點個數;

q輸出層節點個數;

d010整數。

4.2.2網絡訓練結果

網絡訓練輸出2008年—2018年再生水利用量預測值與實際值擬合情況如圖3所示。由圖3可知,BP神經網絡模型輸出的再生水利用量預測值較為準確,上海純水設備預測值與實際值平均相對誤差僅為0.038%,其中最大相對誤差為4.060%,最小相對誤差僅為0.008%,與實際再生水年利用量極為接近,這充分說明BP神經網絡模型具有較高的預測精度。

鄉村再生水年利用量預測分析

圖3BP神經網絡模型訓練結果

選取規范化平均偏差、規范化平均誤差、平均絕對百分比誤差、均方根誤差作為預測模型的特征指標,結果見表6可以看出,規范化平均偏差、規范化平均誤差及平均絕對百分比誤差的值均較小,均方根誤差為280.78根據以上分析,BP神經網絡模型訓練結果良好。BP神經網絡經過足夠的訓練之后,肯定可以滿足設定的網絡誤差,且根據訓練結果,網絡學習的效率高,收斂較快,誤差率小,模型預測結果符合設計要求。

表6模型特征指標

鄉村再生水年利用量預測分析

4.3預測結果及分析

可利用本模型對2019年—2020年蘇州市再生水利用量進行預測檢驗,分別將2019年和2020年原始數據以及灰色模型預測數據作為測試集,進行歸一化輸入BP神經網絡模型后可得到預測結果如表7所示。由表中結果分析,模型分別根據原始數據及灰色GM1,1預測數據輸出的蘇州市再生水利用量預測結果與實際利用量擬合度較高,預測誤差的絕對值均小于1%,精度等級較高。故以灰色GM1,1模型預測各再生水利用量影響因素的值作為BP神經網絡的輸入單元來預測再生水利用量的方法是可行的以此方法得到2021年、2022年及2025年的蘇州市再生水利用量預測值如表7所示。

表7預測結果及誤差

鄉村再生水年利用量預測分析

五、結論

本文利用灰色GM1,1模型預測再生水利用量各影響因素的值,并以此作為BP神經網絡模型的輸入單元對蘇州市鄉村再生水利用量進行預測,得到結論如下。

1根據相關性分析結果,蘇州市再生水利用量的主要影響因素有萬元GDP用水量、建成面積、公共服務用水量、鄉村用水人口、排水管道長度、再生水生產能力以及污水處置量7個指標,其中除萬元GDP用水量與再生水利用量呈顯著負相關外,其余指標均為顯著正相關。由此可知,蘇州市在提高用水及水處理效率、完善鄉村供水排水設施等方面還有較大的發展空間,上海純水設備鄉村再生水利用發展潛力巨大。

2灰色GM1,1預測模型不需要大量樣本,且樣本不需要規律分布,計算也較為簡便。故本文采用該模型對再生水利用量各影響因素進行預測,預測結果滿足方差比、小誤差概率以及關聯度等各種檢驗,預測精度較好,可用于再生水利用量各影響因素的中長期預測。

3考慮到鄉村再生水年利用量過程及其影響因素基礎數據序列較少且具有隨機性、非線性等特點,本文組合采用了灰色GM1,1模型和BP神經網絡模型,不只對各因素未來幾年的數據進行了預測,同時也綜合考慮了其對鄉村再生水年利用量的影響,提升了模型預測結果準確度和可靠性。分析標明,以原始序列數據及灰色GM1,1模型預測數據分別作為網絡檢驗輸入單元,預測蘇州市2019年及2020年鄉村再生水利用量,輸出結果精度均較高,驗證了該方法的可行性及有效性,并對蘇州市2021年、2022年及2025年的鄉村再生水利用量進行了預測,分別為35478.53萬、39804.10萬、46404.85萬m3該方法適用于再生水利用發展較晚、利用量及其影響因素歷史數據少的鄉村,可為鄉村再生水利用量的評估以及完善再生水利用規劃提供參考依據。

“本文由上海皙全水處理設備網提供任何人和單位不得轉載盜用”。