一种基于多因素耦合的输变电水环境指标预测方法

1.本发明涉及输变电环境监测与评价领域，尤其涉及一种基于多因素耦合的输变电水环境指标预测方法。


背景技术：

2.输变电建设项目是将电能的特性(主要指电压、电流)进行变换并从电能供应地输送至电能需求地的建设项目。根据《中华人民共和国环境保护法》、《中华人民共和国环境影响评价法》、《建设项目环境保护管理条例》和国家环境保护标准《环境影响评价技术导则输变电》的要求，输变电建设项目必须进行环境影响评价。输变电建设工程，尤其是在水中立塔施工、跨越水体及在水体附近走线的工程施工中，可能会对纳污水体水环境产生影响。根据我国国家环境保护标准《环境影响评价技术导则输变电》，输变电水环境影响指标包括ph值、化学需氧量cod、五日生化需氧量bod5、氨氮nh
3-n和石油类，换流站外排冷却水如作为农业用途时，还需对全盐量(mg/l)等进行分析。这些指标的变化既受输变电建设项目废水、污水排放情况的直接影响，也受纳污水体的水位、水温、流速等外部因素的间接影响。区分影响输变电水环境指标的直接因素和间接因素，构建输变电水环境指标预测模型，就可以预测输变电水环境指标的变化规律，进而根据该变化规律准确评估输变电建设工程是否对水环境产生影响及影响的程度。因此开展输变电水环境指标预测模型和预测方法的研究具有重要的意义。
3.输变电建设工程对水环境的影响主要来自于施工废水和生活污水，其中施工废水包括基础施工泥浆、施工现场拌合废水、砂石料冲洗及物料清洗筛选废水、机修含油废水等。施工废水和生活污水排入纳污水体水体后，将改变ph值、化学需氧量cod、五日生化需氧量bod5、氨氮nh
3-n和石油类等多种水环境指标。未安装或已安装未正常使用污水处理设备、污水回用设施、雨污分流管网、旁站监理污水处理设施、旁站监理变电站事故油池、混凝土搅拌废水处理设施等设备或设施，将导致纳污水体水环境指标发生变化。采用传统方法预测输变电水环境指标，通常根据污染物在水体中运动变化规律及其影响因素相互关系，建立数学表达式和数学模型，预测输变电工程对水环境的影响，如河流零维水质模型、河流一维水质模型、河流二维水质模型、溶解氧模型、河口水质模型等，这些模型的参数多由实验室测定、野外观测以及通过资料分析得出的经验公式等方法求得。这些传统预测方法在输变电工程水环境监测的实际使用过程中，存在模型的维数和状态确定复杂、模型参数估值依赖于经验、模型求解困难等不足，因此如何构建输变电水环境指标预测模型并准确预测水环境指标是迫切需要解决的问题。
4.水环境指标预测研究方面，中国专利申请，申请公布号为cn110765419a，申请公布日为2020年2月7日的发明公开了一种基于多源数据耦合的重要水功能区水质风险测评方法，采用河流、湖库一维稳态混合衰减模型刻画风险物资的产生、输移以及对受纳对象影响过程，获取水系风险场指数；中国专利申请，申请公布号为cn109886568a，申请公布日为2019年6月1日的发明公开了一种危化品道路运输流域水环境风险评估方法，根据危化品泄
漏污染物特征采用零维水质模型、忽略弥散的一维稳态水质模型和一维动态混合模型分别刻画持久性污染物、非持久性污染物和非持久性、非稳定态污染物在水中的扩散过程。上述研究本质上还是属于基于数学表达式的传统水环境指标预测方法，模型中参数如综合消减系数、衰减速度常数、弥散系数等的估值仍依赖于经验，且未考虑多因素耦合对水环境指标预测模型的影响。同时，由于上述研究是针对通用场景或危化品道路运输特定场景提出的，未考虑输变电建设工程对水环境影响的特殊性。因此，基于上述文献记载的方法并不能有效解决输变电工程水环境影响的预测和评估问题。


技术实现要素：

5.本发明的目的是解决现有技术存在的上述问题，针对输变电工程水环境监测提出一种基于多因素耦合的输变电水环境指标预测方法，该方法通过获取纳污水体监测断面的水环境指标及其外部影响因素，构建基于“时间-采样点-指标”的断面水环境指标矩阵和外部因素矩阵，形成基于断面水环境指标的反馈时间序列和基于外部因素的输入时间序列，以此为基础构建基于多因素耦合的时滞非线性自回归映射网络，进而构建输变电水环境指标预测模型，实现根据断面水环境指标和外部因素两个时间序列的过去值预测断面水环境指标的将来值。通过该模型可以提前预测输变电建设工程对纳污水体水环境的影响，为输变电工程水环境监测和预警提供技术支撑。
6.为实现以上目的，本发明采用的技术方案为：一种基于多因素耦合的输变电水环境指标预测方法，分为以下步骤：
7.s1、获取输变电工程水环境监测断面的水环境指标，包括ph值、cod、bod5、nh
3-n和石油类等，构建基于“时间-采样点-指标”的断面水环境指标矩阵y
t
：
8.设t表示采样时刻，i表示监测断面的采样点编号，j表示监测断面采样获得的水环境指标编号，t
max
为最大采样时刻数，i
max
为监测断面最大采样点数，jm
ax
为监测断面最大水环境指标数。y
i，j
(t)表示在第t个采样时刻、在监测断面第i个采样点获得的第j个水环境指标值，其中t∈[1，2，...，t
max
]，i∈[1，2，...，i
max
]，j∈[1，2，...，j
max
]；
[0009]
断面水环境指标矩阵y
t
由y
i，j
(t)构成，其矩阵结构如下：
[0010][0011]yt
的维数为i
max
×jmax
；
[0012]
s2、获取输变电工程水环境监测断面的水环境外部影响因素，包括水位、水温、流速等，构建基于“时间-采样点-指标”的断面水环境外部因素矩阵u
t
：
[0013]
设k表示监测断面采样获得的水环境指标外部影响因素编号，k
max
为监测断面最大外部影响因素数。u
i，k
(t)表示在第t个采样时刻、在监测断面第i个采样点获得的第k个水环境外部影响因素值，其中k∈[1，2，...，k
max
]；
[0014]
断面水环境外部因素矩阵u
t
由u
i，k
(t)构成，其矩阵结构如下：
[0015]
[0016]ut
的维数为i
max
×kmax
；
[0017]
s3、根据断面水环境指标矩阵和外部因素矩阵，构建基于断面水环境指标的反馈时间序列和基于外部因素的输入时间序列：
[0018]
当采样时刻t取值为[1，2，...，t
max
]时，可以获得一组按采样时间先后顺序排列的断面水环境指标矩阵：
[0019][0020]
根据该组矩阵，构建基于断面水环境指标的反馈时间序列：
[0021][0022]
当采样时刻t取值为[1，2，...，t
max
]时，可以获得一组按采样时间先后顺序排列的断面水环境指标外部影响因素矩阵：
[0023][0024]
根据该组矩阵，构建基于外部因素的输入时间序列：
[0025][0026]
s4、根据基于断面水环境指标的反馈时间序列y、基于外部因素的输入时间序列u、水环境指标输入延迟阶数dy和水环境外部影响因素输入延迟阶数du构建输入-输出映射，其中dy∈[1，2，...，d
y，max
]，du∈[1，2，...，d
u，max
]，d
y，max
为水环境指标输入最大延迟阶数，d
u，max
为水环境外部影响因素输入最大延迟阶数，dy和du的初值均取1。
[0027]
对于采样时刻t，构建的第t个输入-输出映射如下：
[0028][0029]
其中t∈[d
max
，t
max-1]，d
max
＝max(dy，du)表示求取dy和du两者中大的值。因此，总共可以构建(t
max-d
max
)个输入-输出映射。
[0030]
s5、构建基于多因素耦合的时滞非线性自回归映射网络，具体如下：
[0031]
s5-1、时滞非线性自回归映射网络的整体结构分为输入层input_layer、隐藏层hidden_layer和输出层output_layer。输入层input_layer通过基于断面水环境指标的反馈时间序列y和基于外部因素的输入时间序列u实现水环境指标的多因素耦合输入；隐藏层hidden_layer是时滞非线性自回归映射网络的核心，用于实现输入与输出之间的非线性函数关系映射；输出层output_layer负责输出输变电工程水环境指标预测值。
[0032]
s5-2、在输入层input_layer中，输入序列i
t
取值为第t个输入-输出映射的输入部分：
[0033][0034]im，t
为输入序列i
t
的第m个输入分量，m
max
为输入序列i
t
的最大输入分量数，m
max
＝dy du 2。i
t
的分量由两部分组成，一部分为由基于断面水环境指标的反馈时间序列y生成；另一部分为由基于外部因素的输入时间序列u生成。i
t
的第m个输入分量作为时滞非线性自回归映射网络的第m个输入节点，因此输入层共有m
max
个输入节点，实现了水环境指标的多因素耦合输入。
[0035]
s5-3、在隐藏层hidden_layer中，隐藏层节点与输入层节点和输出层节点形成全连接网络结构，用于实现输入与输出之间的非线性函数关系映射。时滞非线性自回归映射网络的隐藏层节点数学模型如下：
[0036][0037]
其中，o
n，t
为采样时刻为t时第n个隐藏层节点的输出，bn为第n个隐藏层节点的偏差，w
m，n
为第m个输入到第n个隐藏层节点的连接权重，f
ac
(
·
)为隐藏层节点的激励函数，f
ac
(
·
)取标准sigmoid函数，n∈[1，2，...，n
max
]，m∈[1，2，...，m
max
]，n
max
为隐藏层节点数，n
max
∈[n
max，0
，n
max，0
1，
…
，n
max，1
]，n
max，0
和n
max，1
分别为隐藏层节点数取值的下界和上界，隐藏层节点数n
max
的初始取值为n
max，0
。
[0038]
s5-4、在输出层output_layer中，时滞非线性自回归映射网络的输出层节点数学模型如下：
[0039][0040]
其中output
t
为采样时刻为t时输出层的输出，b为输出层节点的偏差，ωn为第n个隐藏层节点到输出层节点的连接权重，f
bc
(
·
)为输出层节点的激励函数，f
bc
(
·
)取标准sigmoid函数。
[0041]
s6、根据输入-输出映射构建基于时滞非线性自回归映射网络的输变电水环境指标预测模型。基于数学表达式的传统水环境指标预测方法应用于输变电工程水环境监测时存在模型的维数和状态确定复杂、模型参数估值依赖于经验、模型求解困难等不足，因此本发明采用基于多因素耦合的时滞非线性自回归映射网络取代数学表达式构建输变电水环境指标预测模型，并通过输入-输出映射确定时滞非线性自回归映射网络的结构参数和权重参数，具体如下：
[0042]
s6-1、采用s5-2中时滞非线性自回归映射网络的输入序列i
t
作为输变电水环境指标预测模型的输入，采用s5-3中时滞非线性自回归映射网络的全连接网络结构作为输变电水环境指标预测模型的结构，采用s5-4中时滞非线性自回归映射网络的输出output
t
作为输变电水环境指标预测模型的输出。对于采样时刻t，由于输变电水环境指标预测模型的输入为输入序列i
t
，该模型的输出output
t
即为t 1采样时刻的输变电水环境指标预测值。
[0043]
s6-2、给定时滞非线性自回归映射网络的结构参数，包括输入层节点数m
max
和隐藏层节点数n
max
，给定时要求结构参数必须满足各自取值范围约束。
[0044]
首先给定水环境指标输入延迟阶数dy、水环境外部影响因素输入延迟阶数du，则输入层节点数m
max
通过m
max
＝dy du 2确定，其取值范围的约束如下：
[0045]dy
∈[1，2，...，d
y，max
]
[0046]du
∈[1，2，...，d
u，max
]
[0047]mmax
∈[4，5，
…
，d
y，max
d
u，max
2]
[0048]
由于m
max
＝dy du 2且dy和du的初值均取1，因此m
max
的初值为4。
[0049]
然后给定隐藏层节点数n
max
，其取值范围的约束如下：
[0050]nmax
∈[n
max，0
，n
max，0
1，
…
，n
max，1
]
[0051]nmax
的初值为隐藏层节点数取值范围的下界n
max，0
。n
max，0
通常取50。
[0052]
s6-3、在时滞非线性自回归映射网络结构参数已给定的基础上，根据(t
max-d
max
)个输入-输出映射采用误差最小化优化算法确定时滞非线性自回归映射网络的权重参数w。权重参数w包括第m个输入到第n个隐藏层节点的连接权重w
m，n
和第n个隐藏层节点到输出层节点的连接权重ωn：
[0053]
w＝{w
m，n
，ωn|m＝[1，2，...，m
max
]∩n＝[1，2，...，n
max
]}
[0054]
权重参数w的确定过程如下：
[0055]
当输变电水环境指标预测模型的输入i
t
中t取值为[d
max
，d
max
1，
…
，t
mmax-1]时，对应的输变电水环境指标预测值分别为：
[0056][0057]
当s4中第t个输入-输出映射的t取值为[d
max
，d
max
1，
…
，t
max-1]时，对应的输入-输出映射的输出分别为：
[0058][0059]
输变电水环境指标预测值与输入-输出映射的输出之间的误差e
train
计算如下：
[0060][0061]
为使误差e
train
最小化，时滞非线性自回归映射网络的权重参数w采用以下三种标准的误差最小化优化算法中的任意一种确定：列文伯格-马夸特(levenberg-marquardt)算法、贝叶斯正则化(bayesian regularization)算法或量化共轭梯度(scaled conjugate gradient)算法。
[0062]
s6-4、根据(t
max-d
max
)个输入-输出映射随机构造验证样本集，并计算验证样本集对应的验证误差。
[0063]
随机构造验证样本集，设验证样本集中样本个数为s
max
，样本取自s4中(t
max-d
max
)个输入-输出映射的输入，输入-输出映射的下标随机产生：
[0064]rs
＝random(d
max
，t
max-1)，s＝[1，2，
…
，s
max
]
[0065]
random(
·
)为在d
max
和t
max-1之间的随机取整函数，s为样本个数编号。
[0066]
在输变电水环境指标预测模型的水环境指标输入延迟阶数dy、水环境外部影响因素输入延迟阶数du、隐藏层节点数n
max
和权重参数w已确定的基础上，设定输变电水环境指标预测模型的输入分别为：
[0067][0068][0069][0070]
…
[0071][0072]
则对应的输变电水环境指标预测值分别为：
[0073][0074]
当s4中第t个输入-输出映射的t取值为时，对应的输入-输出映射的输出分别为：
[0075][0076]
验证样本集对应的验证误差ev计算如下：
[0077][0078]
s6-5、若输变电水环境指标预测模型的验证误差ev小于等于模型预测精度要求ε，即ev，≤ε，则此时水环境指标输入延迟阶数dy、水环境外部影响因素输入延迟阶数du、隐藏层节点数n
max
和权重参数w的取值即为输变电水环境指标预测模型的参数取值，继续进行s7；若输变电水环境指标预测模型的验证误差ev大于模型预测精度要求ε，即ev＞ε，则流程返回s6-2，按照s6-2规定的取值范围重新给定水环境指标输入延迟阶数dy、水环境外部影响因素输入延迟阶数du和隐藏层节点数n
max
这三个值，然后按照s6-3获取新的权重参数w，最后按照s6-4计算新的验证误差ev，直到找到一组使ev≤ε的新的水环境指标输入延迟阶数dy、水环境外部影响因素输入延迟阶数du、隐藏层节点数n
max
和权重参数w的取值，此组新的取值即为输变电水环境指标预测模型的参数取值。
[0079]
s7、根据参数取值已定的输变电水环境指标预测模型、基于断面水环境指标的反馈时间序列y和基于外部因素的输入时间序列u预测输变电水环境指标的将来值；具体如下：
[0080]
将输入参数取值已定的输变电水环境指标预测模型，得到模型的输出输出即为t
max
1采样时刻的输变电水环境指标预测值。根据可以提前预测输变电建设工程对纳污水体水环境的影响，为输变电工程水环境监测和预警提供技术手段。
[0081]
与现有技术相比，本发明的有益效果为：
[0082]
本发明一种基于多因素耦合的输变电水环境指标预测方法，首先非常适合于输变电建设工程的水环境指标预测，其有效性体现在输变电水环境指标预测模型具有强大的非线性映射能力，模型参数的调整是基于历史水环境指标及其外部影响因素的时间序列，克服了基于数学表达式的传统水环境指标预测方法中模型的维数和状态确定复杂、模型参数估值依赖于经验、模型求解困难等不足；其次，该方法考虑了水环境指标及其外部影响因素的耦合作用和时滞特性，通过引入水环境指标输入延迟阶数和水环境外部影响因素输入延迟阶数，构建了基于“输入-隐藏-输出”分层结构的时滞非线性自回归映射网络，相比传统的河流零维水质模型、河流一维水质模型、河流二维水质模型等基于数学表达式的预测方法，能适应更为复杂的时滞、非线性的水质时空演化场景；最后该方法为提前预测输变电建设工程对纳污水体水环境的影响提供了一种可行的手段，可应用于输变电工程水环境常规监测、应急监测和预警。
附图说明
[0083]
图1是本发明中基于多因素耦合的输变电水环境指标预测方法流程图；
[0084]
图2是本发明中输变电水环境指标预测模型整体结构图；
[0085]
图3本发明中输变电水环境指标预测结果图。
具体实施方式
[0086]
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
[0087]
本发明的原理说明如下：
[0088]
本发明用于解决输变电水环境指标预测问题。本发明基于以下特征：一是传统基于数学表达式的水环境指标预测方法存在模型的维数和状态确定复杂、模型参数估值依赖于经验、模型求解困难等不足；二是基于“输入-隐藏-输出”分层结构的时滞非线性自回归映射网络具有更强的非线性建模能力，非常适合输变电水环境指标预测。因此本发明首先以基于“时间-采样点-指标”的断面水环境指标矩阵和外部因素矩阵为基础，形成基于断面水环境指标的反馈时间序列和基于外部因素的输入时间序列等两个时间序列，之后采用基于多因素耦合的时滞非线性自回归映射网络构建输变电水环境指标预测模型并通过对输入-输出映射的学习获得该模型的结构参数和权重参数，最后实现根据水环境指标及其外部影响因素的过去值预测水环境指标的将来值。本发明构建的基于时滞非线性自回归映射网络的输变电水环境指标预测模型相比基于数学表达式的传统水环境指标预测模型具有更强的非线性映射能力、更大的灵活性和更好的适应性，能为输变电工程水环境常规监测、应急监测和预警提供技术支撑。
[0089]
实施例：
[0090]
在图1中，基于多因素耦合的输变电水环境指标预测方法流程图分为七个步骤：
[0091]
s1、获取输变电工程水环境监测断面的水环境指标，包括ph值、cod、bod5、nh
3-n和石油类等，构建基于“时间-采样点-指标”的断面水环境指标矩阵；
[0092]
s2、获取输变电工程水环境监测断面的水环境外部影响因素，包括水位、水温、流速等，构建基于“时间-采样点-指标”的断面水环境外部因素矩阵；
[0093]
s3、根据断面水环境指标矩阵和外部因素矩阵，构建基于断面水环境指标的反馈时间序列和基于外部因素的输入时间序列；
[0094]
s4、根据基于断面水环境指标的反馈时间序列、基于外部因素的输入时间序列、水环境指标输入延迟阶数和水环境外部影响因素输入延迟阶数构建输入-输出映射；
[0095]
s5、构建基于多因素耦合的时滞非线性自回归映射网络；
[0096]
s6、根据输入-输出映射构建基于时滞非线性自回归映射网络的输变电水环境指标预测模型；
[0097]
s7、根据参数取值已定的输变电水环境指标预测模型、基于断面水环境指标的反馈时间序列和基于外部因素的输入时间序列预测输变电水环境指标的将来值。
[0098]
在构建断面水环境指标矩阵和外部因素矩阵时，准确采集和获取输变电工程水环境指标和外部影响因素指标是关键。最大采样时刻数t
max
，监测断面最大采样点数i
max
，监测断面最大水环境指标数j
max
和监测断面最大外部影响因素数k
max
等的取值受监测手段和监测仪器技术水平限制，既要满足输变电水环境指标监测的需要，又要切实可行。监测断面布
设、采用频次与时间、现场测定与观测必须遵循《地表水环境质量标准》、《环境影响评价技术导则》等国家标准和规范的要求，且必须符合输变电水环境指标监测特点：
[0099]
(1)监测断面应布设合理，体现输变电建设工程对纳污水体水环境的影响。
[0100]
(2)监测断面采样点所采集的样品在时间和空间上具有足够的代表性，能反映水环境受输变电建设等人类活动影响的变化规律；
[0101]
(3)力求以最低的采样频次取得最有时间代表性的样品；
[0102]
(4)采样频次要技术可行；
[0103]
(5)现场使用的监测仪器应经检定或校准合格，并在使用前进行仪器校正。
[0104]
由于施工废水和生活污水是输变电工程的水环境主要污染源，因此实施例中，输变电工程水环境监测断面的水环境指标重点关注了以下五种：ph值(无量纲)、cod(毫克每升，mg/l)、五日生化需氧量bod5(毫克每升，mg/l)、氨氮nh
3-n(毫克每升，mg/l)和石油类(毫克每升，mg/l)等五类，水环境外部影响因素指标重点关注了以下三种：水位(米，m)、水温(摄氏度，℃)、流速(米/秒，m/s)。因此监测断面最大水环境指标数j
max
和监测断面最大外部影响因素数k
max
的取值分别为5和3。
[0105]
在图2中，时滞非线性自回归映射网络的整体结构分为输入层input_layer、隐藏层hidden_layer和输出层output_layer。输入层input_layer通过基于断面水环境指标的反馈时间序列y和基于外部因素的输入时间序列u实现水环境指标的多因素耦合输入；隐藏层hidden_layer是时滞非线性自回归映射网络的核心，用于实现输入与输出之间的非线性函数关系映射；输出层output_layer负责输出输变电工程水环境指标预测值。
[0106]
在输入层input_layer中，输入序列i
t
取值为第t个输入-输出映射的输入部分：
[0107][0108]im，t
为输入序列i
t
的第m个输入分量，m
max
为输入序列i
t
的最大输入分量数，m
max
＝dy du 2。i
t
的分量由两部分组成，一部分为由基于断面水环境指标的反馈时间序列y生成；另一部分为由基于外部因素的输入时间序列u生成。i
t
的第m个输入分量作为时滞非线性自回归映射网络的第m个输入节点，因此输入层共有m
max
个输入节点，实现了水环境指标的多因素耦合输入。
[0109]
在隐藏层hidden_layer中，隐藏层节点与输入层节点和输出层节点形成全连接网络结构，用于实现输入与输出之间的非线性函数关系映射。时滞非线性自回归映射网络的隐藏层节点数学模型如下：
[0110][0111]
其中，o
n，t
为采样时刻为t时第n个隐藏层节点的输出，bn为第n个隐藏层节点的偏差，w
m，n
为第m个输入到第n个隐藏层节点的连接权重，f
ac
(
·
)为隐藏层节点的激励函数，f
ac
(
·
)取标准sigmoid函数，n∈[1，2，...，n
max
]，m∈[1，2，...，m
max
]，n
max
为隐藏层节点数，n
max
∈[n
max，0
，n
max，0
1，
…
，n
max，1
]，n
max，0
和n
max，1
分别为隐藏层节点数取值的下界和上界，隐藏层节点数n
max
的初始取值为n
max，0
。
[0112]
在输出层output_layer中，时滞非线性自回归映射网络的输出层节点数学模型如下：
[0113][0114]
其中output
t
为采样时刻为t时输出层的输出，b为输出层节点的偏差，ωn为第n个隐藏层节点到输出层节点的连接权重，f
bc
(
·
)为输出层节点的激励函数，f
bc
(
·
)取标准sigmoid函数。
[0115]
时滞非线性自回归映射网络的参数包括结构参数和权重参数。其中，结构参数包括输入层节点数m
max
和隐藏层节点数n
max
；权重参数w包括第m个输入到第n个隐藏层节点的连接权重w
m，n
和第n个隐藏层节点到输出层节点的连接权重ωn：
[0116]
w＝{w
m，n
，ωn|m＝[1，2，...，m
max
]∩n＝[1，2，...，n
max
]}
[0117]
实施例中，隐藏层节点的激励函数f
ac
(
·
)和输出层节点的激励函数f
bc
(
·
)采用：
[0118][0119][0120]
在给定输变电水环境指标预测模型的结构参数时，隐藏层节点数取值的下界n
max，0
和上界n
max，1
分别为50和120，水环境指标输入最大延迟阶数d
y，max
为24，外部影响因素输入最大延迟阶数d
u，max
为24，因此水环境指标输入延迟阶数dy、水环境外部影响因素输入延迟阶数du、输入层节点数m
max
、隐藏层节点数n
max
的取值范围分别为：
[0121]dy
∈[1，2，
…
，24]
[0122]di
∈[1，2，
…
，24]
[0123]mmax
∈[4，5，
…
，50]
[0124]nmax
∈[50，51，...，120]
[0125]
参数取值已定的输变电水环境指标预测模型中：水环境指标输入延迟阶数dy、水环境外部影响因素输入延迟阶数du、隐藏层节点数n
max
的取值分别为12，12和96。
[0126]
在图3中，采用基于多因素耦合的输变电水环境指标预测方法对输变电建设工程的水环境指标进行预测。该方法中采用基于“输入-隐藏-输出”分层结构的时滞非线性自回归映射网络，其中水环境指标输入延迟阶数为12，水环境外部影响因素输入延迟阶数为12，隐藏层节点数为96，输入层水环境外部影响因素为水位、水温、流速，预测的输变电水环境指标为ph值、化学需氧量cod、五日生化需氧量bod5、氨氮nh
3-n和石油类。采用该方法对连续五日的输变电水环境指标进行预测，预测时刻为731至735。ph值、化学需氧量cod、五日生化需氧量bod5、氨氮nh
3-n的预测结果如图3所示，并与输变电水环境指标观测值进行了比较(石油类预测结果接近于0未在图中列出)。ph值、化学需氧量cod、五日生化需氧量bod5和氨氮nh
3-n的预测误差分别为：0.42％，1.37％，3.85％和4.77％。该预测结果显示本发明能以较高精度预测输变电建设工程的水环境指标，所获得的预测结果满足国家和电力行业关于输变电水环境监测的标准和规范的要求。该方法为提前预测输变电建设工程对纳污水体水环境的影响提供了一种可行的手段。