文章提供了一種針對非等間距隨機振蕩序列的水質參數灰色預測模型。在考慮了傳統(tǒng)的隨機振蕩序列灰色預測模型能夠很好地擬合與預測等間距隨機振蕩序列的基礎上,引入了非等間距變換和等間隔逆變換方法,建立了非等間距隨機振蕩序列灰色預測模型,討論了非等間距變換和等間隔逆變換對水質參數的擬合與預測的影響關系。通過對實際數據的擬合與預測,所提出的非等間距隨機振蕩序列水質參數預測模型能夠有效地對水質參數擬合與預測,解決了現有水質參數預測方法的不足。 

【文章來源】：中國管理信息化. 2020,23(09)

【文章頁數】：5 頁

【部分圖文】：

非等間距隨機振蕩序列水質參數預測模型建模流程圖

基于提出的NEROGM(1,1）模型，設計了一個水質參數預測系統(tǒng)。如圖2(1）所示，河中有三個監(jiān)測點。水質預測系統(tǒng)由監(jiān)控PC、S7-200 SMART PLC和測量傳感器組成，如圖2(2）所示。水質參數可以通過測量傳感器測量，如pH、溶解氧（DO）、H2S、CH4等。為了方便多點測量，水質參數檢測傳感器安裝在一個離線儀器中。水質參數可通過無線網絡傳輸至S7-200 SMART PLC，并由監(jiān)控計算機進行監(jiān)控。由于水質參數是離線檢測的，所提出的NEROGM(1,1）可以利用離線測量數據對河流的水質參數進行預測。2.2 實驗結果與分析

研究工作采用2018年離線儀器測量的pH、溶解氧（DO）等參數，如表1所示。表1顯示了5月16日至10月14日的9天數據。通過非等距序列變換，可以得到pH和DO的新的等距序列，如表1所示。如圖3(1）、圖3(2）所示，分別給出pH和DO的非等間距序列和等距序列。無論哪個參數，由非等間距序列變換得到的pH和DO等間距序列均可視為隨機振蕩序列。對于等間距序列，由式（9）可得ROGM(1,1）的模型值，由式（11）可分別計算NEROGM(1,1）的模型值，如表2所示。原始序列與模型值之間的絕對誤差和相對誤差都很小。NEROGM(1,1）對pH值的平均相對誤差在1%～5%之間，準確度接近1級。NEROGM(1,1）對DO的平均相對誤差小于1%，精度等級為1級。這些數據表明，所提出的NEROGM(1,1）在水質擬合中是有效和可行的。如圖3(3）、圖3(4）所示，NEROGM(1,1）的擬合值可以很好地逼近原始序列，而NEROGM(1,1）的實際值與預測值之間的絕對誤差和相對誤差相對較大。NEROGM(1,1）對pH和DO的預測值分別列于表3。NEROGM(1,1）對pH和DO的平均相對誤差都在5%到10%之間，準確度接近2級。利用原序列擬合原序列，對已知的原序列擬合效果較好。然而，使用原始序列預測數據，會有一些誤差。雖然預測過程中存在一些誤差，但NEROGM(1,1）的平均相對誤差均小于20%，可以作為預測模型對水質參數進行預測。這些數據表明，所提出的NEROGM(1,1）在水質預測中也是有效和可行的。3 結論

【參考文獻】：
期刊論文
[1]灰色系統(tǒng)動態(tài)模型群GM（1,1）在秦淮河水質預測中的應用[J]. 胡祉冰,逄勇,宋為威,邵詠絮.  四川環(huán)境. 2019(01)
[2]基于逐步聚類分析的水庫浮游藻類生長預測[J]. 常淳,馮平,孫冬梅,張凱.  中國環(huán)境科學. 2015(09)



本文編號：3304409