(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210996244.4 (22)申请日 2022.08.18 (71)申请人 长沙学院 地址 410022 湖南省长 沙市开福区洪山 街 道洪山路98号 (72)发明人 杨波　杨东俊　陈曦　 (74)专利代理 机构 湖南企企卫知识产权代理有 限公司 43257 专利代理师 任合明 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G01N 33/18(2006.01) (54)发明名称 生态敏感区输变电建设工程水环境监测与 影响评估方法 (57)摘要 本发明涉及输变电环 境影响评价领域， 尤其 涉及一种生态敏感区输变电建设工程水环境监 测与影响评估方法； 该方法通过监测纳污水体的 水环境指标， 构建上述指标随时间变化的时间序 列， 同时采样对应时刻的纳污 水体的流速、 水温、 水位等水文指标， 形成多指标向量历史时间序 列， 通过对 该时间序列历史样 本数据的学习构建 非线性映射网络， 据此预测下一时刻的多指标向 量值， 通过校核多指标向量预测值与生态敏感区 水环境监测阈值的偏离度， 判断输变电建设工程 是否对纳污水体产生环境影 响及评估影 响程度， 为生态敏感区输变电建设工程水环境精准监测 和保护提供有效的技 术手段。 权利要求书3页 说明书7页 附图5页 CN 115358463 A 2022.11.18 CN 115358463 A 1.生态敏感区输变电建设工程水环境监测与影响评估方法， 其特征在于， 该方法分为 以下步骤： S1、 在监测断面和采样点处获取输变电建设工程纳污水体的水环境指标， 包括pH值、 COD、 BOD5、 NH3‑N和石油类， 构成水环境指标时间序列： Xt＝{x1， t， x2， t， x3， t， x4， t， x5， t}＝{xl， t| l＝[1， 2， …， 5]}， 其中t为采样时刻， t∈[1， 2， …， T]， T表示最大采样时刻， l为第l个水环境 指标xl， t的编号， x1， t表示pH值， 无量纲； x2， t表示化学需氧量COD， 单位为毫克每升； x3， t表示 五日生化需氧量BOD5， 单位为毫克每升； x4， t表示氨氮含量NH3‑N， 单位为毫克每升； x5， t表示 石油类， 单位 为毫克每升； S2、 在监测断面和采样点处获取输变电建设工程纳污水体的水文指标， 包括水位、 水 温、 流速， 构成水文指标时间序列： Yt＝{Ht， Ct， Vt}， 其中t为采样时刻， t∈[1， 2， …， T]， Ht表 示水位， 单位 为米； Ct表示温度， 单位 为摄氏度； Vt表示水流速度， 单位 为米/秒； S3、 通过水环境指标时间序列和水文指标时间序列构建输变电建设工程纳污水体多指 标向量历史时间序列： M＝{Mt|t∈[1， 2， …， T]} 其中Mt＝{X′t， Yt}， X′t为Xt的子集即 X′t由水环境影响评价因子pH值、 COD、 BOD5、 NH3‑N和石油类中的一个或多个指标构 成， 具体指标个数根据采集监测技术条件和生 态敏感区环保监管要求综合确定； S4、 根据多指标向量历史时间序列M＝{Mt|t∈[1， 2，…， T]}构建输入 ‑输出映射； 设N为 输入‑输出映射的输入维数且N＜＜T， 则多指标向量历史 时间序列M可以构建T ‑N个输入‑输 出映射： (M1， M2，…， MN)→MN+1 (M2， M3，…， MN+1)→MN+2 … (MT‑N， MT‑N+1，…， MT‑1)→MT 因此， 上述输入 ‑输出映射如下： (Ms， Ms+1，…， Ms+N‑1)→Ms+N， s∈[1， 2， …， T‑N] s表示第s个输入 ‑输出映射的编号， 取值为[1， 2， …， T‑N]之间的整数； (Ms， Ms+1，…， Ms+N‑1)表示第s个输入 ‑输出映射的输入， Ms+N表示第s个输入 ‑输出映射的预期输出； S5、 构建基于多指标向量历史时间序列的输变电建设工程水环境指标非线性映射网络 预测模型， 该模型输入为输入 ‑输出映射的输入， 输出为预测时刻的多指标向量预测值； 非线性映射网络预测模型采用输入层 ‑隐藏层‑输出层的分层结构： 在输入层中， 非线 性映射网络预测模型的输入为第s个输入 ‑输出映射的输入(Ms， Ms+1，…， Ms+N‑1)； 在输出层 中， 该模型的输出为第s+N个预测时刻的多指标向量预测值 在隐藏层中， 隐藏层节点 数等于输入 ‑输出映射的输入维数N， 第n个节点记为Un， n∈[1， 2， …， N]； 对于第n个节点， 采 用f， i， g和o四个神经元实现对时间序列的长期 趋势和短期波动的协调记忆， 对应的神经元 输出为： fn＝σ(wfZn+RfHn‑1+bf) in＝σ(wiZn+RiHn‑1+bi) gn＝ δ(wgZn+RgHn‑1+bg)权　利　要　求　书 1/3 页 2 CN 115358463 A 2on＝σ(woZn+RoHn‑1+bo) 其中fn， in， gn和on分别为f， i， g和o四个神经元的激励输出， σ( ·)和δ(·)分别为 sigmoid和tanh函数， bf， bi， bg和bo分别为f， i， g和o四个神经元的偏差， wf， wi， wg和wo分别为 f， i， g和o四个神经元的输入权重， Rf， Ri， Rg和Ro分别为f， i， g和o四个神经元的回归权重； 根 据该模型， 第n个节点Un的长期记 忆Cn和短期记 忆Hn分别计算如下： 其中Hn‑1和Cn‑1分别表征第n ‑1个节点Un‑1的短期记 忆和长期记 忆； 当n＝N时， 则有： 这表示第N个节点UN的输出HN可以通过迭代计算获得， 此时的HN就是第s+N个预测时刻 的多指标向量预测值 S6、 根据T ‑N个输入‑输出映射对输变电建设工程水环境指标非线性映射网络预测模型 进行训练， 辨识该模型参数； 具体如下： S4中根据多指标向量历史时间序列M＝{Mt|t∈[1， 2，…， T]}构建了T ‑N个输入‑输出映 射： (Ms， Ms+1，…， Ms+N‑1)→Ms+N， s∈[1， 2， …， T‑N] S5中根据输变电建设工程水环境指标非线性映射网络预测模型并设置该模型的输入 为输入‑输出映射的输入(Ms， Ms+1，…， Ms+N‑1)， 该模型的输出为第s+N个预测时刻的多指标向 量预测值 待辨识的模型参数为 W： W＝{Wi， Wr， b} Wi＝{wf， wi， wg， wo} Wr＝{Rf， Ri， Rg， Ro} b＝{bf， bi， bg， bo} 其中， Wi表示f， i， g和 o四个神经元 的输入权重wf， wi， wg和wo的集合； Wr表示f， i， g和 o四 个神经元的回归 权重Rf， Ri， Rg和Ro的集合， b表示f， i， g和o四个神经元的偏差bf， bi， bg和bo的 集合； 模型参数W的辨识过程如下： 首先计算该模型的训练误差 Etrain： 确定该模型的损失函数J(W)为： α 为调整因子， 迭代计算时用于在优先优化训练误差Etrain(J(W)表达式等号右侧的第一 项)和优先优化模型参数W(J(W)表达式等 号右侧的第二项)中进行权衡； 然后采用下式迭代计算确定模型参数W：权　利　要　求　书 2/3 页 3 CN 115358463 A 3