(1)目标水域的在线监测系统。
在线监测系统包括数据采集系统、数据传输系统、安全系统以及监控中心；监控中心包含数据库及管理软件，数据库中存储有入湖河流及目标水域的水文、气象、水质数据。
在线监测系统在ti时刻观测目标水域气象、水质，以及入湖河流的水文、水质常规监测指标，t表示观测日期，i为时间序列，i=0，1，…；ti=ti-1+T；T定义为流域水利系统进行水量联合调度所需的时间。
假设ti时刻后T时间内的目标水域的水质，入湖河流流量、水质均保持不变。例如：若在3日、13日、23日……进行在线观测，则调度时间为10天。
(2)目标水域高精度水环境模型的率定。
利用在线监测系统观测得到的数据，率定和优化目标水域高精度水环境模型的参数，提高模型对目标水域的模拟准确性。
(3)建立神经网络模型。
BP网络是一种多层前馈神经网络。神经元的激励函数为S形函数，输出量为0到1之间的连续量，可以实现从输入到输出的任意的非线性映射。网络各层连接权值的调整是利用实际输出与期望输出之差，对网络的各层连接权由后向前逐层进行校正(Back-Propogation学习算法)。
神经网络模型建立的工具为“Matlab2010b”。
①初步建立由入湖河流ti-1时刻水文、水质数据推求入湖河流ti时刻总氮、总磷浓度的神经网络模型(Ⅰ)。
图4.27
②初步建立由ti-1时刻目标水域水质数据，ti时刻目标水域总磷、总氮、叶绿素a浓度，ti时刻入湖河流总氮和总磷浓度推求ti时刻入湖河流流量的神经网络模型(Ⅱ)。
③利用在线监测系统中的数据库数据，训练上述两个神经网络模型，完成神经网络模型的构建。(www.xing528.com)
理论上，用以训练神经网络模型的数据越多，则神经网络模型的预测准确性就越高。
如果在线监测系统运行时间较短(例如只有1年)，导致积累的数据较少(建立水质神经网络模型一般需要多年观测数据)，则由目标水域时空高精度模拟模型按假设河流补水情景提供入湖河流的补水水量、水质与目标水域水质响应之间的对应数据，作为神经网络模型(Ⅱ)的初期训练数据的补充。
如果在线监测系统运行时间在5年以上，则可以完全依靠数据库累积的大量数据，进行神经网络模型(Ⅱ)及神经网络模型(Ⅰ)的训练，建立起预测准确性高的神经网络模型。
(4)建立入湖河流的流量调度系统。
利用在线监测系统、神经网络模型及目标水域高精度水环境模型，提出入湖河流在调度时间T内的入湖流量值，由流域水资源联合调度，实现入湖河流对目标水域的定量化补水，具体步骤如下。
①利用在线监测系统获得当前ti时刻补水河流的水质数据，再利用建立的神经网络模型(Ⅰ)推求未来ti+1时刻的河流总氮和总磷浓度。
②假设目标水域在未来ti+1时刻的总氮、总磷及叶绿素a浓度为目标水域的控藻目标和水质目标(示范工程的水质考核指标)。
③基于在线监测系统在ti时刻的目标水域水质监测数据，设定的目标水域ti+1时刻的总氮、总磷及叶绿素a浓度，以及获得的补水河流的ti+1时刻总氮和总磷浓度值，利用建立的神经网络模型(Ⅱ)，推求补水河流ti+1时刻流量值，得到补水河流在ti时刻后T时间段内的调度流量的初步值。
④利用目标水域的时空高精度水环境模拟模型校核调度流量的初步值。
以初步调度流量、ti+1时刻的补水河流的总氮和总磷浓度作为边界条件运行目标水域的时空高精度水环境模拟模型，计算ti+1时刻及其后续调度时间T目标水域的氮、磷浓度及叶绿素a浓度。
如果计算结果与目标水域的水质目标有偏差，则小幅度调整初步调度流量重新模拟计算；当模拟结果达到水质目标时，则计算中采用的ti+1时刻的入湖流量值，即作为ti+1时刻及其后续调度时间T内的补水河流的调度流量值。
⑤将ti+1时刻的调度流量传递给流域水资源联合调度平台，实现ti+1时刻及其后续调度时间T的入湖流量。
以上各步骤所论及的“目标水域水质”指湖泊水体常规的水质观测指标。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
