CN105868852A - 城市居民日用水量预测方法 - Google Patents

Abstract

本发明公开了一种城市居民日用水量预测方法，基于居民生活用水细节数据，以日为时间尺度，根据居民生活用水时间段类型将数据进行合并，根据合并后的用水数据，在时、日两个时间尺度，对城市居民生活用水进行预测，取得较好的效果。本发明可对分析居民生活用水进行模拟，可为居民提供用水量预测、用水阶梯水价提示等服务；另一方面，通过对某区域内所有用户的日用水量预测，可为供水企业区域供水微观调度提供辅助决策依据，从而降低供水能耗，同时降低与供水压力成正比的管网漏损率。

Description

城市居民日用水量预测方法

技术领域

本发明涉及城市供水技术领域，具体涉及一种城市居民日用水量预测方法。

背景技术

已有一些学者对基于真实数据对进行用水量预测与演变模拟研究，取得较好效果。这些研究以供水企业人工抄表的月度用水量和地方年鉴中年度用水总量为基础，空间尺度涵盖区域、省市、国家等范围，时间尺度多以月、年为主。此类研究为制定宏观经济规划、水资源规划、水资源合理配置、制定节水措施、制定供水企业调度方案等提供数据支持。但这些研究在用水性质、时间尺度、空间尺度、数据精度等方面存在差异。

在实验数据来源方面，国内大部分研究是以人工问卷调查数据为主，这些研究在分析家庭生活用水的规律以及生活用水节水潜力方面具有一定意义。但人工问卷调查数据在精度、准确性、代表性方面受到限制。也有部分学者研究采用真实用水数据，对哈尔滨、太原、包头等城市用水年用水量进行分析与预测，并分析用水量与用水价格、用户收入等因素的关系，取得较好效果。

在空间尺度方面，大部分研究是以全国、省、市或行政区为空间尺度，预测大范围宏观用水量，以上用水数据中包括多种类型的用水，如居民用水、商业用水、工业用水、特种用水等。大范围宏观用水量的预测，可为城市宏观经济发展规划、水资源规划、水资源配置、制定节水措施、城市供水宏观调度等提供决策依据。但以户或小区为空间尺度，对城市居民生活用水量进行预测和演变模拟的研究较少。

在时间尺度方面，国内外大部分研究是以年为时间尺度来预测城市年度用水量，仅有少量学者发表了以月为时间尺度的用水量预测相关成果，例如Shimakawa对日本多个城市的月度用水进行分析、预测与模拟，取得较好效果。

在数据精度方面，目前国内外大多数立方米或万立方米为单位，一方面是由于数据来源、采集技术的限制，另一方面，大时间与空间尺度的用水量模拟研究对数据精度的要求不高。

以年、月为时间尺度的用水预测，无法为每日各时间的供水调度提供依据；而以全国、省、市等为大空间尺度的用水预测，则无法满足微观调度的需求。

发明内容

针对现有技术的不足，本发明的目的在于提供一种城市居民日用水量预测方法，以日为时间尺度，以户为空间尺度，对城市居民生活用水进行预测。

为了实现上述目的，本发明采取的技术方案是：

一种城市居民日用水量预测方法，包括步骤：

通过智能水表获取城市居民的用水数据，并对用水数据进行预处理，预处理的过程包括：提取工作日的用水数据，将工作日的用水时间均分为8个时段，计算每个时段的用水量；

以时段或日为时间尺度预测城市居民的日用水量：

采用下式进行以时段为时间尺度的预测：

V_cal,d,t＝C₁·V_ture,d-1,t+C₂·V_ture,d-5,t

V_cal,d,t代表d日中t时段的用水预测值，V_ture,d-1,t代表d日前一天t时段的真实用水量，V_ture,d-5,t代表上一周同一天t时段的真实用水量，C₁和C₂代表权重；

采用下式进行以日为时间尺度的预测：

$V_{cal,24h,t}=C_1\·\left(\underset{t=-8}{\overset{t=-1}{\mathrm{\Σ}}}{V}_{ture,t}\right)+C_2\·\left(\underset{t=-\mathrm{40}}{\overset{t=-\mathrm{32}}{\mathrm{\Σ}}}{V}_{ture,t}\right)$

V_cal,24h,t代表t时刻起24小时内的用水总量预测数据，V_ture,t代表真实用水数据，为基于前24小时的用水总量，为基于前一周同一天的24小时用水总量，C₁和C₂代表权重。

与现有技术相比，本发明的有益效果在于：

本发明基于居民生活用水细节数据，以日为时间尺度，根据居民生活用水时间段类型将数据进行合并，根据合并后的用水数据，在时、日两个时间尺度，对城市居民生活用水进行预测，取得较好的效果。本发明可对分析居民生活用水进行模拟，可为居民提供用水量预测、用水阶梯水价提示等服务；另一方面，通过对某区域内所有用户的日用水量预测，可为供水企业区域供水微观调度提供辅助决策依据，从而降低供水能耗，同时降低与供水压力成正比的管网漏损率。

附图说明

图1为以15分钟为时间尺度的用水原始数据；

图2为以时段为时间尺度的用水原始数据；

图3为以时为时间尺度的日用水模拟数据与真实数据对比图；

图4为以日为时间尺度的日用水模拟数据与真实数据对比图。

具体实施方式

传统的以年、月为时间尺度的用水预测，无法为每日各时间的供水调度提供依据；而以全国、省、市等为大空间尺度的用水预测，则无法满足微观调度的需求。本发明以城市居民生活用水为分析对象，基于智能水表采集的用水细节数据，以日为时间尺度，以户为空间尺度，对居民生活用水进行预测。传统的每月一次的用水量数据，则无法支撑我们完成以日为时间尺度的用水预测，而智能水表采集的用水细节数据，采集精度和频率都高于现有的远传水表。根据某小区用户的用水细节数据，可以每十五分钟或每日的时间段为时间尺度，将每日用水分为若干代表性时段，并将小区用户前一天的用水数据以及前一周的用水数据，分配相应的权重，从而建立小区居民生活日用水预测模型。

下面介绍本预测方法的具体过程。

一、数据处理

将用水时间类型分为工作日、周末两类，提取出工作日的用水数据作为实验对象。由于一位用户每日用水量数据为96条，为在保证数据代表性的同时，减少数据量，本方法将相邻时间段的用水量合并，将用水时间分为23:00-2:00、2:00-5:00、5:00-8:00、8:00-11:00、11:00-14:00、14:00-17:00、17:00-20:00、20:00-23:00共8个时间段进行分析。表1为各时间段代表的时间类型。

时间段	类型
		23:00-2:00	深夜
2:00-5:00	凌晨
		5:00-8:00	早晨
8:00-11:00	工作
		1:00-14:00	午餐
14:00-17 00	工作
		17:00-20:00	晚餐
20:00-2:00	夜间

表1 时间段类型

二、以时段为时间尺度的城市居民日用水量预测方法

(1)以时段为时间尺度的城市居民工作日用水量预测方法

V_cal,d,t＝C₁·V_ture,d-1,t+C₂·V_ture,d-5,t (1)

V_cal,d,t代表d日中t时段的用水预测值，V_ture,d-1,t代表d日前一天t时段的真实用水量，V_ture,d-5,t代表上一周同一天t时段的真实用水量，优选地，权重值C₁取值0.8，C₂取值0.2。

三、以日为时间尺度的城市居民日用水量预测方法

(1)以日为时间尺度的城市居民工作日用水量预测方法

$V_{cal,24h,t}=C_1\·\left(\underset{t=-8}{\overset{t=-1}{\mathrm{\Σ}}}{V}_{ture,t}\right)+C_2\·\left(\underset{t=-\mathrm{40}}{\overset{t=-\mathrm{32}}{\mathrm{\Σ}}}{V}_{ture,t}\right)---\left(2\right)$

V_cal,24h,t代表t时刻起24小时内的用水总量预测数据，V_ture,t代表真实用水数据，基于前24小时的用水总量，与前一周同一天的24小时用水总量，赋予相应权重，优选地，C₁取值0.8，C₂取值0.2，计算未来24小时的日用水数据。

下面结合一个具体的实施例进一步解释本预测方法。

(1)数据介绍

本实施例的实施地点选择在某居民小区，该小区所有用户都已安装智能水表。本发明采用该小区某用户2014年3月共30天的数据作为实验数据，如图1所示，数据量2880条，数据采集时间间隔为15分钟，数据精度是0.001m³。原始数据如图1所示。

(2)数据处理

本实施例首先对数据进行预处理，在保证数据代表性的同时尽量减少数据量。提取30天中的20个工作日数据，为在保证数据代表性的同时，减少数据量。本研究将相邻时间段的用水量合并，将用水时间分为23:00-2:00、2:00-5:00、5:00-8:00、8:00-11:00、11:00-14:00、14:00-17:00、17:00-20:00、20:00-23:00共8个时间段进行分析，图2为数据合并后的工作日原始数据。

(3)以时段、日为时间尺度的城市居民工作日用水量预测

以20个工作日中的前5天为起算数据，模拟后15天的用水时用水数据，并与该15天的真实用水数据进行比较、验证与分析。按照公式(1)，计算15天中各时段的用水模拟值，以时段为时间尺度的城市居民工作日用水量预测模拟结果与真实用水结果对比如图3所示。按照公式(2)，计算未来15天中24小时的用水总量模拟数据，以日为时间尺度的城市居民工作日用水量预测模拟结果如图4所示。

(4)分析验证

本发明采用了两种验证方法对以上数据进行验证，分别是平均绝对百分差MAPE(Mean Absolute Percentage Error，见公式(3))和相对均方根误差RRMSE(Relative Root Mean Square Error，见公式(4))。

$MAPE=\frac{\frac{1}{n}{\mathrm{\Σ}}_{t=1}^{t=n}|V_{ture,t}-V_{cal,t}|}{V_{ture,t}}\×100\%---\left(3\right)$

$RRMSE=\frac{\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{t=1}^{t=n}{(V_{ture,t}-V_{cal,t})}^2}}{{\stackrel{\‾}{V}}_{ture}}\×100\%---\left(4\right)$

对于以时为时间尺度的城市居民生活日用水模拟数据与真实数据进行比较和误差分析，验证结果如表2所示，MAPE和RRMSE分别在0.96％-2.01％以及0.29％-4.53％之间；在以日为时间尺度的城市居民日用水模拟数据与真实数据进行比较和误差分析，验证结果如表3所示，MAPE和RRMSE分别为1.66％和4.97％，模拟效果较好。

表2 以时段为尺度的居民日用水模拟精度分析

表3 以日为尺度的居民日用水模拟精度分析

综上，本发明通过对城市居民生活用水进行模拟，为居民提供用水量预测、用水阶梯水价提示等服务；另一方面，通过对某区域内所有用户的日用水量预测，可为供水企业区域供水微观调度提供辅助决策依据，从而降低供水能耗，同时降低与供水压力成正比的管网漏损率。

上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。

Claims (3)

1.一种城市居民日用水量预测方法，其特征在于，包括步骤：

通过智能水表获取城市居民的用水数据，并对用水数据进行预处理，预处理的过程包括：提取工作日的用水数据，将工作日的用水时间均分为8个时段，计算每个时段的用水量；

以时段或日为时间尺度预测城市居民的日用水量：

采用下式进行以时段为时间尺度的预测：

V_cal,d,t＝C₁·V_ture,d-1,t+C₂·V_ture,d-5,t

V_cal,d,t代表d日中t时段的用水预测值，V_ture,d-1,t代表d日前一天t时段的真实用水量，V_ture,d-5,t代表上一周同一天t时段的真实用水量，C₁和C₂代表权重；

采用下式进行以日为时间尺度的预测：

$V_{cal,24h,t}=C_1\·\left(\underset{t=-8}{\overset{t=-1}{\mathrm{\Σ}}}{V}_{ture,t}\right)+C_2\·\left(\underset{t=-40}{\overset{t=-32}{\Σ}}{V}_{ture,t}\right)$

V_cal,24h,t代表t时刻起24小时内的用水总量预测数据，V_ture,t代表真实用水数据，为基于前24小时的用水总量，为基于前一周同一天的24小时用水总量，C₁和C₂代表权重。

2.根据权利要求1所述的城市居民日用水量预测方法，其特征在于，

所述8个时段分别为23:00-2:00、2:00-5:00、5:00-8:00、8:00-11:00、11:00-14:00、14:00-17:00、17:00-20:00、20:00-23:00。

3.根据权利要求1或2所述的城市居民日用水量预测方法，其特征在于，

权重C₁取值0.8，C₂取值0.2。