CN1097829A - 配水流量预测装置 - Google Patents

Abstract

一种配水流量预测装置。其中包括实际气象数 据处理构件；配水流量数据处理构件；用反向传播法 学习加权系数来认定预测模型的各季节预测方式学 习构件；自过去的实际配水流量变化图检索最相似的 配水流量变化图作为预测图，并让预测的配水流量之 值乘以预测图之值来预测配水流量的各季节配水流 量预测构件。它具有学习配水流量实际数据的能力， 能预测各季节中每天配水流量及一天中通过的每小 时配水流量。

Description

本发明涉及预测由供水系统设施中的净水厂或配水池配水的配水流量的配水流量预测装置，尤其是关于采用神经网络模型的配水流量预测装置。

供水系统中，要自山间部分的水坝式蓄水池、河流取原水，并通过引水道将所取的水送至净水厂。从取水口引水至净水厂得化很长时间。又因净水厂内净水过程中的凝聚、沉淀或过滤，在原理上会产生很大时延，不易运用反馈使取水至配水的过程对应配水流量的变化，所以需要先预测当天的配水流量，制订供水系统设施中的取水至配水的用水计划。

配水流量，受1）季节、2）天气、气温等气象条件、3）星期天、节日、五月连休、暑假、正月假等特殊日等的社会生活条件等影响而变化。

因此，以往为制定供水系统设施中的取水至配水的用水计划，要以统计方法鉴定配水流量的实际数据，逐次以单位时间预测配水流量。

然而，以往技术中，某种意义上说，由于逐次预测方式，不能预先制定一天中流过的用水计划。又因为没有将日常所得的实际数据作为启示信号的学习能力，不能有效利用过去的配水流量实际数据，也不能跟踪季节的需要变动、人口流动、安设管道等引起的长期性结构变动。结果，得靠专家、工厂操作人员安排日常的用水。

为此，本发明的目的是要提供一种解决上述以往技术所存在的问题、具有学习实际配水流量数据的学习能力，能预测各季节中以日为单位的配水流量（以下简称每天配水流量）以及1天中通过的以小时为单元的配水流量（以下简称为每小时配水流量）的配水流量预测装置。

本发明配水流量预测装置，是预测由供水系统设施中净水厂等配水的当天每小时配水流量的配水流量预测装置，其特征是具有①根据所积累的过去实际气象数据以及是平日还是假日的信息，对各个季节处理气象实况的各季节实际气象数据处理构件;②根据日常所得每小时配水流量实际数据，对各季节处理配水流量实况的各季节配水流量数据处理构件;③与用神经网络模型对各季节预测每天配水流量和每小时配水流量变化图特征量的预测模型相关连，通过根据上述各季节实际气象数据处理构件和上述各季节配水流量数据处理构件所获得的处理数据，用反向传播（back propagation）法学习加权系数来鉴定上述预测模型的各季节预测模型学习构件;④通过输入天气、气温、平日或假日等当天的信息，用上述预测模型预测该季节的每天配水流量和每小时配水流量变化图特征量，同时通过将用预测模型获得的每小时配水流量变化图特征量同各季节配水流量数据处理构件内的过去实际配水流量变化图特征量作比较，由过去实际配水流量变化图检索最相似的每小时配水流量变化图，将其作为每小时配水流量变化预测图求出，并让预测的上述每天配水流量之值与上述每小时配水流量变化预测图之值这两个预测值相乘，从而预测每小时配水流量的各季节配水流量预测构件。

本发明在根据过去的实际气象数据及每小时实际配水流量数据对各季节处理实际气象数据的同时，抽取并积累每天配水流量及每小时配水流量变化图特征量。

使用神经网络，把对各季节积累的每天配水流量及每小时配水流量变化图的特征量作为启示信号（输出），同时将各对应日的天气、气温等气象实况和是平日还些假日等信息作为输入，再用反向传播法学习加权系数，从而获得预测配水流量与每小时配水流量变化图特征量的神经网络预测模型。

一方面通过输入天气、气温、平日或假日等的当天信息，选择预测该季节的每天配水流量及每小时配水流量变化图特征量的预测模型，并以此选择的预测模型预测每天配水流量。另一方面通过将由此选择的预测模型所获得的每小时配水流量变化图特征量同过去的实际配水流量变化图特征量作比较，从过去的实际配水流量变化图检索最相似的每小时配水流量变化图，将其作为每小时配水流量变化预测图。由于所得每小时配水流量变化预测图，仅将每小时配水流量变化图归一化后示出，为了求得实际的每小时配水流量，要让每天配水流量值与每小时配水流量变化图预测值此两个预测值相乘，来预测当天的每小时配水流量。

图1是表示本发明配水流量预测装置概要结构的方框图。

图2是详细表示图1中主要结构的方框图;

图3表示流量变化图特征量;

图4说明神经网络的结构;

图5说明检索相似配水量变化图的方法。

图中有关标号之含义如下。1：配水池、2：配水流量检测器、3：处理接口（输入装置）、4：CRT、5：人机接口（输入输出装置）、6：运算装置、21：各季节实际气象数据处理构件、22：各季节预测模型学习构件、23：各季节预测模型学习构件、24：各季节配水流量预测构件。

以下参见附图详细说明本发明一实施例。

图1为表示本发明一实施例概要结构的方框图。图中，由净水厂送来的自来水自配水池出发经配水管7自然流下后，配水至用户。在上述配水管7上设置检测配水流量的配水流量检测器2。该配水流量检测器2所测得的配水流量检测值经处理接口（输入装置3）输入至运算装置6。

还有，由人机接口（输入输出装置）5向运算装置6输入气象预报、实际气象数据、是平日还是假日、参数设定值（用于相似变化图检索的参数等），再将运算装置6算出的当天每小时配水流量预测结果输出至阴极射线管（CRT）。并将输入的当天气象实况积累到实际气象数据11中。

运算装置6具有处理每小时实际配水流量数据12的各季节配水流量数据处理构件22、处理实际气象数据11的各季节实际气象数据处理构件21、鉴定神经网络预测模型的各季节预测模型学习构件23以及预测当天配水流量的各季节配水流量预测构件24。

以下参见图1、图2、图3、图4说明运算装置6内所装的四个构件，并说明神经网络的所需预测是如何进行的。

[A]各季节实际气象数据处理构件21

图1中通过人机接口（输入输出装置）5输入的信息（例如某特定的上午、下午的天气及最高气温、最低气温等气象实况，以及平日/假日等]，积累到实际气数据11中。

如图2所示，所积累实际气象数据送入各季节实际气象数据处理构件21，作为神经网络的输入，由各季节实际气象数据处理31对各季节作以下所示的处理。

季节方面，将过去K年间的数据每年划分为以下那样。

〈季节1〉……1月-3月  （1）

〈季节2〉……4月-6月

〈季节3〉……7月-9月

〈季节4〉……10月-12月

各季节都进行以下所示处理，但表示各季节的尾标因示式烦琐而省略。

有关天气的信息，则将某特定日及其前一天（即两天）的上、下午天气分别作为神经网络的输入信息，表示方法是将晴、云、雨按如下所示那样变换成模拟量。

晴→a

云→b  （2）

雨PFY

其中，a、b、c为-1-1的模拟量。

至于最高·最低气温，如下所述那样变换成模拟量。根据实际的最高气温计算平均值与方差值。

$\max =\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\Θ}\max \left(i\right)/n--\left(3\right)$

式中，Θmax（i）：i日的实际最高气温[℃]

max：平均最高气温[℃]

σθmax：最高气温的方差[℃]

n：数据数

接着，以下式计算相对平均最高气温的偏差。

（5）

式中，

max（i）：相对i日平均最低气温的偏差。

根据实际最低气温计算平均值与方差值。

$\min =\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\Θ}\min \left(i\right)/n--\left(6\right)$

（7）

式中，Θmin（i）：i日的实际最低气温[℃]

min：平均最低气温[℃]

σθmin：最低气温的方差[℃]

n：数据数

接着，以下式计算相对平均最低气温的偏差。

（8）

式中，

min（i）：相对i日平均最低气温的偏差。

接着，用以下所示的模拟量表示有关平日或假日的信息。

平日  d  （9）

假日  e

其中，d、e为-1-1的模拟量。

如上所述获得的输入信息积累到实际气象处理数据41中，用来作为鉴定神经网络预测模型时的输入信息。

[B]各季节配水流量数据处理构件22

通过处理接口（输入装置）3输入的每小时配水流量检测值积累到每小时实际配水流量数据12中。预测模型的启示信号（输出），经每天数据处理32处理每小时实际配水流量数据12后，积累在每天的配水流量归一化值42中。另外，每小时配水流量变化图特征量预测模型的启示信号（输出），经每小时数据处理33处理每小时实际配水流量数据12后，由每小时配水流量变化图特征量抽取34抽取特征量，在变化图特征量43中积累所取的特征量。再把经每小时数据处理33归一化的每小时配水流量变化图与经每小时配水变化图特征量抽取34所取的每小时配水流量图特征量积累到变化图44中。

下面，介绍每天及的配水流量数据的处理方法。

如图2所示，通过每天数据处理32对各季节把成为神经网络的启示信号的每天配水流量归一化值42作如下处理。

$Q\left(i\right)=\underset{j=0}{\overset{23}{\mathrm{\Σ}}}\mathrm{Qh}(i,j)--\left(10\right)$

Qt(i)=［Q(i)-Qmin]/(Qmax-Qmin)  （11）

式中，

Qh（i，j）：i日j时的实际每小时配水流量[m³/小时]

Q（i）：i日的实际配水流量 [m³/日]

Qmax：最大的日配水流量 [m³/日]

Qmin：最小的日配水流量 [m³/日]

Qt（i）：经归一化的i日配水流量

用（11）归一化的日配水流量积累到各季节每天配水流量归一化值42中。

接着，说明作为神经网络的启示（输出）信号的每小时配水流量变化图特征量。

每小时数据处理33中，将实际每小时配水流量数据如下式所示那样归一化。

$\mathrm{Qh}-n(i,j)=\frac{\mathrm{Qh}(i,j)}{\underset{j=0}{\overset{23}{\mathrm{\Σ}}}\mathrm{Qh}(i,j)}\left(12\right)$

式中，Qh（i，j）：i日j时的实际每小时配水量[m³/小时]

Qh-n（i，j）：i日j时的每小时配水流量归一化值[%]

算出的每小时配水流量归一化值积累变化图44中。

以上参见图3说明i日的每小时配水流量图中抽取的每小时配水流量变化图特征量。

图3示出i日的经归一化的每小时配水流量变化图。图3中十如下那样求出每小时配水流量变化图的整个上午的峰值和下午的峰值、整个上午的配水量上升斜率和下午的配水量上升斜率。

Pam（i）＝Qh-n（i，t₁） （13）

Ppm（i）＝Qh-n（i，t₂） （14）

Kam（i）＝ (Qh-n(i,t₄)-Qh-n(i,t₃))/(t₄-t₃) （15）

Kpm（i）＝ (Qh-n(i,t₆)-Q(i,t₅)n-h)/(t₆-t₅) （16）

式中，Qh-n（i，t₁）：i日t₁时的归一化每小时配水流量[%]

Qh-n（i，t₂）：i日t₂时的归一化每小时配水量 [%]

Qh-n（i，t₃）：i日t₃时的归一化每小时配水量 [%]

Qh-n（i，t₄）：i日t₄时的归一化每小时配水量 [%]

Qh-n（i，t₅）：i日t₅时的归一化每小时配水量 [%]

Qh-n（i，t₆）：i日t₆时的归一化每小时配水量 [%]

Pam（i）：i日上午的峰值  [%]

Ppm（i）：i日下午的峰值  [%]

Kam（i）：i日上午的配水量上升斜率  [%]

Kpm（i）：i日上午的配水量上升斜率  [%]

对每个季节进行上述计算，抽取的特征量积累到变化图积累44及变化图特征量43中。

[C]各季节预测模型学习构件23

根据以这些方法积累的每天配水流量归一化值42及变化图特征量43，用各季节预测模型学习构件23对各季节进行每天配水流量预测模型和每小时配水流量变化图特征量预测模型的神经网络加权系数的学习。

首先，如图4所示，神经网络的结构为输入层、中间层和输出层3层结构。输入方面，每天的配水流量及每小时配水流量变化图预测模型都以某特定日及其前一日的上午·下午的天气、该日的最高·最低气温、是平日还是假日等作为输入信息设定为输入层的神经元。

另外，在每天配水流量预测模型的情况下，启示数据作为每天配水流量归一化值42，其设定为输出层的神经元。在每小时配水流量变化图预测模型的情况下，启示数据作为变化图特征量43，将其设定为输出层的神经元。

用反向传播法学习神经网络神经元之间的加权系数。此学习的结果，所获得的每天配水流量预测模型和每小时配水流量变化图预测模型的加权系数分别作为每天的预测加权系数45和变化图特征量预测加权系数46被积累。

其中，所谓反向传播法就是相对分层式结构的神经网络，网络误差由输出层向输入层反向传播过去的学习方式。

以下说明其学习过程。但是，这里为避免示式的烦琐，省去表示每天与每小时的区别和各季节的区别的尾标。

步骤1：向输入层输入实际天气·气温、是平日还是假日等信息，并按下面神经元模型运算中间层和输出层。中间层的第j神经元的输出Hj为：

$\mathrm{Hj}=f(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\mathrm{Wij}\·\mathrm{Ii})(j=1,\…\…m)--\left(17\right)$

式中，Ii：输入层第i神经元的输出

Wij：输入层第i神经元与中间层第j神经元的加权系数

l：输入层数

m：中间层数

f（）：中间层的阈值函数

输出层的第K神经元的输出OK

$\mathrm{CK}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{Wjk}\·\mathrm{Hj}(K=1,\·\·\·\·\·\·,n)--\left(18\right)$

式中，Wjk：中间层第j神经元与输出层第K神经元的加权系数

m：中间层数

n：输出层数

步骤2：修正并学习网络的加权系数，使输出层的第K神经元的输出OK与输出层的第K神经元的启示信号的平方误差之和为最小。中间层与输出层的加权系数的学习是计算下式的△Wjk，修正Wjk。

Wjk（t+1）＝Wjk（t）+△Wjk（t）  （19）

△Wjk（t）＝-ε·dk（t）·Hj（t）  （20）

dk（t）＝Ok（t）-yk（t） （21）

式中，t：学习次数

ε：决定1次修正量的参数

dk：输出层的误差

输入层与中间层的加权系数的学习是计算下式的△Wij，修正Wij。

Wij（t+1）＝Wij（t）+△Wik（t）  （22）

△Wij（t）＝-ε·dj（t）·Ii（t）  （23）

$\mathrm{dj}\left(t\right)=[\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{Wjk}\left(t\right)\·\mathrm{dk}\left(t\right)]\·f[\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\mathrm{Wij}\left(t\right)\·\mathrm{Ii}\left(t\right)]$ （24）

dj：中间层的反向传播误差

f′（）：f（）的微分

还有，为减少振动，尽早结束学习，使用下式。

△Wjk（t）＝-εdk（t）·Hj（t）+α·△Wjk（t-1）  （25）

△Wij（t）＝-ε·dj（t）·Ii（t）+α·△Wij（t-1）  （26）

式中，α为稳定用的参数。

此学习的结束，所得的加权系数被积累到每天预测加权系数45中和变化图特征量预测加权系数46中。

[D]各季节配水流量预测构件24

下面说明预测当天每小时配水流量的各季节配水流量预测构件24。根据输入的前一天上午·下午的实际天气及当天的天气·气温的预报值和是平日还是假日等信息，采用积累在上述每天预测加权系数45和变化图特征量预测加权系数46中的加权系数，随着神经网络的运算，由各季节每天配水流量预测36和各季节每小时配水流量变化图特征量预测37计算每天配水流量预测模型及每小时配水流量变化图预测模型的输出层之值。

运算结果，所得到的每小时配水流量预测值为归一化值，所以用各季节每天配水流量预测36变换成当天的配水流量。

还有，对于表示运算结果所得的每小时配水流量变化图特征量的输出信息，在相似变化图检索38中，按下式从变化图44中检索具有最相似的特征量的变化图。

I（i）＝|Pam′-Pam（i）|+|Ppm′-Ppm（i）|+|Kam′-Kam（i）|+|Kpm′-Kpm（i）|

（i＝1，……，n）  （27）

式中：Pam′：上午配水量的峰值（神经网络的预测值）

Ppm′：下午配水量的峰值（神经网络的预测值）

Kam′：上午配水量的上升斜率（神经网络的预测值）

Kpm′：下午配水量的上升斜率（神经网络的预测值）

Pam（i）：i日上午的配水量峰值

Ppm（i）：i日下午的配水量峰值

Kam（i）：i日上午的配水量上升斜率

Kpm（i）：i日下午的配水量上升斜率

n：检索数据数

I（i）：预测值与过去的i日实际值的相似值

将由（27）式算出的预测值和i日实际值各特征量的偏差绝对值之和（相似值）为最小的那天的每小时配水流量变化图预测值作为当天的每小时配水流量变化图（见图5）。

此预测的当天配水流量变化图，通过乘以上述预测的每天配水流量预测值，再经至每小时配水流量的变换39进行处理后，输出至CRT4。

通过添加上午·下午的峰值之比来替代上述（27）式，能更准确地检索到每小时配水流量变化图。此时，计算相似值的公式为下式所示。

I（i）＝|Pam′-Pam（i）|+|Ppm′-Ppm（i）|+|Kam′-Kam（i）|+|Kpm′-Kpm（i）|+|Cap′-Cap（i）|

（i＝1，……，n）  （28）

式中：Pam′：上午配水量的峰值（神经网络的预测值）

Ppm′：下午配水量的峰值（神经网络的预测值）

Kam′：上午配水量的上升斜率（神经网络的预测值）

Kpm′：下午配水量的上升斜率（神经网络的预测值）

Cap′：上午·下午的峰值比（神经网络的预测值）

Pam（i）：i日上午的配水量峰值

Ppm（i）：i日下午的配水量峰值

Kam（i）：i日的上午配水量上升斜率

Kpm（i）：i日的下午配水量上升斜率

Cap（i）：i日的上午·下午的峰值比

n：检索数据数

I（i）：预测值与过去i日实际值的相似值

将由（28）式算出的预算值与i日实际值各特征量的偏差绝对值之和（相似值）为最小那天的每小时配水流量变化图预测作为当天的每小时配水流量变化图。

此预测的当天配水流量变化图，通过乘以上述预测的每天配水流量预测值，经至每小时配水流量的变换39进行处理后，输出至CRT4。

抽取上述特征量过程中，通过再添加整个上午的峰值出现时间和下午的峰值出现时间，能更准确地预测每小时配水流量变化图。此时，计算相似值的公式为下式所示。

I（i）＝|Pam′-Pam（i）|+|Ppm′-Ppm（i）|+|Kam′-Kam（i）|+|Kpm′-Kpm（i）|+|Cap′-Cap（i）|+|Pamt′-Pamt（i）|+|Ppmt′-Ppmt（i）|

（i＝1，……，n）  （29）

式中：Pam′：上午配水量的峰值（神经网络的预测值）

Ppm′：下午配水量的峰值（神经网络的预测值）

Kam′：上午配水量的上升斜率（神经网络的预测值）

Kpm′：下午配水量的上升斜率（神经网络的预测值）

Cap′：上午·下午的峰值比（神经网络的预测值）

Pamt′：整个上午的峰值出现时间（变换为-1-1的值）（神经网络的预测值）

Pamt′：下午的峰值出现时间（变换为-1-1的值）（神经网络的预测值）

Pam（i）：i日上午的配水量峰值

Ppm（i）：i日下午的配水量峰值

Kam（i）：i日的上午配水量上升斜率

Kpm（i）：i日的下午配水量上升斜率

Cap（i）：i日的上午·下午的峰值比

Pamt（i）：i日整个上午的峰值出现时间（变换为-1-1的值）

Ppmt（i）：i日下午的峰值出现时间（变换为-1-1的值）

n：检索数据数

I（i）：预测值与过去i日实际值的相似值

将由（29）式算出的预测值与i日实际值各特征值的偏差绝对值之和（相似值）为最小的那天的每小时配水流量变化图预测作为当天的每小时配水流量变化图。

此预测的当天配水流量变化图，通过乘以上述预测的每天配水流量预测值，经至每小时配水流量的变换39进行处理后，输出至CRT4。

计算上述相似值的式中，通过对各特征量的偏差绝对值加权，能明确想要加以重视的特征量，能进行具有较活灵活性的指标值计算。此时的相似值计算公式为下式所示。

I（i）＝W1＊|Pam′-Pam（i）|+W2＊|Ppm′-Ppm（i）|+W3＊|Kam′-Kam（i）|+W4＊|Kpm′-Kpm（i）|+W5|Cap′-Cap（i）|+W6＊|Pamt′-Pamt（i）|+W7＊|Pamt′-Ppmt（i）|

（i＝1，……，n）  （30）

式中：Pam′：上午配水量的峰值（神经网络的预测值）

Ppm′：下午配水量的峰值（神经网络的预测值）

Kam′：上午配水量的上升斜率（神经网络的预测值）

Kpm′：下午配水量的上升斜率（神经网络的预测值）

Cap′：上午·下午的峰值之比（神经网络的预测值）

Pamt′：整个上午的峰值出现时间（变换为-1-1的值）（神经网络的预测值）

Pamt′：下午的峰值出现时间（变换为-1-1的值）（神经网络的预测值）

Pam（i）：i日上午的配水量峰值

Ppm（i）：i日下午的配水量峰值

Kam（i）：i日的上午配水量上升斜率

Kpm（i）：i日的下午配水量上升斜率

Cap（i）：i日的上午·下午的峰值比

Pamt（i）：i日整个上午的峰值出现时间（变换为-1-1的值）

W1：表示对上午配水量峰值加权的参数

W2：表示对下午配水量峰值加权的参数

W3：表示对上午配水量上升斜率加权的参数

W4：表示对下午配水量上升斜率加权的参数

W5：表示对上午·下午的峰值之比加权的参数

W6：表示对整个上午的峰值出现时间加权的参数

W7：表示对下午峰值出现时间加权的参数

n：检索数据数

I（i）：预测值与过去i日实际值的相似值

W1-W7是表示对各配水流量变化图的特征，重视哪些信息的参数，为0-1的模拟量。此参数，通过人机接口（输入输出装置）5，由操作员输入。另外，每小时配水流量图的特征量也可以包括自图3所示的每小时配水流量的上午及下午的上升点起至所规定时间为止的累计值。

接着，说明本实施例的作用。

在根据过去实际气象数据11和每小时实际配水流量数据12对各季节处理实际气象数据的同时，抽取并积累每天配水流量和每小时配水流量变化图的特征量。

使用神经网络，把各季节积累的每天配水流量和每小时配水流量变化图的特征量作为启示信号（输出）同时，将各对应日天气、气候等气象实况和是平日还是假日等信息作为输入，再用反向传播法学习加权系数，因而通过各季节预测模型学习构件23能获得预测每天配水流量和每小时配水流量变化图特征量的神经网络预测模型。

通过输入天气、气温、是平日还是假日等当天的信息，选择预测该季节的每天配水流量与每小时配水流量变化图特征量的预测模型后，用所选择的预测模型预测每天配水流量。另一方面，通过将用所选择预测模型所获得的每小时配水流量变化图特征量与过去实际配水流量变化图特征量作比较，根据过去实际配水流量变化图检索最相似的每小时配水流量变化图，将其预测作为每小时配水流量变化预测图。由于预测的每小时配水流量变化预测图仅将每小时配水流量变化图归一化后示出，为了求得实际的每小时配水流量，通过让每天配水流量值与每小时配水流量变化图预测值这两个预测值相乘，预测当天的每小时配水流量。

若利用本实施例的结构，则由于具有学习配水流量的实际数据的能力，能对各季节预测每天配水流量和一整天通过的每小时配水流量，所以能依据季节、星期几，气象条件等有计划地进行既经济又稳定的供水。

再有，上述实施例中，说明了让根据实际配水量学习每小时配水量图，预测当天的每小时配水量图的装置，但本发明不只限于此，还可为下述变形系统。

即，预测每小时配水流量变化图时，原是预测以小时为单元的变化图，然而代之以较短的单位时间也可，例如可预测每30分钟的变化图等，还可以预测将单位时间进一步分短的变化图。而且，就季节而言，不必是四季中的实际季节，也可以是比短的单位时间相对长的单位时期，例如也可以是月。

综上所述，若利用本发明，能根据每小时实际配水流量鉴定预测每天配水流量的预测模型，同时能鉴定抽取每小时配水流量变化图特征量来预测变化图特征的预测模型，并可通过用相似值检索与过去的实际配水流量变化图相似的每小时配水流量变化图，提供有效利用过去的实际配水流量值的预测模型。再通过对各季节学习每天积累的实际配水流量数据，能提供与季节的需要变动、配水流量的中·长期变动相对应的预测模型，同时也能制定一天中通过的配水池或净水厂的用水计划，有效使用配水池或净水厂。

Claims (6)

1、一种预测由供水系统设施中净水厂等配水的当天每小时配水流量的配水流量预测装置，其特征是具有①根据所积累的过去实际气象数据以及是平日还是假日的信息，对各个季节处理气象实况的各季节实际气象数据处理构件；②根据日常所得每小时配水流量实际数据，对各季节处理配水流量实况的各季节配水流量数据处理构件；③与用神经网络模型对各季节预测每天配水流量和每小时配水流量变化图特征量的预测模型相关连，通过根据上述各季节实际气象数据处理构件和上述各季节配水流量数据处理构件所获得的处理数据，用反向传播(bak propagation)法学习加权系数来鉴定上述预测模型的各季节预测模型学习构件；④通过输入天气、气温、平日或假日等当天的信息，用上述预测模型预测该季节的每天配水流量和每小时配水流量变化图特征量，同时通过将用预测模型获得的每小时配水流量变化图特征量同各季节配水流量数据处理构件内的过去实际配水流量变化图特征量作比较，由过去实际配水流量变化图检索最相似的每小时配水流量变化图，将其作为每小时配水流量变化预测图求出，并让预测的上述每天配水流量之值与上述每小时配水流量变化预测图之值这两个预测值相乘，从而预测每小时配水流量的各季节配水流量预测构件。

2、根据权利要求1所述的配水流量预测装置，其特征是各季节配水流量预测构件中被比较的每小时配水流量变化图特征量包括上午和下午的配水流量峰值以及上午和下午的配水流量的上升值。

3、根据权利要求2所述的配水流量预测装置，其特征是每小时配水流量变化图特征量还包括上午及下午的峰值之比。

4、根据权利要求3所述的配水流量预测装置，其特征是每小时配水流量变化图特征量还包括整个上午的峰值出现时刻和下午的峰值出现时刻。

5、根据权利要求4所述的配水流量预测装置，其特征是每小时配水流量变化图特征量还包括自上午及下午的上升点起至所定时间为止的每小时配水流量的累计值。

6、根据权利要求1所述的配水流量预测装置，其特征是每小时配水流量变化图特征量由表示该变化图特征的种种值组成，并根据重要性对各个值加权后与过去的实际配水流量变化图特征量作比较。

Images