CN110110890A - 基于elman神经网络的日污水量预测方法 - Google Patents

基于elman神经网络的日污水量预测方法 Download PDF

Info

Publication number
CN110110890A
CN110110890A CN201910242809.8A CN201910242809A CN110110890A CN 110110890 A CN110110890 A CN 110110890A CN 201910242809 A CN201910242809 A CN 201910242809A CN 110110890 A CN110110890 A CN 110110890A
Authority
CN
China
Prior art keywords
day
data
neural network
weather
daily
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910242809.8A
Other languages
English (en)
Inventor
徐哲
郑杰
沈佳辉
陈晖�
何必仕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910242809.8A priority Critical patent/CN110110890A/zh
Publication of CN110110890A publication Critical patent/CN110110890A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明公开了一种基于ELMAN神经网络的日污水量预测方法，现有技术中城市日污水量的非线性和随机波动性特点；本发明首先建立排水管网日污水量预测数据库，再建立并训练日污水量ELMAN神经网络预测模型，最后进行日污水量预测；本发明专利既考虑了生活用水相关因素，考虑了降雨量、连续晴雨等因素，又运用Elman神经网络模型兼顾时序特性，提高了短期污水量预测精度。

Description

基于ELMAN神经网络的日污水量预测方法
技术领域
本发明属于城市排水领域，具体是一种基于ELMAN神经网络的日污水量预测方法。
背景技术
城市污水量预测是城市排水系统的规划、设计、运行和管理的依据，常用的预测方法有两类，一类是根据历年和现状污水量，建立数学模型，对未来污水量做出预测，主 要有回归分析法、自回归滑动平均ARMA预测法、系统动力学法、灰色模型、BP神经网 络等。另一类是指标分析法，根据城市人口和工业规模，分别计算生活污水量、工业污 水量和地下水渗入量[1]。总体而言，上述常用方法偏宏观预估，不适用于短期污水量 预测。
城市日污水量预测对排水管网生产调度起到指导作用。由于城市日污水量具有非线 性和随机波动性特点，一方面与城市居民生活用水有关，一方面又与天气(特别是降雨)密切相关。文献[2]通过构建混沌神经网络模型进行短时预测，该方法为了获得混沌周 期必须处理长达1年的日污水量数据，且侧重于时间序列特性，预测精度不高。文献[3] 采用混合BP神经网络预报城市污水量，考虑了天气情况(阴、晴)、日期类型(双休 日、节假日、工作日)、日最高气温、日最低气温等因素，该方法侧重于生活用水相关 性，而忽略了降雨及时序等重要因素。
参考文献
[1]王凤仙、李树平、陶涛，城市污水量预测模型及方法综述，河南科学，2009.4，Vol.27 No.4
[2]李晓东,曾光明,黄国和,李建兵,蒋茹,城市污水量短时预测的混沌神经网络模型， 《环境科学学报》，2006年3期
[3]董淑福，混合BP神经网络在城市污水量预报中的应用《城镇供水》，2013年4期
发明内容
本发明针对城市日污水量的非线性和随机波动性特点，本发明提出了一种新的日污 水量预测方法——基于ELMAN神经网络的日污水量预测方法。
本发明的具体步骤如下：
步骤1：建立排水管网日污水量预测数据库
数据项包括:日期、天气预报、实际天气、连续晴雨5档标记，日期类型、日污水 量预测数据、日污水量实际数据；其中天气预报包括日最高气温、日最低气温、日降雨； 实际天气包括日最高气温、日最低气温、日降雨；其中日降雨分为小雨/中雨/大雨；日 期类型分为工作日、双休日、节假日；连续晴雨5档标记，分别为：≥2即表示连续晴 2天及以上，1即连续晴1天，0即晴转雨或雨转晴，-1即连续雨1天，≤-2即连续雨 2天及以上；
将SCADA系统、气象网站采集到的相关数据，经过格式转换，录入预测数据库；
步骤2建立并训练日污水量ELMAN神经网络预测模型
1)、确定ELMAN神经网络输入输出
输入输出节点数取决于输入输出变量的维数；以连续天数据为一个样本，输入为前 n天的日最高气温、日最低气温、日降雨、连续晴雨标记，日污水量数据，以及第n+1 天的天气数据、日期类型、连续晴雨标记；输出为第n+1天日污水量数据；建立ELMAN 神经网络预测模型，有5n-1个输入变量，1个输出变量；天气数据为：训练时用实际天 气数据，预测是用天气预报数据
2)、样本采集及划分
训练测试样本，在同一个季节内，设置训练集样本数为总样本数的75％～90％；
3)数据归一化处理
对输入数据进行归一化处理，一般采用最大—最小标准化方法对数据进行处理
其中：Y为归一化处理后的输入值，L为原始输入值，Lmax、Lmin为神经网络输入 量的最大、最小值；该方法将数据归一到[0,1]之间，便于处理；
对应的反归一化算法为
Y＝Lmin+Y(Lmax-Lmin)
4)确定隐含层节点数
采用经验公式给出隐含层节点数估计值；
其中a为隐含层结点数，b为输入层结点数，c为输出层结点数，d为1～10之间的 调节常数；这里b＝5n-1，c＝1,则代入(1)式为
其中n为步骤2.1中的连续天数；
传递函数的选取，隐含层选择logsig函数，而输出层使用线性函数pruelin函数；
5)设置训练精度
神经网络训练过程中需要设定迭代次数，训练精度；当模型训练集精度达到设定值 或者模型迭代次数达到设定值，模型就会完成训练；设置模型训练精度为0.0001,迭代次数为2000；
6)模型校核
训练好的神经网络模型通过平均相对误差Mape判断预测模型的优劣，Mape值越低，说明预测误差越小，模型预测效果越好；
其中，Yt是t时刻实际观察值，Yt'为模型在t时刻预测值；校核精度要求测试样本平均相对误差为7％以下，超过7％则重复步骤2)需要重新训练网络；
步骤3日污水量预测
SCADA实测和天气预报数据，不断转换、填入预测数据库；根据Elman神经网络模型输入条件，提取前三日的日最高气温、日最低气温、日降雨、连续晴雨、日期类型、 日污水量数据以及次日的天气预报和日期类型，利用步骤2训练、校验得到的Elman神 经网络模型，预测得到次日污水量；
每天得到实际日污水量时，以最近5天的预测值和实际值计算平均相对误差；当平均相对误差Mape>7％时，则可能是由于跨季节用水变化或沿线排污增减，需要重新步骤 2。
本发明专利既考虑了生活用水相关因素，考虑了降雨量、连续晴雨等因素，又运用Elman神经网络模型兼顾时序特性，提高了短期污水量预测精度。
附图说明
图1：本发明方法流程示意图
表1：某污水线污水量数据和天气数据
具体实施方式
某污水线已建立泵站自控系统和SCADA系统，其SCADA系统采集、存储了末端泵站调蓄池的入流量，可以计算得到该污水线的日污水量。现以该污水线为实例，说明本发 明方法。
步骤1建立排水管网污水量数据库
数据项包括:日期、天气预报(日最高气温、日最低气温、日降雨(小雨/中雨/大雨))、 实际天气(日最高气温、日最低气温、日降雨(小雨/中雨/大雨))、连续晴雨5档标 记(≥2/1/0/-1/≤-2)，日期类型(工作日/双休日/节假日)、日污水量预测数据、日 污水量实际数据等。
将SCADA(Supervisory Control and Data Acquisition)系统、气象网站采集到的 数据，经过必要的格式转换，录入预测数据库。
步骤2建立并训练日污水量ELMAN神经网络预测模型
1)确定Elman神经网络输入输出
本次实例使用前三天的污水量数据和第四天的天气等数据预测第四天的污水量的方式 训练模型并对第四天的污水量进行预测。所以输入为三天的污水量,日气温、日降雨、 日期类型、连续晴雨数据(15个数据)和第四天的日气温、日降雨、日期类型、连续晴 雨(4个数据)共19个输入项，输出为第四天的污水量数据共1个输出项。
2)样本采集及划分
本实例选用该污水线某月24天数据(如表1)，共21个样本，其中将前16个样本作为训练集，后5个样本作为测试集。
3)数据归一化处理
对输入数据进行归一化处理，一般采用最大—最小标准化方法对数据进行处理
其中：Y为归一化处理后的输入值，L为原始输入值，Lmax、Lmin为神经网络输入 量的最大、最小值。该方法将数据归一到[0,1]之间，便于处理。
对应的反归一化算法为
Y＝Lmin+Y(Lmax-Lmin)
4)确定隐含层节点数
采用经验公式(1)计算隐含层节点数，本次实例中n＝3，经过多次试验得到d＝5时，网络训练效果较好。所以本次实例中隐含层节点数为a＝9。
传递函数的选取，本次实例隐含层训练函数采用logsig函数，输出层传递函数采用purelin函数。
5)设置模型训练精度
本次实例设置模型训练精度为0.0001,迭代次数为2000。模型实际训练精度为0.00012。
6)模型校核
用测试样本代入预测模型，计算得到日污水量预测值。下表为测试集预测值与实际 值，计算各测试样本相对误差值。
测试样本1 测试样本2 测试样本3 测试样本4 测试样本5
预测值(T) 114448 115092 112884 120528 107350
实际值(T) 110429 114934 119057 110476 117323
误差 3.64％ 0.14％ 5.1％ 9.1％ 8.5％
通过公式(3)计算测试集的平均相对误差Mape＝5.30％<7％，预测精度较好，模型可以用于实际预测。
步骤3日污水量预测
SCADA实测和天气预报数据，填入预测数据库。根据预测模型输入条件，提取前三日的日最高气温、日最低气温、日降雨、连续晴雨、日期类型、日污水量数据等和次日 的天气预报和日期类型，利用步骤2训练得到的Elman神经网络模型，预测得到次日污 水量。
连续应用了5天日污水量预测，预测误差Mape＝5.5％。Elman神经网络模型暂不需要更新，可继续使用。
以上对于本发明的具体实施方式说明是为了阐明目的，而非限定本发明的权利范围。

Claims (1)

1.基于ELMAN神经网络的日污水量预测方法，其特征在于，该方法具体包括以下步骤：
步骤1：建立排水管网日污水量预测数据库
数据项包括:日期、天气预报、实际天气、连续晴雨5档标记，日期类型、日污水量预测数据、日污水量实际数据；其中天气预报包括日最高气温、日最低气温、日降雨；实际天气包括日最高气温、日最低气温、日降雨；其中日降雨分为小雨/中雨/大雨；日期类型分为工作日、双休日、节假日；连续晴雨5档标记，分别为：≥2即表示连续晴2天及以上，1即连续晴1天，0即晴转雨或雨转晴，-1即连续雨1天，≤-2即连续雨2天及以上；
将SCADA系统、气象网站采集到的相关数据，经过格式转换，录入预测数据库；
步骤2建立并训练日污水量ELMAN神经网络预测模型
1)、确定ELMAN神经网络输入输出
输入输出节点数取决于输入输出变量的维数；以连续天数据为一个样本，输入为前n天的日最高气温、日最低气温、日降雨、连续晴雨标记，日污水量数据，以及第n+1天的天气数据、日期类型、连续晴雨标记；输出为第n+1天日污水量数据；建立ELMAN神经网络预测模型，有5n-1个输入变量，1个输出变量；天气数据为：训练时用实际天气数据，预测是用天气预报数据
2)、样本采集及划分
训练测试样本，在同一个季节内，设置训练集样本数为总样本数的75％～90％；
3)数据归一化处理
对输入数据进行归一化处理，一般采用最大—最小标准化方法对数据进行处理
其中：Y为归一化处理后的输入值，L为原始输入值，Lmax、Lmin为神经网络输入量的最大、最小值；该方法将数据归一到[0,1]之间，便于处理；
对应的反归一化算法为
Y＝Lmin+Y(Lmax-Lmin)
4)确定隐含层节点数
采用经验公式给出隐含层节点数估计值；
其中a为隐含层结点数，b为输入层结点数，c为输出层结点数，d为1～10之间的调节常数；这里b＝5n-1，c＝1,则代入(1)式为
其中n为步骤2.1中的连续天数；
传递函数的选取，隐含层选择logsig函数，而输出层使用线性函数pruelin函数；
5)设置训练精度
神经网络训练过程中需要设定迭代次数，训练精度；当模型训练集精度达到设定值或者模型迭代次数达到设定值，模型就会完成训练；设置模型训练精度为0.0001,迭代次数为2000；
6)模型校核
训练好的神经网络模型通过平均相对误差Mape判断预测模型的优劣，Mape值越低，说明预测误差越小，模型预测效果越好；
其中，Yt是t时刻实际观察值，Yt'为模型在t时刻预测值；校核精度要求测试样本平均相对误差为7％以下，超过7％则重复步骤2)需要重新训练网络；
步骤3日污水量预测
SCADA实测和天气预报数据，不断转换、填入预测数据库；根据Elman神经网络模型输入条件，提取前三日的日最高气温、日最低气温、日降雨、连续晴雨、日期类型、日污水量数据以及次日的天气预报和日期类型，利用步骤2训练、校验得到的Elman神经网络模型，预测得到次日污水量；
每天得到实际日污水量时，以最近5天的预测值和实际值计算平均相对误差；当平均相对误差Mape>7％时，则可能是由于跨季节用水变化或沿线排污增减，需要重新步骤2。
CN201910242809.8A 2019-03-28 2019-03-28 基于elman神经网络的日污水量预测方法 Pending CN110110890A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910242809.8A CN110110890A (zh) 2019-03-28 2019-03-28 基于elman神经网络的日污水量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910242809.8A CN110110890A (zh) 2019-03-28 2019-03-28 基于elman神经网络的日污水量预测方法

Publications (1)

Publication Number Publication Date
CN110110890A true CN110110890A (zh) 2019-08-09

Family

ID=67484768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910242809.8A Pending CN110110890A (zh) 2019-03-28 2019-03-28 基于elman神经网络的日污水量预测方法

Country Status (1)

Country Link
CN (1) CN110110890A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488390A (zh) * 2020-11-30 2021-03-12 北京京航计算通讯研究所 一种城市排水量预测方法及系统
CN116502809A (zh) * 2023-06-27 2023-07-28 中国市政工程华北设计研究总院有限公司 一种基于位置大数据的排水户时污水量预测方法
CN116523146A (zh) * 2023-06-30 2023-08-01 天津蓝天环科环境科技股份有限公司 一种基于神经网络的医院污水量预测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819407A (zh) * 2010-04-02 2010-09-01 杭州电子科技大学 基于神经网络的污水泵站水位预测方法
CN103592962A (zh) * 2013-10-23 2014-02-19 华南理工大学 通过预测泵站流量实现污水网管投药量有效控制的方法
CN104680015A (zh) * 2015-03-02 2015-06-03 华南理工大学 一种基于快速相关向量机的污水处理在线软测量方法
CN105243461A (zh) * 2015-11-20 2016-01-13 江苏省电力公司 一种基于人工神经网络改进训练策略的短期负荷预测方法
CN107358294A (zh) * 2017-07-21 2017-11-17 河北工程大学 一种基于Elman神经网络的需水预测方法
CN107451682A (zh) * 2017-07-13 2017-12-08 中国水利水电科学研究院 一种基于神经网络的城市感潮河段生态需水量预测方法
JP2018178405A (ja) * 2017-04-05 2018-11-15 株式会社日立製作所 下水処理場制御装置及び下水処理場制御プログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819407A (zh) * 2010-04-02 2010-09-01 杭州电子科技大学 基于神经网络的污水泵站水位预测方法
CN103592962A (zh) * 2013-10-23 2014-02-19 华南理工大学 通过预测泵站流量实现污水网管投药量有效控制的方法
CN104680015A (zh) * 2015-03-02 2015-06-03 华南理工大学 一种基于快速相关向量机的污水处理在线软测量方法
CN105243461A (zh) * 2015-11-20 2016-01-13 江苏省电力公司 一种基于人工神经网络改进训练策略的短期负荷预测方法
JP2018178405A (ja) * 2017-04-05 2018-11-15 株式会社日立製作所 下水処理場制御装置及び下水処理場制御プログラム
CN107451682A (zh) * 2017-07-13 2017-12-08 中国水利水电科学研究院 一种基于神经网络的城市感潮河段生态需水量预测方法
CN107358294A (zh) * 2017-07-21 2017-11-17 河北工程大学 一种基于Elman神经网络的需水预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐哲等: "基于神经网络的城市污水泵站预测模型", 《控制工程》 *
董淑福: "混合BP神经网络在城市污水量预报中的应用", 《城镇排水》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488390A (zh) * 2020-11-30 2021-03-12 北京京航计算通讯研究所 一种城市排水量预测方法及系统
CN116502809A (zh) * 2023-06-27 2023-07-28 中国市政工程华北设计研究总院有限公司 一种基于位置大数据的排水户时污水量预测方法
CN116523146A (zh) * 2023-06-30 2023-08-01 天津蓝天环科环境科技股份有限公司 一种基于神经网络的医院污水量预测方法及装置
CN116523146B (zh) * 2023-06-30 2023-09-26 天津蓝天环科环境科技股份有限公司 一种基于神经网络的医院污水量预测方法及装置

Similar Documents

Publication Publication Date Title
WO2021238505A1 (zh) 基于联邦学习的区域光伏功率概率预测方法及协同调控系统
Talebi et al. A review of district heating systems: modeling and optimization
CN110984062B (zh) 一种流域干支流大规模水库群模拟调度方法
Shi et al. Energy consumption prediction of office buildings based on echo state networks
CN107992961B (zh) 一种自适应的流域中长期径流预报模型架构方法
Bakker et al. A fully adaptive forecasting model for short-term drinking water demand
Coelho et al. Efficiency achievement in water supply systems—A review
Ying et al. Using adaptive network based fuzzy inference system to forecast regional electricity loads
CN110110890A (zh) 基于elman神经网络的日污水量预测方法
CN104715292A (zh) 基于最小二乘支持向量机模型的城市短期用水量预测方法
CN108053082B (zh) 基于温度区间分解的电网中长期负荷预测方法
JP3795775B2 (ja) 下水流入量予測装置および方法、サーバ装置
KR101119983B1 (ko) 지엠디에이치 알고리즘을 이용한 물수요 예측방법
CN105117593A (zh) 基于小波变换和粒子群改进灰色模型的短期风速预测方法
CN115759459B (zh) 一种雨水工情耦合的流域洪水流量集合概率智能预报方法
CN102426674A (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN104463356A (zh) 一种基于多维信息人工神经网络算法的光伏发电功率预测方法
CN116914747B (zh) 电力用户侧负荷预测方法及系统
Kofinas et al. Daily multivariate forecasting of water demand in a touristic island with the use of artificial neural network and adaptive neuro-fuzzy inference system
CN108846488A (zh) 风电场的检修调度方法和装置
CN105574668A (zh) 一种基于粒子群优化算法的呼叫中心排班方法
CN109214610A (zh) 一种基于长短期记忆神经网络的饱和电力负荷预测方法
Chen et al. A prediction model based on unbiased grey Markov for airport energy consumption prediction
KR100540009B1 (ko) 신경망을 이용한 물수요 예측 방법
KR100430219B1 (ko) 상수도 시스템의 용수 수요 예측 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190809

RJ01 Rejection of invention patent application after publication