CN110443418A - 基于ga-bp神经网络的城市用水量预测方法 - Google Patents
基于ga-bp神经网络的城市用水量预测方法 Download PDFInfo
- Publication number
- CN110443418A CN110443418A CN201910701624.9A CN201910701624A CN110443418A CN 110443418 A CN110443418 A CN 110443418A CN 201910701624 A CN201910701624 A CN 201910701624A CN 110443418 A CN110443418 A CN 110443418A
- Authority
- CN
- China
- Prior art keywords
- neural network
- prediction
- training
- water
- model
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 181
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 28
- 230000002068 genetic effect Effects 0.000 claims description 23
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 15
- 230000005284 excitation Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000000644 propagated effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009396 hybridization Methods 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 10
- 230000008859 change Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005086 pumping Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及神经网络及城市用水预测领域,特别涉及一种基于GA‑BP神经网络的城市用水量预测方法。包括:步骤一、BP神经网络结构的构建;步骤二、GA优化BP神经网络初始权值;步骤三、GA‑BP神经网络的训练与预测;步骤四、将训练好的GA‑BP神经网络用于城市用水量的预测。本发明基于GA‑BP神经网络的城市用水量预测方法,克服了优化神经网络初始权值的困难,提高了分析的预测精度。
Description
技术领域
本发明涉及神经网络及城市用水预测领域,特别涉及一种基于GA-BP神经网络的城市用水量预测方法。
背景技术
随着城市人口的不断增加,城市供水系统也逐渐显示出它的不足,例如在用水高峰期部分高层供水水压较低,不能满足人们基本的生活需求。而我国传统的供水调度系统也存在较大的问题,例如水资源调度消耗能源较大,水资源浪费较多等等问问。因此,为了满足城市人口的需求,我们必须对用水系统进行优化,而优化的前提是需要进行精确的用水量预测。
我国用水量的预测研究整体处于较低的水平,从最开始以每月用水量数据为研究依据到现在以每天日时用水量以及影响因素为研究依据,通过逐渐采用智能算法对其预测。通过分析几种预测模型,神经网络算法相较于其他有更好的预测效果,故选用神经网络进行用水量预测。但是BP神经网络在预测过程中模型的权值和阈值是随机获取,使得网络很容易出现局部最优,收敛速度过快等现象。通过分析发现遗传算法具有优化神经网络结构,使得预测模型达到最优的效果,故本论文采用遗传算法优化神经网络的结构模型预测城市用水量。
人工神经网络是当前人工智能领域研究中非常活跃和重要的前沿研究,是一种模拟人脑运行方式的复杂网络系统,通过在人工神经元各个单元间建立广泛的连接来实现。人工神经网路具有较高的非线性、较好的鲁棒性、较强的学习能力以及大规模的并行处理特性。
发明内容
为了解决上述问题,本发明提供了基于GA-BP神经网络的城市用水量预测方法。
具体技术方案为:基于GA-BP神经网络的城市用水量预测方法,GA-BP用水预测算法包括:
步骤一、BP神经网络结构的构建:
1.1构建BP神经网络;
1.2确定隐含层节点;
1.3初始化神经网络;
1.4计算神经网络前向;
1.5前向传播校正误差;
步骤二、GA优化BP神经网络初始权值:通过遗传算法选择的适应度函数对个体适应度进行选择,选择的过程主要包括选择、交叉、变异操作,选择的最优个体即最优的BP神经网络初始权值;
步骤三、GA-BP神经网络的训练与预测;
利用遗传算法优化部分得到的最优值对BP神经网络进行赋值,然后再通过训练和仿真,得到预测结果;
步骤四、将训练好的GA-BP神经网络用于城市用水量的预测。
优选的,所述步骤一具体为:
1.1构建BP神经网络:根据日用水量的影响因素和预测量来确定网络层节点数,预测模型的输入为日用水量的时间序列,预测模型输出为未来时段的时用水量,构建的输入层与输出层变量均为用水量,输入层节点为24个即一天24个小时时用水量,输出节点为后一天某一个时刻时用水量,因此确定神经网络输入输出节点数分别为24和1;
1.2确定隐含层节点:隐含层节点根据公式确定隐含层节点数可取值范围,在预测模型中通过设置不同的网络层节点数,训练50次,根据训练指标的优良确定隐含层节点数,训练指标主要包括平均绝对误差、平均平方误差和平均绝对比分比误差,三项训练评价指标公式如下:
预测误差ep:
ep=yp-y0(1)
平均绝对误差MAD:
平均平方误差MSE:
平均绝对百分比误差MAPE:
1.3初始化神经网络:初始化权值和阈值,输入层到隐含层之间的网络结构权重为ωij,阈值为γj;隐含层到输出层之间的网络结构权重为vjt,阈值为θt;ωij、γj、vjt、θt取值范围为[0,1]之间的随机数,确定网络训练的学习步数N以及学习精度E;
1.4计算神经网络前向:
隐含层每个神经元的激励值:
激励函数:
隐含层每个节点的输出值:
hj=f(Aj) (7)
输出层每个神经元的激励值:
式中:νjt为隐含层到输出层之间的网络结构权重,hj隐含层每个节点的输出值,θt为阈值;
输出层每个节点的输出值:
yt=f(Bt) (9);
1.5前向传播校正误差:
式中:表示第t个网络节点的期望输出值,表示对应的该节点网络结构实际输出值,表示对输出层的函数进行导数得到的函数,且
优选的,所述步骤二具体为:遗传算法的进化代数为30,种群规模为10,交叉概率和变异概率分别为0.7和0.2,遗传算法的各个操作步骤如下所示:
2.1适应度函数:
式中:n表示训练样本总数,oi表示第i个样本数据期望输出值,yi表示第i个样本数据网络模型实际输出值;
2.2选择函数:
式中:M表示选择的种群规模,fi表示某个个体适应度,Pi表示该个体可能被选中的概率;
2.3交叉操作
交叉操作过程如下,首先随机从种群中选取染色体进行交叉配对,然后选择随机位置k进行如下操作;
式中:b为[0,1]之间的随机数,且配对染色体杂交前后存在关系x′k+y′k=xk+yk;
2.4变异操作
采用非均匀变异操作,随机从种群中找到一个染色体X=(x1,x2,···,xk,···,xm),对其分量xk按照一定的变异概率采用公式[ii]进行变异,变异后的染色体为X'=(x1,x2,···,x'k,···,xm):
f(g)=γ2(1-g/gmax)2 (16)
式中:ak,bk为分量xk的上界和下界,g为该染色体目前的进化代数,gmax为最大进化代数;
2.5设置进化条件是否满足;若否,返回第2.2步。
优选的,所述步骤三GA-BP神经网络的训练与预测具体为:
所述GA-BP神经网络的训练具体为:
选取某一周居民用水量数据模型训练样本,通过训练后的模型预测未来一周用数量数据来验证模型的可靠性和实用性,在训练样本选取结束后通过神经网络工具箱中的mapminmax函数对训练样本数据做归一化处理,将样本数据控制在[-1,1]范围内,其调用函数表达式如下所示:
[y,ps]=mapminmax(x) (17)
式中:xmax和xmin分别为样本原始数据的最大值和最小值,x和y分别为归一化处理前后的数据,ps为数据归一化得到的结构体;
在预测实际用水量后需要进行数据反归一化处理,预测结果反归一化的调用形式,如下所示:
T'=mapminmax('reverse',Y,ps) (19)
所述GA-BP神经网络的预测具体为
将最优阈值给BP用水量预测模型和GA-BP用水量预测模型进行训练,直到达到设定的误差值;
选取4月16日至22日一周用水量数据作为训练样本,通过样本数据训练BP用水量预测模型和GA-BP用水量预测模型,预测未来一周居民日用水量,该模型经过多次训练,输出yp,以及其对应实际值用数量数据为y0,则该预测模型的精度为ep=yp-y0,则预测模型的相对误差计算公式(20):
预测的相对误差F:
有益效果为:本发明基于GA-BP神经网络的城市用水量预测方法,克服了优化神经网络初始权值的困难,提高了分析的预测精度。
本算法适用于大数据集的处理,有利于全局择优。另外,该算法也可以同时处理群体中的多个个体,即对搜索空间中的多个解进行评估,减少了陷入局部最优解的风险,而且算法本身易于实现并行化。
附图说明
图1为BP神经网络结构示意图;
图2GA-BP算法流程图;
图3某市用水量变化曲线;
图4BP神经网络结构;
图5每代种群平均适应度变化曲线;
图6两种预测模型预测用水量与实际用水量对比;其中图6A为单纯BP神经网络预测模型的预测用水量与实际用水量对比;图6B为GA-BP神经网络预测模型的预测用水量与实际用水量对比;
图7两个预测模型预测用水量数据的相对误差;
图8A-8C为各个水厂出水流量优化前与优化后对比图;
图9为水厂出水压力优化前与优化后对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
参考图1-5,基于GA-BP神经网络的城市用水量预测方法,GA-BP用水预测算法包括:
步骤一、BP神经网络结构的构建:
1.1构建BP神经网络:根据日用水量的影响因素和预测量来确定网络层节点数,预测模型的输入为日用水量的时间序列,预测模型输出为未来时段的时用水量,构建的输入层与输出层变量均为用水量,输入层节点为24个,即一天24个小时时用水量,输出节点为后一天某一个时刻时用水量,因此确定神经网络输入输出节点数分别为24和1;
1.2确定隐含层节点:隐含层节点根据公式确定隐含层节点数可取值范围,在预测模型中通过设置不同的网络层节点数,训练50次,根据训练指标的优良确定隐含层节点数,训练指标主要包括平均绝对误差、平均平方误差和平均绝对比分比误差,三项训练评价指标公式如下:
预测误差ep:
ep=yp-y0 (1)
平均绝对误差MAD:
平均平方误差MSE:
平均绝对百分比误差MAPE:
1.3初始化神经网络:初始化权值和阈值,输入层到隐含层之间的网络结构权重为ωij,阈值为γj;隐含层到输出层之间的网络结构权重为vjt,阈值为θt;ωij、γj、vjt、θt取值范围为[0,1]之间的随机数,确定网络训练的学习步数N以及学习精度E;
学习步数N是使得神经网络输出结果逼近期望值的最小迭代次数,且经过多次实验室得到N=5000;而学习精度E的选定依据是通过训练网络而达到默认梯度函数值时的网络误差值,最终学习精度E设定为0.005。
1.4计算神经网络前向:
隐含层每个神经元的激励值:
激励函数:
隐含层每个节点的输出值:
hj=f(Aj) (7)
输出层每个神经元的激励值:
式中:νjt为隐含层到输出层之间的网络结构权重,hj隐含层每个节点的输出值,θt为阈值;
输出层每个节点的输出值:
yt=f(Bt) (9);
1.5前向传播校正误差:
式中:表示第t个网络节点的期望输出值,表示对应的该节点网络结构实际输出值,表示对输出层的函数进行导数得到的函数,且
步骤二、GA优化BP神经网络初始权值:本申请的遗传算法优化神经网络模型,其中遗传算法的进化代数为30,种群规模为10,交叉概率和变异概率分别为0.7和0.2,通过运行主程序,得到每代种群的适应度曲线如下图5所示,由图可知,该种群在遗传到22代以后,适应度达到稳定状况。
初始化的神经网络模型权值和阈值属于随机数,对网络模型预测精度有较大的影响。为提高预测模型的预测精度,引入遗传算法适应度函数,利用适应度函数寻优原理获得最优网络取值。遗传算法优化BP神经网络的原理是利用遗传算法确定最优的网络初始权值和阈值,将最优权值赋值给神经网络,其基本思想就是通过神经网络误差反向传播,通过遗传算法选择的适应度函数对个体适应度进行选择,选择的过程主要包括选择、交叉、变异操作,选择的最优个体即最优的BP神经网络初始权值。遗传算法的各个操作步骤如下所示:
2.1适应度函数:
式中:n表示训练样本总数,oi表示第i个样本数据期望输出值,yi表示第i个样本数据网络模型实际输出值;
2.2选择函数:
式中:M表示选择的种群规模,fi表示某个个体适应度,Pi表示该个体可能被选中的概率;
2.3交叉操作
交叉操作过程如下,首先随机从种群中选取染色体进行交叉配对,然后选择随机位置k进行如下操作;
式中:b为[0,1]之间的随机数,且配对染色体杂交前后存在关系x′k+y′k=xk+yk;
2.4变异操作
采用非均匀变异操作,随机从种群中找到一个染色体X=(x1,x2,···,xk,···,xm),对其分量xk按照一定的变异概率采用公式[iii]进行变异,变异后的染色体为X'=(x1,x2,···,x'k,···,xm):
f(g)=γ2(1-g/gmax)2 (16)
式中:ak,bk为分量xk的上界和下界,g为该染色体目前的进化代数,gmax为最大进化代数;
2.5设置进化条件是否满足;若否,返回第2.2步;
步骤三、GA-BP神经网络的训练与预测;
步骤三GA-BP神经网络的训练与预测具体为:
所述GA-BP神经网络的训练具体为:
利用遗传算法优化部分得到的最优值对BP神经网络进行赋值,然后再通过训练和仿真,得到预测结果;
选取西安市某一周居民用水量数据模型训练样本,通过训练后的模型预测未来一周用数量数据来验证模型的可靠性和实用性,在训练样本选取结束后通过神经网络工具箱中的mapminmax函数对训练样本数据做归一化处理,将样本数据控制在[-1,1]范围内,其调用函数表达式如下所示:
[y,ps]=mapminmax(x) (17)
式中:xmax和xmin分别为样本原始数据的最大值和最小值,x和y分别为归一化处理前后的数据,ps为数据归一化得到的结构体;
在预测实际用水量后需要进行数据反归一化处理,预测结果反归一化的调用形式,如下所示:
T'=mapminmax('reverse',Y,ps) (19)
所述GA-BP神经网络的预测具体为
将最优阈值给BP用水量预测模型和GA-BP用水量预测模型进行训练,直到达到设定的误差值;
选取4月16日至22日一周用水量数据作为训练样本,通过样本数据训练BP用水量预测模型和GA-BP用水量预测模型,预测未来一周居民日用水量,该模型经过多次训练,输出yp,以及其对应实际值用数量数据为y0,则该预测模型的精度为ep=yp-y0,则预测模型的相对误差计算公式(20):
预测的相对误差F:
步骤四、将训练好的GA-BP神经网络用于城市用水量的预测。
实施例2
仿真是在Inter(R)Core(TM)i5-4590T CPU@2.00GHz,4G内存的PC机上,Windows 7旗舰版64位系统下进行的,运行平台为MATLAB 2015b。GA-BP用水量预测算法的模型结构为24-9-1,设置期望误差E=0.005,最大训练次数r=5000。遗传算法的种群规模为50,交叉概率为0.4,变异概率为0.1,迭代次数为100代。
通过GA-BP用水量预测算法对城市用水量进行预测,选取4月16日至22日一周用水量数据作为训练样本,通过样本数据训练BP用水量预测模型和GA-BP用水量预测模型,预测未来一周居民日用水量。该模型经过多次训练(最大训练次数r=5000),输出yp(p=1,2......),以及其对应实际值用数量数据为y0,则该预测模型的精度为ep=yp-y0,则预测模型的相对误差计算公式:
预测的相对误差F:
仿真结果及分析:
通过在MATLAB仿真软件对训练样本的训练,通过改进的BP神经网络算法即遗传算法优化的BP神经网络对实验数据进行训练,并对预测结果与实际值进行分析,发现遗传算法优化的BP神经网络有较好的效果。训练结果如下图6所示:
在上图6中,+表示某时刻下真实用水量数据,o表示训练的模型预测得到的某时刻用水量数据。图6A给出BP神经网络预测结果;图6B为有遗传算法优化的GA-BP神经网络的预测结果与真实用水量对比图,从图中明显看出:BP神经网络与遗传算法优化的BP神经网络两条预测曲线的趋势与波动与真实值是一致的,并且某些数据存在一定的重合,这说明BP神经网络模型预测城市用水量存在一定的可靠性。但BP神经网络的部分用水量预测结果存在较大误差,通过加入遗传算法优化神经网络使得城市用水量预测模型可以对实际用水量数据进行较大程度的逼近,在个别时刻存在一定的误差,模型整体上是合理的、有效的。
不同时刻下BP神经网络预测模型和GA-BP神经网络预测模型预测值和相对误差,将两个预测模型的相对误差绘制为误差直方图,如图7所示,从图中可以看出,基于遗传算法优化的神经网络预测模型相对误差值较BP神经网络预测模型的预测结果较小,且存在平稳预测趋势。并且由数据可知相对误差在0.1范围内的时段有23个,比例约为95.8%,有9个的时段预测结果的相对误差小于0.05,占比超过37.5%。
结论
(1)BP神经网络在预测上有较好的效果,具有较好的非线性映射能力,但神经网络容易局部收敛、随机性强等劣势无法避免,本申请通过分析用水量变化曲线建立遗传算法优化BP神经网络的预测模型,通过数据分析优化后的神经网络模型有更高的精确度;
(2)本申请研究城市时用水量的预测方法,通过建立用水量预测模型,根据历史数据进行GA-BP神经网络模型的训练,在模型训练过程中设置参数使模型达到训练精度和预测精度,在训练好的模型基础上进行城市时用水量的实时预测。
(3)城市用水量的预测属于短期预测,对于用水量数据越靠近预测时间,预测结果越准确,实际应用中需要不断更新数据库。
实施例3
针对西安市城市建设,供水系统将水厂水资源、管网模型和用户用水量结合起来,从全系统安全可靠、经济运行及供水可行性的角度出发,合理调配水资源,达到系统整体最优,更适合现有西安市供水系统。通过对上述西安市供水系统优化调度模型的分析,根据实际供水状况,建立供水优化调度模型,在满足市民用水水量与水压的基础上,优化供水出厂水压和流量,得到节能优化的目的。
实际水厂出口流量和在满足居民用水水压和管网测压点约束条件下优化得到的该时刻下水厂出水流量进行对比见图8A-8C。
通过对图8A-8C和图9可得出如下结论:
(1)各个水厂在不同时段的供水量进行了水资源重新分配,则供水点出口水压和到达管网的水压会发生变化。
(2)观察水厂出水流量优化前后对比图可发现,第二水厂、第五水厂和南郊水厂供水资源变化幅度较大,而第三水厂、第四水厂和曲江水厂水厂出口流量变化幅度较小。通过分析发现,前三个供水点的供水泵站设有调速装置,泵站内可调节余地较大,后三个水厂没有设置调速装置,泵站内可调节余地较小。
(3)观察两个地下水厂可明显发现,在未进行模型优化前,水厂出水流量会在居民用水量较多时刻的后面剧烈增加,这是因为由于为地下水厂,调用水资源相对困难,通过优化后,能够很好地平衡居民时用水量与水厂调度用水,避免资源浪费。
(4)第五水厂由于水厂容水率较小,水厂出水量波动变化巨大,在优化后,水厂资源趋于平稳,对于第五水厂供水缺失部分,可通过第四水厂增加供水。
(5)在水厂出水流量优化后,则水厂出口压力会得到优化,图5.8给出第五水厂和曲江水厂压力优化结果,通过图可知,优化后水厂水厂压力趋于平稳,进而可节约能量。根据优化后求得城市管网测压点压力,可以进一步分析供水资源在地下管网模型中参数变化以及对管网压力的影响,为后续管网维修和维护奠定基础。
(6)图9表示优化前和优化后水厂出水压力变化曲线,通过图形可知,优化后水厂出水压力出现一定下降,平均压力(MPa)分别由0.393、0.432降至0.373、0.412、系统整体压力由0.411MPa降至0.391MPa,整体下降了4.8%,水厂出水压力的较低表明达到管网的整体压力存在一定下降,对管网有一定的好处,有助于减少管网漏损率,达到节水节能的效果。
以各个水厂优化前后水厂出水流量和压力数据作为模型的检测数据,当日优化前后能耗情况分析如表1所示。
通过对表1的分析,优化前水厂总能耗为84972KWh,优化后水厂总能耗为58310.4KWh,优化前后水厂能耗有较大幅度降低,整体节能百分比占到30%以上,说明一级优化调度是成功的,具有一定的实用性。优化后的粒子群算法求解的优化调度方案具有较好的节能效果。
表1优化前后水厂能耗对比
通过对水厂出水流量和出水压力的分析,在某一时间段内,存在较大水资源浪费和水资源分配不均衡现象,为城市优化调度存在一定阻碍,后期可以在优化后的出水出水流量和出水压力的基础上,通过配置各个水厂调水泵站的个数或水流量扬程来达到更优的调度用水。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (4)
1.基于GA-BP神经网络的城市用水量预测方法,其特征在于,GA-BP用水预测算法包括:
步骤一、BP神经网络结构的构建:
1.1 构建BP神经网络;
1.2 确定隐含层节点;
1.3 初始化神经网络;
1.4 计算神经网络前向;
1.5 前向传播校正误差;
步骤二、GA优化BP神经网络初始权值:通过遗传算法选择的适应度函数对个体适应度进行选择,选择的过程主要包括选择、交叉、变异操作,选择的最优个体即最优的BP神经网络初始权值;
步骤三、GA-BP神经网络的训练与预测;
利用遗传算法优化部分得到的最优值对BP神经网络进行赋值,然后再通过训练和仿真,得到预测结果;
步骤四、将训练好的GA-BP神经网络用于城市用水量的预测。
2.根据权利要求1所述的基于GA-BP神经网络的城市用水量预测方法,其特征在于,所述步骤一具体为:
1.1 构建BP神经网络:根据日用水量的影响因素和预测量来确定网络层节点数,预测模型的输入为日用水量的时间序列,预测模型输出为未来时段的时用水量,构建的输入层与输出层变量均为用水量,输入层节点为24个即一天24个小时时用水量,输出节点为后一天某一个时刻时用水量,因此确定神经网络输入输出节点数分别为24和1;
1.2 确定隐含层节点:隐含层节点根据公式确定隐含层节点数可取值范围,在预测模型中通过设置不同的网络层节点数,训练50次,根据训练指标的优良确定隐含层节点数,训练指标主要包括平均绝对误差、平均平方误差和平均绝对比分比误差,三项训练评价指标公式如下:
预测误差ep:
ep=yp-y0 (1)
平均绝对误差MAD:
平均平方误差MSE:
平均绝对百分比误差MAPE:
1.3 初始化神经网络:初始化权值和阈值,输入层到隐含层之间的网络结构权重为ωij,阈值为γj;隐含层到输出层之间的网络结构权重为vjt,阈值为θt;ωij、γj、vjt、θt取值范围为[0,1]之间的随机数,确定网络训练的学习步数N以及学习精度E;
1.4 计算神经网络前向:
隐含层每个神经元的激励值:
激励函数:
隐含层每个节点的输出值:
hj=f(Aj) (7)
输出层每个神经元的激励值:
式中:νjt为隐含层到输出层之间的网络结构权重,hj隐含层每个节点的输出值,θt为阈值;
输出层每个节点的输出值:
yt=f(Bt) (9);
1.5 前向传播校正误差:
式中:表示第t个网络节点的期望输出值,表示对应的该节点网络结构实际输出值,表示对输出层的函数进行导数得到的函数,且
3.根据权利要求1所述的的基于GA-BP神经网络的城市用水量预测方法,其特征在于,所述步骤二具体为:遗传算法的进化代数为30,种群规模为10,交叉概率和变异概率分别为0.7和0.2,遗传算法的各个操作步骤如下所示:
2.1 适应度函数:
式中:n表示训练样本总数,oi表示第i个样本数据期望输出值,yi表示第i个样本数据网络模型实际输出值;
2.2 选择函数:
式中:M表示选择的种群规模,fi表示某个个体适应度,Pi表示该个体可能被选中的概率;
2.3 交叉操作
交叉操作过程如下,首先随机从种群中选取染色体进行交叉配对,然后选择随机位置k进行如下操作;
式中:b为[0,1]之间的随机数,且配对染色体杂交前后存在关系x′k+y′k=xk+yk;
2.4 变异操作
采用非均匀变异操作,随机从种群中找到一个染色体X=(x1,x2,…,xk,…,xm),对其分量xk按照一定的变异概率采用公式[i]进行变异,变异后的染色体为X'=(x1,x2,…,x′k,…,xm):
f(g)=γ2(1-g/gmax)2 (16)
式中:ak,bk为分量xk的上界和下界,g为该染色体目前的进化代数,gmax为最大进化代数;
2.5 设置进化条件是否满足;若否,返回第2.2步。
4.根据权利要求1所述的的基于GA-BP神经网络的城市用水量预测方法,其特征在于,所述步骤三GA-BP神经网络的训练与预测具体为:
所述GA-BP神经网络的训练具体为:
选取某一周居民用水量数据模型训练样本,通过训练后的模型预测未来一周用数量数据来验证模型的可靠性和实用性,在训练样本选取结束后通过神经网络工具箱中的mapminmax函数对训练样本数据做归一化处理,将样本数据控制在[-1,1]范围内,其调用函数表达式如下所示:
[y,ps]=mapminmax(x) (17)
式中:xmax和xmin分别为样本原始数据的最大值和最小值,x和y分别为归一化处理前后的数据,ps为数据归一化得到的结构体;
在预测实际用水量后需要进行数据反归一化处理,预测结果反归一化的调用形式,如下所示:
T'=mapminmax('reverse',Y,ps) (19)
所述GA-BP神经网络的预测具体为
将最优阈值给BP用水量预测模型和GA-BP用水量预测模型进行训练,直到达到设定的误差值;
选取4月16日至22日一周用水量数据作为训练样本,通过样本数据训练BP用水量预测模型和GA-BP用水量预测模型,预测未来一周居民日用水量,该模型经过多次训练,输出yp,以及其对应实际值用数量数据为y0,则该预测模型的精度为ep=yp-y0,则预测模型的相对误差计算公式(20):
预测的相对误差F:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910701624.9A CN110443418A (zh) | 2019-07-31 | 2019-07-31 | 基于ga-bp神经网络的城市用水量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910701624.9A CN110443418A (zh) | 2019-07-31 | 2019-07-31 | 基于ga-bp神经网络的城市用水量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110443418A true CN110443418A (zh) | 2019-11-12 |
Family
ID=68432445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910701624.9A Pending CN110443418A (zh) | 2019-07-31 | 2019-07-31 | 基于ga-bp神经网络的城市用水量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443418A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111163430A (zh) * | 2019-12-30 | 2020-05-15 | 上海云瀚科技股份有限公司 | 基于手机基站用户定位数据的水量预测的方法 |
CN111310974A (zh) * | 2020-01-18 | 2020-06-19 | 河北工程大学 | 一种基于ga-elm的短期需水预测方法 |
CN111723523A (zh) * | 2020-06-22 | 2020-09-29 | 中山大学 | 一种基于级联神经网络的河口余水位预测方法 |
CN111815196A (zh) * | 2020-07-23 | 2020-10-23 | 中国环境科学研究院 | 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 |
CN112594553A (zh) * | 2020-12-07 | 2021-04-02 | 熊猫智慧水务有限公司 | 一种基于压力目标曲线的管网压力调控方法 |
CN113222266A (zh) * | 2021-05-22 | 2021-08-06 | 深圳市创仁科技有限公司 | 一种基于水表日用量大数据的预测模型匹配方法 |
CN113762610A (zh) * | 2021-08-30 | 2021-12-07 | 武汉理工大学 | 航道承载力最大开发潜力预测方法、系统及设备 |
CN114511822A (zh) * | 2022-04-19 | 2022-05-17 | 广州市方连科技有限公司 | 一种根据监控画面预测销售额的日用杂品销售系统 |
CN115387991A (zh) * | 2022-09-02 | 2022-11-25 | 南阳大阳节能技术有限公司 | 一种水泵节能控制系统及其控制方法 |
CN111723523B (zh) * | 2020-06-22 | 2024-04-30 | 中山大学 | 一种基于级联神经网络的河口余水位预测方法 |
-
2019
- 2019-07-31 CN CN201910701624.9A patent/CN110443418A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111163430B (zh) * | 2019-12-30 | 2023-11-21 | 上海云瀚科技股份有限公司 | 基于手机基站用户定位数据的水量预测的方法 |
CN111163430A (zh) * | 2019-12-30 | 2020-05-15 | 上海云瀚科技股份有限公司 | 基于手机基站用户定位数据的水量预测的方法 |
CN111310974A (zh) * | 2020-01-18 | 2020-06-19 | 河北工程大学 | 一种基于ga-elm的短期需水预测方法 |
CN111723523A (zh) * | 2020-06-22 | 2020-09-29 | 中山大学 | 一种基于级联神经网络的河口余水位预测方法 |
CN111723523B (zh) * | 2020-06-22 | 2024-04-30 | 中山大学 | 一种基于级联神经网络的河口余水位预测方法 |
CN111815196A (zh) * | 2020-07-23 | 2020-10-23 | 中国环境科学研究院 | 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 |
CN111815196B (zh) * | 2020-07-23 | 2023-11-24 | 中国环境科学研究院 | 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 |
CN112594553A (zh) * | 2020-12-07 | 2021-04-02 | 熊猫智慧水务有限公司 | 一种基于压力目标曲线的管网压力调控方法 |
CN113222266A (zh) * | 2021-05-22 | 2021-08-06 | 深圳市创仁科技有限公司 | 一种基于水表日用量大数据的预测模型匹配方法 |
CN113222266B (zh) * | 2021-05-22 | 2022-11-25 | 深圳市创仁科技有限公司 | 一种基于水表日用量大数据的预测模型匹配方法 |
CN113762610A (zh) * | 2021-08-30 | 2021-12-07 | 武汉理工大学 | 航道承载力最大开发潜力预测方法、系统及设备 |
CN114511822A (zh) * | 2022-04-19 | 2022-05-17 | 广州市方连科技有限公司 | 一种根据监控画面预测销售额的日用杂品销售系统 |
CN115387991A (zh) * | 2022-09-02 | 2022-11-25 | 南阳大阳节能技术有限公司 | 一种水泵节能控制系统及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443418A (zh) | 基于ga-bp神经网络的城市用水量预测方法 | |
CN102629106B (zh) | 供水控制方法及系统 | |
CN107909220A (zh) | 一种电采暖负荷预测方法 | |
CN109165764A (zh) | 一种遗传算法优化bp神经网络的线损计算方法 | |
CN104636822B (zh) | 一种基于elman神经网络的居民负荷预测方法 | |
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 | |
CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
CN104318325B (zh) | 多流域实时智能水质预测方法及系统 | |
CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
CN107122853A (zh) | 一种供水管网实时调度系统及方法 | |
CN104732303A (zh) | 一种基于动态径向基函数神经网络的油田产量预测方法 | |
CN104732295A (zh) | 一种基于大数据技术的电力负荷预测模型 | |
Li et al. | An improved risk-benefit collaborative grey target decision model and its application in the decision making of load adjustment schemes | |
CN105186570B (zh) | 微电网供电控制方法和装置 | |
CN102842066B (zh) | 一种生物质炉燃烧优化的建模方法 | |
CN109376950A (zh) | 一种基于bp神经网络的多元电网负荷预测方法 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN108564205A (zh) | 一种基于实测数据的负荷模型及参数辨识优化方法 | |
CN106873372A (zh) | 基于防洪调度数据自适应控制的水库防洪调度优化方法 | |
CN101916335A (zh) | 城市需水量时间序列-指数平滑模型预测方法 | |
CN107563538A (zh) | 大电网平台下的面向关键水位控制的多目标水库群调度优化方法 | |
CN107748940A (zh) | 一种节电潜力量化预测方法 | |
CN107220735A (zh) | 一种电力行业分类的多变量农网电量预测方法 | |
CN101899820B (zh) | 面向河流生态系统保护的流域地表水可利用量确定方法 | |
CN107748934A (zh) | 基于改进bp神经网络算法的配网电采暖负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |