CN111859783A - 水压预测方法、系统、存储介质、设备、城市供水系统 - Google Patents

水压预测方法、系统、存储介质、设备、城市供水系统 Download PDF

Info

Publication number
CN111859783A
CN111859783A CN202010572730.4A CN202010572730A CN111859783A CN 111859783 A CN111859783 A CN 111859783A CN 202010572730 A CN202010572730 A CN 202010572730A CN 111859783 A CN111859783 A CN 111859783A
Authority
CN
China
Prior art keywords
data
pressure
prediction
time
prediction method
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.)
Granted
Application number
CN202010572730.4A
Other languages
English (en)
Other versions
CN111859783B (zh
Inventor
刘涛
杨桃
陈卫华
蒲茂清
卢祖华
李军
陈沛中
贺兴伟
张渝
罗祖阳
肖沙鸥
田逢春
韩亮
葛亮
吴华
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.)
Chongqing Chengfeng Water Engineering Co ltd
Chongqing Yushan Resources Development Co ltd
Chongqing University
Original Assignee
Chongqing Chengfeng Water Engineering Co ltd
Chongqing Yushan Resources Development Co ltd
Chongqing 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 Chongqing Chengfeng Water Engineering Co ltd, Chongqing Yushan Resources Development Co ltd, Chongqing University filed Critical Chongqing Chengfeng Water Engineering Co ltd
Priority to CN202010572730.4A priority Critical patent/CN111859783B/zh
Publication of CN111859783A publication Critical patent/CN111859783A/zh
Application granted granted Critical
Publication of CN111859783B publication Critical patent/CN111859783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于数据处理技术领域，公开了一种水压预测方法、系统、存储介质、设备、城市供水系统，所述水压预测方法通过计算历史时间中同一时刻的压力值与实时时刻的压力值之间的关系，获取到一组权值，通过该组权值进行压力预测；把训练数据与目标数据输入进模型，求解到一个模型参数，输入当前数据，获取到预测结果。本发明采用基于迁移学习的方法来进行压力预测，该方法学习了局部数据的特征，参数比较容易优化，运行时速度快且预测精度较高，是一种较为可靠的压力预测方法。本发明是通过计算不同历史时间中同一时刻的的压力值与实时时刻的压力值之间的关系，从而获取到一组权值，就可以通过该组权值进行压力预测。

Description

水压预测方法、系统、存储介质、设备、城市供水系统
技术领域
本发明属于数据处理技术领域，尤其涉及一种水压预测方法、系统、存储介质、设备、城市供水系统。
背景技术
目前，水资源是各个国家不可缺少的资源，是人类文明发展不可或缺的组成部分，人们对水的需求越来越大，水资源的污染情况也日益加剧，淡水资源本就很少，因此世界各地都十分缺水，而且经过相关调查研究，我国的缺水问题更严重，远远低于世界平均水平。随着我国城市与工业生产的规模不断扩大，水已经成为城市生存和发展的制约性因素。因此，合理预测城市近远期的供水，为合理分配现有水资源、新建或改扩建水厂提供可靠的依据，使其与城市发展实际相接近，对保证城市、经济的可持续发展具有极其重要的意义，所以研究高效的城市供水系统预测方法显得格外重要和迫切，城市供水系统预测包括管网的压力预测、管道流量预测和用水量预测。同时为了解城市供水管网的运行状态，对供水系统进行调度、漏水、水压控制等，供水管理部门通常会在管网中设置一定数量的监测点，进行压力和流量的实时监测；随着SCADA系统和物联网技术的不断成熟，供水管网的实时在线监测已越来越完善。目前，实时数据主要用于管网水力模型的校核和管网事故的监控，在水压预测方面的应用较少。
准确的压力预测是确保管网系统准确调度的前提和基础，目前使用的较多的预测方法主要分为两类，分别为传统的预测方法和人工智能预测方法。传统预测方法主要有回归分析法、移动平均法、指数平滑法、时间序列分析法等。回归分析法，会通过学习大量数据中的潜在规律，确定自变量和自变量之间的关系以建立回归方程。其中根据因变量和自变量的个数可以讲回归分析分为一元回归分析和多元回归分析，根据回归方程的变量的形式又可分为线性回归分析和非线性回归分析；移动平均法是用一组最近的实际数据值来预测未来近期或一段时间数据等的一种常用方法。移动平均法适用于即期预测，移动平均法根据预测时使用的各元素的权重不同，可以分为：简单移动平均和加权移动平均；指数平滑法实际上是一种特殊的加权移动平均法，常用于生产预测。其特点是:第一，指数平滑法进一步加强了近期观察值对预测值的作用，对不同时间的观察值所赋予的权数不等，从而加大了近期观察值的权数，使预测值能够迅速反映实际的变化。传统的预测方法因为能够快速构建，模型建立相对简单，运算速度快等优点，被广泛应用于各领域，不够也存在一些问题，例如模型对数据的局部特征不能全部学习，对于非线性数据缺乏适应性，并且在对模型的参数进行优化时，复杂度太高，会消耗过多的人力和物力。人工智能预测方法与传统预测方法相比，对数据的局部特征处理得更加好，并且有较强的非线性处理能力和鲁棒性强等优势；常用的人工智能预测方法包括支持向量机(SVM)，BP神经网络，小波神经网络，随机森林等。不过这些方法都存在各种各样的问题，例如神经网络方法的参数不易优化和易陷入局部极小值，SVM对数据规模较大得样本无法进行准确的预测，随机森林会出现过拟合，结果不够稳定等问题。
通过上述分析，现有技术存在的问题及缺陷为：
(1)目前，实时数据主要用于管网水力模型的校核和管网事故的监控，在水压预测方面的应用较少。
(2)目前神经网络方法的参数不易优化和易陷入局部极小值，SVM对数据规模较大得样本无法进行准确的预测，随机森林会出现过拟合等问题。
解决以上问题及缺陷的难度为：如果要解决神经网络的参数优化和易陷入局部极小值，需要花费大量的时间来进行参数优化，对于易陷入局部极小值这个问题则需要训练很多次或者和其他算法相结合，十分麻烦；SVM在数据规模较大的情况下，不太容易抓住数据和特征之间的非线性关系，并且计算复杂度也很高，花费的时间成本就很高；对于随机森林会出现过拟合的问题主要是因为训练数据往往会存在噪音，而且想要去掉数据中的噪音通常是很困难的。
解决以上问题及缺陷的意义为：如果较快的优化好参数和解决易陷入局部极小值的问题，可以节约时间使得预测效果更好；解决了数据规模较大的问题后，针对数据量比较多的情况也可以有着很好的效果。对于过拟合问题，解决之后可以使得模型更加适用于不同情况，而不是某一种情况。
发明内容
针对现有技术存在的问题，本发明提供了一种水压预测方法、系统、存储介质、设备、城市供水系统。
本发明是这样实现的，一种水压预测方法，所述水压预测方法通过计算历史时间中同一时刻的压力值与实时时刻的压力值之间的关系，获取到一组权值，通过该组权值进行压力预测；把训练数据与目标数据输入进模型，求解到一个模型参数，输入当前数据，获取到预测结果。
进一步，所述水压预测方法包括：
第一步，收集数据，对数据事先进行处理。设训练数据x1，x2，x3分别为3周，2周和一周前该时段的压力数据，目标数据y为前一天该时段的压力数据，x0为实时的压力数据；
第二步，选择合适的方式存储和训练以及历史数据、目标数据和当前数据；
第三步，设置相关参数，根据实际情况设置c1,c2,c3的值；
第四步，通过历史数据和目标数据建立模型并对模型进行求解得到权值w；
第五步，使用根据水压预测方法求出的权值w求出预测的压力值。
进一步，所述水压预测方法的模型建立包括：
yt+1＝yt·w；
其中yt＝(1，y1，t，y2，ty3，t，…，ym，t)∈R1×(m+1)，yt代表t时刻m个压力表的数值，yt+1为估计的下一时刻压力计的数值；
1)、m：水务管网中压力节点个数；
2)、t：当前时刻；
3)、
Figure BDA0002550238990000041
对应当天该时段的压力数据，且y∈RT×m；
4)、权值w：w∈R(m+1)×m。
进一步，所述水压预测方法的目标函数为：通过模型求解出不同时刻的预测数据与目标数据进行相减，并加上惩罚系数得到目标函数L：
Figure BDA0002550238990000042
1)、
Figure BDA0002550238990000043
代表3周前该时段的压力数据，其中xT，m代表t时刻第m个压力表的值；
2)同理定义X2，X3代表2周前和一周前该时段的压力数据。
进一步，所述水压预测方法的模型求解，通过对目标函数L对w求偏导，得到如下公式：
Figure BDA0002550238990000044
1)对上式进行化简：
[(x1)T·x1+c1·(x2)T·x2+c2·(x3)T·x3+c3·I]·w＝[(x1)T+(x2)T+(x3)T]·y；
2)、对化简后公式进行求解，求出权值w：
w＝[(x1)T·x1+c1·(x2)T·x2+c2·(x3)T·x3+c3·I]-1·[(x1)T+(x2)T+(x3)T]·y；
w＝[(x1)T·x1+c1·(x2)T·x2+c2·(x3)T·x3+c3·I]-1·[x1+x2+x3]T·y。
进一步，以上w的解才用的是左逆的形式，适用于：x1,x2,x3中线性无关样本数量大于m，若x1,x2,x3中线性无关样本数量不大于、于m，则采用右逆的形式：
w＝[x1+x2+x3]T·[(x1)T·x1+c1·(x2)T·x2+C2·(x3)T·x3+c3·I]-1·y；
以上两个w的公式是模型求解出的权值w，通过这个权值预测下一时刻的压力值。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：通过计算历史时间中同一时刻的压力值与实时时刻的压力值之间的关系，获取到一组权值，通过该组权值进行压力预测；把训练数据与目标数据输入进模型，求解到一个模型参数，输入当前数据，获取到预测结果。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：通过计算历史时间中同一时刻的压力值与实时时刻的压力值之间的关系，获取到一组权值，通过该组权值进行压力预测；把训练数据与目标数据输入进模型，求解到一个模型参数，输入当前数据，获取到预测结果。
本发明的另一目的在于提供一种运行所述水压预测方法的水压预测系统，所述水压预测系统包括：
数据收集模块，用于收集数据，对数据事先进行处理，设训练数据x1，x2，x3分别为3周，2周和一周前该时段的压力数据，目标数据y为前一天该时段的压力数据，x0为实时的压力数据；
数据预处理模块，用于选择合适的方式存储和训练以及历史数据、目标数据和当前数据；
参数设置模块，用于设置相关参数，根据实际情况设置c1,c2,c3的值；
权值求解模块，用于通过历史数据和目标数据建立模型并对模型进行求解得到权值w；
压力值获取模块，用于使用根据水压预测方法求出的权值w求出预测的压力值。
本发明的另一目的在于提供一种城市供水系统，所述城市供水系统搭载所述的水压预测系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明充分利用这些实时数据对城市供水管网的测压点压力进行预测，以了解未来时刻管网运行的状态，是确保管网系统准确调度的基础。
针对传统预测方法以及人工智能方法的缺点，本发明提出了一种基于迁移学习的方法来进行压力预测，该方法学习了局部数据的特征，参数比较容易优化，运行时速度快且预测精度较高，是一种较为可靠的压力预测方法。本发明是通过计算不同历史时间中同一时刻的压力值与实时时刻的压力值之间的关系，从而获取到一组权值，就可以通过该组权值进行压力预测。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的水压预测方法流程图。
图2是本发明实施例提供的水压预测系统的结构示意图；
图中：1、数据收集模块；2、数据预处理模块；3、参数设置模块；4、权值求解模块；5、压力值获取模块。
图3是本发明实施例提供的水压预测方法原理图。
图4是本发明实施例提供的2020.2.24日三种不同的预测方法的预测结果(案例1)。
图5是本发明实施例提供的2020.5.7日三种不同的预测方法的预测结果(案例2)。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种水压预测方法、系统、存储介质、设备、城市供水系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的水压预测方法包括以下步骤：
S101：收集数据，对数据事先进行处理。设训练数据x1，x2，x3分别为3周，2周和一周前该时段的压力数据，目标数据y为前一天该时段的压力数据，x0为实时的压力数据。
S102：选择合适的方式存储和训练以及历史数据、目标数据和当前数据。
S103：设置相关参数，根据实际情况设置c1,c2,c3的值。
S104：通过历史数据和目标数据建立模型并对模型进行求解得到权值w。
S105：使用根据水压预测方法求出的权值w求出预测的压力值。
如图2所示，本发明提供的水压预测系统包括：
数据收集模块1，用于收集数据，对数据事先进行处理，设训练数据x1，x2，x3分别为3周，2周和一周前该时段的压力数据，目标数据y为前一天该时段的压力数据，x0为实时的压力数据。
数据预处理模块2，用于选择合适的方式存储和训练以及历史数据、目标数据和当前数据。
参数设置模块3，用于设置相关参数，根据实际情况设置c1,c2,c3的值。
权值求解模块4，用于通过历史数据和目标数据建立模型并对模型进行求解得到权值w。
压力值获取模块5，用于使用根据水压预测方法求出的权值w求出预测的压力值。
下面结合附图对本发明的技术方案作进一步的描述。
本发明主要是通过计算历史时间中同一时刻的压力值与实时时刻的压力值之间的关系，从而获取到一组权值，就可以通过该组权值进行压力预测。具体过程如下图所示通过把训练数据与目标数据输入进模型，从而求解到一个模型参数，然后就可以输入当前数据，获取到预测结果。
(1)模型建立：
yt+1＝yt·w；
其中yt＝(1，y1，t，y2，ty3，t，…，ym，t)∈R1×(m+1)，yt代表t时刻m个压力表的数值，yt+1为估计的下一时刻压力计的数值。
1)、m：水务管网中压力节点个数；
2)、t：当前时刻；
3)、
Figure BDA0002550238990000081
对应当天该时段的压力数据，且y∈RT×m；
4)、权值w：w∈R(m+1)×m。
(2)目标函数：通过模型求解出不同时刻的预测数据与目标数据进行相减，并加上惩罚系数得到目标函数L：
Figure BDA0002550238990000082
1)、
Figure BDA0002550238990000083
代表3周前该时段的压力数据，其中xT，m代表t时刻第m个压力表的值。
2)同理定义X2,X3代表2周前和一周前该时段的压力数据。
(3)模型求解，通过对目标函数L对w求偏导，得到如下公式：
Figure BDA0002550238990000091
1)对上式进行化简：
[(x1)T·x1+c1·(x2)T·x2+c2·(x3)T·x3+c3·I]·w＝[(x1)T+(x2)T+(x3)T]·y；
2)、对化简后公式进行求解，求出权值w：
w＝[(x1)T·x1+c1·(x2)T·x2+c2·(x3)T·x3+c3·I]-1·[(x1)T+(x2)T+(x3)T]·y；
w＝[(x1)T·x1+c1·(x2)T·x2+c2·(x3)T·x3+c3·I]-1·[x1+x2+x3]T·y；
以上w的解才用的是左逆的形式，适用于：x1,x2,x3中线性无关样本数量大于m，若x1,x2,x3中线性无关样本数量不大于于m，则采用右逆的形式：
w＝[x1+x2+x3]T·[(x1)T·x1+c1·(x2)T·x2+c2·(x3)T·x3+c3·I]-1·y；
以上两个w的公式便是模型求解出的权值w，通过这个权值就可以预测下一时刻的压力值。
下面结合实验对本发明的技术效果作详细的描述。
本发明基于项目所搭建的智慧水务管理平台上实现的，在平台上属于智慧决策功能，该平台上可以存储历史和实时压力数据以及数据做对应的时标。根据当前时间，从平台上获取3周，2周和一周前该时间的历史压力数据，以及得到前一天该时段的压力数据作为目标数据。以下实例是在单个压力计节点的情况下实施的，采用的是批量预测的方式即预测的压力数据为一整天的压力数据(设压力数据的采集时间间隔为1小时)，为了验证算法的有效性，其中使用的具体压力数据以及时间情况如下：
案例1：例如现在是2020年2月24日24时，则使用今天24小时的24个数据作为需要预测的数据，2020年2月23日的数据作为算法的输入数据，然后算法所需要的训练数据为3周前，2周前，1周前的历史压力数据，即2020年2月16，2020年2月9，2020年2月2日全天的压力数据，目标数据为2020年2月22日的压力数据。
案例2：例如现在是2020年5月7日24时，则使用今天24小时的24个数据作为需要预测的数据，2020年5月6日的数据作为算法的输入数据，然后算法所需要的训练数据为3周前，2周前，1周前的历史压力数据，即2020年4月29，2020年4月22，2020年4月15日全天的压力数据，目标数据为2020年5月5日的压力数据。
以上两个案例分别从平台上获取历史压力数据，目标数据以及当前数据以矩阵的方式进行存储，把历史压力数据与目标数据一起作为模型的训练数据。
在进行模型求解时需要设置相关参数，根据实际情况即对不同时段的历史数据的权重，在这里案例1设置c1,c2,c3的值分别为1，0.8，0.75,；案例2设置c1,c2,c3的值分别为1，1，1。
通过输入历史数据和目标数据以及相关参数，建立好预测的模型并对模型进行求解，在以上案例中最后求解的值采用的是左逆的形式，最后求解到权值w。
本发明分别选择了一个传统的预测方法指数平滑法和人工智能方法SVR作为对比方法；预测的是24小时的压力数据，数据采集时间间隔为1小时，因此就是预测了24小时的压力数据。案例1，2具体结果如下所示。
表1：案例1情况下三种预测方法的预测值
Figure BDA0002550238990000111
表2：案例2情况下三种预测方法的预测值
Figure BDA0002550238990000112
Figure BDA0002550238990000121
从表1和表2中可以看到，在两种案例的情况下，三种不同的预测方法都预测出了24小时的压力数据，并于真实数据进行了对比，但是对比效果不够直观，所以把数据转换为了折线图来显示，具体如图4和图5所示。
从图4和图5中可以看出各个时段三种预测方法的预测结果与真实值的对比，以及可以清楚的看到三种预测方法的预测趋势，可以看出基于迁移的方法和真实值的大小和趋势比较一致，优于其他两种方法，但是具体比其他两种方法好多少，还是不够清晰，尤其是图5中的SVR预测方法的趋势也比较接近于真实数据，因此便引入了相对误差以及平均相对误差作为判断标准，具体结果如表3和表4所示。
表3案例1不同时刻的三种预测方法的相对误差
Figure BDA0002550238990000131
表4案例2不同时刻的三种预测方法的相对误差
Figure BDA0002550238990000141
从表3和表4中可以看到，分别求出了三种不同的预测方法预测的24小时的压力数据的相对误差以及平均相对误差，根据结果可以看到，不管案例1还是案例2，基于迁移学习的预测方法的相对误差都远远低于指数平滑法和SVR预测方法。
在案例1中指数平滑法的平均相对误差为8.13％，总体预测效果最差，而且有5个时刻的相对误差都超过了15％；SVR法的平均相对误差为6.28％，比指数平滑法的相对误差低1.85％，虽然效果比指数平滑法好一点，但是还是不够好，并且有两个时刻的相对误差都超过了15％，甚至有一个时刻的相对误差达到了19.06％，因此综合性能较差；基于迁移学习的预测方法的平均相对误差低至3.95％，比指数平滑法和SVR法的的相对误差分别低4.18％和2.33％，并且最高的相对误差也只是9.18％,远远低于指数平滑法的16.84％和SVR法的19.06％；
在案例2中指数平滑法的平均相对误差为13.66％，总体预测效果最差，而且有9个时刻的相对误差都超过了20％；SVR法的平均相对误差为9.22％，比指数平滑法的相对误差低4.44％，虽然效果比指数平滑法好一点，但是还是不够好，并且有4个时刻的相对误差都超过了20％，甚至有一个时刻的相对误差达到了31.62％，因此综合性能较差；基于迁移学习的预测方法的平均相对误差为5.07％，比指数平滑法和SVR法的的相对误差分别低8.59％和4.15％。
因此本发明的方法无论是从单个的相对误差还是平均相对误差，效果都较好，可以及时发现压力的变化，为供水管网的平稳运行提供了可靠的保障，为水务企业提供一个很好的参考标准。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
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，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种水压预测方法，其特征在于，所述水压预测方法通过计算历史时间中同一时刻的压力值与实时时刻的压力值之间的关系，获取到一组权值，通过该组权值进行压力预测；把训练数据与目标数据输入进模型，求解到一个模型参数，输入当前数据，获取到预测结果。
2.如权利要求1所述的水压预测方法，其特征在于，所述水压预测方法包括：
第一步，收集数据，对数据事先进行处理，设训练数据x1，x2，x3分别为3周，2周和一周前该时段的压力数据，目标数据y为前一天该时段的压力数据，x0为实时的压力数据；
第二步，选择合适的方式存储和训练以及历史数据、目标数据和当前数据；
第三步，设置相关参数，根据实际情况设置c1,c2,c3的值；
第四步，通过历史数据和目标数据建立模型并对模型进行求解得到权值w；
第五步，使用根据水压预测方法求出的权值w求出预测的压力值。
3.如权利要求1所述的水压预测方法，其特征在于，所述水压预测方法的模型建立包括：
yt+1＝yt·w；
其中yt＝(1，y1，t，y2，ty3，t，…，ym，t)∈R1×(m+1)，yt代表t时刻m个压力表的数值，yt+1为估计的下一时刻压力计的数值；
1)、m：水务管网中压力节点个数；
2)、t：当前时刻；
3)、
Figure FDA0002550238980000011
对应当天该时段的压力数据，且y∈RT×m；
4)、权值w：w∈R(m+1)×m。
4.如权利要求3所述的水压预测方法，其特征在于，所述水压预测方法的目标函数为：通过模型求解出不同时刻的预测数据与目标数据进行相减，并加上惩罚系数得到目标函数L：
Figure FDA0002550238980000021
1)、
Figure FDA0002550238980000022
代表3周前该时段的压力数据，其中xT，m代表t时刻第m个压力表的值；
2)同理定义X2，X3代表2周前和一周前该时段的压力数据。
5.如权利要求4所述的水压预测方法，其特征在于，所述水压预测方法的模型求解，通过对目标函数L对w求偏导，得到如下公式：
Figure FDA0002550238980000023
1)对上式进行化简：
[(x1)T·x1+c1·(x2)T·x2+c2·(x3)T·x3+c3·I]·w＝[(x1)T+(x2)T+(x3)T]·y；
2)、对化简后公式进行求解，求出权值w：
w＝[(x1)T·x1+c1·(x2)T·x2+c2·(x3)T·x3+c3·I]-1·[(x1)T+(x2)T+(x3)T]·y；
w＝[(x1)T·x1+c1·(x2)T·x2+c2·(x3)T·x3+c3·I]-1·[x1+x2+x3]T·y。
6.如权利要求5所述的水压预测方法，其特征在于，以上w的解才用的是左逆的形式，适用于：x1，x2，x3中线性无关样本数量大于m，若x1，x2，x3中线性无关样本数量不大于于m，则采用右逆的形式：
w＝[x1+x2+x3]T·[(x1)T·x1+c1·(x2)T·x2+c2·(x3)T·x3+c3·I]-1·y；
以上两个w的公式是模型求解出的权值w，通过这个权值预测下一时刻的压力值。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：通过计算历史时间中同一时刻的压力值与实时时刻的压力值之间的关系，获取到一组权值，通过该组权值进行压力预测；把训练数据与目标数据输入进模型，求解到一个模型参数，输入当前数据，获取到预测结果。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：通过计算历史时间中同一时刻的压力值与实时时刻的压力值之间的关系，获取到一组权值，通过该组权值进行压力预测；把训练数据与目标数据输入进模型，求解到一个模型参数，输入当前数据，获取到预测结果。
9.一种运行权利要求1～6任意一项所述水压预测方法的水压预测系统，其特征在于，所述水压预测系统包括：
数据收集模块，用于收集数据，对数据事先进行处理，设训练数据x1，x2，x3分别为3周，2周和一周前该时段的压力数据，目标数据y为前一天该时段的压力数据，x0为实时的压力数据；
数据预处理模块，用于选择合适的方式存储和训练以及历史数据、目标数据和当前数据；
参数设置模块，用于设置相关参数，根据实际情况设置c1,c2,c3的值；
权值求解模块，用于通过历史数据和目标数据建立模型并对模型进行求解得到权值w；
压力值获取模块，用于使用根据水压预测方法求出的权值w求出预测的压力值。
10.一种城市供水系统，其特征在于，所述城市供水系统搭载权利要求9所述的水压预测系统。
CN202010572730.4A 2020-06-22 2020-06-22 水压预测方法、系统、存储介质、设备、城市供水系统 Active CN111859783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010572730.4A CN111859783B (zh) 2020-06-22 2020-06-22 水压预测方法、系统、存储介质、设备、城市供水系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010572730.4A CN111859783B (zh) 2020-06-22 2020-06-22 水压预测方法、系统、存储介质、设备、城市供水系统

Publications (2)

Publication Number Publication Date
CN111859783A true CN111859783A (zh) 2020-10-30
CN111859783B CN111859783B (zh) 2023-10-13

Family

ID=72987804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010572730.4A Active CN111859783B (zh) 2020-06-22 2020-06-22 水压预测方法、系统、存储介质、设备、城市供水系统

Country Status (1)

Country Link
CN (1) CN111859783B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101582216B1 (ko) * 2015-05-20 2016-01-04 (주)그린텍아이엔씨 상관도 분석 및 추세 분석을 통한 배수지 수압 예측 방법
CN106407998A (zh) * 2016-07-26 2017-02-15 北京工业大学 一种概率时变的海水液压泵故障预测方法
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101582216B1 (ko) * 2015-05-20 2016-01-04 (주)그린텍아이엔씨 상관도 분석 및 추세 분석을 통한 배수지 수압 예측 방법
CN106407998A (zh) * 2016-07-26 2017-02-15 北京工业大学 一种概率时变的海水液压泵故障预测方法
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
平俊晖;王荣和;孙继龙;肖朝红;: "基于支持向量机的城市供水管网测压点水压预测研究", 给水排水, no. 11, pages 182 - 187 *
杨桃: "基于机器学习的供水管网爆管诊断方法研究与实现", 《中国优秀硕士 学位论文全文数据库 工程科技Ⅱ辑》, no. 10, pages 038 - 580 *
谢军: "基于BP神经网络的供水管网压力预测", 《城镇供水》, no. 06, pages 46 - 49 *
赵洪宾: "微观建模在城市给水管网系统中的实践", 《给水排水》, vol. 28, no. 5, pages 13 - 15 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN111859783B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN107194621B (zh) 一种供水管网管理系统和方法
CN113205207A (zh) 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
CN102426674B (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN114862032B (zh) 一种基于XGBoost-LSTM的电网负荷预测方法及装置
CN110751312A (zh) 一种基于多因子的系统动力学生活需水预测方法和系统
CN110852498A (zh) 一种基于gru神经网络预测数据中心能耗效率值pue的方法
CN109447332A (zh) 一种适用于s型负荷曲线的中长期电力负荷组合预测方法
CN110837933A (zh) 基于神经网络的漏损识别方法、装置、设备及存储介质
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN112308270A (zh) 一种长期用电负荷预测方法、装置及计算机实现系统
CN114757330A (zh) 基于lstm的城市瞬时用水量预测方法
CN113449919A (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN111859783A (zh) 水压预测方法、系统、存储介质、设备、城市供水系统
CN117236571A (zh) 一种基于物联网的规划方法和系统
CN112598181A (zh) 负荷预测方法、装置、设备和存储介质
CN115511230B (zh) 一种电能替代潜力分析预测方法
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
CN116662674A (zh) 一种基于高效马尔科夫毯学习机制的服务推荐方法及系统
CN108921340B (zh) 一种基于误差转移密度函数的洪水概率预报方法
CN113159395A (zh) 一种基于深度学习的污水处理厂进水流量预测方法及系统
Yang et al. A Heat Load Prediction Method for District Heating Systems Based on the AE-GWO-GRU Model
CN118153246B (zh) 基于边缘计算的流体管网数据处理方法及系统
CN118536410B (zh) 基于大数据驱动建模的能耗优化决策分析方法及系统
CN112115036B (zh) 集群容量预测方法及装置
CN118300101B (zh) 用电负荷预测方法、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant