CN113344449A - 一种预测月尺度工业需水量的方法 - Google Patents
一种预测月尺度工业需水量的方法 Download PDFInfo
- Publication number
- CN113344449A CN113344449A CN202110751413.3A CN202110751413A CN113344449A CN 113344449 A CN113344449 A CN 113344449A CN 202110751413 A CN202110751413 A CN 202110751413A CN 113344449 A CN113344449 A CN 113344449A
- Authority
- CN
- China
- Prior art keywords
- water demand
- industrial water
- evaluation
- industrial
- prediction
- 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
Links
- 239000008235 industrial water Substances 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000011156 evaluation Methods 0.000 claims abstract description 96
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 96
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000005192 partition Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000004088 simulation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010835 comparative analysis Methods 0.000 claims description 7
- 238000012314 multivariate regression analysis Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种预测月尺度工业需水量的方法,属于水资源水量调配领域。具体包括以下步骤:S1构建工业需水特征评价评价指标体系;S2构建预测模型集;S3制定各工业需水评价分区最优预测方法;S4筛选月尺度工业需水关键影响因子,为多元回归法与前馈神经网络模型提供基础;S5月尺度工业需水预测。上述的S1包括:S1‑1选取工业需水特征评价指标;S1‑2制定评价指标分级阈值;S1‑3计算评价总值,定量评价工业需水情况。本发明的优点在于:1)具有月尺度的预测能力;2)方法考虑了区域特征;3)具有基于地区需水变化的模型筛选能力。
Description
技术领域
本发明一种预测工业需水量的方法,尤其是涉及一种预测月尺度工业需水量的方法,属于水资源水量调配领域。
背景技术
年调节或多年调节的供水工程,其年内的水量分配需要根据需水量预测进行调度,尤其是年调节的工程,需要月尺度的需水量预测。
现有技术中,工业需水预测多采用定额法、产值法、趋势法等预测方法在年尺度上进行预测,工业需水预测研究方法主要可以分为基于时间序列与影响因子两种。基于时间序列的需水预测方法的探究主要在于算法的不断改进与创新,1981年DR Gallagher研究了澳大利亚的需水量模型。1986年,Rumelhart等人为改善多层前向神经网络,提出了一种基于多层神经网络的BP算法,该算法在需水量预测方面一直沿用至今。1998年,吕谋、赵洪宾等使用季节指数平滑法预测需水量。杜国明对快速二阶神经网络方法进行改进,用来预测需水量。2004年,王弘宇、马放等保留常规GM(1,1)模型的优点,并考虑进入系统的扰动因素,构建灰色新陈代谢GM(1,1)模型。刘勇键、沈军等改进了BP神经网络收敛速度慢且容易陷入局部极小的缺点,提出基于遗传—神经网络的需水量预测模型。2008年,Adamoski等比较了各种方法预测高峰需水量的效果,其中人工神经网络法具有最佳的模拟效果。2009年,迟道才等结合神经网络与灰色预测方法,构造了并联型灰色神经网络预测模型。2014年,Tiwari等构造了可以在有限的数据情况下进行预测的基于混合小波—人工神经网络算法的模型(WBANN),在较短的时间序列前提下,预测结果比人工神经网络及贝叶斯人工神经网络方法好,这为解决需水预测中历史数据难以获得的问题提供了新思路。Zubaidi等在中期需水预测中使用了混合粒子群优化算法神经网络模型。众多学者研究表明神经网络模型能够保存对样本数据分别进行训练和验证后的网络和参数,在类似区域实现需水量的模拟和预测。基于影响因子的需水预测方法关键在于影响因子的匹配性和模型的适用性,1990年,Mya等基于需水量与其影响因子之间的相关性,如降水量、水价、人口、收入等,构造了对数和半对数回归模型用来进行需水量预测,预测效果较好。2005年,刘俊良等在预测城市生活需水量时使用了应用系统动力学模型。近年来,国内外的需水预测研究不仅增加了影响因素的范围,同时更加注重改进算法,将两者的优势结合,取得了显著的进展。2004年,Leenhar等使用了长序列且详尽的历史数据准确预测了未来的需水量,主要应用了结合气候、灌溉面积等影响因素的模型。Fontdecaba等将不同用户群组分类,结合社会经济情况,分别构造预测模型,结果表明其在大城市较适用。Dos Santos等在需水预测中不仅结合社会环境与气象因子,还考虑了人类与气候的相互作用,预测结果较好。
国内的研究一般在预测模型中改进算法,对影响需水量的因子探究还不够充分;国外对多变量驱动模型的研究虽然保证了一定的精度,但是需要收集详尽的数据,很难进行区域研究。随着水资源开发利用程度的加强和保护需求的提高,迫切需要对水资源实行更加精细化的管理,而年尺度的工业需水预测与评价在时效性和精细化程度上均难以支撑日益迫切的水资源精细化管理需求。年尺度工业需水量一般呈单一趋势,变化较稳定,仅变化程度不一。月尺度工业需水量受自然、社会、经济等因素影响呈现波动状态,出现一个或多个峰值,年尺度工业需水预测方法不适用于月尺度工业需水预测,因此业界广泛需要一种进行月尺度工业需水量的预测方法。
发明内容
本发明的目的在于公开一种预测月尺度工业需水量的方法,具体包括以下步骤:
S1:构建工业需水特征评价指标体系,
S1-1:选取工业需水特征评价指标。采用层次分析法,从影响工业需水的社会发展、自然资源、技术进步等方面,按照层次关系,初步分解出构成工业需水的影响因素。并基于筛选评价指标的代表性、科学性和可操作性原则,选取工业需水量、万元工业增加值用水量及工业需水比重分别作为表征地区工业需水总量、需水水平和需水结构的评价指标。
S1-2:制定评价指标分级阈值。根据相关资料确定不同指标的评价标准,将工业需水的量化影响因素进行分级,以便于实现系统目标的定量化表示及比较评价。基于相关资料将三个指标划分为Ⅰ级至Ⅴ级,同时确定了相应的评价阈值,见下表1。
表1工业需水评价指标分级标准
S1-3:计算评价总值,确定工业需水评价空间分区。利用AHP法对步骤一中筛选出的评价指标进行重要性评价,确定工业需水评价总值中需水总量、用水效率以及需水结构的计算权重,并对评价目标进行赋值,确定了Ⅰ级至Ⅴ级分别对应整数数值1至5,基于熵权法和指标权重计算工业需水评价总值,并根据表2进行工业需水特征评价分区。
表2工业需水评价分区标准
S2:构建预测模型集。选取了在水资源预测领域应用广泛且预测效果良好的预测方法,由此构建工业需水预测模型集。包括:多元回归分析法、BP神经网络模型、前馈神经网络模拟模型。
S3:制定各工业需水评价分区最优预测方法。对应步骤三中工业需水评价总值分级结果A区至E区,根据各分区工业需水及其影响因子特点和需水预测方法特点,选用不同预测方法:A区选用前馈神经网络模型;B区选用BP神经网络模型;C区选用BP神经网络模型;D区选用多元回归法;E区选用多元回归法
S4:筛选月尺度工业需水关键影响因子,为多元回归法与前馈神经网络模型提供基础。根据现有工业用水影响因素的分析结果和基础数据的可获性,从经济发展、自然资源、工业发展规模、产业结构、技术进步等方面,建立指标初集。通过查询月尺度统计数据,可获取的用水影响因子包括:月平均降水量、月平均气温、二产比例、第二产业月值、规模以上工业总产值、GDP月值、固定资产投资、发电量、钢产量、工业企业个数、化学纤维产量等。利用Pearson相关分析和主成分分析筛选出地区工业需水量的关键影响因子。
S5:月尺度工业需水预测。根据步骤1、步骤3结果,确定工业需水综合评价分区和需水预测方法,收集相关数据,计算地区月尺度工业需水量。
本发明的有益效果:
与现有技术相比,本发明具有以下优点:
1)利用指标法从需水总量、需水水平和需水结构角度全面反映和度量工业需水特征,对地区工业需水情况进行了定量评价分级,根据工业需水综合评价体系,将地区划分为A区~E区,能够加深对工业需水规律的认识和研究,有助于预测工作的顺利展开。
2)与现有需水预测技术相比,本发明能够筛选出最适合地区需水变化规律和特征的工业需水预测模型,有利于全国范围的推广应用,具有重要的实际意义。
附图说明
图1实施例1采用本发明方法预测JS省月工业需水量预测值与实测值对比图;
图2实施例2采用本发明方法预测FJ省月工业需水量预测值与实测值对比图;
图3实施例3采用本发明方法预测YN省月工业需水量预测值与实测值对比图;
图4实施例4采用本发明方法预测GS省月工业需水量预测值与实测值对比图;
图5实施例5采用本发明方法预测HLJ省月工业需水量预测值与实测值对比图。
具体实施方式
下面结合具体实施案例对本发明进行详细说明。
实施例1
JS省工业需水量255.2亿m3、万元工业增加值用水量34.2m3/万元、工业需水比重80%。
步骤S1:采用表1工业需水评价指标分级标准,将工业需水的量化影响因素进行分级,以便于实现系统目标的定量化表示及比较评价,JS省三个指标划分成果见表4。
表4JS省评价指标分级
采用表2工业需水评价分区标准计算评价总值,确定工业需水评价空间分区。利用AHP法对步骤一中筛选出的评价指标进行重要性评价,确定了工业需水评价总值中需水总量、用水效率以及需水结构的计算权重比为1:1:1,并对评价目标进行赋值,基于熵权法和指标权重计算工业需水评价总值,JS省工业需水评价总值1.67,属于A区。
步骤S2:工业需水预测模型集,包括:多元回归分析法、BP神经网络模型、前馈神经网络模拟模型。
步骤S3:JS省工业需水分区属于A区,因此选用前馈神经网络模型进行工业需水预测。。
步骤S4:筛选关键影响因子。收集指标初集,并利用Pearson相关分析和主成分分析对JS省月尺度工业需水量的影响因素进行相关度分析,与JS省工业需水量具有显著相关关系的关键影响因子是:月平均气温、降水量、规模以上工业增加值。结果如下表所示。
表5 JS省月工业需水量与影响因素相关度
步骤S5:根据JS省月工业需水量影响因子相关性分析及关键影响因子筛选结果,输入层神经元个数为1,2017年1月~2018年12月关键影响因子数据序列作为网络的输入;网络输出层输出2017年1月~2018年12月工业需水量预测值,因而输出节点数为1;根据网络训练结果选择,模型通过反复训练,选择隐含层节点数为16个。关键影响因子的2017~2018年的月度数据,如表6所示。
表6前馈神经网络模型建模基础数据
根据前馈神经网络模型进行2019年JS省12个月的工业需水量预测,得到的结果及误差计算见下表7,绘制的预测值与实测值对比见图1,2019年月预测值平均相对误差为4.35%,模拟误差较小,精度较好。
表7 2019年JS省工业需水量前馈神经网络月值预测
实施例2
HLJ省工业需水量19.8亿m3、万元工业增加值用水量30.5m3/万元、工业需水比重50.6%。
步骤S1:将工业需水的量化影响因素进行分级,以便于实现系统目标的定量化表示及比较评价。HLJ省三个指标划分成果见表8。
表8 HLJ省评价指标分级
计算评价总值,确定工业需水评价空间分区。利用AHP法对步骤一中筛选出的评价指标进行重要性评价,确定了工业需水评价总值中需水总量、用水效率以及需水结构的计算权重比为1:1:1,并对评价目标进行赋值,确定了Ⅰ级至Ⅴ级分别对应整数数值1至5,基于熵权法和指标权重计算工业需水评价总值,进行工业需水评价空间分区。
HLJ省工业需水评价总值2.67,属于B区。
步骤S2:工业需水预测模型集,包括:多元回归分析法、BP神经网络模型、前馈神经网络模拟模型。
步骤S3:HLJ省工业需水分区属于B区,因此选用BP神经网络模型进行工业需水预测。
步骤S4:BP神经网络方法无需影响因子,因此省略此步骤。
步骤S5:BP神经网络输入数据采用2017年1月~2018年12月一共24个月的月工业需水量数据,利用MATLAB程序得到最优参数,其中最优自回归阶数为1,最优隐含层神经元个数为9。之后利用直接预测的MATLAB程序,结合HLJ省2017~2018年共24个月的工业需水量数据,直接预测出2019年12个月的需水量数据。根据BP神经网络模型进行2019年HLJ省的工业需水量预测,得到的结果及误差计算见表10,该地区实测值和预测值对比见图2。分析可知,模型预测的2019年各个月的平均相对误差为3.21%,模型精度相对较高,预测值与实际值总体拟合程度较好。
表10 2019年HLJ省工业需水量BP神经网络月值预测
时间 | 实测值(亿m<sup>3</sup>) | 预测值(亿m<sup>3</sup>) | 相对误差 |
2019年1月 | 1.60 | 1.62 | 1.25% |
2019年2月 | 1.57 | 1.54 | -1.91% |
2019年3月 | 1.57 | 1.67 | 6.37% |
2019年4月 | 1.67 | 1.64 | -1.80% |
2019年5月 | 1.76 | 1.68 | -4.55% |
2019年6月 | 1.77 | 1.73 | -2.26% |
2019年7月 | 1.67 | 1.74 | 4.19% |
2019年8月 | 1.73 | 1.68 | -2.89% |
2019年9月 | 1.65 | 1.71 | 3.64% |
2019年10月 | 1.68 | 1.65 | -1.79% |
2019年11月 | 1.61 | 1.68 | 4.35% |
2019年12月 | 1.55 | 1.59 | 2.58% |
实施例3
HB省工业需水量19.1亿m3、万元工业增加值用水量13.94m3/万元、工业需水比重31.1%。
步骤S1:将工业需水的量化影响因素进行分级,以便于实现系统目标的定量化表示及比较评价,HB省三个指标划分成果见表11。
表11 HB省评价指标分级
计算评价总值,确定工业需水评价空间分区。利用AHP法对步骤一中筛选出的评价指标进行重要性评价,确定了工业需水评价总值中需水总量、用水效率以及需水结构的计算权重比为1:1:1,并对评价目标进行赋值,基于熵权法和指标权重计算工业需水评价总值,HB省工业需水评价总值3.00,属于C区。
步骤S2:工业需水预测模型集,包括:多元回归分析法、BP神经网络模型、前馈神经网络模拟模型。
步骤S3:HB省工业需水分区属于C区,因此选用BP神经网络模型进行工业需水预测。
步骤S4:BP神经网络方法无需影响因子,因此省略此步骤。
步骤S5:BP神经网络输入数据采用2017年1月~2018年12月一共24个月的月工业需水量数据,利用MATLAB程序得到最优参数,其中最优自回归阶数为12,最优隐含层神经元个数为2。之后利用直接预测的MATLAB程序,结合HB省2017~2018年共24个月的工业需水量数据,直接预测出2019年12个月的需水量数据,预测结果见表13,该地区实测值和预测值对比见图3。分析可知,模型预测的2019年各个月的平均相对误差为4.26%,模型精度相对较好。
表13 2019年HB省工业需水量BP神经网络月值预测
时间 | 实测值(亿m<sup>3</sup>) | 预测值(亿m<sup>3</sup>) | 相对误差 |
2019年1月 | 1.65 | 1.55 | -6.06% |
2019年2月 | 1.47 | 1.71 | 16.33% |
2019年3月 | 1.71 | 1.70 | -0.58% |
2019年4月 | 1.69 | 1.69 | 0.00% |
2019年5月 | 1.71 | 1.70 | -0.58% |
2019年6月 | 1.70 | 1.70 | 0.00% |
2019年7月 | 1.70 | 1.70 | 0.00% |
2019年8月 | 1.63 | 1.60 | -1.84% |
2019年9月 | 1.57 | 1.52 | -3.18% |
2019年10月 | 1.62 | 1.66 | 2.47% |
2019年11月 | 1.49 | 1.68 | 12.75% |
2019年12月 | 1.51 | 1.62 | 7.28% |
实施例4
YN省工业需水量21亿m3、万元工业增加值用水量47m3/万元、工业需水比重43.3%。
步骤S1:将工业需水的量化影响因素进行分级,以便于实现系统目标的定量化表示及比较评价,YN省三个指标划分成果见表14。
表14 YN省评价指标分级
计算评价总值,确定工业需水评价空间分区。利用AHP法对步骤一中筛选出的评价指标进行重要性评价,确定了工业需水评价总值中需水总量、用水效率以及需水结构的计算权重比为1:1:1,并对评价目标进行赋值,基于熵权法和指标权重计算工业需水评价总值,YN省工业需水评价总值3.67,属于D区。
步骤S2:工业需水预测模型集,包括:多元回归分析法、BP神经网络模型、前馈神经网络模拟模型。
步骤S3:YN省工业需水分区属于D区,因此选用多元回归法进行工业需水预测。
步骤S4:筛选关键影响因子。收集步骤四指标初集,并利用Pearson相关分析和主成分分析,YN省月尺度工业需水具有显著相关关系(0.01级别)的影响因子共有10个,分别为第二产业、规模以上工业增加值、固定资产投资、教育经费、工业电力消费量、发电量、出口额、化学纤维产量、二产比例。排除皮尔逊相关性负值因子,确定第二产业比例为YN省月尺度工业需水的关键影响因子。具体数据结果见表15。
表15 YN省月工业需水量与影响因素相关度
**.在0.01级别(双尾),相关性显著。
*.在0.05级别(双尾),相关性显著。
步骤S5:根据多元回归分析原理,通过2017年1月~2018年12月工业需水量月值及其关键影响因子数据,对因变量月工业需水量与关键影响因子的相关关系进行了分析并计算出各回归参数。YN省的工业关键影响因子有第二产业比例,多元线性回归模拟得到其关键影响因子对应系数,见下表16,建立了总体回归模型,如下所示。
表16 YN省工业需水量多元回归拟合结果
关键因子 | 常数 | 二产比例 |
系数 | 1.062 | 1.996 |
线性多元回归方程:
Y月=1.062+1.996*x二产
其中,Y月为工业需水量月值,x二产为二产比例。
利用2017年1月~2018年12月的关键影响因子月值数据通过指数平滑算法依次预测YN省2019年1~12月关键影响因子数值(见下表17)。利用线性多元回归方程计算预测了YN省2019年各月工业需水量预测结果及误差分析见下表18和图4,可以看到2019年工业需水预测值较实测值误差不大,相对误差基本都在±10%以内,月平均相对误差2.59%。
表17 YN省2019年工业关键影响因子预测结果
日期 | 1月 | 2月 | 3月 | 4月 | 5月 | 6月 |
二产比例 | 0.43 | 0.43 | 0.42 | 0.37 | 0.36 | 0.35 |
日期 | 7月 | 8月 | 9月 | 10月 | 11月 | 12月 |
二产比例 | 0.39 | 0.37 | 0.34 | 0.32 | 0.29 | 0.28 |
表18 2019年YN省工业需水量多元回归月值预测
实施例5
GS省工业需水量9.2亿m3、万元工业增加值用水量48m3/万元、工业需水比重39.8%。
步骤S1:将工业需水的量化影响因素进行分级,以便于实现系统目标的定量化表示及比较评价。GS省三个指标划分成果见表19。
表19 GS省评价指标分级
计算评价总值,确定工业需水评价空间分区。利用AHP法对步骤一中筛选出的评价指标进行重要性评价,确定了工业需水评价总值中需水总量、用水效率以及需水结构的计算权重比为1:1:1,并对评价目标进行赋值,基于熵权法和指标权重计算工业需水评价总值,GS省工业需水评价总值4,属于E区。
步骤S2:生活需水预测模型集,包括:多元回归分析法、BP神经网络模型、前馈神经网络模拟模型。
步骤S3:GS省工业需水分区属于E区,因此选用多元回归法进行工业需水预测。
步骤S4:筛选关键影响因子。收集步骤四指标初集,并利用Pearson相关分析和主成分分析筛选出与GS省月尺度工业需水具有显著相关关系(0.01级别)的影响因子共有2个,分别为固定资产投资、发电量,排除不合理相关因子后,确定固定资产投资为GS省月尺度工业需水的关键影响因子。具体数据结果见表20。
表20 GS省月工业需水量与影响因素相关度
影响因子 | 皮尔逊相关性 | Sig.(双尾) |
月平均气温 | 0.37 | 0.07 |
月平均降水量 | 0.28 | 0.18 |
表20 GS省月工业需水量与影响因素相关度
GDP | -0.28 | 0.18 |
第二产业产值 | -0.14 | 0.53 |
第二产业比例 | 0.40 | 0.05 |
规模以上工业增加值( | 0.16 | 0.46 |
固定资产投资 | 0.446* | 0.03 |
教育财政支出 | 0.05 | 0.81 |
财政支出 | -0.01 | 0.98 |
教育支出 | 0.05 | 0.80 |
人均教育财政支出 | 0.05 | 0.80 |
发电量 | -0.449* | 0.03 |
钢产量 | -0.19 | 0.37 |
出口额 | -0.36 | 0.09 |
规模以上工业企业个数 | 0.38 | 0.07 |
金属切削机床数量 | -0.28 | 0.18 |
**,在0.01级别(双尾),相关性显著;
*,在0.05级别(双尾),相关性显著。
步骤S5:根据多元回归分析原理,通过GS省2017年1月~2018年12月工业需水量月值及其2个关键影响因子数据,对因变量月工业需水量与自变量关键影响因子的相关关系进行了分析并计算出各回归参数。GS省的工业关键影响因子有固定资产投资、发电量共2个,多元线性回归模拟得到其关键影响因子对应系数(见下表21),建立了总体回归模型,如下所示。
表21 GS省工业需水量多元回归拟合结果
关键因子 | 常数 | 固定资产投资(亿元) | 发电量(亿千瓦小时) |
系数 | 1.08217 | 0.000122 | -0.00214 |
线性多元回归方程:
Y月=1.08217+0.000122*x固资-0.00214*x电
其中,Y月为工业需水量月值,x固资为固定资产投资(亿元),x电为发电量(亿千瓦小时)。
利用2017年1月~2018年12月的关键影响因子月值数据通过指数平滑算法依次预测GS省2019年1~12月关键影响因子数值。利用线性多元回归方程计算预测了GS省2019年各月工业需水量(见下表22)。工业需水预测值误差分析见图5,可以看到2019年工业需水预测值较实测值误差不大,月平均相对误差为3.38%。
表22 GS省2019年工业关键影响因子预测结果
时间 | 实测值(亿m<sup>3</sup>) | 预测值(亿m<sup>3</sup>) | 相对误差 |
2019年1月 | 0.84 | 0.85 | 1.19% |
2019年2月 | 0.81 | 0.82 | 1.23% |
2019年3月 | 0.91 | 0.89 | -2.20% |
2019年4月 | 0.89 | 0.86 | -3.37% |
2019年5月 | 0.86 | 0.87 | 1.16% |
2019年6月 | 0.87 | 0.95 | 8.66% |
2019年7月 | 0.86 | 0.88 | 2.60% |
2019年8月 | 0.78 | 0.85 | 8.97% |
2019年9月 | 0.71 | 0.74 | 4.23% |
2019年10月 | 0.71 | 0.72 | 1.41% |
2019年11月 | 0.71 | 0.74 | 4.23% |
2019年12月 | 0.74 | 0.73 | -1.35% |
Claims (8)
1.一种预测月尺度工业需水量的方法,其特征在于:所述的方法包括如下步骤:S1构建工业需水特征评价评价指标体系;S2构建预测模型集;S3制定各工业需水评价分区最优预测方法;S4筛选月尺度工业需水关键影响因子,为多元回归法与前馈神经网络模型提供基础;S5月尺度工业需水预测;
所述的S1包括:S1-1选取工业需水特征评价指标;S1-2:制定评价指标分级阈值;
S1-3:计算评价总值,定量评价工业需水情况。
2.根据权利要求1所述的一种预测月尺度工业需水量的方法,其特征在于:所述的S1-1选取工业需水特征评价指标,是指:工业需水量、万元工业增加值用水量及工业需水比重分别作为表征地区工业需水总量、需水水平和需水结构的评价指标。。
3.根据权利要求1所述的一种预测月尺度工业需水量的方法,其特征在于:所述的S1-2制定评价指标分级阈值,是指:将各需水类型的量化影响因素进行分级,用于实现系统目标的定量化表示及比较评价,将评价指标:工业需水量、万元工业增加值用水量及工业需水比重划分为Ⅰ级至Ⅴ级,同时确定相应的评价阈值。
4.根据权利要求1所述的一种预测月尺度工业需水量的方法,其特征在于:所述的S1-3计算工业需水评价总值,定量评价工业需水情况,是指:利用AHP法对步骤一中筛选出的评价指标进行重要性评价,确定工业需水评价总值中需水总量、用水效率以及需水结构的计算权重,并对评价目标进行赋值,确定了Ⅰ级至Ⅴ级分别对应整数数值1至5,基于熵权法和指标权重计算工业需水评价总值,并对区域工业需水特征进行评价分区。
5.根据权利要求1所述的一种预测月尺度工业需水量的方法,其特征在于:所述的S2构建预测模型集,是指:选取多元回归分析法、BP神经网络模型、前馈神经网络模拟模型作为预测模型集。
6.根据权利要求1所述的一种预测月尺度工业需水量的方法,其特征在于:所述的S3制定各工业需水评价分区最优预测方法,是指:步骤S1-3中得到的分区与预测模型集中的预测模型进行匹配,得到:A区最佳预测方法为前馈神经网络模型预测法;B区最佳预测方法为BP神经网络模型预测法;C区最佳预测方法为BP神经网络模型预测法;D区最佳预测方法为多元线性回归预测法;E区最佳预测方法为多元线性回归预测法。
7.根据权利要求1所述的一种预测月尺度工业需水量的方法,其特征在于:所述的S4筛选月尺度工业需水关键影响因子,为多元回归法与前馈神经网络模型提供基础,是指:当步骤S1-3中得到的预测方法为前馈神经网络模型或者为多元线性回归预测方法时,根据现有工业需水影响因素的分析结果和基础数据的可获性,建立影响因子初集,包括:月平均降水量、月平均气温、二产比例、第二产业月值、规模以上工业总产值、GDP月值、固定资产投资、发电量、钢产量、工业企业个数、化学纤维产量,利用Pearson相关分析和主成分分析筛选出地区工业需水量的关键影响因子。
8.根据权利要求1所述的一种预测月尺度工业需水量的方法,其特征在于:所述的S5月尺度工业需水预测,根据S1-3、S3结果,确定地区所属工业需水特征综合评价分区,计算月尺度地区工业需水量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751413.3A CN113344449B (zh) | 2021-07-02 | 2021-07-02 | 一种预测月尺度工业需水量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751413.3A CN113344449B (zh) | 2021-07-02 | 2021-07-02 | 一种预测月尺度工业需水量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344449A true CN113344449A (zh) | 2021-09-03 |
CN113344449B CN113344449B (zh) | 2023-08-29 |
Family
ID=77482366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110751413.3A Active CN113344449B (zh) | 2021-07-02 | 2021-07-02 | 一种预测月尺度工业需水量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344449B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807580A (zh) * | 2021-09-07 | 2021-12-17 | 浙江天演维真网络科技股份有限公司 | 一种基于指标体系和深度神经网络的杨梅产量预测方法 |
CN116205361A (zh) * | 2023-03-07 | 2023-06-02 | 河海大学 | 一种基于匹配度的工业用水效率分级预测方法 |
CN117094516A (zh) * | 2023-08-24 | 2023-11-21 | 中国水利水电科学研究院 | 一种基于固定效应模型的城市群月生活需水量预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102787582A (zh) * | 2011-05-19 | 2012-11-21 | 北京师范大学 | 通过构建水资源模型来预警的方法 |
CN105808947A (zh) * | 2016-03-08 | 2016-07-27 | 中国水利水电科学研究院 | 一种基于输沙需水的生态需水月尺度直观分析方法 |
CN107808211A (zh) * | 2017-09-15 | 2018-03-16 | 周亚岐 | 一种区域水资源需求预测方法 |
CN110852477A (zh) * | 2019-10-08 | 2020-02-28 | 华中科技大学 | 一种基于系统动力学的生产需水预测方法 |
CN112330153A (zh) * | 2020-11-06 | 2021-02-05 | 广西电网有限责任公司电力科学研究院 | 基于非线性正交回归的行业规模预测模型建模方法及装置 |
-
2021
- 2021-07-02 CN CN202110751413.3A patent/CN113344449B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102787582A (zh) * | 2011-05-19 | 2012-11-21 | 北京师范大学 | 通过构建水资源模型来预警的方法 |
CN105808947A (zh) * | 2016-03-08 | 2016-07-27 | 中国水利水电科学研究院 | 一种基于输沙需水的生态需水月尺度直观分析方法 |
CN107808211A (zh) * | 2017-09-15 | 2018-03-16 | 周亚岐 | 一种区域水资源需求预测方法 |
CN110852477A (zh) * | 2019-10-08 | 2020-02-28 | 华中科技大学 | 一种基于系统动力学的生产需水预测方法 |
CN112330153A (zh) * | 2020-11-06 | 2021-02-05 | 广西电网有限责任公司电力科学研究院 | 基于非线性正交回归的行业规模预测模型建模方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807580A (zh) * | 2021-09-07 | 2021-12-17 | 浙江天演维真网络科技股份有限公司 | 一种基于指标体系和深度神经网络的杨梅产量预测方法 |
CN116205361A (zh) * | 2023-03-07 | 2023-06-02 | 河海大学 | 一种基于匹配度的工业用水效率分级预测方法 |
CN116205361B (zh) * | 2023-03-07 | 2024-02-23 | 河海大学 | 一种基于匹配度的工业用水效率分级预测方法 |
CN117094516A (zh) * | 2023-08-24 | 2023-11-21 | 中国水利水电科学研究院 | 一种基于固定效应模型的城市群月生活需水量预测方法 |
CN117094516B (zh) * | 2023-08-24 | 2024-02-23 | 中国水利水电科学研究院 | 一种基于固定效应模型的城市群月生活需水量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113344449B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Assessing integrated water use and wastewater treatment systems in China: A mixed network structure two-stage SBM DEA model | |
Sun et al. | Technology heterogeneity and efficiency of China’s circular economic systems: A game meta-frontier DEA approach | |
Ding et al. | Forecasting Chinese CO2 emissions from fuel combustion using a novel grey multivariable model | |
Wang et al. | Integrated evaluation of the carrying capacities of mineral resource-based cities considering synergy between subsystems | |
CN113344449B (zh) | 一种预测月尺度工业需水量的方法 | |
He et al. | Urban long term electricity demand forecast method based on system dynamics of the new economic normal: the case of Tianjin | |
Wu et al. | A new panel for analyzing the impact factors on carbon emission: A regional perspective in China | |
Xu et al. | Geographical analysis of CO2 emissions in China's manufacturing industry: A geographically weighted regression model | |
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 | |
CN108009667A (zh) | 一种能源需求总量及结构预测系统 | |
CN104123600A (zh) | 一种面向典型行业大数据的电力经理指数趋势预测方法 | |
Wu et al. | A DEA-based improvement of China's green development from the perspective of resource reallocation | |
Wang et al. | Analyzing the difference evolution of provincial energy consumption in China using the functional data analysis method | |
Wei et al. | Impact of intelligence on the carbon emissions of energy consumption in the mining industry based on the expanded STIRPAT model | |
Yang et al. | Cloud model driven assessment of interregional water ecological carrying capacity and analysis of its spatial-temporal collaborative relation | |
Xu et al. | Investigating the determinants of the growth of the new energy industry: using quantile regression approach | |
CN113469440B (zh) | 一种预测月尺度生活需水量的方法 | |
CN116432437A (zh) | 一种光伏发电单元综合评价方法和系统 | |
Huang et al. | Towards the coupling coordination relationship between economic growth quality and environmental regulation: an empirical case study of China | |
Hong et al. | The study on affecting factors of regional marine industrial structure upgrading | |
Yan et al. | A multidimensional grey relational model considering reverse indicators and its application to the influencing factors of green finance in China | |
Xue et al. | Total factor energy efficiency measurement in the provinces of China along the ‘belt and road’ | |
Li et al. | The Potential of Electrifying China's Energy Use: an Analysis Based on STIRPAT Model. | |
CN113570250A (zh) | 变压器测温装置全生命周期多目标综合评价方法 | |
CN108364136B (zh) | 一种基于证据推理的水资源短缺风险分析方法及系统 |
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 |