CN113420967A - 一种基于预测的城市供水管网运行评估方法 - Google Patents

Abstract

本发明提供了一种基于预测的城市供水管网运行评估方法，涉及城市供水量预测领域。首先提出了融合多纠偏机制的混合需水量预测模型，对供水区域未来一天的居民总需水量进行预测；然后提出了基于序列到序列的编解码网络结构，对管网各个节点的水压进行分钟级预测；之后基于预测信息，节假日信息等提出了管网测压点的压力动态阈值。通过本发明的这种方法，实现了对城市供水管网整体运行状态的准确评估，为城市供水系统的水量调配提供调度指导。

Description

一种基于预测的城市供水管网运行评估方法

技术领域

本发明属于城市供水量预测领域，特别涉及一种基于预测的城市供水管网运行评估方法。

背景技术

供水系统在城市建设中具有举足轻重的地位，是国家基础建设、城市公用事业的重要组成部分，通常由原水、输水管道、水厂及泵站、供水管网组成，从水源取得的原水经过输水管道至水厂进行加工处理转化为清水，经过水泵机组加压后由供水管网配送至用户。供水系统对水资源的合理调配以及高效管理至关重要，它决定着城市供水管网的健康和正常运行，供水系统的科学性决策过程中，需要考虑的因素众多，如未来一段时间(长期、中期和短期)城市居民的用水规律变化，天气气候条件的变化，管网水压安全、水质条件等等，通过建立高精度的城市用户需水量预测模型以及供水管网水压预测模型，从用户用水需求出发，利用计算机科学的先进技术从数据中挖掘价值信息，归纳抽取更加合理、高效、安全稳定的调度决策逻辑，最终构建城市用水需求预测到水量调度的数据驱动逻辑框架，有助于提高城市水务企业的业务能力、决策水平、信息治理技术和科学决策调度水平，推动城市供水的智能化建设与发展。

供水调度是城市调配水量的直接手段，通过控制水厂和泵站的水泵机组，将清水池中的清水加压后对外供应，然而现阶段的供水调度决策中，仍存在以下问题：

1.大部分水厂、泵站的调度员以人工判断等经验式的调度为主，对未来时刻的用户需水量和管网水压缺少较为充分地考虑，同时对历史数据信息的利用不够全面，通常关注当前的数据值，依赖笼统的居民用水的规律概念，没有具体的调度方法指导，经验模式相对固化。

调度员在调度过程中，主要关注供水区域中某些管网的压力情况，没有综合整体的供水管网状态评估方法，由于不同的调度员有不同的调度习惯，同一情况下，对未来何时发出调度指令，发出何种调度指令都存在较大差异，主观因素影响大，难以对调度进行统一管理和评估，缺乏合理性。需水量、水压预测与供水调度是关系到整个供水系统是否安全、合理与高效运行的关键技术。供水管网的水量和水压变化是用户用水需求的直接体现。将需水量和水压预测模型的预测结果与调度策略相互结合，充分考虑水厂和泵站的运行条件、管网安全条件等客观因素，总结供水区域的管网运行过程中测压点的压力变化规律，设计测压点压力动态阈值来实时地评估管网运行状态，形成综合全面统一的调度触发的判断机制，优化调度触发逻辑。因此，本文通过在城市的供水系统中引入用户需水量、管网水压的预测模型和测压点压力动态阈值，提出了综合全面的供水管网运行状态的评估方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何对供水管网运行状态进行评估。

为实现上述目的，本发明提供了一种基于预测的城市供水管网运行评估方法，首先提出了融合多纠偏机制的混合需水量预测模型，对供水区域未来一天的居民总需水量进行预测；然后提出了基于序列到序列的编解码网络结构，设计管网水压预测模型，对管网各个节点的水压进行分钟级预测；之后基于预测信息，节假日信息等提出了管网测压点的压力动态阈值。

进一步地，所述需水量预测模型需水量预测模型的输入变量包括数值特征和类别特征，所述数值特征包括日最高温度(Tmax)，日最低温度(Tmin)，考虑到天气种类对需水量有不可忽略的影响，因此额外选取了天气类型特征包括晴天、阴天、雨天等转为(One-Hot)编码形式，形成17维的0、1特征序列(V_0～16)，见下式：

x_input＝[T_max,T_min,V₀,V₁,…,V₁₆]

将3维数值特征序列与17维序列特征拼接起来，最终形成20维的输入变量。

进一步地，所述需水量预测模型使用了Stacking模型堆叠技术，所述Stacking模型堆叠技术通过K折交叉验证的方式,将数据集进行划分得到k个数据量相同的所述数据集来训练得到k个基础模型，将k个所述基础模型在验证集上的输出进行拼接作为元模型的训练集完成对元模型的训练，所述元模型训练完成之后，则所述Stacking模型堆叠过程完成；模型预测时，将一个样本实例输入所述基础模型中，得到所述基础模型的预测输出，然后将所有所述基础模型的输出进行拼接输入至下一层模型中进行训练，依此类推，由最后一层元模型输出最终预测。

进一步地，所述需水量预测模型使用了节假日纠偏模型，首先，在节假日的时候，划分得到需水量下降区间，需水量上升区间以及波谷时间；对于所述需水量下降区间，需水量从假期当天开始逐渐下降，直到降至所述波谷时间，根据历史数据分析计算，所述需水量下降区间的第t天的需水量的减少量,，见下式：

式中，

表示减少量，N的大小表示使用了多少年的历史节假日数据，L_fall是所述需水量下降区间的区间长度，

是该节假日期间的历史需水量波谷，

表示所述需水量下降区间的第一天需水量的真实值；

同理，对于所述需水量上升区间的第t天的需水量的增加量,见下式

通过对历史数据进行统计得到节假日期间每一天需水量的减少量

和增加量

来对不同节假日的需水量进行纠偏，具体的纠偏见式：

节假日的第t天，所述需水量预测模型的输出为

表示所述需水量预测模型在第t天的前n天的预测精度，根据不同的节假日，n的取值随着节假日假期的时间长短而定，(W_t-1-δ_t)表示基于历史信息计算的第t天的需水量的经验纠偏值，因此，当所述需水量预测模型在节假日期间的预测能力较好时，节假日纠偏值的系数1-ε_n很小，所述纠偏模型起到合理辅助预测的作用，而当所述需水量预测模型在节假日期间的预测精度越差，所述节假日纠偏值的系数越高，此时所述纠偏模型起到主导预测的作用，

表示经过所述节假日纠偏模型最终的需水量。

进一步地，所述需水量预测模型的整体结构采用两层所述Stacking模型堆叠技术，第一层中所有所述基础模型均经过五折交叉验证进行训练，同种模型需要独立地训练五次，最终每种所述基础模型得到五组不同的模型参数，并对测试集产生预测输出，将第一层所述基础模型的预测输出进行拼接形成[4×1]的输入序列输入所述元模型，输出预测结果；国家法定假日期间，节假日因素对城市用户的用水需求影响较大，所述节假日纠偏模型将对节假日期间的需水量预测进行纠偏，而非节假日的情况下，所述节假日纠偏模型对需水量的预测值不做干预，最终得到需水量预测结果。

进一步地，所述管网水压预测模型预测某个测压点未来时间段的压力，设计输入变量包括邻近水厂、泵站的出站压力，水泵的开停信号，以及该测压点的流量、压力；所述管网水压预测模型是分钟级别的压力预测，以5分钟为一拍，预测未来25分钟的压力值，即预测压力输出为1x5的数据序列，选取输入的数据长度为60，将这些变量进行拼接形成输入变量，得到每一时刻的输入数据为24×60的数据矩阵。

进一步地，所述管网水压预测模型是基于序列到序列(Sequence to Sequence，Seq2Seq)的编解码(Encoder Decoder)网络结构，也是一种条件语言模型，它直接对P(y|x)进行建模，在生成y的过程中，始终是以x为条件；首先由一个GRU模型作为编码器读取输入数据，对所述输入数据进行处理，从而转化为一个编码向量，再使用另一个所述GRU模型作为解码器，从GRU编码器得到的所述编码向量表示里解码得到输出序列；对于某一时刻t，预测某个管网测压点的未来25分钟的压力序列，第一步通过编码(Encoder)模型将前60分钟的历史数据进行编码，对历史数据进行信息抽取，生成所述编码向量；第二步通过解码(Decoder)模型采用贪心法对所述编码向量进行解码，Decoder的第一个隐状态初始化为Encoder的所述编码向量，生成未来第一拍压力预测值(未来5分钟)，之后以第一拍预测值为输入，结合更新后的第二拍隐状态，预测第二拍的测点压力，以此类推最终滚动更新Decoder输入和隐状态5次，得到未来25分钟的管网压力预测序列值。

进一步地，所述管网水压预测模型引入了Attention机制，增强模型的预测能力。

进一步地，所述压力动态阈值计算方法：供水管网中的每一个所述测压点的流量和压力都有其稳定的运行范围，以压力值序列为例，压力值分布满足正态分布，动态阈值可以根据正态分布中的sigma原则、2sigma原则和3sigma原则确定：结合历史用水量统计数据和调度经验以及天气温度纠偏，采取3sigma原则，完成初步设定，对于某个值的阈值下限和阈值上限，天气因子(根据统计分析获取具体参数值)，近期南市总需水量因子(根据统计分析获取具体参数值)，对于节假日、周末而言，用户的用水与工作日相比，其用水高峰期的出现时间较为滞后，用水峰值相对较低，节假日因子(根据统计分析获取具体参数值)，阈值计算的一般数学形式如下所示：

V₁＝(μ-3δ)×a_气象×b_水量×c_节假日

V_u＝(μ+3δ)×a_气象×b_水量×c_节假日

其中对于所述气象因子a_气象，见下式：

a_气象＝1+1/100(1+e^{-0.34(temp-25)})

其中temp对应当日的平均温度，对于所述需水量因子b_水量的计算，见下式：

b_水量＝1+1/100(1+e^-0.15(w-25))

其中w对应当日的需水量预测值，由所述需水量预测模型得到，对于所述节假日因子 c_节假日的计算，见下式：

这样得到所述动态阈值。

进一步地，得到所述动态阈值后，根据所述动态阈值对供水管网的整体状态进行评估，根据评估的类别进行判断是否生成调度方案。具体的评估流程如下：

步骤1、获取每个所述测压点的历史数据，与未来的所述压力预测序列进行拼接得到待评估数据矩阵；

步骤2、根据确定的所述动态阈值，计算状态序列

和偏离程度序列

，所述状态序列对应管网压力的数值状态，所述偏离程度序列对应管网节点压力的偏离程度；

步骤3、通过下式确定调度下限值θ，

统计所述管网中的所述测压点评估为“过高”或者“过低”的数量并与该所述调度下限值进行比较；

步骤4、若所述状态序列中的某一状态超过所述下限值θ，则发出对应的调度方案，否则返回所述步骤1，重新对管网状态进行评估；

步骤5、当状态序列

中的某一类别大于或等于该所述调度下限值时，触发所述调度方案计算并生成调度指令，所述调度指令对源端运行负荷进行调整，分别是增加、减少或维持当前负荷不变。

与现有技术相比，本发明具有如下的有益效果：发明首先建立了需水量预测模型和管网压力预测模型，对供水区域的需水量和管网的水压实现了准确的预测。通过参考供水区域的需水量预测值，水厂调度员可以按需控制提升泵站的进水量，在保证用户的用水需求的同时，减少清水的资源浪费。另外，需水量反映了用户的用水需求，根据预测需水量的大小来调整未来一天的泵组调度，对于调控管网的运行压力有重要指导意义。准确的水压预测可以有效地反映当前管网的运行状态以及未来的管网压力变化趋势，把压力变化趋势作为调度触发的必要条件之一，对于提高调度方案触发的准确性和调度方案的合理性具有重要意义。最后，针对解决以往调度判断简单化、模式化的问题，提出了基于水量预测、水压预测、节假日以及管网整体运行状态的测压点动态阈值，优化了调度触发机制。

附图说明

图1为本发明实施例中测压点动态阈值流程图；

图2为本发明实施例中两层Stacking流程；

图3为本发明实施例中需水量预测模型框架；

图4为本发明实施例中模型输入数据流；

图5为本发明实施例中Encoder-Decoder网络编解码结构；

图6为本发明实施例中供水管网压力预测模型框架。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明提供了一种基于预测的城市供水管网运行评估方法，首先提出了融合多纠偏机制的混合需水量预测模型，对供水区域未来一天的居民总需水量进行预测；然后提出了基于序列到序列的编解码网络结构，设计管网水压预测模型，对管网各个节点的水压进行分钟级预测；之后基于预测信息，节假日信息等提出了管网测压点的压力动态阈值。

所述需水量预测模型需水量预测模型的输入变量包括数值特征和类别特征，所述数值特征包括日最高温度(Tmax)，日最低温度(Tmin)，考虑到天气种类对需水量有不可忽略的影响，因此额外选取了天气类型特征包括晴天、阴天、雨天等转为(One-Hot) 编码形式，形成17维的0、1特征序列(V_0～16)，见下式：

x_input＝[T_max,T_min,V₀,V₁,…,V₁₆]

将3维数值特征序列与17维序列特征拼接起来，最终形成20维的输入变量。

如图2所示，所述需水量预测模型使用了Stacking模型堆叠技术，所述Stacking模型堆叠技术通过K折交叉验证的方式,将数据集进行划分得到k个数据量相同的所述数据集来训练得到k个基础模型，将k个所述基础模型在验证集上的输出进行拼接作为元模型的训练集完成对元模型的训练，所述元模型训练完成之后，则所述Stacking 模型堆叠过程完成；模型预测时，将一个样本实例输入所述基础模型中，得到所述基础模型的预测输出，然后将所有所述基础模型的输出进行拼接输入至下一层模型中进行训练，依此类推，由最后一层元模型输出最终预测，结合K折交叉验证和模型堆叠 Stacking技术,可以提高模型的预测性能和泛化性能。

进一步地，所述需水量预测模型使用了节假日纠偏模型，首先，在节假日的时候，划分得到需水量下降区间，需水量上升区间以及波谷时间；对于所述需水量下降区间，需水量从假期当天开始逐渐下降，直到降至所述波谷时间，根据历史数据分析计算，所述需水量下降区间的第t天的需水量的减少量,，见下式：

式中，

表示减少量，N的大小表示使用了多少年的历史节假日数据，L_fall是所述需水量下降区间的区间长度，

是该节假日期间的历史需水量波谷，

表示所述需水量下降区间的第一天需水量的真实值；

同理，对于所述需水量上升区间的第t天的需水量的增加量,见下式

通过对历史数据进行统计得到节假日期间每一天需水量的减少量

和增加量

来对不同节假日的需水量进行纠偏，具体的纠偏见式：

节假日的第t天，所述需水量预测模型的输出为

是第t-1天的需水量的真实值，

表示所述需水量预测模型在第t天的前n天的预测精度，根据不同的节假日,n 的取值随着节假日假期的时间长短而定，(W_t-1-δ_t)表示基于历史信息计算的第t天的需水量的经验纠偏值，因此，当所述需水量预测模型在节假日期间的预测能力较好时，节假日纠偏值的系数

很小，所述纠偏模型起到合理辅助预测的作用，而当所述需水量预测模型在节假日期间的预测精度越差，所述节假日纠偏值的系数越高，此时所述纠偏模型起到主导预测的作用，

表示经过所述节假日纠偏模型最终的需水量。

需水量预测模型的整体结构如图3所示，所述需水量预测模型的整体结构采用两层所述Stacking模型堆叠技术，第一层中所有所述基础模型均经过五折交叉验证进行训练，同种模型需要独立地训练五次，最终每种所述基础模型得到五组不同的模型参数，并对测试集产生预测输出，将第一层所述基础模型的预测输出进行拼接形成[4×1] 的输入序列输入所述元模型，输出预测结果；国家法定假日期间，节假日因素对城市用户的用水需求影响较大，所述节假日纠偏模型将对节假日期间的需水量预测进行纠偏，而非节假日的情况下，所述节假日纠偏模型对需水量的预测值不做干预，最终得到需水量预测结果。

所述管网水压预测模型预测某个测压点未来时间段的压力，设计输入变量包括邻近水厂、泵站的出站压力，水泵的开停信号，以及该测压点的流量、压力；所述管网水压预测模型是分钟级别的压力预测，以5分钟为一拍，预测未来25分钟的压力值，即预测压力输出为1x5的数据序列，选取输入的数据长度为60，将这些变量进行拼接形成输入变量，得到每一时刻的输入数据为24×60的数据矩阵，如图4所示。

进一步地，所述管网水压预测模型是基于序列到序列(Sequence to Sequence，Seq2Seq)的编解码(Encoder Decoder)网络结构，也是一种条件语言模型，它直接对 P(y|x)进行建模，在生成y的过程中，始终是以x为条件；首先由一个GRU模型作为编码器读取输入数据，对所述输入数据进行处理，从而转化为一个编码向量，再使用另一个所述GRU模型作为解码器，从GRU编码器得到的所述编码向量表示里解码得到输出序列；对于某一时刻t，预测某个管网测压点的未来25分钟的压力序列，第一步通过编码(Encoder)模型将前60分钟的历史数据进行编码，对历史数据进行信息抽取，生成所述编码向量；第二步通过解码(Decoder)模型采用贪心法对所述编码向量进行解码，Decoder的第一个隐状态初始化为Encoder的所述编码向量，生成未来第一拍压力预测值(未来5分钟)，之后以第一拍预测值为输入，结合更新后的第二拍隐状态，预测第二拍的测点压力，以此类推最终滚动更新Decoder输入和隐状态5次，得到未来25分钟的管网压力预测序列值。如图5所示，图中x表示输入数据，h表示 Encoder的隐向量，h’表示Decoder的隐向量，y表示Decoder预测输出。

进一步地，所述管网水压预测模型引入了Attention机制，增强模型的预测能力。水压预测模型整体框架如图6所示。

所述压力动态阈值计算方法：供水管网中的每一个所述测压点的流量和压力都有其稳定的运行范围，以压力值序列为例，压力值分布满足正态分布，动态阈值可以根据正态分布中的sigma原则、2sigma原则和3sigma原则确定：结合历史用水量统计数据和调度经验以及天气温度纠偏，采取3sigma原则，完成初步设定，对于某个值的阈值下限和阈值上限，天气因子(根据统计分析获取具体参数值)，近期南市总需水量因子(根据统计分析获取具体参数值)，对于节假日、周末而言，用户的用水与工作日相比，其用水高峰期的出现时间较为滞后，用水峰值相对较低，节假日因子(根据统计分析获取具体参数值)，阈值计算的一般数学形式如下所示：

V₁＝(μ-3δ)×a_气象×b_水量×c_节假日

V_u＝(μ+3δ)×a_气象×b_水量×c_节假日

其中对于所述气象因子a_气象，见下式：

a_气象＝1+1/100(1+e^{-0.34(temp-25)})

其中temp对应当日的平均温度，对于所述需水量因子b_水量的计算，见下式：

b_水量＝1+1/100(1+e^-0.15(w-25))

其中w对应当日的需水量预测值，由所述需水量预测模型得到，对于所述节假日因子 c_节假日的计算，见下式：

这样得到所述动态阈值。

进一步地，得到所述动态阈值后，根据所述动态阈值对供水管网的整体状态进行评估，根据评估的类别进行判断是否生成调度方案，如图1所示，具体的评估流程如下：

步骤1、获取每个所述测压点的历史数据，与未来的所述压力预测序列进行拼接得到待评估数据矩阵；

步骤2、根据确定的所述动态阈值，计算状态序列

和偏离程度序列

所述状态序列对应管网压力的数值状态，所述偏离程度序列对应管网节点压力的偏离程度；

步骤3、通过下式确定调度下限值θ，

统计所述管网中的所述测压点评估为“过高”或者“过低”的数量并与该所述调度下限值进行比较；

步骤4、若所述状态序列中的某一状态超过所述下限值θ，则发出对应的调度方案，否则返回所述步骤1，重新对管网状态进行评估；

步骤5、当状态序列

中的某一类别大于或等于该所述调度下限值时，触发所述调度方案计算并生成调度指令，所述调度指令对源端运行负荷进行调整，分别是增加、减少或维持当前负荷不变。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于预测的城市供水管网运行评估方法，其特征在于，包括以下步骤，首先提出了融合多纠偏机制的混合需水量预测模型，对供水区域未来一天的居民总需水量进行预测；然后提出了基于序列到序列的编解码网络结构，设计管网水压预测模型，对管网各个节点的水压进行分钟级预测；之后基于预测信息，节假日信息等提出了管网测压点的压力动态阈值。

2.如权利要求1所述的一种基于预测的城市供水管网运行评估方法，其特征在于，所述需水量预测模型输入变量包括数值特征和类别特征，所述数值特征包括日最高温度(Tmax)、日最低温度(Tmin)，考虑到天气种类对需水量有不可忽略的影响，因此额外选取了天气类型特征包括晴天、阴天、雨天为(One-Hot)编码形式，形成17维的0、1特征序列(V_0～16)，见下式：

x_input＝[T_max,T_min,V₀,V₁,…,V₁₆]

将2维数值所述日最高温度(Tmax)、所述日最低温度(Tmin)与17维序列特征拼接起来，最终形成19维的输入变量。

3.如权利要求2所述的一种基于预测的城市供水管网运行评估方法，其特征在于，所述需水量预测模型使用了Stacking模型堆叠技术，所述Stacking模型堆叠技术通过K折交叉验证的方式，数据集进行划分得到k个数据量相同的所述数据集来训练得到k个基础模型，将k个所述基础模型在验证集上的输出进行拼接作为元模型的训练集完成对所述元模型的训练，所述元模型训练完成之后，则所述Stacking模型堆叠过程完成；所述需水量预测模型预测时，将一个样本实例输入所述基础模型中，得到所述基础模型的预测输出，然后将所有所述基础模型的输出进行拼接输入至下一层模型中进行训练，依此类推，由最后一层所述元模型输出最终预测。

4.如权利要求3所述的一种基于预测的城市供水管网运行评估方法，其特征在于，所述需水量预测模型使用了节假日纠偏模型，首先，在节假日的时候，划分得到需水量下降区间、需水量上升区间以及波谷时间；对于所述需水量下降区间，需水量从假期当天开始逐渐下降，直到降至所述波谷时间，根据历史数据分析计算，所述需水量下降区间的第t天的需水量的减少量,，见下式：

式中，

表示减少量，N的大小表示使用了多少年的历史节假日数据，L_fall是所述需水量下降区间的区间长度，

是该节假日期间的历史需水量波谷，

表示所述需水量下降区间的第一天需水量的真实值；

同理，对于所述需水量上升区间的第t天的需水量的增加量，下式

通过对历史数据进行统计得到节假日期间每一天需水量的减少量

和增加量

来对不同节假日的需水量进行纠偏，L_rise是所述需水量上升区间的区间长度，具体的纠偏见式：

节假日的第t天，所述需水量预测模型的输出为

表示所述需水量预测模型在第t天的前n天的预测精度，根据不同的节假日的取值随着节假日假期的时间长短而定，(W_t-1-δ_t)表示基于历史信息计算的第t天的需水量的经验纠偏值，因此，当所述需水量预测模型在节假日期间的预测能力较好时，节假日纠偏值的系数

很小，所述纠偏模型起到合理辅助预测的作用，而当所述需水量预测模型在节假日期间的预测精度越差，所述节假日纠偏值的系数越高，此时所述纠偏模型起到主导预测的作用，

表示经过所述节假日纠偏模型最终的需水量预测结果。

5.如权利要求4所述的一种基于预测的城市供水管网运行评估方法，其特征在于，所述需水量预测模型的整体结构采用两层所述Stacking模型堆叠技术，第一层中所有所述基础模型均经过五折交叉验证进行训练，同种模型需要独立地训练五次，最终每种所述基础模型得到五组不同的模型参数，并对测试集产生预测输出，将第一层所述基础模型的预测输出进行拼接形成[4×1]的输入序列输入所述元模型，输出预测结果；国家法定假日期间，节假日因素对城市用户的用水需求影响较大，所述节假日纠偏模型将对节假日期间的需水量预测进行纠偏，而非节假日的情况下，所述节假日纠偏模型对需水量的预测值不做干预，得到最终需水量预测结果。

6.如权利要求5所述的一种基于预测的城市供水管网运行评估方法，其特征在于，所述管网水压预测模型预测某个测压点未来时间段的压力，设计输入变量包括邻近水厂、泵站的出站压力、水泵的开停信号，以及该测压点的流量、压力；所述管网水压预测模型是分钟级别的压力预测，以5分钟为一拍，预测未来25分钟的压力值，即预测压力输出为1x5的数据序列，选取输入的数据长度为60，将设计输入变量进行拼接形成最终输入变量，得到每一时刻的输入数据为24×60的数据矩阵。

7.如权利要求6所述的一种基于预测的城市供水管网运行评估方法，其特征在于，所述管网水压预测模型是基于序列到序列(Sequence to Sequence，Seq2Seq)的编解码(Encoder Decoder)网络结构，也是一种条件语言模型，它直接对P(y|x)进行建模，在生成y的过程中，始终是以x为条件；首先由一个GRU模型作为编码器读取输入数据，对所述输入数据进行处理，从而转化为一个编码向量，再使用另一个所述GRU模型作为解码器，从GRU编码器得到的所述编码向量表示里解码得到输出序列；

对于某一时刻t，预测某个管网测压点的未来25分钟的压力序列，包括以下步骤：

步骤一、通过编码(Encoder)模型将前60分钟的历史数据进行编码，生成所述编码向量；

步骤二、通过解码(Decoder)模型采用贪心法对所述编码向量进行解码，Decoder的第一个隐状态初始化为Encoder的所述编码向量，生成未来第一拍压力预测值(未来5分钟)，之后以第一拍预测值为输入，结合更新后的第二拍隐状态，预测第二拍的测点压力，以此类推最终滚动更新Decoder输入和隐状态5次，得到未来25分钟的管网压力预测序列值。

8.如权利要求7所述的一种基于预测的城市供水管网运行评估方法，其特征在于，所述管网水压预测模型引入了Attention机制，增强模型的预测能力。

9.如权利要求8所述的一种基于预测的城市供水管网运行评估方法，其特征在于，所述压力动态阈值计算方法：供水管网中的每一个所述测压点的流量和压力都有其稳定的运行范围，以压力值序列为例，压力值分布满足正态分布，结合历史用水量统计数据和调度经验以及天气温度纠偏，采取3sigma原则，完成初步设定，对于某个值的阈值下限阈值上限，天气因子(根据统计分析获取具体参数值)，近期南市总需水量因子(根据统计分析获取具体参数值)，对于节假日、周末而言，用户的用水与工作日相比，其用水高峰期的出现时间较为滞后，用水峰值相对较低，节假日因子(根据统计分析获取具体参数值)，阈值计算的一般数学形式如下所示：

V₁＝(μ-3δ)×a_气象×b_水量×c_节假日

V_u＝(μ+3δ)×a_气象×b_水量×c_节假日

其中对于所述气象因子a_气象，见下式：

a_气象＝1+1/100(1+e^{-0.34(temp-25)})

其中temp对应当日的平均温度，对于所述需水量因子b_水量的计算，见下式：

b_水量＝1+1/100(1+e^-0.15(w-25))

其中w对应当日的需水量预测值，由所述需水量预测模型得到，对于所述节假日因子c_节假日的计算，见下式：

这样得到所述动态阈值。

10.如权利要求9所述的一种基于预测的城市供水管网运行评估方法，其特征在于，得到所述动态阈值后，根据所述动态阈值对供水管网的整体状态进行评估，根据评估的类别进行判断是否生成调度方案，具体的评估流程如下：

步骤1、获取每个所述测压点的历史数据，与未来的所述压力预测序列进行拼接得到待评估数据矩阵；

步骤2、根据确定的所述动态阈值，计算状态序列

和偏离程度序列

所述状态序列对应管网压力的数值状态，所述偏离程度序列对应管网节点压力的偏离程度；

步骤3、通过下式确定调度下限值θ，

统计所述管网中的所述测压点评估为“过高”或者“过低”的数量并与该所述调度下限值进行比较；

步骤4、若所述状态序列中的某一状态超过所述下限值θ，则发出对应的调度方案，否则返回所述步骤1，重新对管网状态进行评估；

步骤5、当状态序列

中的某一类别大于或等于该所述调度下限值时，触发所述调度方案计算并生成调度指令，所述调度指令对源端运行负荷进行调整，分别是增加、减少或维持当前负荷不变。

Images