CN113434989A - 一种基于注意力机制和lstm的管网漏损量预测方法及系统 - Google Patents
一种基于注意力机制和lstm的管网漏损量预测方法及系统 Download PDFInfo
- Publication number
- CN113434989A CN113434989A CN202110720412.2A CN202110720412A CN113434989A CN 113434989 A CN113434989 A CN 113434989A CN 202110720412 A CN202110720412 A CN 202110720412A CN 113434989 A CN113434989 A CN 113434989A
- Authority
- CN
- China
- Prior art keywords
- leakage
- pipe network
- data
- lstm
- attention mechanism
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于注意力机制和LSTM的管网漏损量预测方法及系统，所述方法包括以下步骤：实时获取供水区域内各管段的压力和流量数据；根据压力和流量特征数据，基于管网漏损量预测模型，对每个管段进行漏损量预测，其中，所述管网漏损量预测模型是采用基于注意力机制的LSTM模型预先训练得到的。本发明采用基于注意力机制的LSTM模型进行漏损量预测，比夜间最小流量法获取的数据更加准确，有利于缓解水资源供需矛盾。
Description
技术领域
本发明属于城市供水管网漏损预测技术领域，尤其涉及一种基于注意力机制和LSTM的管网漏损量预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
独立计量区域(District Metering Area,DMA)方法是目前国际上公认的解决分区问题最好的实践方法，即把一个开放的供水管网分割成一些独立且易于管理的区域或检漏区。该方法便于供水企业充分了解管网结构，分析漏损区域的压力和流量。建立DMA分区的准则包括区域的大小(或连接的数量)、关闭阀门的数量、流量计的数量、DMA边界的地面情况和拓扑结构的特性。供水企业使用最小夜间流量(MNF)和合法的夜间流量(LNF)计算净夜间流量(NNF)，确定某个DMA区域的管网漏损量，从而建立可持续供水的DMA。
目前国内外普遍采用最小夜间流量法检测供水管网的漏损。对某个独立计量区域(DMA)的夜间流量进行分析，进而估算出该区域的实际漏损情况。夜间最小流量一般选择在凌晨1点到凌晨5点，这个时间段除少量晚归者和夜间冲马桶等用水外无其他用水。此时间段内若真实用水量大于最小用水量则可以认为供水管网存在漏损现象。常用的最小夜间流量数据处理方法有两种，经验法和比较法。
经验法：居住在同一个小区的居民生活习惯相似，但彼此之间存在着或多或少的差异。这种差异存在着相似性，可以通过统计学的方法确定一个正常夜间最小流量的控制范围，一旦超出该合理区间，就应当及时报警，提示用户查找出现异常情况的原因。
比较法：将夜间测得的最小流量与日平均小时流量比较，如果夜间最小流量与日平均小时流量的比值(漏损率)超过某一百分点，即可认为该区域管网可能出现异常。
在实际应用的过程中，为了确保结果的准确性，通常对比以上两种方法的分析结果，若两者结论一致，则可初步判定监测区域是否存在管网漏损问题。
目前国际上普遍采用的DMA分区计量法和最小夜间流量法可以粗略的估计出是否发生漏损现象，但是DMA计量管理区域建立的成本较大，不仅需要流量计和数据记录仪，甚至为满足封闭性需要更换或改造阀门。而采用最小夜间流量法，由于存在一定的主观性，准确性有待提高。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于注意力机制和LSTM的管网漏损量预测方法及系统，根据管网压力变化可以推断出漏损量，即根据压力差推断出漏损量。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种基于注意力机制和LSTM的管网漏损量预测方法，包括以下步骤：
实时获取供水区域内各管段的压力和流量数据；
根据压力和流量特征数据，基于管网漏损量预测模型，对每个管段进行漏损量预测，其中，所述管网漏损量预测模型是采用基于注意力机制的LSTM模型预先训练得到的。
进一步地，获取供水区域内各管段的压力和流量数据后，还计算压力和流量数据的统计量，并对压力数据、流量数据及其统计量进行归一化处理。
进一步地，所述管网漏损量预测模型训练方法包括：
获取供水区域内一段时间的压力和流量数据作为训练数据；
基于滑动窗口对训练数据进行特征提取；
采用基于注意力机制的单层LSTM模型，训练得到管网漏损量预测模型。
进一步地，获取训练数据后，还根据设定时间粒度对训练数据进行下采样。
进一步地，获取供水区域内一段时间的压力和流量数据后，还计算压力和流量数据的统计量，并对压力数据、流量数据及其统计量进行归一化处理。
进一步地，所述基于注意力机制的单层LSTM模型采用的损失函数为：
其中，y是真实漏损量，f(x)是通过模型学习得到的漏损量，k1，k2是设定阈值。
进一步地，所述方法还包括：预先记录各个管段的地理位置数据，当预测到某个管段发生漏损时，获取相应地理位置数据。
一个或多个实施例提供了一种基于注意力机制和LSTM的管网漏损量预测系统，包括：
数据获取模块，被配置为：实时获取供水区域内各管段的压力和流量数据；
漏损预测模块，被配置为：根据压力和流量特征数据，基于管网漏损量预测模型，对每个管段进行漏损量预测，其中，所述管网漏损量预测模型是采用基于注意力机制的LSTM模型预先训练得到的。
一个或多个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的管网漏损量预测方法。
一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的管网漏损量预测方法。
以上一个或多个技术方案存在以下有益效果：
以上技术方案通过物联网仿漏流量计采集数据，采用注意力机制和LSTM结合的ALSTM(Attention Long-Short Term Memory)模型预测供水管网的漏损量，比夜间最小流量法获取的数据更加准确，有利于缓解水资源供需矛盾。
结合流量计安装位置特征，根据漏损量变化可以进一步确定漏损管段相对位置，提高了漏损管道查找效率，有效的降低了供水管网的漏损率。
基于Huber损失函数提出了一个符合本问题的损失函数，该损失函数对异常值更加鲁棒，能够最大程度的减少异常值的影响；在误差较小时调整成均方误差，梯度更新会随着误差减小而减小，有利于收敛；供水管网漏损量和合理范围是3％，因此误差在这个范围内时可将损失函数设置为0，该损失函数还能加速模型训练。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为LSTM网络基本结构；
图2为注意力机制模型图；
图3为基于注意力机制的LSTM神经网络架构；
图4为本发明一个或多个实施例中整体工作流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
LSTM是由循环神经网络(Recurrent Neural Network，RNN)演变而来的，不仅能根据当前输入完成神经网络的前向计算，还可以将上一步输出作为下一次循环的输入，因此每一次循环的输出结果会受到当前输入和历史输入的双重影响，这一特性使其在处理长距离时序数据时效果优于RNN。LSTM通过增加输入门限、遗忘门限和输出门限有效地解决梯度爆炸和梯度消失问题。
LSTM的网络基本结构如图1所示，图中展示了LSTM单次循环前向计算的过程。由图可知每次循环会涉及到三个输入向量和两个输出向量，其中ct-1表示上次循环记忆单元cell中保存的向量，ht-1表示上一次循环的输出向量，xt表示当前循环的输入向量，ct表示经过本轮循环以后记忆单元中的向量，即本次循环的单元状态，ht表示本次循环的输出向量，根据记忆单元传递的信息循环计算。ft表示遗忘门，它决定上一次循环的单元状态ct-1有多少保留到本次循环ct；ii表示输入门，它决定当前循环网络的输入xt有多少保存到单元状态ct；ot代表输出门，它决定单元状态ct有多少输出到当前输出值ht。具体的计算公式如下：
ft＝σ(wf[ht-1,xt]+bf) (3)
c′t＝tanh(wc[ht-1,xt]+bc) (4)
ot＝σ(wo[ht-1,xt]+bo) (5)
it＝σ(wi[ht-1,xt]+bi) (8)
其中，w代表权重，b代表偏置项。
注意力机制可以认为是一种资源分配的机制，假设原本资源是平均分配的，注意力机制会根据对象的重要程度重新分配资源，这个资源在神经网络中代表特征的权重，重要的特征权重大一些，不重要或者不好的特征权重就小一些。注意力机制相当于总结了输入和特征的对应关系，即输入为某个向量时应该对应哪个特征。
注意力机制模型是由编码器-解码器体系构成，详见图2。它接受的输入序列(x1,x2...,xt)，其中t是输入序列的长度，本文取t为4，生成一个Attention Value，其中t是输出序列的长度，Query是要查询的词，s是Query和x的相关性，a是经过归一化处理的s。注意力机制可以看成是一种软寻址，存储的元素由地址x和y组成，如果当前有x＝Query的查询，就是从中取出对应的y值，即Attention Value数值。详细的计算过程分为3步，第一步是计算Query和输入的相关性，可以引入不同的函数和计算机制，根据Query和某个x，计算两者的相似性或者相关性，最常见的方法包括：求两者的向量点积、求两者的向量Cosine相似性或者通过再引入额外的神经网络来求值；第二步是上一步的值进行归一化处理，，通常采用SoftMax处理；第三步是根据权重系数对y进行加权求和得到最终的Attention Value。
LSTM虽然可以在应对长距离依赖问题上做出了改进，但是没有考虑输入与输出的相关性，模型的稳定性差。将注意力机制引入LSTM可以充分挖掘输入输出的相关性，提高模型的稳定性以及预测精度。基于注意力机制的LSTM模型网络图如图3所示，其中，X代表输入向量，Hi代表输入注意力机制层，X'代表经过注意力机制处理过的输入变量，Ho代表输出注意力机制，Y代表输出向量。
实施例一
在一个密闭的供水区域(DMA)内，把总阀门关闭后，同一压力节点下所对应的水量的减少和压力的降低是对应不变的，水量每减少ΔV，压力就下降ΔP，反之，压力每下降ΔP，水量就减少ΔV。只要得到压力差和水量减少的关系便可以由压力差推断出水的减少量即管网漏损量。本实施例公开了一种基于注意力机制和LSTM的管网漏损量预测方法，通过学习压力下降和水量减少的规律，来推断管网漏水量。
所述方法包括以下步骤：
步骤1：实时获取供水区域内各管段的压力和流量数据；
基于各管段上的压力表和流量表获取压力和流量数据。所述流量数据包括净累计流量、正常累计流量和瞬时流量。
步骤2：对所述压力和流量数据进行预处理和特征提取；
具体地，所述预处理包括：计算压力数据和流量数据的多个统计量，包括均值、中位数、最大值、最小值等；以及对压力数据、流量数据及其统计量进行归一化处理。
本实施例中对于每个管段获取的数据，均采用矩阵的形式组织数据，矩阵的每一行为一个指标的时间序列数据，每一列代表同一个时间节点。每次获取新的数据后均将数据录入该矩阵。
本实施例中，提取近3天的数据特征进行管网漏损的预测。
步骤3：根据压力和流量特征数据，基于管网漏损量预测模型，对每个管段进行漏损量预测，其中，所述管网漏损量预测模型是采用基于注意力机制的LSTM模型预先训练得到的。
所述步骤3中管网漏损量预测模型的训练方法具体包括：
(1)获取供水区域内一段时间的压力和流量数据作为训练数据；
在各区域供水管道安装流量表、电动阀门、物联网压力表和物联网仿漏流量表，保证压力、流量、阀门状态等数据能够保存到数据库。在凌晨一到三点的时候对区域内的管道进行关阀压力测试，若关阀后管道内的压力没有明显变化则可认为没有漏损(若有明显下降，则判断为有漏损，应先查漏堵漏)。验证没有漏损后便可以关闭本DMA分区管道进出口的总阀门，打开物联网仿漏流量表阀门采集训练数据，采集到的数据有采集时间、压力、净累计流量、正常累计流量、瞬时流量等。通过采用物联网仿漏流量表采集的值来模拟漏损量。
(2)对训练数据进行预处理，包括：
获取训练数据后，计算压力数据和流量数据的多个统计量，包括均值、中位数、最大值、最小值等；
然后对各类数据进行归一化，公式如下：
其中min和max分别表示变量x所属特征在所有训练集中的最小值和最大值。对数据进行归一化既可以减小异常值的影响，又可以加快梯度下降算法的收敛。
流量表压力表采集到的以上数据并不全部用于模型训练，因为相近时间内的数据差异性不大会造成数据冗余。对训练数据进行下采样，将时间粒度设置成十分钟。下采样可以减少模型的复杂度，削弱异常点的影响。
(3)基于滑动窗口对训练数据进行特征提取；
本实施例中采用矩阵的形式组织训练数据，矩阵的每一行为一个指标的时间序列数据，每一列代表同一个时间节点。滑动窗口步长设置为3，即用前三天的数据来预测后一天的结果。
(4)将已处理好的压力数据、流量数据、及其统计量(均值、中位数、最大值、最小值)放入ALSTM模型中训练，输出值为漏损差(m3/小时)。通过降低损失函数的值来不断地训练模型，当模型的精度达到要求后就可以用训练好的模型预测供水管网漏损。
LSTM针对不同的业务需求可以有不同的结构，本实施例采用基于注意力机制的单层LSTM结构，因为如果层数过多，层与层之间可能会出现梯度消失，且层数的增加会使模型的训练时间和内存开销成倍增长。模型单次处理样本的个数batchsize，一般是输入维度的2到3倍左右，且为了提高批量训练的效率，一般选择2n。
模型训练的目标是降低损失函数的值，本实施例没有选择传统的损失函数，而是根据Huber损失函数提出了一个适应管网漏损问题的损失函数，该损失函数为：
其中，y是真实漏损率，f(x)是模型学习出来的漏损量，k1，k2是设定阈值，例如设为漏损量的3％，30％。该在误差较小时调整成均方误差，梯度更新会随着误差减小而减小，有利于收敛；供水管网漏损量和合理范围是3％，因此误差在这个范围内时可将损失函数设置为0，该损失函数还能加速模型训练。
该损失函数减小了异常点对模型的影响，能够保证模型精确地得到全局最优值。
通过采用注意力机制和LSTM相结合的ALSTM模型，既能发挥LSTM处理时序问题方面的优势，又能充分的挖掘输入与输出的相关性，有效的提高模型的稳定性和预测精度。
若预先记录了各个管段的地理位置数据，当预测某个管段存在漏损时，可得到该管段的位置，从而对漏损位置进行快速定位。
实施例二
本实施例的目的是提供一种基于注意力机制和LSTM的管网漏损量预测系统，包括：
数据获取模块，被配置为：实时获取供水区域内各管段的压力和流量数据；
漏损预测模块，被配置为：根据压力和流量特征数据，基于管网漏损量预测模型，对每个管段进行漏损量预测，其中，所述管网漏损量预测模型是采用基于注意力机制的LSTM模型预先训练得到的。
实施例三
本实施例的目的是提供一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：
实时获取供水区域内各管段的压力和流量数据；
根据压力和流量特征数据，基于管网漏损量预测模型，对每个管段进行漏损量预测，其中，所述管网漏损量预测模型是采用基于注意力机制的LSTM模型预先训练得到的。
实施例四
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：
实时获取供水区域内各管段的压力和流量数据；
根据压力和流量特征数据，基于管网漏损量预测模型，对每个管段进行漏损量预测，其中，所述管网漏损量预测模型是采用基于注意力机制的LSTM模型预先训练得到的。
以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于注意力机制和LSTM的管网漏损量预测方法，其特征在于，包括以下步骤：
实时获取供水区域内各管段的压力和流量数据；
根据压力和流量特征数据，基于管网漏损量预测模型，对每个管段进行漏损量预测，其中，所述管网漏损量预测模型是采用基于注意力机制的LSTM模型预先训练得到的。
2.如权利要求1所述的基于注意力机制和LSTM的管网漏损量预测方法，其特征在于，获取供水区域内各管段的压力和流量数据后，还计算压力和流量数据的统计量，并对压力数据、流量数据及其统计量进行归一化处理。
3.如权利要求1所述的基于注意力机制和LSTM的管网漏损量预测方法，其特征在于，所述管网漏损量预测模型训练方法包括：
获取供水区域内一段时间的压力和流量数据作为训练数据；
基于滑动窗口对训练数据进行特征提取；
采用基于注意力机制的单层LSTM模型，训练得到管网漏损量预测模型。
4.如权利要求3所述的基于注意力机制和LSTM的管网漏损量预测方法，其特征在于，获取训练数据后，还根据设定时间粒度对训练数据进行下采样。
5.如权利要求3所述的基于注意力机制和LSTM的管网漏损量预测方法，其特征在于，获取供水区域内一段时间的压力和流量数据后，还计算压力和流量数据的统计量，并对压力数据、流量数据及其统计量进行归一化处理。
6.如权利要求1所述的基于注意力机制和LSTM的管网漏损量预测方法，其特征在于，所述基于注意力机制的单层LSTM模型采用的损失函数为：
其中，y是真实漏损量，f(x)是通过模型学习得到的漏损量，k1，k2是设定阈值。
7.如权利要求1所述的基于注意力机制和LSTM的管网漏损量预测方法，其特征在于，所述方法还包括：预先记录各个管段的地理位置数据，当预测到某个管段发生漏损时，获取相应地理位置数据。
8.一种基于注意力机制和LSTM的管网漏损量预测系统，其特征在于，包括：
数据获取模块，被配置为：实时获取供水区域内各管段的压力和流量数据；
漏损预测模块，被配置为：根据压力和流量特征数据，基于管网漏损量预测模型，对每个管段进行漏损量预测，其中，所述管网漏损量预测模型是采用基于注意力机制的LSTM模型预先训练得到的。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的管网漏损量预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的管网漏损量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110720412.2A CN113434989A (zh) | 2021-06-28 | 2021-06-28 | 一种基于注意力机制和lstm的管网漏损量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110720412.2A CN113434989A (zh) | 2021-06-28 | 2021-06-28 | 一种基于注意力机制和lstm的管网漏损量预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113434989A true CN113434989A (zh) | 2021-09-24 |
Family
ID=77755003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110720412.2A Pending CN113434989A (zh) | 2021-06-28 | 2021-06-28 | 一种基于注意力机制和lstm的管网漏损量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113434989A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113944888A (zh) * | 2021-11-03 | 2022-01-18 | 北京软通智慧科技有限公司 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
| CN116680501A (zh) * | 2023-08-01 | 2023-09-01 | 益都智能技术（北京）股份有限公司 | 一种基于物联网的分区计量漏损监控管理方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110085327A (zh) * | 2019-04-01 | 2019-08-02 | 东莞理工学院 | 基于注意力机制的多通道lstm神经网络流感疫情预测方法 |
| JP2020524349A (ja) * | 2017-06-16 | 2020-08-13 | マーカブル インコーポレイテッドＭａｒｋａｂｌｅ，Ｉｎｃ． | 画像処理システム |
| CN111881999A (zh) * | 2020-08-04 | 2020-11-03 | 武汉易维环境工程有限公司 | 一种基于深度卷积神经网络的水务管道漏损探测方法及系统 |
| CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
| CN112101660A (zh) * | 2020-09-15 | 2020-12-18 | 重庆交通大学 | 基于阶段性注意力机制的降雨型滑坡位移预测模型及方法 |
| CN112283593A (zh) * | 2020-09-24 | 2021-01-29 | 山东潍微科技股份有限公司 | 一种关阀检测管网漏损的物联网系统及其漏损检测方法 |
| CN112668394A (zh) * | 2020-11-30 | 2021-04-16 | 山东大学 | 一种农业大棚生产的在线预测方法及系统 |
| CN112836758A (zh) * | 2021-02-08 | 2021-05-25 | 浙江工业大学 | 基于双层循环神经网络的独立计量区域管网漏损检测方法 |
-
2021
- 2021-06-28 CN CN202110720412.2A patent/CN113434989A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020524349A (ja) * | 2017-06-16 | 2020-08-13 | マーカブル インコーポレイテッドＭａｒｋａｂｌｅ，Ｉｎｃ． | 画像処理システム |
| CN110085327A (zh) * | 2019-04-01 | 2019-08-02 | 东莞理工学院 | 基于注意力机制的多通道lstm神经网络流感疫情预测方法 |
| CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
| CN111881999A (zh) * | 2020-08-04 | 2020-11-03 | 武汉易维环境工程有限公司 | 一种基于深度卷积神经网络的水务管道漏损探测方法及系统 |
| CN112101660A (zh) * | 2020-09-15 | 2020-12-18 | 重庆交通大学 | 基于阶段性注意力机制的降雨型滑坡位移预测模型及方法 |
| CN112283593A (zh) * | 2020-09-24 | 2021-01-29 | 山东潍微科技股份有限公司 | 一种关阀检测管网漏损的物联网系统及其漏损检测方法 |
| CN112668394A (zh) * | 2020-11-30 | 2021-04-16 | 山东大学 | 一种农业大棚生产的在线预测方法及系统 |
| CN112836758A (zh) * | 2021-02-08 | 2021-05-25 | 浙江工业大学 | 基于双层循环神经网络的独立计量区域管网漏损检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张楠等: "《智能预报技术及其在船舶工程中应用》", 《国防工业出版社》, pages: 77 - 82 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113944888A (zh) * | 2021-11-03 | 2022-01-18 | 北京软通智慧科技有限公司 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
| CN113944888B (zh) * | 2021-11-03 | 2023-12-08 | 北京软通智慧科技有限公司 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
| CN116680501A (zh) * | 2023-08-01 | 2023-09-01 | 益都智能技术（北京）股份有限公司 | 一种基于物联网的分区计量漏损监控管理方法及系统 |
| CN116680501B (zh) * | 2023-08-01 | 2023-10-27 | 益都智能技术（北京）股份有限公司 | 一种基于物联网的分区计量漏损监控管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860979B (zh) | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
| CN106886846A (zh) | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 | |
| CN109784471A (zh) | 一种基于多预测模型的95598话务工单预测与异动预警方法 | |
| CN110705743A (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN113434989A (zh) | 一种基于注意力机制和lstm的管网漏损量预测方法及系统 | |
| CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
| CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
| CN111241755A (zh) | 电力负荷预测方法 | |
| CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
| CN116073436B (zh) | 一种光伏新能源电力系统容量优化控制方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
| CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
| CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| Sen | Time series prediction based on improved deep learning | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN116432856A (zh) | 基于cnn-glstm模型的管道动态预警方法及装置 | |
| CN116187506A (zh) | 考虑气象分类的短期风电功率组合概率预测方法及系统 | |
| CN113868957B (zh) | 贝叶斯深度学习下剩余寿命预测及不确定性量化校准方法 | |
| CN114971022A (zh) | 基于D-value-LSTM神经网络模型的风电功率预测方法 |
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: 20210924 |