CN113469440A - 一种预测月尺度生活需水量的方法 - Google Patents
一种预测月尺度生活需水量的方法 Download PDFInfo
- Publication number
- CN113469440A CN113469440A CN202110751412.9A CN202110751412A CN113469440A CN 113469440 A CN113469440 A CN 113469440A CN 202110751412 A CN202110751412 A CN 202110751412A CN 113469440 A CN113469440 A CN 113469440A
- Authority
- CN
- China
- Prior art keywords
- water demand
- life
- prediction
- evaluation
- scale
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 269
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000011156 evaluation Methods 0.000 claims abstract description 70
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000005192 partition Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 15
- 238000001556 precipitation Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000012314 multivariate regression analysis Methods 0.000 claims description 7
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010835 comparative analysis Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000013316 zoning Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 7
- 238000011160 research Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000012847 principal component analysis method Methods 0.000 description 5
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101500022510 Lithobates catesbeianus GnRH-associated peptide 2 Proteins 0.000 description 1
- 239000010242 baoji Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic 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
- G06Q10/04—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
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
一种预测月尺度生活需水量的方法，属于水资源水量调配领域。具体包括以下步骤：S1构建生活需水特征评价评价指标体系；S2构建预测模型集；S3制定各生活需水评价分区最优预测方法；S4筛选月尺度生活需水关键影响因子，为多元回归法与前馈神经网络模型提供基础；S5月尺度生活需水预测。上述的S1包括：S1‑1选取生活需水特征评价指标；S1‑2制定评价指标分级阈值；S1‑3计算评价总值，定量评价生活需水情况。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
本发明一种预测生活需水量的方法，尤其是涉及一种预测月尺度生活需水量的方法，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，生活需水预测研究多致力于提高需水预测精度而不断改进预测算法，且多为年尺度预测，缺乏针对地区需水变化规律和需水特征分析的月尺度需水预测系统性方法。
近几十年来，水资源的规划管理开始得到重视，越来越多的专家和学者在考虑用水量内在规律到用水量影响移速的多因素取得了较好的研究成果。英国的Leonid等建立了城市短期用水量预测模型，预测马德里等城市的生活用水和工业用水，预测结果表明模型具有一定的实用性。May等考虑了人口等5个用水量驱动因子，建立了用水量与驱动因子的对数和半对数回归模型，预测一些城市的中长期用水量，取得了良好效果；Richad等将气温和降水量等自然气候因素考虑在内，并提出了非线性回归模型。Zhou等、Levi等建立了时间序列预测模型与逐步回归模型，预测城市的日用水量，结果表明模型的预测精度很高，用逐步回归法建模所需时间较少。Day和Howe考虑非气候因素，对最高日用水量进行预测，精度较高。2003年，Joseph等将雨天天数考虑在内的基础上建立了Water GAP2用水量预测模型，并分别预测农业、工业和生活用水量，预测效果良好。Hossein D等在研究干旱区用水量和蒸发蒸腾量的基础上，提出了适合于干旱区的用水量预测模型。另外，还有一些专家学者如Jain、Gistau、Lindell、Mordechai和Uri等也在用水量预测方面都做了大量的探索和研究。
国内开始进行需水量的预测研究比较晚，早期我国在进行用水量预测是主要使用经验法，即根据研究人员已有的实践经验和现有的资料进行预测。自70年代以来，随着一些更加科学的用水量预测的统计分析方法的出现，对经验法的使用逐渐减少，越来越多的学者相继提出了许多基于新兴理论的方法进行短期用水量的预测。时间序列预测法、回归分析预测法、灰色预测法、人工神经网络法以及组合模型等一些更加科学的现代预测方法的出现，使得对城市用水量预测的研究登上一个新的台阶，目前的研究主要集中在各种不同的条件下适用的预测模型的探索上。陈兰川等采用趋势外推法、指数平滑法、成长曲线法对用水量进行预测，3种时间序列预测法在浙江省万元GDP用水量预测中效果良好，为浙江省水利发展提供了依据；黎杰等运用ARIMA模型进行黄山用水预测，结果表明ARIMA模型在2012年上半年用水预测中取得较好效果；郭磊等采用二元回归模型、分项相关性方法进行对比预测方法研究，得出二元回归模型预测结果偏小，而常用的分项水量预测法结果偏稳定；李琴等采用回归分析法、BP人工神经网络对宝鸡市2012-2020年各行业用水量进行预测中取得较好效果；张少杰等采用主成分回归模型预测，结果表明主成分回归模型在水需求预测中的应用比多元线性回归模型更加准确，且更符合实际用水量；邓丽娟等采用灰色GM(1,1)模型预测用水量，得出该灰色模型用于城市用水量预测结果与当地实际情况比较吻合；周艳春等采用BP人工神经网络模型预测城市用水量，结果表明BP神经网络模型在城市用水量预测中具有可靠性；严旭等将BP人工神经网络模型修正，并将预测模型应用于深圳市水务公司，结果表明该模型具有可靠性和适用性；高学平等采用主成分分析法与RBF神经网络组合模型预测，结果表明该模型的相对误差平均值在训练和预测阶段均最小，对城市区域水资源规划具有参考价值。
现有的生活需水量预测方法众多，主要分为三类：①定额定量法；②以时间序列为基础的模拟预测方法；③基于影响因子的模拟预测方法。定额定量法是根据地方生活用水定额标准进行预测的，具有较强的适用性和权威性，但由于标准具有一定范围，定额的选取易受人为因素影响，因此该方法的客观性不足，缺乏物理机理。以时间序列为基础的模拟预测方法是通过对历史生活用水数据模拟训练后进行未来需水预测的，科学性更强，一般预测精度较高；但对于周期性变化规律较弱的用水序列模拟效果较差，存在物理机理不足等缺点。基于影响因子的模拟预测方法是通过生活需水影响因子与生活需水的函数关系进行需水预测的，能够解释需水变化的机理成因，往往预测精度较高，但由于以大量影响因子数据为基础，因此工作量大，计算复杂。
目前的生活需水预测时间尺度主要集中于年尺度的探索，随着水资源开发利用程度的加强和保护需求的提高，年尺度的需水预测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要求，因此本发明提出了月尺度生活需水预测。
发明内容
本发明的目的在于公开一种预测月尺度生活需水量的方法，具体包括以下步骤：
S1：构建生活需水特征评价指标体系，
S1-1：选取生活需水特征评价指标。采用层次分析法，从影响生活需水的社会发展、自然资源、技术进步等方面，按照层次关系，初步分解出构成生活需水的影响因素。并基于筛选评价指标的代表性、科学性和可操作性原则，选取生活需水量、人均生活需水量以及生活需水比重分别作为表征地区生活需水总量、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。体系将三个指标划分为Ⅰ级至Ⅴ级，同时确定了相应的评价阈值，见表1。
表1生活需水特征评价指标与分级标准
S1-3：计算生活需水评价总值，定量评价生活需水情况。利用AHP法对步骤一中筛选出的评价指标进行重要性评价，确定需水总量、需水水平以及需水结构的计算权重，并对评价目标分级结果进行赋值，Ⅰ级至Ⅴ级分别对应整数数值1至5，根据熵权法和指标权重计算生活需水评价总值，并根据表2进行生活需水特征评价分区。
表2区域生活需水特征评价分区标准
| 分区 | A区 | B区 | C区 | D区 | E区 |
| 生活需水评价总值 | [1.50，2.25] | (2.25，3.00] | (3.00，3.75] | (3.75，4.50] | (4.50，5.75] |
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。
S3：制定各生活需水评价分区最优预测方法。将步骤三中生活需水评价总值分为A区至E区五个等级，制定最符合该地区生活需水特征的预测方法。结果如下：
A区最佳预测方法为前馈神经网络模型预测法；B区最佳预测方法为前馈神经网络模型预测法；C区最佳预测方法为前馈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BP神经网络模型法。
S4：筛选月尺度生活需水关键影响因子，为多元回归法与前馈神经网络模型提供基础。根据现有生活需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、社会因素方面，建立影响因子初集，包括：月平均气温、月平均降水量、GDP总量、居民人均全年可支配收入、城镇居民消费水平、人口、城市化率、教育支出(占财政支出比重)、人均教育经费、人均公园绿地面积、节假日数量。利用Pearson相关分析和主成分分析筛选出地区生活需水量的关键影响因子。
S5：月尺度生活需水预测。根据步骤三、步骤五结果，确定地区所属生活需水特征综合评价分区，收集相关数据，计算月尺度地区生活需水量。
本发明的有益效果：
与现有技术相比，本发明具有以下优点：
本发明基于生活需水分级评价指标体系，综合考虑时间序列变化以及自然、社会、经济等方面影响用水量变化的关键影响因子，利用月尺度用水量数据结合关键影响因子建立用水量预测模型进行月尺度生活需水量预测，与传统的需水预测技术相比，具有以下优点：
(1)在时间尺度方面，为了应对年尺度的需水预测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要求的问题，本发明进一步细化生活需水预测时间尺度至月尺度。
(2)本发明以生活需水综合评价体系为依托，能够针对不同分区制定最佳预测方法，考虑到了用水变化特征及区域特性。
(3)本发明构建的预测模型集具有以时间序列为基础的模拟预测方法和基于影响因子的模拟预测方法两类方法中应用最为广泛的预测方法，能够深入探索生活需水内在机理，同时提高预测精度。
(4)根据指标体系法和层次分析法全面评价和定量分析生活需水情况，选取应用方便、性能优良、易于推广的预测方法构建预测模型集；
(5)基于不同生活需水特征提供不同生活需水预测方法，能够为科学合理、因地制宜地规划地区水资源分配提供依据。
(6)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生活需水特征，对地区生活需水情况进行了定量评价分级，根据生活需水综合评价体系，将地区划分为A区-E区，能够加深对生活需水规律的认识和研究，有助于预测工作的顺利展开。
(7)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需水预测模型，有利于推广应用。
附图说明
图1实施例1采用本发明方法预测JS省月生活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省月生活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省月生活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省月生活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省月生活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
以JS省为例，对其进行生活需水特征综合评价分级，并对该地区2019年1-12月生活需水进行预测。
步骤S1：根据已制定的表1生活需水特征评价指标与分级标准，表2区域生活需水特征评价分区标准，对JS省的生活需水量、人均生活需水量和生活需水比重进行评价分级，结果见表3。利用熵权法计算得到JS省的生活需水评价总值为2.25，分区结果为A区。
表3生活需水综合评价分级结果
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：则JS省的生活需水最优预测方法为前馈神经网络模型预测法。
步骤S4：收集JS省2017年1月-2018年12月需水预测基础数据。利用Pearson相关分析结合主成分分析法对JS省2017年1月-2018年12月生活需水量与影响因子进行了相关关系分析，结果显示，与JS省生活需水量具有显著相关关系的关键影响因子是：月平均降水量、月平均气温。
表4月尺度生活需水影响因素相关度
| 影响因素 | 相关度 | Sig.(双尾) |
| 月平均降水量 | 0.834** | 0.00 |
| 月平均气温 | 0.836** | 0.00 |
| 节假日天数 | 0.27 | 0.27 |
| 居民消费品价格指数 | 0.36 | 0.18 |
| 城乡居民用电量 | 0.17 | 0.32 |
| 移动电话用户数量 | 0.13 | 0.36 |
**，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：根据影响因子筛选情况，选择输入层神经元个数为2，即用2017年～2018年2个关键影响因子作为网络的输入；网络输出生活需水量月值；数据归一化后，生成了一个2-10-1的三层BP神经网络。关键影响因子的2017～2018年的月度数据，如表5所示。
表5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1～12月的生活需水量预测值，得到的结果及误差计算见下表6，绘制的预测JS省值与实测值对比图见附图1，2019年月预测值平均相对误差为5.83％，预测精度高。
表6 2019年JS省生活需水量前馈神经网络月值预测
实施例2
以FJ省为例，对其进行生活需水特征综合评价分级，并对该地区2019年1-12月生活需水进行预测。
步骤S1：根据表1生活需水特征评价指标与分级标准，表2区域生活需水特征评价分区标准，对FJ省的生活需水量、人均生活需水量和生活需水比重进行评价分级，结果见表7。利用熵权法计算得到FJ省的生活需水评价总值为2.5，分区结果为B区。
表7生活需水综合评价分级结果
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：则FJ省的生活需水最优预测方法为前馈神经网络模型预测法。
步骤S4：收集FJ省2017年1月-2018年12月需水预测基础数据。利用Pearson相关分析结合主成分分析法对FJ省2017年1月-2018年12月生活需水量与影响因子进行了相关关系分析，结果显示，与FJ省生活需水量具有显著相关关系的关键影响因子是月平均气温。
表8月尺度生活需水影响因素相关度
| 影响因子 | 皮尔逊相关性 | Sig.(双尾) |
| 月平均气温 | 0.870** | 0.00 |
| 月平均降水量 | 0.35 | 0.09 |
| GDP总量 | -0.01 | 0.96 |
| 居民人均全年可支配收入 | -0.12 | 0.59 |
| 居民消费价格指数 | 0.07 | 0.75 |
| 节假日数量 | -0.32 | 0.12 |
**，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：利用前馈神经网络模型，根据影响因子筛选情况，通过指数平滑法预测2019年关键因子(表9)，选择输入层神经元个数为1，即用1个关键影响因子作为网络的输入，网络输出的为生活需水量月值。根据前馈神经网络模型进行FJ省2019年1～12月的生活需水量预测，得到的结果及误差计算见下表10，绘制的预测值与实测值对比图见图2。分析生活需水量的预测月值的数据，月平均相对误差为5.32％，误差较小。
表9 2019年FJ省生活关键影响因子预测结果
| 日期 | 1月 | 2月 | 3月 | 4月 | 5月 | 6月 |
| 月平均气温(℃) | 10.16 | 11.65 | 15.79 | 20.69 | 24.60 | 25.94 |
| 日期 | 7月 | 8月 | 9月 | 10月 | 11月 | 12月 |
| 月平均气温(℃) | 27.36 | 27.72 | 24.62 | 19.18 | 13.24 | 13.20 |
表10 2019年FJ省生活需水量前馈神经网络月值预测
实施例3
以YN省为例，对其进行生活需水特征综合评价分级，并对该地区2019年1-12月生活需水进行预测。
步骤S1：：根据表1生活需水特征评价指标与分级标准，表2区域生活需水特征评价分区标准，对YN省的生活需水量、人均生活需水量和生活需水比重进行评价分级，结果见表11。利用熵权法计算得到YN省的生活需水评价总值为3.5，分区结果为C区。
表11生活需水综合评价分级结果
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：则YN省的生活需水最优预测方法为前馈神经网络模型预测法。
步骤S4：收集YN省2017年1月-2018年12月需水预测基础数据。利用Pearson相关分析结合主成分分析法对YN省2017年1月-2018年12月生活需水量与影响因子进行了相关关系分析，结果显示，与YN省生活需水量具有显著相关关系的关键影响因子是城镇居民人均可支配收入。
表12月尺度生活需水影响因素相关度
**，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：利用前馈神经网络模型，根据影响因子筛选情况，通过指数平滑法预测2019年关键因子(表13)，选择输入层神经元个数为1，即用1个关键影响因子作为网络的输入，网络输出的为生活需水量月值。预测YN省2019年1～12月生活需水量(表14)，月平均误差为5.57％，误差较小，精度较高。
表13YN省2019年生活关键影响因子预测结果
表14 2019年YN省生活需水量前馈神经网络月值预测
实施例4
以GS省为例，对其进行生活需水综合评价分级，并对该地区2019年1-12月生活需水进行预测。
步骤S1：根据表1生活需水特征评价指标与分级标准，表2区域生活需水特征评价分区标准，对GS省的生活需水量、人均生活需水量和生活需水比重进行评价分级，结果见表15。利用熵权法计算得到GS省的生活需水评价总值为4.5，分区结果为D区。
表15生活需水综合评价分级结果
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：则GS省的生活需水最优预测方法为多元线性回归预测法。
步骤S4：收集GS省2017年1月-2018年12月需水预测基础数据。利用Pearson相关分析结合主成分分析法对GS省2017年1月-2018年12月生活需水量与影响因子进行了相关关系分析，结果显示，与GS省生活需水量具有显著相关关系的关键影响因子是月平均气温、平均降水量、农村居民可支配收入、居民可支配收入。
表16月尺度生活需水影响因素相关度
**，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GS省2017年1月-2018年12月生活需水量月值及其4个关键影响因子数据，对因变量月生活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省的生活关键影响因子有月平均气温、月平均降水量、农村居民可支配收入、居民可支配收入共4个，多元线性回归模拟得到其关键影响因子对应系数(表17)，建立了总体回归模型(如下所示)。
表17GS省生活需水量多元回归拟合结果
线性多元回归方程：
Y月＝0.791373+0.002021*x气温+0.000632*x降水+0.000362*x农村支配-0.00093
*x居民支配
其中，Y月为生活需水量月值，x气温为月平均气温(℃)，x降水为月降水量(mm)，x农村支配为月度农村可支配收入(元)，x居民民支配为月度居民可支配收入(元)。
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(见下表18)，由此采用多元线性回归方法计算得出2019年1-12月生活需水量的预测值见下表19和附图4，可以看到2019年生活需水预测值较实测值误差不大，月平均相对误差2.10％，预测精度高。
表18GS省2019年生活关键影响因子预测结果
表19 2019年GS省生活需水量多元回归预测
实施例5
以HLJ省为例，对其进行生活需水综合评价分级，并对该地区2019年1-12月生活需水进行预测。
步骤S1：根据表1生活需水特征评价指标与分级标准，表2区域生活需水特征评价分区标准，对HLJ省的生活需水量、人均生活需水量和生活需水比重进行评价分级，结果见表20。利用熵权法计算得到HLJ省的生活需水评价总值为4.75，分区结果为E区。
表20生活需水综合评价分级结果
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：则YN省的生活需水最优预测方法为BP神经网络模型预测法。
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个月的月生活需水量数据，预测出2019年12个月的需水量，预测值以及对比图分别见表22和附图5。
分析可知，模型预测的2019年生活需水量月平均相对误差为1.49％％，误差低，预测精度高。
表22 2019年HLJ省生活需水量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 | 1.26 | 1.25 | -0.79％ |
| 2019年2月 | 1.25 | 1.25 | -0.32％ |
| 2019年3月 | 1.31 | 1.30 | -0.88％ |
| 2019年4月 | 1.36 | 1.34 | -1.32％ |
| 2019年5月 | 1.41 | 1.36 | -3.25％ |
| 2019年6月 | 1.41 | 1.40 | -1.03％ |
| 2019年7月 | 1.4 | 1.41 | 0.87％ |
| 2019年8月 | 1.37 | 1.40 | 2.07％ |
| 2019年9月 | 1.29 | 1.36 | 5.70％ |
| 2019年10月 | 1.33 | 1.33 | -0.32％ |
| 2019年11月 | 1.28 | 1.28 | 0.35％ |
| 2019年12月 | 1.23 | 1.24 | 0.99％ |
Claims (8)
1.一种预测月尺度生活需水量的方法，其特征在于：所述的方法包括如下步骤：S1构建生活需水特征评价评价指标体系；S2构建预测模型集；S3制定各生活需水评价分区最优预测方法；S4筛选月尺度生活需水关键影响因子，为多元回归法与前馈神经网络模型提供基础；S5月尺度生活需水预测；
所述的S1包括：S1-1选取生活需水特征评价指标；S1-2：制定评价指标分级阈值；S1-3：计算评价总值，定量评价生活需水情况。
2.根据权利要求1所述的一种预测月尺度生活需水量的方法，其特征在于：所述的S1-1选取生活需水特征评价指标，是指：选取生活需水量、人均生活需水量以及生活需水比重分别作为表征地区生活需水总量、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生活需水量的方法，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：生活需水量、人均生活需水量以及生活需水比重划分为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生活需水量的方法，其特征在于：所述的S1-3计算生活需水评价总值，定量评价生活需水情况，是指：利用AHP法对S1-1中筛选出的评价指标进行重要性评价，确定需水总量、需水水平以及需水结构的计算权重，并对评价目标分级结果进行赋值，Ⅰ级至Ⅴ级分别对应整数数值1至5，根据熵权法和指标权重计算生活需水评价总值，并对区域生活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生活需水量的方法，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生活需水量的方法，其特征在于：所述的S3制定各生活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区最佳预测方法为前馈神经网络模型预测法；C区最佳预测方法为前馈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BP神经网络模型法。
7.根据权利要求1所述的一种预测月尺度生活需水量的方法，其特征在于：所述的S4筛选月尺度生活需水关键影响因子，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，根据现有生活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：月平均气温、月平均降水量、GDP总量、居民人均全年可支配收入、城镇居民消费水平、人口、城市化率、教育支出、人均教育经费、人均公园绿地面积、节假日数量，利用Pearson相关分析和主成分分析筛选出地区生活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生活需水量的方法，其特征在于：所述的S5月尺度生活需水预测，根据S1-3、S3结果，确定地区所属生活需水特征综合评价分区，计算月尺度地区生活需水量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110751412.9A CN113469440B (zh) | 2021-07-02 | 2021-07-02 | 一种预测月尺度生活需水量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110751412.9A CN113469440B (zh) | 2021-07-02 | 2021-07-02 | 一种预测月尺度生活需水量的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469440A true CN113469440A (zh) | 2021-10-01 |
| CN113469440B CN113469440B (zh) | 2023-11-14 |
Family
ID=77877623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110751412.9A Active CN113469440B (zh) | 2021-07-02 | 2021-07-02 | 一种预测月尺度生活需水量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469440B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105323321A (zh) * | 2015-11-16 | 2016-02-10 | 清华大学 | 水联网系统 |
| CN107808211A (zh) * | 2017-09-15 | 2018-03-16 | 周亚岐 | 一种区域水资源需求预测方法 |
| CN107908888A (zh) * | 2017-11-22 | 2018-04-13 | 河海大学 | 一种感潮河段生态环境需水量计算方法 |
| CN107944636A (zh) * | 2017-12-14 | 2018-04-20 | 河海大学 | 一种流域生态干旱评估与预报方法 |
| CN108629008A (zh) * | 2018-05-04 | 2018-10-09 | 北京市环境保护科学研究院 | 第四系多含水层地下水环境功能立体分区方法及应用方法 |
| CN108830033A (zh) * | 2018-05-24 | 2018-11-16 | 东莞理工学院 | 一种考虑生态系统净生产力的河口生态需水计算方法 |
| CN110751312A (zh) * | 2019-09-10 | 2020-02-04 | 华中科技大学 | 一种基于多因子的系统动力学生活需水预测方法和系统 |
| CN111160680A (zh) * | 2019-03-25 | 2020-05-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于信息同化融合的农业干旱评估方法 |
| CN111292124A (zh) * | 2020-01-18 | 2020-06-16 | 河北工程大学 | 一种基于优化组合神经网络的需水预测方法 |
| CN111401732A (zh) * | 2020-03-13 | 2020-07-10 | 中国水利水电科学研究院 | 一种水资源供需形势分层次识别方法 |
| JP2020112847A (ja) * | 2019-01-08 | 2020-07-27 | 株式会社日立製作所 | 水需要予測方法およびシステム |
| CN111460744A (zh) * | 2020-04-17 | 2020-07-28 | 兰州大学 | 一种内陆河上游地区的土地利用规划方法及规划系统 |
| CN112036632A (zh) * | 2020-08-26 | 2020-12-04 | 三峡大学 | 一种梯级水库生态发电多目标中长期随机调度模型的构建方法以及优化调度方法 |
| US20210125200A1 (en) * | 2019-10-28 | 2021-04-29 | Jilin Jianzhu University | Method and system for predicting medium-long term water demand of water supply network |
-
2021
- 2021-07-02 CN CN202110751412.9A patent/CN113469440B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105323321A (zh) * | 2015-11-16 | 2016-02-10 | 清华大学 | 水联网系统 |
| CN107808211A (zh) * | 2017-09-15 | 2018-03-16 | 周亚岐 | 一种区域水资源需求预测方法 |
| CN107908888A (zh) * | 2017-11-22 | 2018-04-13 | 河海大学 | 一种感潮河段生态环境需水量计算方法 |
| CN107944636A (zh) * | 2017-12-14 | 2018-04-20 | 河海大学 | 一种流域生态干旱评估与预报方法 |
| CN108629008A (zh) * | 2018-05-04 | 2018-10-09 | 北京市环境保护科学研究院 | 第四系多含水层地下水环境功能立体分区方法及应用方法 |
| CN108830033A (zh) * | 2018-05-24 | 2018-11-16 | 东莞理工学院 | 一种考虑生态系统净生产力的河口生态需水计算方法 |
| JP2020112847A (ja) * | 2019-01-08 | 2020-07-27 | 株式会社日立製作所 | 水需要予測方法およびシステム |
| CN111160680A (zh) * | 2019-03-25 | 2020-05-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于信息同化融合的农业干旱评估方法 |
| CN110751312A (zh) * | 2019-09-10 | 2020-02-04 | 华中科技大学 | 一种基于多因子的系统动力学生活需水预测方法和系统 |
| US20210125200A1 (en) * | 2019-10-28 | 2021-04-29 | Jilin Jianzhu University | Method and system for predicting medium-long term water demand of water supply network |
| CN111292124A (zh) * | 2020-01-18 | 2020-06-16 | 河北工程大学 | 一种基于优化组合神经网络的需水预测方法 |
| CN111401732A (zh) * | 2020-03-13 | 2020-07-10 | 中国水利水电科学研究院 | 一种水资源供需形势分层次识别方法 |
| CN111460744A (zh) * | 2020-04-17 | 2020-07-28 | 兰州大学 | 一种内陆河上游地区的土地利用规划方法及规划系统 |
| CN112036632A (zh) * | 2020-08-26 | 2020-12-04 | 三峡大学 | 一种梯级水库生态发电多目标中长期随机调度模型的构建方法以及优化调度方法 |
Non-Patent Citations (16)
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
|---|---|
| CN113469440B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111552923B (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
| CN113379110B (zh) | 一种中长期径流预报结果趋势检验方法 | |
| CN102402726B (zh) | 一种基于区域负荷分析的大规模配电网电力电量预测方法 | |
| 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 | |
| CN111091232A (zh) | 一种考虑用电需求变化趋势的电力负荷预测方法 | |
| CN104574209A (zh) | 一种城网配变重过载中期预警模型的建模方法 | |
| Zhi-Guo et al. | Prediction of urban water demand on the basis of Engel's coefficient and Hoffmann index: case studies in Beijing and Jinan, China | |
| CN110428270A (zh) | 基于逻辑回归算法的渠道潜在偏好客户识别方法 | |
| CN109492818A (zh) | 基于能源发展与Shapley值赋权的用电量预测方法 | |
| CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
| CN110751416A (zh) | 一种用水量的预测方法、装置及设备 | |
| CN101739614A (zh) | 层级组合预测通信业务的方法 | |
| CN109460849A (zh) | 一种基于智能算法的用户用电偏差分析方法 | |
| CN113469440A (zh) | 一种预测月尺度生活需水量的方法 | |
| CN110135652B (zh) | 一种长期汛期径流预测方法 | |
| CN113344449A (zh) | 一种预测月尺度工业需水量的方法 | |
| CN111160993A (zh) | 基于用户负荷报装的用户实用及阶段释放系数的分析方法 | |
| CN114529154A (zh) | 人口规模预测指标体系的构建方法、预测方法、装置及系统 | |
| CN111160719A (zh) | 两网融合的多指标评估方法 | |
| CN115187134A (zh) | 基于网格的配电网规划方法、装置及终端设备 | |
| CN112330033A (zh) | 一种人口综合预测方法及系统 | |
| Du et al. | Economic Forecast of the Southern China on BP Neural Network---Taking Chongqing as an Example | |
| Chu et al. | Development potential of Chinese smart cities and its spatio‐temporal pattern: A new hybrid MADM method using combination weight | |
| CN113222235B (zh) | 基于扩散与合成指标的天然气指数预测方法及系统 | |
| CN116596279B (zh) | 一种智慧园区能源消耗调度系统 |
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 |