CN113723708B - 一种基于机器学习的城市日用水量预测方法 - Google Patents
一种基于机器学习的城市日用水量预测方法 Download PDFInfo
- Publication number
- CN113723708B CN113723708B CN202111048268.9A CN202111048268A CN113723708B CN 113723708 B CN113723708 B CN 113723708B CN 202111048268 A CN202111048268 A CN 202111048268A CN 113723708 B CN113723708 B CN 113723708B
- Authority
- CN
- China
- Prior art keywords
- water
- data
- daily
- machine learning
- water consumption
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 471
- 238000010801 machine learning Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000002245 particle Substances 0.000 claims abstract description 44
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 239000008399 tap water Substances 0.000 claims description 4
- 235000020679 tap water Nutrition 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 238000005086 pumping Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于机器学习的城市日用水量预测方法，包括以下步骤：首先获取当地的往年的日降雨量、温度、日用水量等数据，对上述数据进行归一化处理之后，然后将处理之后的数据作为最小二乘支持向量机模型的数据输入，在训练最小二乘支持向量机模型时，采用高斯粒子群扰动优化算法来进行参数寻优，可以在一定程度上防止参数寻优结果陷入局部最优解。训练过程结束之后，将预测日降雨量、温度和预测日前一个月的平均日用水量经过归一化处理之后，送入训练完成的最小二乘支持向量机模型，输出预测日的日用水量。本发明通过采用最小二乘支持向量机模型的方式进行运算，能够运行速度较快并且准确率较高，具有较高的实际应用价值。
Description
技术领域
本发明涉及城市给排水技术领域，具体为一种基于机器学习的城市日用水量预测方法、系统及应用。
背景技术
近年来，我国国内经济发展迅速，人口增加，对于水资源的需求也随之增加。我国的大部分城市的水资源都是处于匮乏或者严重匮乏的状态，再加上我国国内城市水网管道老化问题严重，导致带来的管道泄露问题也愈发严重。目前我国国内大部分城市的水网采用的是基于人工经验的调度管理模式，这种调度模式无法精确、客观的反映水网的运行情况，可能会存在因为调度不及时，导致带来大量水资源的白白浪费。如何准确、快速的预测城市的用水量，使之作为科学的水网调度的重要依据，最终达到城市水网系统安全、高效的运行成为一个技术难题。
而同时，对水资源的联合运营也是很多人希望去进行研究的，并且对该技术进行了一些研究，做出了一下技术方案，如：
专利CN107977735A公开了一种基于深度学习的城市日用水量预测方法，该方法以前一段时间每日用水量、日最高温度、日降水量、当月用水量占全年比、节假情况等数据为输入层数据，通过逐层贪婪训练包含K-1个隐层的栈式自编码器(SAE)，获得每层的权重，SAE的输出可以认为是数据的非线性、紧凑的特征表示；由于预测过程也是一个非线性的过程，该发明在包含K-1个隐层的SAE基础上在连接一个反向传播神经网络(BPNN)而不是直接使用SAE输出的特征进行预测。同时通过反向传播算法对整个K+2层的网络权重进行调谐优化，从而完成深度学习网络的训练。该发明同时利用了SAE的强大特征表征能力和BPNN的优越预测能力，提高了城市日用水量预测的准确度，具备重要的应用借鉴意义。
专利CN107909195A公开一种日用水量预测方法，采用公式一预测城市日用水量，包括公式一：Qd＝QA(1+B1ΔT+B2W+B3V)，其中，Qd为预测日的日用水量(m3/d)；QA为过去若干日的平均用水量(m3/d)；ΔT为预测日的平均气温对于过去若干日平均气温值的增量(℃)；W为天气变化因数；V 为假日因数；B1、B2、B3为线性回归系数。该发明的日用水量预测方法的预测精度高，影响因素明确、计算简单、可随时修正参数，从而进一步提高预测精度，为自来水的供水调度提供依据。
专利CN110443418A公开了一种本发明涉及神经网络及城市用水预测技术，具体涉及一种基于GA-BP神经网络的城市用水量预测方法，包括：步骤一、BP神经网络结构的构建；步骤二、GA优化BP神经网络初始权值；步骤三、GA-BP神经网络的训练与预测；步骤四、将训练好的GA-BP神经网络用于城市用水量的预测。该发明基于GA-BP神经网络的城市用水量预测方法，克服了优化神经网络初始权值的困难，提高了分析的预测精度。
专利CN112488392A公开了一种涉及机器学习中的大数据处理技术，具体涉及一种基于机器学习的智慧水务日用水量预测方法，包括：获取日期、气候数据和历史用水量数据，预处理；将预处理后的历史用水量数据输入TCN 预测模型提取混沌信息和隐藏特征进行预测，得到TCN预测结果；通过日期和气候数据对TCN预测结果进行矫正，将日期、气候数据和TCN预测结果一同作为特征输入机器学习模型中进行训练和预测，得到矫正后的下一天用水量预测结果。该发明将机器学习与城市日需水量预测相结合，可以准确预测城市日需水量。
专利CN105868852A公开了一种城市居民日用水量预测方法，基于居民生活用水细节数据，以日为时间尺度，根据居民生活用水时间段类型将数据进行合并，根据合并后的用水数据，在时、日两个时间尺度，对城市居民生活用水进行预测，取得较好的效果。该发明可对分析居民生活用水进行模拟，可为居民提供用水量预测、用水阶梯水价提示等服务；另一方面，通过对某区域内所有用户的日用水量预测，可为供水企业区域供水微观调度提供辅助决策依据，从而降低供水能耗，同时降低与供水压力成正比的管网漏损率。
专利CN103093284A公开了一种海岛供水系统时用水预测方法，该发明采用过去N天的历史数据建立历史趋势pattern，在此基础上利用前一天最后几个小时的用水量数据与pattern数据比较来预测时用水量。为了提高精度，所提出的历史趋势patten与线性移动平均方法相结合，将pattern得到的预测用水量与线性移动平均方法得到的预测用水量进行融合，得到最终的用水量预测数据。本发明所提出的方法预测精度高，对于时趋势规律明显而日趋势不明显的场合具有更好的效果。
但目前，现有的城市用水检测系统或监测方法存在如下技术问题：
(1)现有的用水检测系统或监测方法中，要么仅通过常规统计方法，对用水量去进行统计学方面的预测，虽然可以一定程度上反馈用水的情况但是这种统计，一方面需要长时间的统计数据，而且预测统计去预测当前的用水量中，未充分考虑城市的发展情况，或者仅是简单的预测城市发展，显然统计的结果并不科学。
本发明的基于机器学习的城市日用水量预测方法及应用，采用更加科学的监测方法，不仅考虑了实时用水的情况，还考虑了实际用水数据，并通过更加智能的机器学习算法去进行预测用水量，使得对用水更加准确和合理，从而更好的用于调度。
(2)现有技术用水检测系统或监测方法中，也存在利用去估算日用水量的一些算法，但是一方面并未给出如何去应用该用水量的预测值，而且预测的数据只是一个点值，但一天用水的量并不是简单的维持不变，存在用于低峰期和高峰期，根据生活习惯等差异巨大，各种各样，因此最后的预测值并未良好的应用。
本发明的基于机器学习的城市日用水量预测方法及应用，充分利用机器学习的城市日用水量预测，生成一天的用于变化曲线，去指导合理调整用于压力，增强补充水压等数据，从而使得无论低峰期还是高峰期，用水和供水都能平稳有效，有效的减少对水管的冲击。
(3)现有技术水检测系统或监测方法中，未对供水管路发生异常情况时，如出现管道被挖破时，或者管道在维护时，不能及时关停水，导致水的流失，浪费水资源，而且影响市民用水，同时流水甚至可能冲坏其他建筑或设备，影响交通。而且有时家庭漏水或未关闭时，已经忘记关闭水阀时，导致家庭水浸泡等危险。
本发明的基于机器学习的城市日用水量预测方法及应用，对出现供水管路出现异常情况时，能及时检测水压，并在出现被挖破管时，及时关停水，防止水过度浪费，尽可能减少影响。
面对上述技术问题，人们希望提供一种更加智能化的城市用水预测方法，重复考虑用水情况，提供良好的预测，并在出现异常的情况下进行报警，同时减少浪费，同时防止家庭出现异常用水情况的技术方案。但到目前为止，现有技术中并无有效办法解决上述技术难题。
发明内容
本发明的目的在于提供一种基于机器学习的城市日用水量预测方法、系统及应用，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于机器学习的城市日用水量的管控系统，包括增压水泵、水泵操纵设备、集成水泵水管调控中心、管路水阀门、数据存储库、水压检测模块、智能水表和水压异常报警模块；所述集成水泵水管调控中心分别通过数据通信网络和所述水泵操纵设备、所述管路水阀门、所述数据存储库水压检测模块、智能水表和所述水压异常报警模块进行数据通信连接；
所述增压水泵用于对输送水的管路的水压进行增压或者从自来水供水源抽水补充输送水的管路中水；所述水泵操纵设备和所述增压水泵控制连接以便实现操纵所述增压水泵；所述管路水阀门设置于所述输送水的管路中以便实现控制水流的通断；所述数据存储库用于存储实时获取的所述增压水泵的增压能力或向所述管路补充水的能力、管路水阀门的开闭、水压检测模块和智能水表的运行数据；同时所述数据存储库还存储有所述城市所在地的往年来一定年份段内的日用水量、日降雨量、温度的历史数据；所述水压检测模块用于检测布置处的水管水压，所述智能水表设置于用水端用于测量用水量；
所述集成水泵水管调控中心包括机器学习模块和调控模块，所述机器学习模块读取所述数据存储库中的所述运行数据和所述历史数据，利用机器学习方法进行预算预测当天的日用水量数据，并发送给所述调控模块从而所述调控模块控制所述水泵操纵设备的开启或关闭台数和所述管路水阀门的开闭实现维持所述输送水的管路的水压维持在预定值，并且通过所述水压检测模块进行实时反馈水压给所述调控模块以便构成水压的闭环控制；
当所述水压异常报警模块检测所述输送水的管路中的水压是否正常，当出现水压异常时，通过水压异常报警模块进行报警，同时发送给所述集成水泵水管调控中心进行调度，以便停止增压或输送水，同时开闭所述管路水阀门实现改变水的输送路线和水压，并通知水务部门及时进行检查和维修。
优选的，所述集成水泵水管调控中心在所述利用机器学习方法进行预算预测当天的日用水量数据中，所述日用水量数据包括一天内的随着时间轴进展的用水变化曲线，从而控制所述水泵操纵设备提前一定时间开启或关闭所述增压水泵以维持当前的水压能够满足预期的用水需求，同时不使得水压过大或过小，以维持水管水压稳定。
优选的，所述集成水泵水管调控中心的所述机器学习模块还通过机器学习生成每个所述智能水表的当日用水变化曲线，当比对所述智能水表的当前用水数据，当两者的数据出现偏差超过规定值时，发送给所述用户以提醒用户是否正常用水，当用户未在规定时间内答复时，通过所述智能水表关闭该用户的水输入。
另外一方面，本申请还提供一种基于机器学习的城市日用水量预测方法，该方法如下：一种基于机器学习的城市日用水量预测方法，该方法具体包括如下步骤：
S1：统计所述城市所在地的往年来一定年份段内的日用水量、日降雨量、温度的历史数据；
S2：将步骤S1所得到的历史数据经过归一化处理之后，作为最小二乘支持向量机LSSVM模型(Least Square Support Vector Machine)的输入，开始对最小二乘支持向量机模型进行训练；
S3：在步骤S2当中的对最小二乘支持向量机LSSVM模型的训练过程当中，采用高斯粒子群扰动优化算法GDPSO(Gaussian Dynamic Particle Swarm Optimization)进行参数寻优，以有效的减小计算量，并在一定程度上防止寻优结果陷入局部最优解；
S4：将预测日当天的日降雨量、温度和预测日前一个月的平均日用水量经过步骤S2当中所述的归一化处理之后，作为最小二乘支持向量机模型的输入，利用训练完成的最小二乘支持向量机模型对预测日的日用水量进行预测并输出预测结果。
5.根据权利要求4所述的一种基于机器学习的城市日用水量预测方法，其特征在于，所述步骤S1中所述的历史数据包括自于当地公布的年水资源公报数据。
优选的，所述步骤S2中的归一化计算公式为：
其中：Datai为样本集当中第i列数据；Dataimax为样本集当中第 i列数据中最大值；Dataimin为样本集当中第i列数据中最大值；数据经过归一化处理之后，数据的范围变成了[0，1]，可以消除单位不同导致的问题，之后作为最小二乘支持向量机模型的输入。
优选的，所述S3采用高斯粒子群扰动优化算法GDPSO(Gaussian DynamicParticle Swarm Optimization)进行参数寻优中的具体操作为：
S4.1：最小二乘支持向量机模型的原理是通过映射函数将非线性的输入向量变换为在高维度空间当中的线性函数，变换过程为
其中ω为权重向量，b为偏移量；使用RBF核函数，其在非线性映射能力上有较好的表现，其公式为/>σ为RBF核函数的宽度；
S4.2：参数设定，粒子数量n表示为整个问题的复杂度，通常范围为 20-40，优选的，n＝30；加速因子c1、c2促使粒子在运动过程朝着最优位置移动，选取c1＝c2＝2；vmax和vmin为粒子运动速度的最大值和最小值，设定一个适当的运动范围有利于寻找最优解，本例当中选取
vmax＝1；vmin＝0；tmax为最大的迭代次数，本例当中取1000，在设定的范围内随机生成粒子的初始位置和速度。
S4.3：利用以下公式计算下一次迭代中各粒子新的速度和位置，特别的，在其粒子速度更新公式当中加入了高斯扰动项，以有效的防止寻优结果陷入局部最小值：
vi，j(t+1)＝wpvi，j(t)+c1r1[pi，j(t)+r2gaussi，j(t)-xi，j(t)]+c2r3[pg，j(t) -xi，j(t)]
xi，j(t+1)＝vi，j(t+1)+xi，j(t)
gaussi，j(t)＝r4gaussian(μ，δ2)
其中c1，c2为加速因子，取c1＝c2＝2；r1，r2，r3，r4为(0，1) 区间均匀分布的随机数；t为迭代次数；vi，j(t)表示粒子i的速度；pi，j(t) 表示粒子i的历史最优位置；gaussi，j(t)表示粒子i的速度更新项受到的高斯扰动；μ为均值，本例当中选取μ＝0；δ2为方差，本例当中选取δ2＝|pi，j(t)|；xi，j(t)为粒子i的位置；pg，j(t)为种群的当前最有位置；wp为惯性权重，一般取值范围为[0.4，0.9]，这里取 wmax＝0.9、wmin＝0.4，并采用线性递减策略。
S4.4：判断每一次迭代之后的结果是否满足精度要求，如果满足则输出迭代结果，若不满足则返回步骤S4.3继续迭代，直到迭代次数达到上限，停止迭代，输出迭代结果。
优选的，所述步骤S5中的预测过程为：
将预测日当天的日降雨量、温度和预测日前一个月的平均日用水量经过S2当中所述的归一化处理之后，作为最小二乘支持向量机的输入，利用训练好的最小二乘支持向量机对预测日的日用水量进行预测，并与真实的日用水量进行对比。利用平均绝对百分比ess来判定模型的优劣，其中ess的计算公式为：其中N为总共预测的天数；Xi为预测日当天的实际用水量；Yi为预测日当天的预测用水量。
另外一方面，本申请还提供一种基于机器学习的城市日用水量预测方法在城市供水中的应用，其特征在于：通过利用基于机器学习的城市日用水量预测方法对城市用水进行预测，当预测到当日用水量值和用于高峰时段、低峰时段后，并以预测的高峰时段和低峰时段提前一定时间开启和关闭一定量的供水水泵，以保证供水管路水压的稳定在一定范围内。
优选的，包括所述基于机器学习的城市日用水量的管控系统，当存在特殊用水需求时，或者需要特殊时段需要关闭水时，提前输入所述基于机器学习的城市日用水量的管控系统，从而在特定的时段运行特殊用水需求超出通过机器学习预测都的用水值，或在特殊时段关闭水。与现有技术相比，本发明的有益效果是：
1、本发明的基于机器学习的城市日用水量预测方法及应用，在最小二乘支持向量机LSSVM模型的参数寻优上，采用了高斯粒子群扰动优化GDPSO 算法，在粒子速度更新过程当中引入了呈高斯分布的随机扰动项，提高了得到最优可行解的概率。
2.本发明的基于机器学习的城市日用水量预测方法及应用，在城市日用水量预测的方法的问题上引入了机器学习，相较于传统方法有效地提高了水网系统的安全性、高效性和可靠性，可以在一定程度上缓解水资源短缺问题，具有一定的社会价值和经济价值。
3.本发明的基于机器学习的城市日用水量预测方法及应用，采用更加科学的监测方法，不仅考虑了实时用水的情况，还考虑了实际用水数据，并通过更加智能的机器学习算法去进行预测用水量，使得对用水更加准确和合理，从而更好的用于调度。
4.本发明的基于机器学习的城市日用水量预测方法及应用，充分利用机器学习的城市日用水量预测，生成一天的用于变化曲线，去指导合理调整用于压力，增强补充水压等数据，从而使得无论低峰期还是高峰期，用水和供水都能平稳有效，有效的减少对水管的冲击。
5.本发明的基于机器学习的城市日用水量预测方法及应用，对出现供水管路出现异常情况时，能及时检测水压，并在出现被挖破管时，及时关停水，防止水过度浪费，尽可能减少影响。
附图说明
图1为本发明的一种基于机器学习的城市日用水量预测方法的流程图；
图2为本发明的一种基于机器学习的城市日用水量的管控系统的组成结构示意图；
图3为本发明的集成水泵水管调控中心的组成结构示意图。
图中：1、增压水泵；2、水泵操纵设备；3、集成水泵水管调控中心；4、管路水阀门；5、数据存储库；6、水压检测模块；7、智能水表；8、水压异常报警模块；9、机器学习模块；10、调控模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
具体实施例一：
请参阅图1-3，本发明提供一种技术方案：
一种基于机器学习的城市日用水量的管控系统，包括增压水泵1、水泵操纵设备2、集成水泵水管调控中心3、管路水阀门4、数据存储库5、水压检测模块6、智能水表7和水压异常报警模块8；所述集成水泵水管调控中心3 分别通过数据通信网络和所述水泵操纵设备2、所述管路水阀门4、所述数据存储库5水压检测模块6、智能水表7和所述水压异常报警模块8进行数据通信连接；
所述增压水泵1用于对输送水的管路的水压进行增压或者从自来水供水源抽水补充输送水的管路中水；所述水泵操纵设备2和所述增压水泵1控制连接以便实现操纵所述增压水泵1；所述管路水阀门4设置于所述输送水的管路中以便实现控制水流的通断；所述数据存储库5用于存储实时获取的所述增压水泵的增压能力或向所述管路补充水的能力、管路水阀门的开闭、水压检测模块6和智能水表7的运行数据；同时所述数据存储库5还存储有所述城市所在地的往年来一定年份段内的日用水量、日降雨量、温度的历史数据；所述水压检测模块6用于检测布置处的水管水压，所述智能水表7设置于用水端用于测量用水量；
所述集成水泵水管调控中心3包括机器学习模块9和调控模块10，所述机器学习模块9读取所述数据存储库5中的所述运行数据和所述历史数据，利用机器学习方法进行预算预测当天的日用水量数据，并发送给所述调控模块10从而所述调控模块10控制所述水泵操纵设备2的开启或关闭台数和所述管路水阀门4的开闭实现维持所述输送水的管路的水压维持在预定值，并且通过所述水压检测模块6进行实时反馈水压给所述调控模块10以便构成水压的闭环控制；
当所述水压异常报警模块8检测所述输送水的管路中的水压是否正常，当出现水压异常时，通过水压异常报警模块8进行报警，同时发送给所述集成水泵水管调控中心3进行调度，以便停止增压或输送水，同时开闭所述管路水阀门实现改变水的输送路线和水压，并通知水务部门及时进行检查和维修。
优选的，所述集成水泵水管调控中心3在所述利用机器学习方法进行预算预测当天的日用水量数据中，所述日用水量数据包括一天内的随着时间轴进展的用水变化曲线，从而控制所述水泵操纵设备2提前一定时间开启或关闭所述增压水泵1以维持当前的水压能够满足预期的用水需求，同时不使得水压过大或过小，以维持水管水压稳定。
优选的，所述集成水泵水管调控中心3的所述机器学习模块9还通过机器学习生成每个所述智能水表7的当日用水变化曲线，当比对所述智能水表的当前用水数据，当两者的数据出现偏差超过规定值时，发送给所述用户以提醒用户是否正常用水，当用户未在规定时间内答复时，通过所述智能水表7 关闭该用户的水输入。
具体实施例二：
在实施例一的一种基于机器学习的城市日用水量的管控系统的基础上，本申请还提供了一种基于机器学习的城市日用水量预测方法，该方法具体包括如下步骤：
S1：统计所述城市所在地的往年来一定年份段内的日用水量、日降雨量、温度的历史数据；
S2：将步骤S1所得到的历史数据经过归一化处理之后，作为最小二乘支持向量机LSSVM模型(Least Square Support Vector Machine)的输入，开始对最小二乘支持向量机模型进行训练；
S3：在步骤S2当中的对最小二乘支持向量机LSSVM模型的训练过程当中，采用高斯粒子群扰动优化算法GDPSO(Gaussian Dynamic Particle Swarm Optimization)进行参数寻优，以有效的减小计算量，并在一定程度上防止寻优结果陷入局部最优解；
S4：将预测日当天的日降雨量、温度和预测日前一个月的平均日用水量经过步骤S2当中所述的归一化处理之后，作为最小二乘支持向量机模型的输入，利用训练完成的最小二乘支持向量机模型对预测日的日用水量进行预测并输出预测结果。
优选的，所述步骤S1中所述的历史数据包括自于当地公布的年水资源公报数据。
优选的，所述步骤S2中的归一化计算公式为：
其中：Datai为样本集当中第i列数据；Dataimax为样本集当中第 i列数据中最大值；Dataimin为样本集当中第i列数据中最大值；数据经过归一化处理之后，数据的范围变成了[0，1]，可以消除单位不同导致的问题，之后作为最小二乘支持向量机模型的输入。
优选的，所述S3采用高斯粒子群扰动优化算法GDPSO(Gaussian DynamicParticle Swarm Optimization)进行参数寻优中的具体操作为：
S4.1：最小二乘支持向量机模型的原理是通过映射函数将非线性的输入向量变换为在高维度空间当中的线性函数，变换过程为
其中ω为权重向量，b为偏移量；使用RBF核函数，其在非线性映射能力上有较好的表现，其公式为/>σ为RBF核函数的宽度；
S4.2：参数设定，粒子数量n表示为整个问题的复杂度，通常范围为20-40，优选的，n＝30；加速因子c1、c2促使粒子在运动过程朝着最优位置移动，选取c1＝c2＝2；vmax和vmin为粒子运动速度的最大值和最小值，设定一个适当的运动范围有利于寻找最优解，本例当中选取vmax＝1；vmin＝0；tmax为最大的迭代次数，本例当中取1000，在设定的范围内随机生成粒子的初始位置和速度。
S4.3：利用以下公式计算下一次迭代中各粒子新的速度和位置，特别的，在其粒子速度更新公式当中加入了高斯扰动项，以有效的防止寻优结果陷入局部最小值：
vi，j(t+1)＝wpvi，j(t)+c1r1[pi，j(t)+r2gaussi，j(t)-xi，j(t)]+c2r3[pg，j(t) -xi，j(t)]
xi，j(t+1)＝vi，j(t+1)+xi，j(t)
gaussi，j(t)＝r4gaussian(μ，δ2)
其中c1，c2为加速因子，取c1＝c2＝2；r1，r2，r3，r4为(0，1) 区间均匀分布的随机数；t为迭代次数；vi，j(t)表示粒子i的速度；pi，j(t) 表示粒子i的历史最优位置；gaussi，j(t)表示粒子i的速度更新项受到的高斯扰动；μ为均值，本例当中选取μ＝0；δ2为方差，本例当中选取δ2＝|pi，j(t)|；xi，j(t)为粒子i的位置；pg，j(t)为种群的当前最有位置；wp为惯性权重，一般取值范围为[0.4，0.9]，这里取 wmax＝0.9、wmin＝0.4，并采用线性递减策略。
S4.4：判断每一次迭代之后的结果是否满足精度要求，如果满足则输出迭代结果，若不满足则返回步骤S4.3继续迭代，直到迭代次数达到上限，停止迭代，输出迭代结果。
优选的，所述步骤S5中的预测过程为：
将预测日当天的日降雨量、温度和预测日前一个月的平均日用水量经过 S2当中所述的归一化处理之后，作为最小二乘支持向量机的输入，利用训练好的最小二乘支持向量机对预测日的日用水量进行预测，并与真实的日用水量进行对比。利用平均绝对百分比ess来判定模型的优劣，其中ess的计算公式为：其中N为总共预测的天数；Xi为预测日当天的实际用水量；Yi为预测日当天的预测用水量。
具体实施例三：
一种基于机器学习的城市日用水量预测方法在城市供水中的应用，其特征在于：通过利用基于机器学习的城市日用水量预测方法对城市用水进行预测，当预测到当日用水量值和用于高峰时段、低峰时段后，并以预测的高峰时段和低峰时段提前一定时间开启和关闭一定量的供水水泵，以保证供水管路水压的稳定在一定范围内。
优选的，包括所述基于机器学习的城市日用水量的管控系统，当存在特殊用水需求时，或者需要特殊时段需要关闭水时，提前输入所述基于机器学习的城市日用水量的管控系统，从而在特定的时段运行特殊用水需求超出通过机器学习预测都的用水值，或在特殊时段关闭水。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语″包括″、″包含″或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于机器学习的城市日用水量的管控系统，包括增压水泵(1)、水泵操纵设备(2)、集成水泵水管调控中心(3)、管路水阀门(4)、数据存储库(5)、水压检测模块(6)、智能水表(7)和水压异常报警模块(8)；所述集成水泵水管调控中心(3)分别通过数据通信网络和所述水泵操纵设备(2)、所述管路水阀门(4)、所述数据存储库(5)水压检测模块(6)、智能水表(7)和所述水压异常报警模块(8)进行数据通信连接；
其特征在于：
所述增压水泵(1)用于对输送水的管路的水压进行增压或者从自来水供水源抽水补充输送水的管路中水；所述水泵操纵设备(2)和所述增压水泵(1)控制连接以便实现操纵所述增压水泵(1)；所述管路水阀门(4)设置于所述输送水的管路中以便实现控制水流的通断；所述数据存储库(5)用于存储实时获取的所述增压水泵的增压能力或向所述管路补充水的能力、管路水阀门的开闭、水压检测模块(6)和智能水表(7)的运行数据；同时所述数据存储库(5)还存储有所述城市所在地的往年来一定年份段内的日用水量、日降雨量、温度的历史数据；所述水压检测模块(6)用于检测布置处的水管水压，所述智能水表(7)设置于用水端用于测量用水量；
所述集成水泵水管调控中心(3)包括机器学习模块(9)和调控模块(10)，所述机器学习模块(9)读取所述数据存储库(5)中的所述运行数据和所述历史数据，利用机器学习方法进行预算预测当天的日用水量数据，并发送给所述调控模块(10)从而所述调控模块(10)控制所述水泵操纵设备(2)的开启或关闭台数和所述管路水阀门(4)的开闭实现维持所述输送水的管路的水压维持在预定值，并且通过所述水压检测模块(6)进行实时反馈水压给所述调控模块(10)以便构成水压的闭环控制；
当所述水压异常报警模块(8)检测所述输送水的管路中的水压是否正常，当出现水压异常时，通过水压异常报警模块(8)进行报警，同时发送给所述集成水泵水管调控中心(3)进行调度，以便停止增压或输送水，同时开闭所述管路水阀门实现改变水的输送路线和水压，并通知水务部门及时进行检查和维修。
2.根据权利要求1所述的一种基于机器学习的城市日用水量的管控系统，其特征在于：所述集成水泵水管调控中心(3)在所述利用机器学习方法进行预算预测当天的日用水量数据中，所述日用水量数据包括一天内的随着时间轴进展的用水变化曲线，从而控制所述水泵操纵设备(2)提前一定时间开启或关闭所述增压水泵(1)以维持当前的水压能够满足预期的用水需求，同时不使得水压过大或过小，以维持水管水压稳定。
3.根据权利要求1或2所述的一种基于机器学习的城市日用水量的管控系统，其特征在于：所述集成水泵水管调控中心(3)的所述机器学习模块(9)还通过机器学习生成每个所述智能水表(7)的当日用水变化曲线，当比对所述智能水表的当前用水数据，当两者的数据出现偏差超过规定值时，发送给用户以提醒用户是否正常用水，当用户未在规定时间内答复时，通过所述智能水表(7)关闭该用户的水输入。
4.一种基于权利要求1-3任一项所述的管控系统的基于机器学习的城市日用水量预测方法，其特征在于，该方法具体包括如下步骤：
S1：统计所述城市所在地的往年来一定年份段内的日用水量、日降雨量、温度的历史数据；
S2：将步骤S1所得到的历史数据经过归一化处理之后，作为最小二乘支持向量机LSSVM模型(Least Square Support Vector Machine)的输入，开始对最小二乘支持向量机模型进行训练；
S3：在步骤S2当中的对最小二乘支持向量机LSSVM模型的训练过程当中，采用高斯粒子群扰动优化算法GDPSO(Gaussian Dynamic Particle Swarm Optimization)进行参数寻优，以有效的减小计算量，并在一定程度上防止寻优结果陷入局部最优解；
S4：将预测日当天的日降雨量、温度和预测日前一个月的平均日用水量经过步骤S2当中所述的归一化处理之后，作为最小二乘支持向量机模型的输入，利用训练完成的最小二乘支持向量机模型对预测日的日用水量进行预测并输出预测结果；
所述S3采用高斯粒子群扰动优化算法GDPSO(Gaussian Dynamic Particle SwarmOptimization)进行参数寻优中的具体操作为：
S4.1：最小二乘支持向量机模型的原理是通过映射函数将非线性的输入向量变换为在高维度空间当中的线性函数，变换过程为/>其中ω为权重向量，b为偏移量；使用RBF核函数，其在非线性映射能力上有较好的表现，其公式为σ为RBF核函数的宽度；
S4.2：参数设定，粒子数量n表示为整个问题的复杂度，通常范围为20-40；加速因子c1、c2促使粒子在运动过程朝着最优位置移动，选取c1＝c2＝2；vmax和vmin为粒子运动速度的最大值和最小值，设定一个适当的运动范围有利于寻找最优解，本例当中选取vmax＝1；vmin＝0；tmax为最大的迭代次数，本例当中取1000，在设定的范围内随机生成粒子的初始位置和速度；
S4.3：利用以下公式计算下一次迭代中各粒子新的速度和位置，特别的，在其粒子速度更新公式当中加入了高斯扰动项，以有效的防止寻优结果陷入局部最小值：
vi，j(t+1)＝wpvi，j(t)+c1r1[pi，j(t)+r2gaussi，j(t)-xi，j(t)]+c2r3[pg，j(t)-xi，j(t)]
xi，j(t+1)＝vi，j(t+1)+xi，j(t)
gaussi，j(t)＝r4gaussian(μ，δ2)
其中c1，c2为加速因子，取c1＝c2＝2；r1，r2，r3，r4为(0，1)区间均匀分布的随机数；t为迭代次数；vi，j(t)表示粒子i的速度；
pi，j(t)表示粒子i的历史最优位置；gaussi，j(t)表示粒子i的速度更新项受到的高斯扰动；μ为均值，本例当中选取μ＝0；δ2为方差，本例当中选取δ2＝|pi，j(t)|；xi，j(t)为粒子i的位置；pg，j(t)为种群的当前最有位置；wp为惯性权重，一般取值范围为[0.4，0.9]，这里取wmax＝0.9、wmin＝0.4，并采用线性递减策略；
S4.4：判断每一次迭代之后的结果是否满足精度要求，如果满足则输出迭代结果，若不满足则返回步骤S4.3继续迭代，直到迭代次数达到上限，停止迭代，输出迭代结果。
5.根据权利要求4所述的一种基于机器学习的城市日用水量预测方法，其特征在于，所述步骤S1中所述的历史数据包括自于当地公布的年水资源公报数据。
6.根据权利要求5所述的一种基于机器学习的城市日用水量预测的方法，其特征在于，所述步骤S2中的归一化计算公式为：
其中：Datai为样本集当中第i列数据；Dataimax为样本集当中第i列数据中最大值；Dataimin为样本集当中第i列数据中最大值；数据经过归一化处理之后，数据的范围变成了[0，1]，可以消除单位不同导致的问题，之后作为最小二乘支持向量机模型的输入。
7.根据权利要求4所述的一种基于机器学习的城市日用水量预测方法，其特征在于，步骤S5中的预测过程为：
将预测日当天的日降雨量、温度和预测日前一个月的平均日用水量经过S2当中所述的归一化处理之后，作为最小二乘支持向量机的输入，利用训练好的最小二乘支持向量机对预测日的日用水量进行预测，并与真实的日用水量进行对比；利用平均绝对百分比ess来判定模型的优劣，其中ess的计算公式为：其中N为总共预测的天数；Xi为预测日当天的实际用水量；Yi为预测日当天的预测用水量。
8.根据权利要求4-7中任意一项所述的一种基于机器学习的城市日用水量预测方法，其特征在于：对城市用水进行预测，当预测到当日用水量值和用于高峰时段、低峰时段后，并以预测的高峰时段和低峰时段提前一定时间开启和关闭一定量的供水水泵，以保证供水管路水压的稳定在一定范围内。
9.根据权利要求8所述的一种基于机器学习的城市日用水量预测方法，其特征在于：当存在特殊用水需求时，或者需要特殊时段需要关闭水时，提前输入所述基于机器学习的城市日用水量的管控系统，从而在特定的时段运行特殊用水需求超出通过机器学习预测都的用水值，或在特殊时段关闭水。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111048268.9A CN113723708B (zh) | 2021-09-08 | 2021-09-08 | 一种基于机器学习的城市日用水量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111048268.9A CN113723708B (zh) | 2021-09-08 | 2021-09-08 | 一种基于机器学习的城市日用水量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113723708A CN113723708A (zh) | 2021-11-30 |
| CN113723708B true CN113723708B (zh) | 2023-08-22 |
Family
ID=78682428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111048268.9A Active CN113723708B (zh) | 2021-09-08 | 2021-09-08 | 一种基于机器学习的城市日用水量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723708B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715292A (zh) * | 2015-03-27 | 2015-06-17 | 上海交通大学 | 基于最小二乘支持向量机模型的城市短期用水量预测方法 |
| CN104978613A (zh) * | 2015-07-28 | 2015-10-14 | 国家电网公司 | 一种考虑组件温度的光伏出力短期预测方法 |
| CN106127330A (zh) * | 2016-06-18 | 2016-11-16 | 上海大学 | 基于最小二乘支持向量机的脉动风速预测方法 |
| CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
-
2021
- 2021-09-08 CN CN202111048268.9A patent/CN113723708B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715292A (zh) * | 2015-03-27 | 2015-06-17 | 上海交通大学 | 基于最小二乘支持向量机模型的城市短期用水量预测方法 |
| CN104978613A (zh) * | 2015-07-28 | 2015-10-14 | 国家电网公司 | 一种考虑组件温度的光伏出力短期预测方法 |
| CN106127330A (zh) * | 2016-06-18 | 2016-11-16 | 上海大学 | 基于最小二乘支持向量机的脉动风速预测方法 |
| CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于MC-LSSVM的电网风险评估方法;智勇;祁莹;郝如海;拜润卿;梁志远;龚庆武;王誉博;;武汉大学学报(工学版)(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113723708A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2022104955A (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
| CN107609716B (zh) | 一种水电站负荷区间预测方法 | |
| CN105320827A (zh) | 降雨径流预报系统 | |
| CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
| CN110991687A (zh) | 一种基于经验模型的水资源调度优化方法 | |
| CN111340316B (zh) | 一种智慧供水管理方法及系统 | |
| JPH10143251A (ja) | 配水施設制御装置 | |
| CN112884250B (zh) | 一种智慧燃气管理系统及方法 | |
| CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
| CN103904664B (zh) | 一种基于有效静态安全域的agc机组实时调度方法 | |
| CN113723708B (zh) | 一种基于机器学习的城市日用水量预测方法 | |
| Song et al. | An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings | |
| CN101556458A (zh) | 自来水混凝投矾自动化控制算法 | |
| CN105427005A (zh) | 一种风电场运行风险评估方法 | |
| CN113688973A (zh) | 一种基于深度神经网络的供水泵站调度方法 | |
| CN115062904A (zh) | 一种数字化供水管网调度方法及系统 | |
| KR20060125292A (ko) | 유비쿼터스 기술을 이용한 광역상수도 수운영시스템 및 그방법 | |
| CN114542442A (zh) | 一种水处理提升泵调度控制方法、装置、电子设备及介质 | |
| CN116307094A (zh) | 一种基于多目标粒子群算法的城市供水优化调度方法 | |
| CN114781716A (zh) | 用水模型的训练方法、二次供水控制方法、系统及设备 | |
| CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
| Chen et al. | The predictive management in campus heating system based on deep reinforcement learning and probabilistic heat demands forecasting | |
| CN116993030B (zh) | 变化条件下水库压咸补淡调度方法及系统 | |
| JP4399318B2 (ja) | ポンプ制御装置 | |
| Atabay et al. | Multivariate time series forecasting using arimax, sarimax, and rnn-based deep learning models on electricity consumption |
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 |