CN115345343A - 一种供水管网浊度的预测方法及预测装置 - Google Patents

一种供水管网浊度的预测方法及预测装置 Download PDF

Info

Publication number
CN115345343A
CN115345343A CN202210481646.0A CN202210481646A CN115345343A CN 115345343 A CN115345343 A CN 115345343A CN 202210481646 A CN202210481646 A CN 202210481646A CN 115345343 A CN115345343 A CN 115345343A
Authority
CN
China
Prior art keywords
turbidity
monitoring data
water quality
quality monitoring
model
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
Application number
CN202210481646.0A
Other languages
English (en)
Inventor
陈伟
陶涛
乌昕
王亦琳
闫继民
信昆仑
王欣欣
颜合想
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Ningbo Water Meter Group Co Ltd
Original Assignee
Tongji University
Ningbo Water Meter Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University, Ningbo Water Meter Group Co Ltd filed Critical Tongji University
Priority to CN202210481646.0A priority Critical patent/CN115345343A/zh
Publication of CN115345343A publication Critical patent/CN115345343A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种供水管网的浊度预测方法,浊度预测方法包括:采集供水管网的水质监测数据;对水质监测数据进行预处理,以得到水质监测数据集,其中,水质监测数据集包括:训练集和测试集;构建Elman神经网络模型,基于训练集训练Elman神经网络模型,以得到用于浊度预测的最优模型,并基于最优模型和测试集对供水管网的浊度进行预测,以得到供水管网的浊度预测值,上述预测方法可以提高模型的预测精度。

Description

一种供水管网浊度的预测方法及预测装置
技术领域
本发明涉及水质预测技术领域,具体涉及一种供水管网浊度的预测方法及预测装置。
背景技术
饮用水在供水管网的输送过程中普遍存在“二次污染”现象:尽管出厂水的各项水质指标均能达到生活饮用水卫生标准,但经过长时间的输配水过程,水质明显下降甚至恶化为不合格。因此,对供水管网进行水质监测具有十分重要的意义。随着信息技术的发展,饮用水在线监测技术得到广泛应用,同时基于大量监测数据建立起水质模型,对水质未来可能的变化趋势以及污染物的迁移、转化可能导致的水质变化进行预测。浊度作为反映供水管网水质变化的重要指标,它的在线监测易于实现,为浊度模型的构建奠定了良好的数据基础。
现有浊度预测方法采用BP神经网络和RBF神经网络等前馈式静态神经网络构建浊度模型,而浊度监测数据是基于时间序列的动态数据,因此现有的浊度预测方法忽视了浊度数据所具备的动态性,预测精度低。
发明内容
本申请提供了一种供水管网的浊度预测方法,可以提高模型的预测精度。
为实现上述技术效果,本申请第一方面提供了一种供水管网的浊度预测方法,浊度预测方法包括:采集供水管网的水质监测数据;对水质监测数据进行预处理,以得到水质监测数据集,其中,水质监测数据集包括:训练集和测试集;构建Elman神经网络模型,基于训练集训练Elman神经网络模型,以得到用于浊度预测的最优模型,并基于最优模型和测试集对供水管网的浊度进行预测,以得到供水管网的浊度预测值。
在其中一个实施例中,预测方法还包括:基于浊度预测值对最优模型的预测性能进行评价。
在其中一个实施例中,对水质监测数据进行预处理包括:对水质监测数据的缺失值进行统计和处理。
在其中一个实施例中,对水质监测数据进行预处理还包括:对水质监测数据的异常值进行识别和处理。
在其中一个实施例中,对水质监测数据进行预处理还包括:采用最大最小归一化方法对水质监测数据进行标准化处理。
在其中一个实施例中,对水质监测数据进行预处理还包括:对水质监测数据进行重采样处理。
在其中一个实施例中,构建Elman神经网络模型包括:采用Elman 神经网络构建浊度单指标模型、浊度-余氯多指标模型和浊度-压力多指标模型。
本申请第二方面提供了一种供水管网浊度的预测装置,预测装置包括:
采集单元:采集水质监测数据;
处理单元:对水质监测数据进行预处理,以得到水质监测数据集,其中,水质监测数据集包括:训练集和测试集;
预测单元:构建Elman神经网络模型,基于训练集训练Elman神经网络模型,以得到用于预测的最优模型,并基于最优模型和测试集对供水管网浊度进行预测,得到供水管网浊度的预测值。
本申请第三方面提供了一种供水管网浊度的预测装置,上述预测装置包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序;上述处理器执行上述计算机程序时实现上述预测方法的步骤。
本申请第四方面提供了一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序;上述计算机程序被处理器执行时实现上述预测方法的步骤。
由上可见,本申请方案公开的供水管网的浊度预测方法,通过采集供水管网的水质监测数据;对水质监测数据进行预处理,以得到水质监测数据集,水质监测数据集包括:训练集和测试集;构建Elman 神经网络模型,基于训练集训练Elman神经网络模型,以得到用于浊度预测的最优模型,并基于最优模型和测试集对供水管网的浊度进行预测,以得到供水管网的浊度预测值。由于本申请使用具有动态学习特征的反馈式神经网络-Elman神经网络构建网络模型,以适应浊度数据的动态性,因此可以提高模型的预测精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的供水管网的浊度预测方法一个实施例流程示意图;
图2为本申请提供的水质监测数据缺失情况的统计图;
图3为本申请提供的水质监测数据异常情况的统计图;
图4为本申请提供的箱型图示意图;
图5为本申请提供的Elman神经网络一个实施例结构示意图;
图6为本申请提供的Elman神经网络算法一个实施例流程示意图;
图7为本申请提供的D-CNN模型的训练装置一个实施例结构示意图;
图8为本申请提供的浊度单指标模型、浊度-余氯多指标模型和浊度-压力多指标模型不同隐含层节点数对应的均方误差计算结果图;
图9为本申请提供的浊度预测值和浊度真实值之间的误差示意图;
图10为本申请提供的供水管网的浊度预测方法另一个实施例流程示意图;
图11为本申请提供的供水管网的浊度预测装置一个实施例流程示意图;
图12为本申请提供的浊度模型预测值、浊度-余氯模型预测值和浊度-压力模型预测值与真实值的误差示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本发明。在其它情况下,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和 /或其集合的存在或添加。
还应当理解,在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
下面结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
实施例一
本申请提供了一种供水管网的浊度预测方法,如图1所示,浊度预测方法包括:
步骤101,采集供水管网的水质监测数据,具体的,采用水质检测设备对水质数据进行监测;
步骤102,对水质监测数据进行预处理,以得到水质监测数据集,其中,水质监测数据集包括:训练集和测试集;
可选的,对水质监测数据进行预处理包括:对水质监测数据的缺失值进行统计和处理。
本申请实施例中,对水质监测数据的缺失值进行统计和处理具体为:对水质监测数据进行整理,统计水质监测数据的缺失情况,如图 2所示,图2为本申请水质监测数据缺失情况的统计图,其中,空值和0值均视为缺失值。当缺失率小于5%时,对缺失值进行删除处理;当缺失率大于5%时,对缺失值进行“中位数替代”处理,其中,缺失率为缺失值与水质监测数据总数的比值。
本申请实施例中,“中位数替代”处理具体为:
将样本个数为n的水质监测数据的数值从小到大进行排列,得到有序数列{X1,X2,…,Xn},基于第一公式计算中位数,第一公式为:
Figure RE-GDA0003856941810000071
其中,M为中位数,
Figure RE-GDA0003856941810000072
为从小到大进行排列的第
Figure RE-GDA0003856941810000073
个数值,
Figure RE-GDA0003856941810000074
为从小到大进行排列的第
Figure RE-GDA0003856941810000075
个数值。
可选的,对水质监测数据进行预处理还包括:对水质监测数据的异常值进行识别和处理。
本申请实施例中,对水质监测数据的缺失值进行统计和处理具体为:运用箱型图理论对水质监测数据中的异常值进行识别,如图3所示,图3为本申请水质监测数据异常情况的统计图,并采用“中位数替代”进行异常值的处理。
需要说明的是,如图4所示,图4为本申请提供的箱型图示意图,箱型图理论提供一个识别异常值的标准:大于箱型图的上界或小于下界的数据即为异常值。
本申请实施例中,异常值的判断标准为:
Xi>U+K·IQR|Xi<L-K·IQR
其中:U为上四分位数,区间[M,Xn]的中位数,表明数据中有25%的值大于U,M为样本数据的中位数,上述样本数据即为水质监测数据的数值;L为下四分位数,区间[X1,M]的中位数,表明数据中有25%的值小于L,M为样本数据的中位数;IQR为四分位距,IQR=U-L;K为步长系数,具体的,K=1.5。
可选的,对水质监测数据进行预处理还包括:采用最大最小归一化方法对水质监测数据进行标准化处理。
本申请实施例中,对水质监测数据的缺失值和异常值处理后,采用最大最小归一化方法对水质监测数据进行标准化处理。
具体的,基于第二公式对水质监测数据进行标准化处理,第二公式为:
Figure RE-GDA0003856941810000081
其中,x为任一水质监测数据中的原始数据,xmin为水质监测数据中的最小值,xmax为水质监测数据中的最大值,X为标准化处理后的数据,取值范围[0,1]。
可选的,对水质监测数据进行预处理还包括:对水质监测数据进行重采样处理。
本申请实施例中,对于数据较为密集且数值变化不大的数据集,基于第三公式降低数据密度,第三公式为:
Figure RE-GDA0003856941810000082
其中,n为重采样后数据集的样本个数,m为进行重采样的样本间隔个数;x(i-1)m+1、x(i-1)m+2、x(i-1)m+3、xim分别为原始数据集样本值,yi为重采样后的数据集样本值,具体的,yi为第x(i-1)m+1、第x(i-1)m+2至第xim个原始数据集的均值。
需要说明的是,对水质监测数据进行预处理后得到水质监测数据集,水质监测数据集包括:训练集和测试集。
本申请实施例中,将水质监测数据集划分为训练集和测试集,具体的,将水质监测数据集中前80%的数据划分为训练集,用于本申请中最优模型的训练,将水质监测数据集中后20%的数据划分为测试集,用于本申请中最优模型的测试。
步骤103:构建Elman神经网络模型,基于训练集训练Elman神经网络模型,以得到用于浊度预测的最优模型,并基于最优模型和测试集对供水管网的浊度进行预测,以得到供水管网的浊度预测值。
可选的,构建Elman神经网络模型包括:采用Elman神经网络构建浊度单指标模型、浊度-余氯多指标模型和浊度-压力多指标模型,仅通过浊度数据或浊度和余氯数据或浊度和压力数据构建浊度模型,采用尽可能少的数据实现供水管网的浊度预测,大大降低了对水质监测设备的类型、监测设备的数量和数据采集量的要求,增大该预测方法的适用范围。
需要说明的是,Elman神经网络是一种局部回归反馈神经网络,如图5所示,图5为本申请Elman神经网络的结构示意图,由输入层、隐含层、输出层和承接层组成,Elman神经网络在BP神经网络结构的基础上增加了承接层,承接层从隐含层接收反馈信号,用于记忆隐含层单元前一时刻的输出值,经过延迟与储存再与当前时刻的输入一同输入到隐含层中。图6为本申请提供的Elman神经网络算法的流程示意图。
还需要说明的是,Elman神经网络的数学表达式为:
y(k)=g(ω3h(k))
h(k)=f[ω1xc(k)+ω2u(k-1)]
xc(k)=αxc(k-1)+h(k-1)
其中,k为时刻点,y为m维输出节点向量,h为n维隐含层节点单元向量,u为r维输入向量,xc为n维反馈状态向量,ω1为承接层与隐含层之间的权重,ω2为输入层与隐含层之间的权重,ω3为隐含层与输出层之间的权重,α为自连接反馈增益因子,α∈(0,1),g(x) 为输出层的线性激活函数,f(x)为隐含层的激活函数,多采用 sigmoid函数,具体的,
Figure RE-GDA0003856941810000101
本申请实施例中,采用误差平方和函数作为学习指标函数,具体为:
Figure 1
其中,yd(k)——神经网络第k步的实际输出值,
Figure 2
——神经网络第k步的目标输出值。
本申请实施例中,采用梯度下降算法作为学习算法,通过误差的反向传播不断调整权值和阈值,使得误差函数取得最小值:
Figure RE-GDA0003856941810000104
Figure RE-GDA0003856941810000105
Figure RE-GDA0003856941810000106
Figure RE-GDA0003856941810000107
Figure 3
Figure RE-GDA0003856941810000112
其中,η1、η2、η3分别为ω1、ω2和ω3的学习步长,i、j、q、l 分别为输出层、隐含层、输入层和承接层的节点个数。
采用Elman神经网络构建浊度单指标模型、浊度-余氯多指标模型和浊度-压力多指标模型具体为:
采用经验公式确定隐含层的节点个数,经验公式为:
Figure RE-GDA0003856941810000113
其中,q为隐含层节点个数,m为输入层节点个数,n为输出层节点个数,a为1至10之间的常数。示例性地,如图7所示,图7 为本本申请中浊度单指标模型、浊度-余氯多指标模型和浊度-压力多指标模型的网络结构图。
进一步地,对q进行逐个试验,基于第四公式计算每个节点数所对应预测值和真实值的均方误差,采用均方误差最小时对应的节点数确定为隐含层的节点个数,第四公式为:
Figure RE-GDA0003856941810000114
其中:n为样本数量,
Figure RE-GDA0003856941810000115
为浊度预测值,yi为浊度真实值,MSE 为均方误差。示例性地,如图8所示,图8为本申请提供的浊度单指标模型、浊度-余氯多指标模型和浊度-压力多指标模型不同隐含层节点数对应的均方误差计算结果图。
本申请实施例中,隐含层的激活函采用tansig函数,输出层的激活函数采用purelin函数,训练函数采用traingdx函数,traingdx 函数不断调用带动量项的learngdm函数进行权值和阈值的更新。
可选的,预测方法还包括:基于浊度预测值对最优模型的预测性能进行评价。其中,最优模型为经训练集训练后的浊度单指标模型、浊度-余氯多指标模型和浊度-压力多指标模型。
本申请实施例中,采用平均绝对误差对最优模型的预测性能进行评价。平均绝对误差公式具体为:
Figure RE-GDA0003856941810000121
本申请实施例中,采用平均绝对百分比误差对最优模型的预测性能进行评价。平均绝对百分比误差公式具体为:
Figure RE-GDA0003856941810000122
本申请实施例中,采用均方根误差对最优模型的预测性能进行评价。均方根误差公式具体为:
Figure RE-GDA0003856941810000123
举例说明,图9示出了浊度预测值和浊度真实值之间的误差。
由上可见,本申请方案公开的供水管网的浊度预测方法,通过采集供水管网的水质监测数据;对水质监测数据进行预处理,以得到水质监测数据集,水质监测数据集包括:训练集和测试集;构建Elman 神经网络模型,基于训练集训练Elman神经网络模型,以得到用于浊度预测的最优模型,并基于最优模型和测试集对供水管网的浊度进行预测,以得到供水管网的浊度预测值。由于本申请使用具有动态学习特征的反馈式神经网络-Elman神经网络构建网络模型,以适应浊度数据的动态性,因此可以提高模型的预测精度。
实施例二
本申请提供一种供水管网浊度的预测方法,如图10所示,该预测方法基于上述实施例一所提供的预测方法得到。
由上可见,本申请方案公开的供水管网的浊度预测方法,通过采集供水管网的水质监测数据;对水质监测数据进行预处理,以得到水质监测数据集,水质监测数据集包括:训练集和测试集;构建Elman 神经网络模型,基于训练集训练Elman神经网络模型,以得到用于浊度预测的最优模型,并基于最优模型和测试集对供水管网的浊度进行预测,以得到供水管网的浊度预测值。由于本申请使用具有动态学习特征的反馈式神经网络-Elman神经网络构建网络模型,以适应浊度数据的动态性,因此可以提高模型的预测精度。
实施例三
本申请提供了一种供水管网浊度的预测装置,对应上文实施例一的预测方法,上述一种供水管网浊度的预测装置,如图11所示,预测装置20包括:
采集单元201:采集水质监测数据;
处理单元202:对水质监测数据进行预处理,以得到水质监测数据集,其中,水质监测数据集包括:训练集和测试集;
预测单元203:构建Elman神经网络模型,基于训练集训练Elman 神经网络模型,以得到用于预测的最优模型,并基于最优模型和测试集对供水管网浊度进行预测,得到供水管网浊度的预测值。
由上可见,本申请提供的供水管网浊度的预测装置通过设置采集单元:采集水质监测数据;处理单元:对水质监测数据进行预处理,以得到水质监测数据集,其中,水质监测数据集包括:训练集和测试集;预测单元:构建Elman神经网络模型,基于训练集训练Elman神经网络模型,以得到用于预测的最优模型,并基于最优模型和测试集对供水管网浊度进行预测,得到供水管网浊度的预测值。由于本申请使用具有动态学习特征的反馈式神经网络-Elman神经网络构建网络模型,以适应浊度数据的动态性,因此可以提高模型的预测精度。
需要说明的是,本文引入平均绝对误差、平均绝对百分比误差和均方根误差对最优模型的预测性能进行评价。
模型仿真分析:为验证本申请的有效性,本文训练和评估了浊度模型预测值、浊度-余氯模型预测值和浊度-压力模型,图12示出了浊度模型预测值、浊度-余氯模型预测值和浊度-压力模型预测值与真实值的误差。
上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。

Claims (10)

1.一种供水管网的浊度预测方法,其特征在于,浊度预测方法包括:
采集所述供水管网的水质监测数据;
对所述水质监测数据进行预处理,以得到水质监测数据集,其中,所述水质监测数据集包括:训练集和测试集;
构建Elman神经网络模型,基于所述训练集训练所述Elman神经网络模型,以得到用于浊度预测的最优模型,并基于所述最优模型和所述测试集对所述供水管网的浊度进行预测,以得到所述供水管网的浊度预测值。
2.根据权利要求1所述的预测方法,其特征在于,所述预测方法还包括:基于所述浊度预测值对所述最优模型的预测性能进行评价。
3.根据权利要求1所述的预测方法,其特征在于,所述对所述水质监测数据进行预处理包括:对所述水质监测数据的缺失值进行统计和处理。
4.根据权利要求1所述的预测方法,其特征在于,所述对所述水质监测数据进行预处理还包括:对所述水质监测数据的异常值进行识别和处理。
5.根据权利要求1所述的预测方法,其特征在于,所述对所述水质监测数据进行预处理还包括:采用最大最小归一化方法对所述水质监测数据进行标准化处理。
6.根据权利要求1所述的预测方法,其特征在于,所述对所述水质监测数据进行预处理还包括:对所述水质监测数据进行重采样处理。
7.根据权利要求1所述的预测方法,其特征在于,所述构建Elman神经网络模型包括:采用Elman神经网络构建浊度单指标模型、浊度-余氯多指标模型和浊度-压力多指标模型。
8.一种供水管网浊度的预测装置,其特征在于,所述预测装置包括:
采集单元:采集水质监测数据;
处理单元:对所述水质监测数据进行预处理,以得到水质监测数据集,其中,所述水质监测数据集包括:训练集和测试集;
预测单元:构建Elman神经网络模型,基于所述训练集训练所述Elman神经网络模型,以得到用于预测的最优模型,并基于所述最优模型和所述测试集对供水管网浊度进行预测,得到供水管网浊度的预测值。
9.一种供水管网浊度的预测装置,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述预测方法的步骤。
CN202210481646.0A 2022-05-05 2022-05-05 一种供水管网浊度的预测方法及预测装置 Pending CN115345343A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210481646.0A CN115345343A (zh) 2022-05-05 2022-05-05 一种供水管网浊度的预测方法及预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210481646.0A CN115345343A (zh) 2022-05-05 2022-05-05 一种供水管网浊度的预测方法及预测装置

Publications (1)

Publication Number Publication Date
CN115345343A true CN115345343A (zh) 2022-11-15

Family

ID=83948176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210481646.0A Pending CN115345343A (zh) 2022-05-05 2022-05-05 一种供水管网浊度的预测方法及预测装置

Country Status (1)

Country Link
CN (1) CN115345343A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830031A (zh) * 2024-03-05 2024-04-05 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种供水管网末梢水质浊度预测方法及相关设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830031A (zh) * 2024-03-05 2024-04-05 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种供水管网末梢水质浊度预测方法及相关设备

Similar Documents

Publication Publication Date Title
CN108038300B (zh) 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN109359385B (zh) 一种服务质量评估模型的训练方法及装置
CN107153874B (zh) 水质预测方法及系统
CN112734128B (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN112488395A (zh) 一种配电网线损预测方法及系统
CN112149898B (zh) 故障率预测模型的训练、故障率预测方法及相关装置
CN112733996B (zh) 基于GA-PSO优化XGBoost的水文时间序列预测方法
CN111898839B (zh) 电力用户的重要程度分类方法及装置
CN112529683A (zh) 一种基于cs-pnn的客户信贷风险的评估方法及系统
CN112307536A (zh) 一种大坝渗流参数反演方法
CN115345343A (zh) 一种供水管网浊度的预测方法及预测装置
CN115329930A (zh) 一种基于混合深度学习模型的洪水过程概率预报方法
AU2019100631A4 (en) Self-correcting multi-model numerical rainfall ensemble forecasting method
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN111598457A (zh) 一种电力无线网络质量的确定方法及装置
CN115060625A (zh) 浆液密度的获取方法、装置、电子设备及存储介质
CN111612648B (zh) 光伏发电预测模型的训练方法、装置和计算机设备
CN116776073B (zh) 一种污染物浓度的评估方法和装置
CN113610268A (zh) 一种基于居住区空间形态的碳排放量预测方法
CN107688862A (zh) 基于ba‑grnn的绝缘子等值盐密积累速率预测方法
CN113919610A (zh) 低压台区线损预测用arima模型构建方法及评估方法
CN116050475A (zh) 关键污染物浓度预测模型的训练方法、装置和计算机设备
CN115221731A (zh) 基于数据融合和Wiener模型的变压器寿命评估方法
CN114784795A (zh) 风电功率预测方法、装置、电子设备及存储介质
CN114444798A (zh) 一种基于时空分布技术的接触网运维方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication