CN117252115A - 基于神经网络的二次供水需水量软测量方法、设备及介质 - Google Patents
基于神经网络的二次供水需水量软测量方法、设备及介质 Download PDFInfo
- Publication number
- CN117252115A CN117252115A CN202311541784.4A CN202311541784A CN117252115A CN 117252115 A CN117252115 A CN 117252115A CN 202311541784 A CN202311541784 A CN 202311541784A CN 117252115 A CN117252115 A CN 117252115A
- Authority
- CN
- China
- Prior art keywords
- neural network
- water supply
- demand
- secondary water
- wolf
- 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 73
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 238000000691 measurement method Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 241000282461 Canis lupus Species 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 32
- 241000282421 Canidae Species 0.000 claims description 19
- 239000002245 particle Substances 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000008234 soft water Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的一种基于神经网络的二次供水需水量软测量方法、设备及介质,本发明涉及水资源需求软测量领域;通过训练优化后的二次供水需水量软测量模型进行二次供水需水量的软测量,其中二次供水需水量软测量模型针对GWO算法忽略个体惯性的缺点,引入PSO算法的速度概念改进个体位置更新公式,用改进后的算法优化神经网络模型建立回归预测模型,将数据输入训练好的改进神经网络模型,达到最大训练次数输出需水量预测结果。本发明以外部影响因素及某生活小区二次供水水量作为参数输入改进后的神经网络模型对需水量进行软测量,实现了二次供水需水量逐时预测,对比其他模型显著提高了预测精度。
Description
技术领域
本发明涉及水资源需求软测量技术领域,具体涉及一种基于神经网络的二次供水需水量软测量方法、设备及存储介质。
背景技术
随着中国城市化进程加快,受人口增长、城市规模扩张和城市规划影响,水资源分配过程中针对高层建筑的二次供水需水量软测量存在波动性大、随机性强、外部影响因素多等问题。传统需水量预测方法难以达到精度要求,如何准确预测需水量的随机波动是目前需水量软测量的研究热点之一。由于传统需水量预测主要采用线性回归和时间序列分析方法难以捕捉需水量的非线性波动变化导致预测效果较差,近年来,随着建模技术的发展,更为复杂的机器学习模型在需水量预测领域得到了广泛的应用,为需水量预测带来新的机遇。
优化算法是基于某种思想和机制,通过一定的途径或规则来求解问题的方法。传统的优化算法有线性规划和非线性规划法、动态规划法、网络流优化算法等,其算法复杂度一般很大,只适于求解小规模问题,在实际工程中往往不适用。人工智能的发展催生了一种新颖的优化算法:群智能优化算法,该算法模拟自然界生物系统,各个生物体依赖自身的本能,通过无意识的进化、寻优行为来优化生存状态,以适应环境的依赖优化方法,具有许多与传统优化算法不同的特点,为那些传统优化技术难以处理的组合优化问题提供了切实可行的解决方法。
需水量软测量是每个城市供水部门在进行水资源调配前必须进行的基础工作,随着人工智能的发展,以数字模型进行需水量的软测量成为热门。采用神经网络模型为基础搭建预测模型,能够更精确地获得预测结果;同时与传统预测方法相比,具有省人力、效率高、具有前瞻性等优点。
发明内容
本发明提出的一种基于神经网络的二次供水需水量软测量方法、设备及存储介质,可至少解决背景技术中的技术问题之一。
为实现上述目的,本发明采用了以下技术方案:
一种基于神经网络的二次供水需水量软测量方法,通过训练优化后的二次供水需水量软测量模型进行二次供水需水量的软测量,其中二次供水需水量软测量模型的训练过程包括以下步骤,
(1)从网络云平台获取历史二次供水水量数据集,其他影响需水量的因素,如:是否为工作日、气温、湿度等可从网络开放的数据库中获取;
(2)应用Python编程实现步骤(1)中影响因素数据集相关系数的自动计算并绘制相关性热力图,根据相关系数大小筛选出主要的特征变量;
(3)将数据集中的离散数据进行One-Hot编码,并对变量数据进行mapminmax归一化处理,方法如下;
mapmixmax函数将逐行对数据进行标准化处理,将每一行数据分别标准化到区间[,/>],如果某行的数据全部相同,此时/>,除数为0,则Matlab内部将此变换变为/>;
(4)确定神经网络的拓扑结构,步骤(2)中筛选出的主要特征变量作为神经网络的输入确定输入层节点个数,隐含层根据经验设置节点个数,输出层为步骤(1)中的历史二次供水水量数据集。设定神经网络的最大训练次数、传递函数及训练函数,初始化神经网络的权值与阈值;
(5)将神经网络的权值、阈值作为改进灰狼算法的优化目标输入改进灰狼算法迭代,基于粒子群算法的改进灰狼算法优化神经网络权值阈值;
(6)将步骤(5)得到的权值阈值作为神经网络最优的权值阈值重新训练,得到神经网络模型输出值;
(7)建立误差函数,计算对比步骤(6)中模型输出值与真实值的误差,以误差函数值最小为目标反向调整神经网络各层的权值阈值;
(8)判断神经网络预测值是否满足预设精度,若不满足,重复步骤(6)和步骤(7)。若满足,输出模型预测最优值。
作为模型参数迭代寻优性能进一步的改进:
优选的,步骤(5)中灰狼算法种群的初始化。随机初始化灰狼种群数及灰狼个体位置,其中,i=1,2,3,···,n。n为灰狼种群数。由于参数的线性递减,灰狼算法在平衡全局搜索和局部搜索的能力上有所欠缺,同时灰狼算法忽略了灰狼个体的信息更新,这一缺陷增加了其陷入局部最优的概率,为此在算法中引入惯性因子/>,其代表了对原先速度的记忆程度,依据原先的速度进行惯性运动。lb和ub为搜索区间的上下限。迭代次数t设置为0;
优选的,步骤(5)中构建适应度函数并计算个体适应度值,将适应度值由小到大排序,选出适应度值最小的三匹灰狼作为领导阶层并依次标记为α、β、σ,其他灰狼个体记为ω;
优选的,步骤(5)中狼群搜索猎物并进行包围操作,其中α、β、σ狼的位置速度更新:
其中,、/>、/>分别为α、β、σ狼与猎物之间的距离;t为迭代次数;/>、/>、/>和/>为α、β、σ灰狼的位置向量和当前灰狼的位置向量;/>和/>为系数向量,其计算公式如下:
其中,和/>是在[/>,1]范围内的随机数,对应于公式(5)、(6)、(7),/>意味着灰狼进行全局搜索,/>表示灰狼进行局部搜索;/>为线性递减因子,从2随迭代次数线性递减至0,递减公式为:
其中,为最大迭代次数。
优选的,步骤(5)在灰狼位置更新中引入粒子群算法中粒子的速度概念,将灰狼个体视为粒子群中的粒子,灰狼粒子速度和位置更新公式如下:
其中,为i粒子的速度向量。
优选的,步骤(5)中判断是否满足迭代终止条件,若不满足更新参数、/>和/>并重复执行步骤(5),直至满足迭代终止条件。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
由上述技术方案可知,本发明的基于神经网络的二次供水需水量软测量方法,采用神经网络模型为基础搭建预测模型,能够更精确地获得预测结果;同时与传统预测方法相比,具有省人力、效率高、具有前瞻性等优点。
本发明与现有技术相比,有以下明显效果:将粒子群算法中的速度概念引入了灰狼算法,在灰狼算法较强的全局搜索能力基础上增加了粒子群算法记忆个体运动惯性的能力,提高了算法收敛性能与寻优能力。在二次供水需水量软测量领域使用改进后的算法优化神经网络模型过程中,采用皮尔逊相关性分析,从时序因素、温度、湿度和节假日等多个方面筛选出二次供水需水量关键影响因素。通过建立三种复杂性逐步递增的预测模型并对比预测效果,探究了模型与算法结合方式对模型性能的影响程度。该模型在二次供水需水量软测量领域的应用,为实现小区用水供需平衡、提高管网水资源调度水平提供了一定的借鉴意义,同时为市政供水管网智能实时配给提供了数据支撑,为管网智能化水平的提高打下了基础。
附图说明
图1为本实施例中用水量影响因素相关性热力图;
图2为本实施例某一周内四天的逐时用水量变化曲线;
图3为本发明实施例算法改进流程图;
图4为本发明实施例BP神经网络拓扑图;
图5为本发明实施例改进算法优化神经网络流程图;
图6本发明实施例为BP模型均方误差曲线;
图7为本发明实施例GWO-BP模型均方误差曲线;
图8为本发明实施例PSOGWO-BP模型均方误差曲线;
图9为本发明实施例BP预测结果示意图;
图10为本发明实施例GWO-BP预测结果;
图11为本发明实施例PSOGWO-BP预测结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于神经网络的二次供水需水量软测量方法,通过训练优化后的二次供水需水量软测量模型进行二次供水需水量的软测量,其中二次供水需水量软测量模型的训练过程包括以下步骤,
(1)从网络云平台获取历史二次供水水量数据集,其他影响需水量的因素,如:是否为工作日、气温、湿度等可从网络开放的数据库中获取;
(2)应用Python编程实现步骤(1)中影响因素数据集相关系数的自动计算并绘制相关性热力图,根据相关系数大小筛选出主要的特征变量;
(3)将数据集中的离散数据进行One-Hot编码,并对变量数据进行mapminmax归一化处理,方法如下;
mapmixmax函数将逐行对数据进行标准化处理,将每一行数据分别标准化到区间[,/>],如果某行的数据全部相同,此时/>,除数为0,则Matlab内部将此变换变为/>;
(4)确定神经网络的拓扑结构,步骤(2)中筛选出的主要特征变量作为神经网络的输入确定输入层节点个数,隐含层根据经验设置节点个数,输出层为步骤(1)中的历史二次供水水量数据集。设定神经网络的最大训练次数、传递函数及训练函数,初始化神经网络的权值与阈值;
(5)将神经网络的权值、阈值作为改进灰狼算法的优化目标输入改进灰狼算法迭代,基于粒子群算法的改进灰狼算法优化神经网络权值阈值;
(6)将步骤(5)得到的权值阈值作为神经网络最优的权值阈值重新训练,得到神经网络模型输出值;
(7)建立误差函数,计算对比步骤(6)中模型输出值与真实值的误差,以误差函数值最小为目标反向调整神经网络各层的权值阈值;
(8)判断神经网络预测值是否满足预设精度,若不满足,重复步骤(6)和步骤(7)。若满足,输出模型预测最优值。
以下举例说明:
本发明实施例采用长丰某生活小区二次供水泵房2023年1-6月加压一区、二区、三区逐时流量,从网络获取对应日期的温度、湿度和节假日情况,初步选择12个相关变量进行相关性检验,包含数据整理过程中选择的时序因素。通过python编程计算生活小区用水量影响因素皮尔逊相关系数,并绘制影响因素热力图。图1为python绘制的用水量影响因素热力图,由图1可知,时序因素中前1h瞬时流量与当前时刻需水量为强相关,此外前2h瞬时流量、前5h瞬时流量、前6h瞬时流量、前7h瞬时流量和温湿度均与当前时刻需水量有一定相关性,筛选出前1、2、5、6、7h瞬时流量及温湿度节假日共10个变量作为模型输入。
根据生活小区二次供水泵房历史流量数据绘制日用水变化曲线,如图2所示,可以发现日用水两个高峰期的出现存在1h提前或者滞后,同时两个高峰期的间隔大概为7h左右,该日用水规律解答了时序因素相关性差异问题。
对照日历区分对应日期是否为节假日,并进行One-Hot编码,其他数值型数据通过Matlab软件进行mapminmax归一化处理,方法如下;
mapmixmax函数将逐行对数据进行标准化处理,将每一行数据分别标准化到区间[,/>],如果某行的数据全部相同,此时/>,除数为0,则Matlab内部将此变换变为/>。原始数据如表1所示:
表1原始数据集
混合算法融合了粒子群算法和灰狼算法的优势,算法参数设置迭代次数为10,种群数量设置为3,上下限为0至1。灰狼算法在搜索空间中适应度最好的三个解迭代更新公式为:
其中,、/>、/>分别为α、β、σ狼与猎物之间的距离;t为迭代次数;/>、/>、/>和/>为α、β、σ灰狼的位置向量和当前灰狼的位置向量;/>和/>为系数向量,其计算公式如下:
其中,和/>是在[/>,1]范围内的随机数,对应于公式(5)、(6)、(7),/>意味着灰狼进行全局搜索,/>表示灰狼进行局部搜索;/>为线性递减因子,从2随迭代次数线性递减至0,递减公式为:
其中,为最大迭代次数。传统灰狼算法中ω狼个体总是根据α、β、σ狼来更新自身位置,容易陷入局部收敛,为避免这种情况,在灰狼更新自身位置时引入粒子群的速度概念,此时最优解粒子的速度位置更新公式为:
其中,为i粒子的速度向量。图3为算法改进流程图。
确定神经网络的拓扑结构,包含网络层数、节点数、权值阈值个数、最大训练次数、传递函数、训练函数。
具体的,如图4所示BP神经网络的拓扑结构。将全部数据按3:1划分为训练集和测试集,如表2所示:
表2数据集划分规则
输入层、输出层节点数由实施例具体情况决定,一个隐含层的BP神经网络即可实现任意精度拟合非线性函数,本发明建立的BP神经网络结构为:10-5-1,输入层10个即根据相关性筛选的十个影响因素变量,隐含层个数根据经验选择5个,输出层即为当前时刻需水量。
本发明隐含层激活函数选择正切S型函数,输出层激活函数选择线性型函数,训练函数选择的是trainlm函数,使用Levenberg-Marquardt算法,对于中等规模的BP神经网络有最快的收敛速度,但需要较大内存,随着节点增多训练时间增加。网络最大迭代次数设置为100,学习速率为0.1,目标精度为0.00001,迭代算法则为混合改进的算法,算法应用流程如图5所示。
将处理后的数据集输入改进神经网络、传统BP神经网络和灰狼算法优化的BP神经网络中分别进行训练,预测6月30号单日逐时用水量。选取平均绝对误差mae、均方误差mse和均方误差根rmse作为误差指标确认模型预测精度。表3为实例中三个模型预测精度结果对比,混合改进模型预测效果最好,其mae、mse、rmse分别为0.63729、0.65945、0.81207,均为各模型最低,关联系数R也是各模型最高。可以看出在传统BP神经网络基础上应用单一灰狼算法提高了预测精度,而本发明应用的混合改进算法相较于单一灰狼算法,其mae下降了24.08%,mse下降了37.34%,rmse下降了17.19%,进一步提高了预测精度。
表3预测结果精度指标
实施例预测结果的均方误差曲线如图6、图7及图8所示。其中传统BP神经网络在适应度函数值迭代18代后达到最小值0.0063256,灰狼算法优化的BP神经网络在适应度函数值迭代27代后达到最小值0.0059249,改进神经网络在适应度函数值迭代44代后达到最小值0.005265。随着模型改进方式的深入,迭代次数增加,适应度函数最小值减少,模型的性能也逐渐提高,改进神经网络模型的性能在三者中为最优。此外,三种模型的具体预测结果如图9、图10及图11所示。对比三张图中实际值与预测值的差距,可以看出改进神经网络模型预测值与实际值的误差明显要小于其他两张模型,进一步证明了改进模型在预测方面的性能优势。而灰狼算法优化的BP神经网络模型预测值与实际值的误差又小于传统BP神经网络模型的误差,印证了模型参数初始化时算法的应用确实能够提高模型性能。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一基于神经网络的二次供水需水量软测量方法。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述基于神经网络的二次供水需水量软测量方法。
上述电子设备提到的通信总线可以是外设部件互连标准(英文:PeripheralComponentInterconnect,简称:PCI)总线或扩展工业标准结构(英文:ExtendedIndustryStandardArchitecture,简称:EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文:RandomAccessMemory,简称:RAM),也可以包括非易失性存储器(英文:Non-VolatileMemory,简称:NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(英文:CentralProcessingUnit,简称:CPU)、网络处理器(英文:NetworkProcessor,简称:NP)等;还可以是数字信号处理器(英文:DigitalSignalProcessing,简称:DSP)、专用集成电路(英文:ApplicationSpecificIntegratedCircuit,简称:ASIC)、现场可编程门阵列(英文:Field-ProgrammableGateArray,简称:FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。
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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于神经网络的二次供水需水量软测量方法,其特征在于,通过训练优化后的二次供水需水量软测量模型进行二次供水需水量的软测量,其中二次供水需水量软测量模型的训练过程包括以下步骤,
S1、获取历史二次供水水量影响因素数据集;
S2、应用Python编程实现步骤S1中影响因素数据集相关系数的自动计算并绘制相关性热力图,根据相关系数大小筛选出主要的特征变量;
S3、将影响因素数据集中的离散数据进行One-Hot编码,并对变量数据进行mapminmax归一化处理,方法如下;
mapmixmax函数将逐行对数据进行标准化处理,将每一行数据分别标准化到区间[,],如果某行的数据全部相同,此时/>,除数为0,则Matlab内部将此变换变为;
S4、确定神经网络的拓扑结构,步骤S2中筛选出的主要特征变量作为神经网络的输入确定输入层节点个数,隐含层根据经验设置节点个数,输出层为步骤S1中的历史二次供水水量数据集;设定神经网络的最大训练次数、传递函数及训练函数,初始化神经网络的权值与阈值;
S5、将神经网络的权值、阈值作为改进灰狼算法的优化目标输入改进灰狼算法迭代,基于粒子群算法的改进灰狼算法优化神经网络权值阈值;
S6、将步骤S5得到的权值阈值作为神经网络最优的权值阈值重新训练,得到神经网络模型输出值;
S7、建立误差函数,计算对比步骤S6中模型输出值与真实值的误差,以误差函数值最小为目标反向调整神经网络各层的权值阈值;
S8、判断神经网络预测值是否满足预设精度,若不满足,重复步骤S6和步骤S7;若满足,输出模型预测最优值。
2.根据权利要求1所述的基于神经网络的二次供水需水量软测量方法,其特征在于:所述步骤S5包括以下步骤:
S51、灰狼算法种群初始化,随机初始化灰狼种群位置,其中,i=1,2,3,···,n;n为灰狼种群数,惯性因子/>代表对原先速度的记忆程度,依据原先的速度进行惯性运动,lb和ub为搜索区间的上下限;迭代次数t设置为0;
S52、构建适应度函数并计算个体适应度值,并将狼群中适应度最好的三匹灰狼依次标记为α、β、σ,其他灰狼个体记为ω;
S53、狼群搜索猎物并进行包围操作,其中α、β、σ狼的位置速度更新:
其中,、/>、/>分别为α、β、σ狼与猎物之间的距离;t为迭代次数;/>、/>、/>和/>为α、β、σ灰狼的位置向量和当前灰狼的位置向量;/>和/>为系数向量,其计算公式如下:
其中,和/>是在[/>,1]范围内的随机数,对应于公式(5)、(6)、(7),/>意味着灰狼进行全局搜索,/>表示灰狼进行局部搜索;/>为线性递减因子,从2随迭代次数线性递减至0,递减公式为:
其中,为最大迭代次数;在灰狼位置更新中引入粒子群算法中粒子的速度概念,将灰狼个体视为粒子群中的粒子,猎物即最优解的速度和位置更新公式如下:
其中,为i粒子的速度向量;
步骤S5中判断是否满足迭代终止条件,若不满足更新参数、/>和/>并重复执行步骤S5,直至满足迭代终止条件。
3.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1或2所述方法的步骤。
4.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1或2所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541784.4A CN117252115B (zh) | 2023-11-20 | 2023-11-20 | 基于神经网络的二次供水需水量软测量方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541784.4A CN117252115B (zh) | 2023-11-20 | 2023-11-20 | 基于神经网络的二次供水需水量软测量方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252115A true CN117252115A (zh) | 2023-12-19 |
CN117252115B CN117252115B (zh) | 2024-02-09 |
Family
ID=89126890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311541784.4A Active CN117252115B (zh) | 2023-11-20 | 2023-11-20 | 基于神经网络的二次供水需水量软测量方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252115B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125684A1 (en) * | 2009-11-24 | 2011-05-26 | Hussain Al-Duwaish | Method for identifying multi-input multi-output hammerstein models |
CN111724004A (zh) * | 2020-07-13 | 2020-09-29 | 浙江大学 | 一种基于改进量子灰狼算法的水库可供水量预报方法 |
CN112581263A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 |
CN113449474A (zh) * | 2021-07-05 | 2021-09-28 | 南京工业大学 | 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法 |
CN114970412A (zh) * | 2022-05-18 | 2022-08-30 | 合肥工业大学 | 一种基于icgwo-lstm的igbt寿命预测方法 |
CN115034126A (zh) * | 2022-04-18 | 2022-09-09 | 宁波杭州湾新材料研究院 | 一种通过灰狼算法优化lstm神经网络模型的方法与系统 |
US20230176550A1 (en) * | 2021-05-06 | 2023-06-08 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
-
2023
- 2023-11-20 CN CN202311541784.4A patent/CN117252115B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125684A1 (en) * | 2009-11-24 | 2011-05-26 | Hussain Al-Duwaish | Method for identifying multi-input multi-output hammerstein models |
CN111724004A (zh) * | 2020-07-13 | 2020-09-29 | 浙江大学 | 一种基于改进量子灰狼算法的水库可供水量预报方法 |
CN112581263A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 |
US20230176550A1 (en) * | 2021-05-06 | 2023-06-08 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
CN113449474A (zh) * | 2021-07-05 | 2021-09-28 | 南京工业大学 | 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法 |
CN115034126A (zh) * | 2022-04-18 | 2022-09-09 | 宁波杭州湾新材料研究院 | 一种通过灰狼算法优化lstm神经网络模型的方法与系统 |
CN114970412A (zh) * | 2022-05-18 | 2022-08-30 | 合肥工业大学 | 一种基于icgwo-lstm的igbt寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
FAISAL AL THOBIANI.ET.: "A hybrid PSO and Grey Wolf Optimization algorithm for static and dynamic crack identification", 《THEORETICAL AND APPLIED FRACTURE MECHANICS》, vol. 118, pages 103213 * |
陈永政: "灰狼优化算法在城市需水预测模型中的应用", 《人民黄河》, vol. 45, no. 2, pages 97 - 100 * |
Also Published As
Publication number | Publication date |
---|---|
CN117252115B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN108763567A (zh) | 应用于智能机器人交互的知识推理方法及装置 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
CN116596044A (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN114817571B (zh) | 基于动态知识图谱的成果被引用量预测方法、介质及设备 | |
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 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN109146196B (zh) | 一种居民社区时用水量预测方法 | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
US20220269835A1 (en) | Resource prediction system for executing machine learning models | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN117252115B (zh) | 基于神经网络的二次供水需水量软测量方法、设备及介质 | |
CN117439053A (zh) | 一种Stacking集成模型电量预测方法、装置、存储介质 | |
CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN113300884B (zh) | 一种基于gwo-svr的分步网络流量预测方法 | |
CN115310727A (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
CN114169763A (zh) | 一种计量器具需求预测方法、系统、计算装置及存储介质 | |
CN114021847A (zh) | 基于isgu混合模型的短期电力负荷预测方法及系统 |
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 |