CN117422165A - 一种基于低碳排放的城市输水系统水量预测方法及系统 - Google Patents
一种基于低碳排放的城市输水系统水量预测方法及系统 Download PDFInfo
- Publication number
- CN117422165A CN117422165A CN202311154630.XA CN202311154630A CN117422165A CN 117422165 A CN117422165 A CN 117422165A CN 202311154630 A CN202311154630 A CN 202311154630A CN 117422165 A CN117422165 A CN 117422165A
- Authority
- CN
- China
- Prior art keywords
- water
- prediction
- delivery system
- prediction model
- carbon emission
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 329
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012384 transportation and delivery Methods 0.000 title claims abstract description 75
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 66
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 40
- 239000010865 sewage Substances 0.000 claims abstract description 12
- 230000033228 biological regulation Effects 0.000 claims abstract description 10
- 238000005265 energy consumption Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000012821 model calculation Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 33
- 238000004364 calculation method Methods 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000000556 factor analysis Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 3
- 239000003673 groundwater Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000010972 statistical evaluation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000662429 Fenerbahce Species 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- BYBLEWFAAKGYCD-UHFFFAOYSA-N Miconazole Chemical compound ClC1=CC(Cl)=CC=C1COC(C=1C(=CC(Cl)=CC=1)Cl)CN1C=NC=C1 BYBLEWFAAKGYCD-UHFFFAOYSA-N 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 235000020030 perry Nutrition 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于低碳排放的城市输水系统水量预测方法,包括:S1,建立基于低碳排放的城市输水系统水量综合预测模型;S2,基于预测模型对城市输水系统水量进行预测;S1包括:建立第一时间序列预测模型;分析低碳排放相关的水量影响因素;建立解释性预测模型;建立基于低碳排放的城市输水系统水量综合预测模型并给出模型预测结果评估;S2包括:将供水方提出需要总用水量作为调水策略的决策变量输入城市输水系统水量综合预测模型获得初级预测方案;动态预测各水源的第一调配;验证偏差,确定输水系统的低能耗调度方式,获得低碳运行污水处理系统并获得最终的城市输水系统水量预测结果。还公开对应系统、电子设备及计算机可读存储介质。
Description
技术领域
本发明涉及碳排放技术领域,尤其涉及一种基于低碳排放的城市输水系统水量预测方法及系统。
背景技术
水量预测是进行输水系统科学决策与现代化管理的基础。输水系统的优化调度需提前感知水量需求进而制定相应调度方案。中长期水量预测对某地区未来几个月甚至更长时间的水量进行预测,一般应用于指导输配水系统的规划以及改扩建,而短期预测是根据历史供水量记录预测未来一时间段(几天或者一周)水量,以此为基础为给水系统优化运行提供决策依据。通过水量预测,增强对原水用户水量需求的感知能力,充分利用系统储备调节能力,优化水泵机组搭配,保持系统稳定优化运行,故短期预测要求精度高,速度快以便能达到实时调度的目的。水量预测可提前感知用水需求,提升调度管理水平与服务质量,特别是能够降低碳排放。若预测值偏高,由于水厂内部原水储存能力有限,易造成水资源的浪费与泵站能耗损失,碳排放升高。如果预测值偏低,由于水厂制水需要一定时间,不能及时将原水转化为清水,供水服务水平降低。因此提高水量预测精度是进行输水系统调度决策的前提与基础。
国外对城市输水系统水量预测方面的研究起步较早,早在20世纪初美国研究人员就开始城市用水量预测方面研究。现如今水量预测已经成为各个国家进行水资源优化配置和规划的重要组成部分。1981年Perry研究发现城市用水量的变化存在周期性和随机性的变化规律,因此提出日用水量空间状态模型,应用傅里叶函数反映用水周期性规律,采用自回归模型表示用水随机性变化。2010年Adamowski与Karapataki分别应用神经网络模型和多元回归模型对实际算例进行水量预测,结果显示神经网络预测模型精度较高,结果更加准确。2013年Mombeni等应用SARIMA方法对某地月用水量进行预测,与实测值进行对比,预测结果较好,但预测精度需建立在数据长度完整的基础上才能保证。2014年Romano等应用改进神经网络模型预测下一天整个供水系统每小时用水量,为供水系统实现智能化管理奠定基础。2017年Brentan等学者利用AFS与SVR技术进行水量实时预测,可消除新时间序列数据的固有偏差,根据巴西某地水量数据进行。预测模型验证。国内对水量预测方面研究起步相对较晚。2001年单金林等利用BP神经网络模型,根据前8天的小时用水量数据来预测第9天的小时用水量。与实测值相比,只有2个时刻水量误差大于5%,其余时刻均小于5%,但当输入节点较多时,模型计算时间较长。2003年卜义惠等利用RBF神经网络在考虑天气及节假日等水量影响因素下建立日用水量预测模型,并在T市进行应用,预测误差较低。2016年严旭等选用遗传算法优化BP神经网络,收敛速度较传统BP神经网络快,预测精度也明显高于传统BP神经网络与改进BP神经网络。2017年班福忱等分别利用时间序列方法中的自适应过滤法和解释性预测中的BP神经网络模型对小时用水量进行预测,并加权组合两种模型进行预测。对比三种模型预测结果,组合预测模型精度明显高于单一预测方法。2018年牟天蔚等以一年日供水量数据为训练样本,7天日供水量数据为测试样本,建立小波深度信念网络模型对未来200日供水量进行预测,预测结果与实测数据相对误差均在5%以内,且精度高于BP神经网络模型与深度信念模型。2019年,顾建强等利用卡尔曼滤波器对学校日用水量进行1年的实时预测,根据预测值与实测值分析爆管过程,提高诊断爆管成功率。2020年,陆维佳等根据深度学习思想,考虑最高温与最低温等用水量影响因素,应用LSTM神经网络进行预测,与传统ANN预测模型进行比较,结果显示LSTM水量预测模型预测结果优于ANN预测模型。2021年,单义明等利用灰色关联分析法筛选水量影响因素,利用PSO-SVR法对山西省年需水量进行预测,预测精度在0.1%以内,较BP神经网络与SVR模型预测精度有所提高。同年,左智科和李一龙改进TLBO算法,优化ELM模型参数,对上海市年供水量进行时间序列预测。与标准ELM预测模型相比,优化后模型预测结果更优。
然而,现有的水量预测模型都没有考虑低碳排放的因素,面对城市输水系统对于低碳排放要求的日益增长,需要建立新的预测方法,进行合理预测,降低碳排放。
发明内容
本发明的目的是提供一种基于低碳排放的城市输水系统水量预测方法,建立了基于低碳排放的城市输水系统水量综合预测模型,从而能够获得准确的且最低碳排放量的城市输水系统水量结果,降低了城市输水系统的能耗,提高了输水效率。
本发明一方面提供了一种基于低碳排放的城市输水系统水量预测方法,包括:
S1,建立基于低碳排放的城市输水系统水量综合预测模型;
S2,基于所述基于低碳排放的城市输水系统水量综合预测模型对城市输水系统水量进行预测。
优选的,所述S1包括:
S11,建立第一时间序列预测模型;
S12,基于所述第一时间序列预测模型分析低碳排放相关的水量影响因素;
S13,基于所述水量影响因素建立解释性预测模型;
S14,基于所述解释性预测模型建立所述基于低碳排放的城市输水系统水量综合预测模型并给出模型预测结果评估。
优选的,所述第一时间序列预测模型采用LSTM神经网络模型,其中LSTM神经网络模型包含用于判断信息是否有用的记忆单元处理器,所述记忆单元处理器采用低碳排放因子作为阀门控制信息的过滤,对于有用信息进入第一时间序列预测模型的训练和验证,对于无用信息丢弃。
优选的,所述基于所述第一时间序列预测模型采用灰色关联分析方法进行水量影响因素的分析。
优选的,所述基于所述水量影响因素采用RBF神经网络模型建立解释性预测模型。
优选的,所述S14包括预测模型有效度、组合预测模型计算过程、预测模型的最优近似解以及组合预测模型预测结果分析。
优选的,所述S2包括:
S21,基于调水量的辅助决策系统,将供水方提出需要总用水量作为调水策略的决策变量输入所述城市输水系统水量综合预测模型获得初级预测方案;其中,所述辅助决策系统包括自学习功能模块,对于决策变量的噪声进行自动减弱,并自学习如何获得总用水量的智能方法;
S22,基于所述初级预测方案动态预测各水源的第一调配;将第一调配后的效果反馈以验证所述水量综合预测模型的偏差;
S23,从低碳排放角度再次计算第一调配后的效果反馈,并基于提高原水利用率的两个维度确定所述输水系统的低能耗调度方式;其中,所述两个维度分别包括如何降低单位调水的能耗和如何将调来的水无谓放掉,提高资源利用率。
S24,基于所述第一调配后的效果反馈获得低碳运行污水处理系统;
S25,基于所述低碳运行污水处理系统获得最终的城市输水系统水量预测结果。
本发明的第二方面提供一种基于低碳排放的城市输水系统水量预测系统,包括:
模型建立模块,用于建立基于低碳排放的城市输水系统水量综合预测模型,
水量预测模块,用于基于所述基于低碳排放的城市输水系统水量综合预测模型对城市输水系统水量进行预测。
本发明的第三方面提供一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如第一方面所述的方法。
本发明的第四方面提供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多条指令,所述多条指令可被处理器读取并执行如第一方面所述的方法。
本发明提供的方法、系统、电子设备以及计算机可读存储介质,具有如下有益的技术效果:
基于低碳排放的城市输水系统水量预测方法,建立了基于低碳排放的城市输水系统水量综合预测模型,从而能够获得准确的且最低碳排放量的城市输水系统水量结果,降低了城市输水系统的能耗,提高了输水效率。
附图说明
图1为根据本发明优选实施例示出的基于低碳排放的城市输水系统水量预测方法流程图;
图2为根据本发明优选实施例示出的LSTM神经网络模型结构示意图;
图3为根据本发明优选实施例示出的RBF神经网络神经元结构示意图;
图4为根据本发明优选实施例示出的基于低碳排放的城市输水系统水量预测系统结构示意图;
图5为本发明提供的电子设备一种实施例的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一
参见图1,本实施例提供了一种基于低碳排放的城市输水系统水量预测方法,包括:
S1,建立基于低碳排放的城市输水系统水量综合预测模型,包括:
S11,建立第一时间序列预测模型;
本实施例中,第一时间序列预测模型采用LSTM神经网络模型,其中LSTM神经网络模型包含用于判断信息是否有用的记忆单元处理器,所述记忆单元处理器采用低碳排放因子作为阀门控制信息的过滤,对于有用信息进入第一时间序列预测模型的训练和验证,对于无用信息丢弃。
时间序列预测即将水量数据根据时间序列反映出的变化趋势进行延伸,进一步预测未来时段内的发展趋势。虽然各个时期水量数据都是在各自独立条件下获得,但各个数据相互依赖,存在记忆特征。作为当今前沿的时间序列预测算法—长短时记忆循环(LSTM)神经网络模型,对历史数据记忆建模能力强,适用于对时间序列上关联性较强的数据信息进行建模处理。
1、LSTM神经网络原理
循环神经网络(RNN)具有循环递归处理时间序列数据以及对历史数据进行循环建模的优势,因此常用于数据的时间序列预测。但随着数学模型复杂程度以及数据量规模的增加,预测模型对于整个时间序列的记忆能力下降,对于历史数据不能进行长期存储与记忆。因此在循环神经网络的基础上对其改进,提出LSTM神经网络来处理复杂时间序列模型,可有效解决大量数据训练过程可能出现的梯度消失或者梯度爆炸等问题。LSTM神经网络模型是一种增加记忆功能,由循环神经网络模型衍生而来的改进神经网络模型。区别于RNN神经网络,LSTM神经网络加入判断信息是否有用的记忆单元处理器(cell),具体结构如图2所示。LSTM神经网络模型记忆单元由输入门、遗忘门和输出门三部分组成。
xt与yt-当前时刻输入数据与输出数据;
ht与ht-1-当前时刻与前一时刻的隐藏状态;
ft,it以及ot-记忆单元中的遗忘门、输入门以及输出门;
图2中,ct与ct-1-当前时刻与前一时刻的记忆细胞。
LSTM神经网络模型在t时刻的计算过程如公式(1)~(6)所示。
(1)遗忘门
通过读取时间步长t的输入数据xt与上一时间步长t-1状态ht-1,计算在时间步长为t的记忆单元遗忘门激活值ft与新状态ct:
ft=σ(xtWxf+ht-1Whf+bf) (1)
(2)输入门
输入门决定信息允许被更新还是被保存到记忆单元中。实现这个过程需要在sigmoid层与tanh层进行计算得到输入门的激活值it以及时间步长为t的记忆单元的状态候选值gt。
it=σ(xtWxi+ht-1Whi+bi) (3)
gt=tanh(xtWxg+ht-1Whg+bg) (4)
(3)输出门
输出门的作用是决定记忆单元中哪些信息被输出,从而确定网络输出值。通过运行一个sigmoid层来确定神经元哪个部分被运行出去,然后通过tanh函数进行处理,输出门的输出激活值与当前新状态tanh函数相乘,最终得到输出状态值。
ot=σ(xtWxo+ht-1Who+bo) (5)
Wxi、Wxf、Wxo、Wxg分别为全连接层与输入向量的权重系数;
Whi、Whf、Who、Whg分别为4个全连接层短期状态ht-1的权重系数;
bi、bf、bo、bg分别为4个全连接层线性偏差;
σ()和tanh()分别为sigmoid激活函数与双曲正切函数;
式中,为阿达马积,表示向量之间逐个元素相乘。;
2、时间序列模型预测结果
选用连续一段时间内的日供水量数据构成以下形式的时间序列:
[Qt-1,Qt-2,…,Qt-N] (7);
式中,Qt-i-预测日前i天的日供水量;N-时间序列长度。
选用2022年1月1日至2022年7月19日日供水量数据分别建立灰色预测模型与LSTM神经网络预测模型,预测未来两周输水系统日供水量.
由表2所示,灰色模型的预测平均误差为4.39%,达到较好预测精度,但是预测精度大于5%的日期较多,不能满足泵站优化调度要求。而LSTM神经网络对日供水量预测精度较灰色模型明显提高,平均误差为3.65%,且相对误差超过5%的日期有所降低,预测效果良好,适用于对原水日输水量进行时间序列预测。
S12,基于所述第一时间序列预测模型分析低碳排放相关的水量影响因素。
本实施例中,基于所述第一时间序列预测模型采用灰色关联分析方法进行水量影响因素的分析。
选用解释性预测法预测供水量问题,选择合适的影响因素是保障预测精度的关键所在。如果在预测模型中含有对供水量影响不大的因素,不仅增加模型计算时间,而且会使预测精度下降。若因素对水量影响过大,则会因为违背回归分析基本假设,导致预测模型不能应用。因此,选择的影响因素既要对用水量多少密切相关又不能与用水量存在较强线性关联关系。
1、灰色关联分析基本步骤
影响因素与用水量之间关联程度的量化问题是进行因素分析的关键。一般因素分析问题多采用回归分析法,但此方法所需要的数据量大,因此采用灰色关联分析法对其进行系统建模分析,具体计算步骤如下:
(1)确定参考数列和比较数列
设参考数列为m个,
x0={x0(k)|k=1,2,…,n}=(x0(1),x0(2),…,x0(n)) (8)
xi={xi(k)|k=1,2,…,n}=(xi(1),xi(2),…,xi(n)),i=1,2,…m. (9);
(2)对各因素值进行初值化处理
(3)计算灰色关联系数ξi(k)
ξi(k)-第k个影响指标的关联系数
式中,p-分辨系数,一般取0.5;
(4)计算灰色加权关联度
关联度ri计算公式为:
式中,ri-第i个对象的关联度;
(5)影响因素分析评价
根据关联度大小对影响因素进行排序,剔除对日用水量影响较低的因素,然后将其与历史水量信息一同作为神经网络模型输入层,进行用水量的预测。
2、水量影响因素的灰色关联分析
由于生产生活具有一定的规律性,因此原水供应也存在一定规律。由于5月份气温变化幅度较大,节假日较多,对水量影响较大,因此基于2022年5月份4个星期内日供水量与影响因素数据,对其进行灰色关联分析,得出影响因素关联度排序,将对水量影响较大的因素考虑进解释性预测模型。
分别从输水系统日供水量与两个主要原水用户日供水量两方面分析用水规律,周末较工作日供水量略低,且原水供水量规律与港区生活生产规律相似,因此该地区原水日供水量呈现出一定规律性,且与水厂清水供水规律相吻合,具备影响因素关联分析以及进行水量预测的可行性。因此运用灰色关联分析法对日用水量影响因素进行计算,分别取最高温度Tmax、最低温度Tmin、天气状况W、节假日H、昨日供水量Qn-1数据对5月份水量相关影响因素数据进行计算分析,为便于计算,对于天气等非数值因素进行数值化处理,设定晴天为1,多云为1.5,阴天为2,降水天气为3。H表示节假日,工作日设为1,周末为2,法定节假日为3。运用Matlab2018a编程软件编写程序对上述五种影响因素进行灰色关联分析,计算得出r1=0.8784,r2=0.6211,r3=0.6390,r4=0.7411,r5=0.8573。因此,最高温度对日供水量影响最大,最低温度对水量影响较低。因此当建立解释性预测模型时,按日供水量影响因素影响程度排序:最高温度>昨日供水量>节假日>天气状况>最低温度。
S13,基于所述水量影响因素建立解释性预测模型;
本实施例中,基于所述水量影响因素采用RBF神经网络模型建立解释性预测模型。
日用水量往往与天气、节假日等影响因素相关,虽无法用准确函数关系表达,但通过大量实测数据进行统计分析可得出其变化规律。解释性预测即通过历史数据分析供水量与其影响因素之间因果关系,通过影响因素的预报值预测未来水量由于人工神经网络模型自学习与自适应优势突出,适用于对用水量及其影响因素建立解释性预测模型进行预测。
1、RBF神经网络原理
径向基函数(RBF)神经网络是只有一个隐含层的三层前馈型神经网络模型。其与BP神经网络神经元结构相似,计算过程相仿,区别在于RBF神经网络隐含层使用的是高斯基函数,这样输入变量可直接映射到隐含层,不需要应用权来连接,因此较BP神经网络学习速度加快从而避免出现陷入局部最小值的问题。RBF神经网络神经元结构如图3所示。
如图3所示,RBF神经网络输入层为X,隐含层输出为h,输出层输出为Y。其中,每个隐含层节点函数通常为径向对称的Gauss型函数,即:
φ(z)=exp(-z2/2δi) (13);
则每个隐含层节点输出为:
z2-表示输入向量到中心向量之间的径向距离
Xi-第i个输入样本
Ci-中心向量
式中,δi-中心点宽度;
每个输出层节点输出为:
式中,Y-网络输出。
2、解释性预测模型预测结果
由上节灰色关联分析结果可知,最低温对日供水量影响程度较低,故将其舍去。分别选用BP神经网络与RBF神经网络考虑天气、温度、节假日、昨日供水量等4种影响因素对日供水量进行预测,模型输入层见式(16):
解释性预测模型的输出矩阵为:[Qt,Qt-1,…,Qt-n]T;
Tmax-预测日最高温度:
W-天气;
Ht-节假日情况;
式中,Qt-1-预测日前一天供水量;
分别建立三层BP神经网络模型与RBF神经网络模型对日供水量进行预测。水量预测结果如表3两种解释性预测模型预测结果对比示意图所示:
表3两种解释性预测模型预测结果对比示意图
由表3所示,当BP神经网络预测模型考虑水量影响因素时预测误差为3.62%,部分日期误差百分比较高且超过5%。而RBF神经网络模型预测误差百分比为2.98%,预测精度较BP神经网络有较大提高。因此在组合预测模型中选用RBF神经网络进行加权组合预测。
S14,基于所述解释性预测模型建立所述基于低碳排放的城市输水系统水量综合预测模型并给出模型预测结果评估。
单一的预测方法只考虑部分影响因素,不能将所有因素考虑完整。为确保预测模型的科学性与实用性,将不同的预测模型根据有效度进行权重组合,得到组合预测模型。组合预测模型具有以下优势:
(1)因为单一预测模型不能将影响水量的信息完全考虑,组合预测模型充分考虑各种水量预测方法优势,不仅避免信息浪费,而且提高模型预测精准度。
(2)由于是多种预测模型组合进行预测,因此单一预测模型精度下降对整体预测精度影响不大,模型预测稳定性提高。但是组合预测模型不宜太繁琐,否则计算时间较长。因此鉴于优化调度系统实时性需求较高等原因,组合预测模型往往是两种预测方法的组合,在增加系统可负担的计算量基础上提高预测精度。
本实施例中,S14实施的技术细节包括预测模型有效度、组合预测模型计算过程、预测模型的最优近似解以及组合预测模型预测结果分析。
1、预测模型有效度
设yt(t=1,2,…,N)为水量实测值,fit为单一预测方法的预测值。Ait表示fit在t时刻的预测精度,因此预测精度计算见式(17):
则预测方法fit的精度序列由Ait组成,其均值和均方差计算见式(18)与(19):
因此,预测方法fit的有效度表达式为:
Si=E(Ait)[1-σ(Ait)] (20)。
2、组合预测模型计算过程:
有效度可作为组合预测模型的优化指标。假设yt(t=1,2,…N)为水量实测值,f1t,f2t,…,fmt为m个预测模型的预测值,k1,…,km分别表示m种方法的权值系数,Yt=k1f1t+k2f2t+…+kmfmt表示组合预测模型的预测值,A1t,A2t,…Amt分别表示m时刻i预测方法的预测精度,计算方法如下:
组合预测模型的有效度指标为:
Si=E(At)[1-σ(At)] (22)
以有效度指标为目标函数,得到目标函数见式(23):
3、预测模型的最优近似解
上述预测模型公式求解非常复杂,因此对计算模型进行适当简化,得到近似最优解。当只有两种预测方法预测出两组预测数据时,模型精度、方差、标准差和权值系数k之间的近似关系如下:
(1)组合预测模型精度At和权值系数k之间的关系:
At=kA1t+(1-k)A2t (24);
(2)组合预测模型方差E(At)和权值系数k之间的关系:
E(At)=kE(A1t)+(1-k)E(A2t) (25);
(3)组合预测模型标准差σ(At)和权值系数k之间的关系:
其中,
将式(27)带入组合预测优化模型得:
令当/>取得最优解时,/>
4、组合预测模型预测结果分析
为进一步提高预测精度,综合时间序列预测与解释性预测模型两类预测模型利弊,组合两类预测模型。由于灰色模型与BP神经网络预测模型误差较高,且相对误差超过5%的日期较多,预测结果稳定性较差,不符合后期泵站优化调度的精度要求。因此将LSTM神经网络模型与RBF神经网络模型进行加权组合,建立组合预测模型。经过有效度计算所得LSTM神经网络权值系数为0.3708,RBF神经网络预测模型权值系数为0.6292。根据权值组合两种模型建立组合预测模型,对实例水量进行预测分析,预测结果如表4所示。
表4组合预测模型预测值与实际值对比
由表4所示,组合预测模型平均预测相对误差为2.47%,预测精度较单一预测模型有所提高。由于水厂用水具有突变性,导致原水供应陡增或者骤降现象时有发生,例如第12天出现水量陡增这种特殊情况,预测模型很难通过影响因素及时间序列进行识别,导致该日预测相对误差超过5%。但从总体预测结果来看,组合预测模型预测误差百分比超过5%的日期较单一预测模型有所减少,精度较高,符合输水系统优化调度需求。
本实施例中,为检验模型预测结果的准确性与稳定性,评价模型预测效果,常选用以下4种统计评价指标进行模型预测结果评估:
(1)平均绝对误差MAE:
(2)平均相对误差百分比MAPE
(3)Theil不等系数U:
其中,U→0表示精度越高,U→1表示精度
(4)纳什模型效率NSE
纳什效率指数越接近1,表示模型稳定性越高。
yi-水量实测值,m3/h;
-水量预测值,m3/h;
式中,-水量实测平均值,m3/h;n-数据个数。
选用以上4种统计评价方法对3种水量预测模型进行预测结果评估,评估结果见表5。
表5模型预测结果评估
由表5结果分析得出,在以上4种评价指标中无论从预测模型精准度还是稳定性方面,组合预测模型结果都明显优于单一预测模型结果,因此选用组合预测模型辅助指导泵站优化调度方案的制定.
S2,基于所述基于低碳排放的城市输水系统水量综合预测模型对城市输水系统水量进行预测,包括:
S21,基于调水量的辅助决策系统,将供水方提出需要总用水量作为调水策略的决策变量输入所述城市输水系统水量综合预测模型获得初级预测方案;
作为优选的实施方式,所述辅助决策系统包括自学习功能模块,对于决策变量的噪声进行自动减弱,并自学习如何获得总用水量的智能方法。
S22,基于所述初级预测方案动态预测各水源的第一调配;将第一调配后的效果反馈以验证所述水量综合预测模型的偏差;
S23,从低碳排放角度再次计算第一调配后的效果反馈,并基于提高原水利用率的两个维度确定所述输水系统的低能耗调度方式;其中,所述两个维度分别包括如何降低单位调水的能耗和如何将调来的水无谓放掉,提高资源利用率。
S24,基于所述第一调配后的效果反馈获得低碳运行污水处理系统;
S25,基于所述低碳运行污水处理系统获得最终的城市输水系统水量预测结果。
作为优选的实施方式,所述污水处理系统进行的低碳运行策略包括:
(1)合理规划污水收集输送系统;
(2)污水处理系统中的节能降耗;
(3)选择适当的污水处理工艺方法以及工艺优化方法;
(4)选择适当的污泥处理处置技术的方法;
(5)优化污水厂的总体设计及管理体系的方法;
(6)能源资源的回收与利用方法。
实施例二
参见图4,本实施例提供一种基于低碳排放的城市输水系统水量预测系统,包括:
模型建立模块101,用于建立基于低碳排放的城市输水系统水量综合预测模型,
水量预测模块102,用于基于所述基于低碳排放的城市输水系统水量综合预测模型对城市输水系统水量进行预测。
应用实例:
深圳地处环南海经济圈前沿地带,航运条件便利。但由于地处沿海贫水区,浅层地下水储量较少且水质较差,同时本地区降水渗入补给量不足,深层地下水几乎没有开采可能。为应对国家重大战略需求,缓解本地水资源不足的现状,通过长距离引水将A水库原水经取水泵站加压后输送至该地,主要为辖区工业区和生态城提供生产与生活用水。同时为提高原水水量保障率,实现港区由单一水源向多水源输水模式转变的战略布局,建设B取水泵站,将其原水输送至输水主管线,共同为该地区输送原水,提升安全输水保障率的同时降低碳排放。从该地供水SCADA系统中获取2021年1月1日至2022年8月2日期间每日原水水量实测数据,选择合理区段,基于水量预测模型与水量影响因素分析,分别建立时间序列预测模型、解释性预测模型以及组合预测模型分别对日供水量进行预测,利用统计学评价指标对各种模型预测结果进行分析与评估。该地区2021年每个月原水总供应量如表1所示。
表1
/>
由于1至4月份温度较低,生活用水量减少,原水供应量随之减少。5至9月份随气温的回升,居民生活用水量部分加大,所需水量增多,原水供应量随之增加。10月份以后气温持续走低,所需水量减少,原水供应量随之减少。
本发明还提供了一种存储器,存储有多条指令,所述指令用于实现如实施例一所述的方法。
如图5所示,本发明还提供了一种电子设备,包括处理器301和与所述处理器301连接的存储器302,所述存储器302存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行如实施例一所述的方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于低碳排放的城市输水系统水量预测方法,其特征在于,包括:
S1,建立基于低碳排放的城市输水系统水量综合预测模型;
S2,基于所述基于低碳排放的城市输水系统水量综合预测模型对城市输水系统水量进行预测。
2.根据权利要求1所述的一种基于低碳排放的城市输水系统水量预测方法,其特征在于,所述S1包括:
S11,建立第一时间序列预测模型;
S12,基于所述第一时间序列预测模型分析低碳排放相关的水量影响因素;
S13,基于所述水量影响因素建立解释性预测模型;
S14,基于所述解释性预测模型建立所述基于低碳排放的城市输水系统水量综合预测模型并给出模型预测结果评估。
3.根据权利要求2所述的一种基于低碳排放的城市输水系统水量预测方法,其特征在于,所述第一时间序列预测模型采用LSTM神经网络模型,其中LSTM神经网络模型包含用于判断信息是否有用的记忆单元处理器,所述记忆单元处理器采用低碳排放因子作为阀门控制信息的过滤,对于有用信息进入第一时间序列预测模型的训练和验证,对于无用信息丢弃。
4.根据权利要求3所述的一种基于低碳排放的城市输水系统水量预测方法,其特征在于,所述基于所述第一时间序列预测模型采用灰色关联分析方法进行水量影响因素的分析。
5.根据权利要求4所述的一种基于低碳排放的城市输水系统水量预测方法,其特征在于,所述基于所述水量影响因素采用RBF神经网络模型建立解释性预测模型。
6.根据权利要求5所述的一种基于低碳排放的城市输水系统水量预测方法,其特征在于,所述S14包括预测模型有效度、组合预测模型计算过程、预测模型的最优近似解以及组合预测模型预测结果分析。
7.根据权利要求6所述的一种基于低碳排放的城市输水系统水量预测方法,其特征在于,所述S2包括:
S21,基于调水量的辅助决策系统,将供水方提出需要总用水量作为调水策略的决策变量输入所述城市输水系统水量综合预测模型获得初级预测方案;其中,所述辅助决策系统包括自学习功能模块,对于决策变量的噪声进行自动减弱,并自学习如何获得总用水量的智能方法;
S22,基于所述初级预测方案动态预测各水源的第一调配;将第一调配后的效果反馈以验证所述水量综合预测模型的偏差;
S23,从低碳排放角度再次计算第一调配后的效果反馈,并基于提高原水利用率的两个维度确定所述输水系统的低能耗调度方式;其中,所述两个维度分别包括如何降低单位调水的能耗和如何将调来的水无谓放掉,提高资源利用率;
S24,基于所述第一调配后的效果反馈获得低碳运行污水处理系统;
S25,基于所述低碳运行污水处理系统获得最终的城市输水系统水量预测结果。
8.一种基于低碳排放的城市输水系统水量预测系统,用于实施权利要求1-7任一所述的方法,其特征在于,包括:
模型建立模块(101),用于建立基于低碳排放的城市输水系统水量综合预测模型,
水量预测模块(102),用于基于所述基于低碳排放的城市输水系统水量综合预测模型对城市输水系统水量进行预测。
9.一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。
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多条指令,所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311154630.XA CN117422165A (zh) | 2023-09-07 | 2023-09-07 | 一种基于低碳排放的城市输水系统水量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311154630.XA CN117422165A (zh) | 2023-09-07 | 2023-09-07 | 一种基于低碳排放的城市输水系统水量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117422165A true CN117422165A (zh) | 2024-01-19 |
Family
ID=89527326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311154630.XA Pending CN117422165A (zh) | 2023-09-07 | 2023-09-07 | 一种基于低碳排放的城市输水系统水量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422165A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670000A (zh) * | 2024-02-01 | 2024-03-08 | 四川省机械研究设计院(集团)有限公司 | 基于组合预测模型的泵站供水量预测方法 |
CN118037513A (zh) * | 2024-04-09 | 2024-05-14 | 天津市联合环保工程设计有限公司 | 一种下沉式污水处理厂的碳排放核算方法、装置及平台 |
-
2023
- 2023-09-07 CN CN202311154630.XA patent/CN117422165A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670000A (zh) * | 2024-02-01 | 2024-03-08 | 四川省机械研究设计院(集团)有限公司 | 基于组合预测模型的泵站供水量预测方法 |
CN117670000B (zh) * | 2024-02-01 | 2024-04-12 | 四川省机械研究设计院(集团)有限公司 | 基于组合预测模型的泵站供水量预测方法 |
CN118037513A (zh) * | 2024-04-09 | 2024-05-14 | 天津市联合环保工程设计有限公司 | 一种下沉式污水处理厂的碳排放核算方法、装置及平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
CN117422165A (zh) | 一种基于低碳排放的城市输水系统水量预测方法及系统 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN113377966B (zh) | 一种基于知识图谱的水利工程调度规程推理方法 | |
CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Dang et al. | A novel multivariate grey model for forecasting periodic oscillation time series | |
CN112241607A (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
CN111415068A (zh) | 基于改造措施与失负荷量指标关联性的配电决策建模方法 | |
Zou et al. | Deep non-crossing probabilistic wind speed forecasting with multi-scale features | |
Jiang et al. | Industrial ultra-short-term load forecasting with data completion | |
Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
Lin et al. | New understanding of power generation structure transformation, based on a machine learning predictive model | |
CN114757330A (zh) | 基于lstm的城市瞬时用水量预测方法 | |
Juan et al. | Multi-step prediction of dissolved oxygen in river based on random forest missing value imputation and attention mechanism coupled with recurrent neural network | |
Sun et al. | Comparison of a fuzzy control and the data-driven model for flood forecasting | |
CN115689001A (zh) | 基于模式匹配的短期负荷预测方法 | |
CN115713252A (zh) | 一种水风光储多能互补系统综合效益评估方案寻优方法 | |
Pang et al. | A photovoltaic power predicting model using the differential evolution algorithm and multi-task learning | |
CN115456205A (zh) | 一种大规模多目标机组检修优化方法 | |
CN118037002B (zh) | 水网系统中调水工程年度水资源调度计划编制方法及系统 | |
CN112308327B (zh) | 基于自适应特征权重的智慧城市电力负荷估计方法 | |
Bowen et al. | Energy Consumption Prediction Model of Wastewater Treatment Plant Based on Stochastic Configuration Networks |
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 |