CN118052326A - 一种基于神经网络的校园供水管网用水量预测方法 - Google Patents
一种基于神经网络的校园供水管网用水量预测方法 Download PDFInfo
- Publication number
- CN118052326A CN118052326A CN202410223143.2A CN202410223143A CN118052326A CN 118052326 A CN118052326 A CN 118052326A CN 202410223143 A CN202410223143 A CN 202410223143A CN 118052326 A CN118052326 A CN 118052326A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- neural network
- input
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims description 64
- 238000012360 testing method Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000006185 dispersion Substances 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 67
- 238000012545 processing Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012916 structural analysis Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method 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
- 238000005457 optimization Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的校园供水管网用水量预测方法,应用在市政工程领域技术领域,本发明通过利用深度学习,采用基于神经网络的方法预测用水量,首先,用传感器或监测点收集管网正常供水条件下的管道特征和流量数据,其次,对数据清洗筛选,建立时间序列方法,然后,基于所收集的数据,构建并训练得到基于BP神经网络的管网节点流量预测模型,最后,得出预测值,实现对用水量的合理评估与调度,对比预测值与真实值的差异,进一步预测管网漏损情况,此外,本发明使用数据驱动的方法,减少了对于人工抄录水表的繁琐及管网内部水力物理机制的依赖性,可有效扩大模型的适用范围。
Description
技术领域
本发明属于市政工程领域技术领域,特别涉及一种基于神经网络的校园供水管网用水量预测方法。
背景技术
随着城市规模的扩张和城市模式的变化,城市供水行业也进入了深度发展阶段,供水管道作为城市运转的生命线,其漏损不仅会给居民的生活带来极大的不便,还会造成水资源的大量浪费,进一步加剧水资源短缺,水资源的规划和管理十分重要,在任何短期或者长期的计划中,城市或者用水单位的需水量预测都是至关重要的一个环节,城市用水量预测在城市建设规划、输配水系统的优化调度中具有重要的作用,需求预测对于帮助决策者做出更好的决策并启发他们进行水资源分配以最大化长期价值和可用资源的可靠性所需的资本投资非常重要。
对于居民用水量的预测方法有很多,目前大致可以分为三类,第一类为时间序列预测法,依赖历史数据进行建模预测,比如自回归法、BP神经网络预测等;第二类为结构分析法,除利用历史数据外,还需要考虑与用水量相关的其他因素,但该方法要求给出各种影响因素与用水量之间的显示关系,然而这种关系并不容易得到;第三类是系统方法,与结构分析法类似,使用多种用水量的影响因素及历史数据,采用神经网络等非线性模型来建立预测系统。
现有的基于神经网络的校园供水管网用水量预测方法在水量预测的时候,它的变化以日、周、年为周期会呈现出一定的周期性,受气候因素以及社会人文因素的影响不大,所以决定只使用日用水量历史数据作为输入变量进行建模,现有的历史数据由于种种原因,存在缺失值、极端值、以及非平稳性等问题,所以先对数据进行了预处理,包括数据采集、数据筛选、剔除、数据归一化、数据平滑等,使用预处理过的数据来进行建模,故而,我们提出一种可以显著提升校园漏损检测及水量预测的精度的基于图神经网络的校园供水管道用水量预测方法。
发明内容
本发明的目的在于针对现有的一种基于神经网络的校园供水管网用水量预测方法,其优点是可以显著提升校园漏损检测及水量预测。
本发明的上述技术目的是通过以下技术方案得以实现的:一种基于神经网络的校园供水管网用水量预测方法,包括以下步骤:
S1.收集数据,收集研究区域内各管网节点与管道流量密切相关的特征,包括但不限于管道流量和压力;
S2.数据预处理,统计节点数据,对缺失值进行补全,对异常值清理筛选,由于输入的数据可能存在数量级的差别,采用离差标准化方法对输入数据进行归一化;
S3.建立神经网络模型,网络分为三个部分,输入层,流量序列输入;其次是隐含层,将节点表征通过层级网络对输入特征训练,并在每个时刻进行输出;最后是输出层,输出转化为预测的用水量,网络模型基本思想是梯度下降法,利用梯度搜索技术,通过反向传播来不断调整网络的权重和阈值,以期使网络的实际输出值和期望输出值的误差均方差为最小,得到精度提高的预测数值;
S4.模型训练,将数据划分为训练集和测试集,使用训练集输入模型进行训练;
S5.使用训练好的模型在测试集上进行测试,根据真实数据对预测结果进行评估及误差计算,直到整个训练样本集的误差减小到符合要求为止。
采用上述技术方案,通过收集数据作为模型的根据,除了管道流量和压力还应采集水质数据、供水系统运行状态数据、校园活动数据和天气数据等数据,帮助提高用水量预测的准确性,同时也有助于更全面地了解和分析供水管网的运行情况,数据预处理对于采集到的原始数据进行清洗,包括处理缺失值、异常值和重复值,以确保数据的完整性和准确性,并且选择对于预测模型有意义的特征,去除冗余或无效的特征,以提高模型的准确性和泛化能力,如果原始数据存在噪声或波动,可以考虑对数据进行平滑处理,以减少随机波动对预测结果的影响,对于不同范围和单位的数据,进行标准化或归一化处理,使得它们在数值上具有可比性,有利于神经网络模型的训练,根据数据的分布情况,可能需要进行对数变换、幂变换等操作,使得数据更符合模型的假设条件,将数据集划分为训练集、验证集和测试集,用于模型训练、验证和评估,以确保模型的泛化能力和准确性,如果数据是时序数据,需要对时间序列进行处理,包括平稳性检验、差分操作、滞后项的处理等,如果数据具有非平稳性,需要进行平稳性处理,例如差分运算或其他时间序列的处理方法,通过合理的数据预处理,可以提高基于神经网络的校园供水管网用水量预测模型的准确性和鲁棒性,使其能够更好地适应实际的用水量预测任务,神经网络可以帮助识别供水管网用水量与各种因素之间的复杂关系,具有较强的灵活性和泛化能力,可以适应不同规模和形式的数据集,并且能够较好地处理未来的新数据,建立基于神经网络的模型可以帮助校园供水管网更准确地预测用水量,提高供水系统的运行效率和用水资源利用率。
本发明进一步设置为:数据收集时,应挑选相对稳定的供水管位置布置传感器,供水管道内各个传感器布置点收集与管道流量密切相关的影响因子特征。
采用上述技术方案,通过挑选稳定的传感器数据收集位置,可以便于提升数据的稳定性,以降低因为数据采集造成的误差。
本发明进一步设置为:数据预处理在实施过程中,收集到的原始数据可能会存在数据缺失的问题,可以使用插值方法,包括但不限于线性插值,对缺失数据进行补全,对出现异常情况的数据进行筛选清理,保留可靠的数据。
采用上述技术方案,数据缺失可能会对建模和预测产生严重影响,因此可以使用插值方法来对缺失数据进行补全,以及对出现异常情况的数据进行筛选清理,对于异常情况的数据,可能存在数据采集错误、传输错误或者记录错误等问题,这些异常数据可能会严重影响建模和预测的准确性。因此,在数据预处理过程中,需要对异常情况的数据进行筛选清理,保留可靠的数据,对缺失数据进行插值补全和异常数据的筛选清理,有助于提高预测模型的准确性和可靠性。
本发明进一步设置为:由于输入的数据量级不同,需采用离差标准化方法对输入数据进行归一化,其转换公式为:
其中,X′为归一化后的数据,其范围在[0,1],X为原始数据,Xmax为原始数的最大值,Xmin为原始数据的最小值。
采用上述技术方案,通过设置离差标准化在实际的数据分析和建模过程中,不同的特征往往具有不同的量纲和取值范围,这会对数据分析和建模产生影响。离差标准化可以将不同维度的特征值映射到相同的尺度,从而消除了特征之间的量纲影响,使得各个特征之间更具可比性,并且加速模型收敛,增强模型稳定性同时提升查找效率。
本发明进一步设置为:神经网络模型由三部分组成,拓扑结构包括输入层、隐层、和输出层构成,其中隐含层有一层或多层,每一层可选的有若干个节点,层与层之间节点的连接状态通过权重来体现。
采用上述技术方案,通过将神经网络分为多部分,输入层负责接收外部输入数据,例如图像、文本或其他形式的特征向量,输入层的节点个数通常取决于输入数据的维度,每个节点对应输入数据的一个特征或维度,输入层负责将原始输入数据传递给下一层,同时不做任何加工或处理,隐藏层负责对输入数据进行非线性变换和特征提取,隐藏层可以包含一层或者多层,并且每一层可以包含若干个节点,每个节点都对上一层的输入进行加权求和,并通过激活函数,进行非线性映射,得到该节点的输出,隐藏层节点之间通过权重进行连接,权重表示了节点之间的连接强度,是神经网络模型中需要学习的参数之一,隐藏层的作用是提取输入数据的高阶特征,并将这些特征传递给输出层,输出层负责输出神经网络模型的预测结果或分类结果,输出层的节点个数通常取决于模型的具体任务,例如二元分类任务可能只含有一个输出节点,多元分类任务可能含有多个输出节点,输出层的节点通过权重和来自隐藏层的输入进行加权求和,然后通过激活函数处理后输出最终的结果。
本发明进一步设置为:有多个隐含层可进行深度学习的神经网络,将流量序列表征输入至输入层,经过隐含层的层层传递,最后到达输出层,输出结果为每个统计时刻的用水量预测值。
采用上述技术方案,在这种结构下,可以使用适当的深度学习模型(例如循环神经网络(RNN)、长短期记忆网络(LSTM)、卷积神经网络(CNN)等)来处理时间序列的特征,并进行用水量的预测,适当选择适合时间序列预测任务的网络结构和激活函数,并进行模型的训练和优化,选择适当的损失函数和评价指标,例如均方误差(MSE)或者平均绝对误差(MAE),用于衡量模型的预测性能。
本发明进一步设置为:神经网络的搭建过程:
一、读取数据
Input=()、output=()
二、设置训练数据和预测数据
Input_train=()、output_train=()、Input_test=()、output_test=()
三、样本数据归一化
Mapminmax(Input_train)、Mapminmax(output_train)
构建BP神经网络,建立模型,传递函数使用purelin,采用梯度下四、降法训练
net=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm')
五、网络参数配置(训练次数,学习速率,训练目标最小误差等)
net.trainParam.epochs=();net.trainParam.learn=();net.trainParam.goal=()。
采用上述技术方案,对样本数据进行归一化处理可以将不同特征的数据统一到一个相近的数值范围内,有助于加速算法的收敛过程,减少模型训练时间,同时可以避免某些特征对模型训练产生过大的影响,特别是在神经网络中,数据归一化可以提高模型性能,降低过拟合的可能性,将数据集划分为训练集和测试集或验证集有助于评估模型的泛化能力,并避免模型过度拟合训练数据,通常可以使用一部分数据进行模型的训练,然后使用另一部分独立的数据进行模型的验证和测试,以评估模型在未知数据上的性能表现。
本发明进一步设置为:模型训练将数据划分为训练集和测试集,训练集对模型进行训练,确定各层的权重参数,测试集用来评估最终模型的预测精度。
采用上述技术方案,使用训练集输入模型进行训练时,从训练集中取出某一样本,把信息输入网络中,通过各节点间的连接情况正向逐层处理后,得到神经网络的实际输出,计算网络实际输出与期望输出的误差,将误差逐层反向回传至之前各层,并按一定原则将误差信号加载到连接权值上,使整个神经网络的连接权值向误差减小的方向转化,其中损失函数的误差,计算梯度反向传播更新每一层的权重,通过梯度下降多次迭代使模型拟合并达到最优,対训练集中每一个输入—输出样本对重复以上步骤,直到整个训练样本集的误差减小到符合要求为止,最终获得训练完成的BP神经网络模型。
本发明进一步设置为:用水量预测时在模型中输入测试集的数据,进行管道流量的预测,最终对预测结果进行评估,直至验证模型的合理性和模型的精确度。
采用上述技术方案,通过设置预测和评估,可以验证模型的合理性和评估模型的精确度,从而对模型进行充分的训练和优化,以获得更精确和可靠的用水量预测模型。
本发明进一步设置为:相对误差:
其中,Qr表示流量实测值,Qp表示用水量预测值,在实际应用中,根据研究区域的结果,训练好模型后根据当前的输入流量数据来预测未来某个统计时刻的用水量情况。
采用上述技术方案,计算相对误差可以反映预测结果与实际观测值之间的相对偏差大小,从而提供了一种直观的指标来评估模型的预测精度。当相对误差较小时,说明模型的预测较为准确;相对误差较大则表示预测结果与真实值存在较大偏差并且约束评估范围,可以更全面地评估模型的预测性能。
综上所述,本发明具有以下有益效果:
通过利用深度学习,采用基于神经网络的方法预测用水量,首先,用传感器或监测点收集管网正常供水条件下的管道特征和流量数据,其次,对数据清洗筛选,建立时间序列方法,然后,基于所收集的数据,构建并训练得到基于BP神经网络的管网节点流量预测模型,最后,得出预测值,实现对用水量的合理评估与调度,对比预测值与真实值的差异,进一步预测管网漏损情况,此外,本发明使用数据驱动的方法,减少了对于人工抄录水表的繁琐及管网内部水力物理机制的依赖性,可有效扩大模型的适用范围。
附图说明
图1是本发明的实施方式流程图;
图2是本发明神经网络单层层级传递示意图;
图3是本发明的用水量预测方法的模型结构示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1:
参考图1-3,一种基于神经网络的校园供水管网用水量预测方法,包括以下步骤:
S1.收集数据,收集研究区域内各管网节点与管道流量密切相关的特征,包括但不限于管道流量和压力;
S2.数据预处理,统计节点数据,对缺失值进行补全,对异常值清理筛选,由于输入的数据可能存在数量级的差别,采用离差标准化方法对输入数据进行归一化;
S3.建立神经网络模型,网络分为三个部分,输入层,流量序列输入;其次是隐含层,将节点表征通过层级网络对输入特征训练,并在每个时刻进行输出;最后是输出层,输出转化为预测的用水量,网络模型基本思想是梯度下降法,利用梯度搜索技术,通过反向传播来不断调整网络的权重和阈值,以期使网络的实际输出值和期望输出值的误差均方差为最小,得到精度提高的预测数值;
S4.模型训练,将数据划分为训练集和测试集,使用训练集输入模型进行训练;
S5.使用训练好的模型在测试集上进行测试,根据真实数据对预测结果进行评估及误差计算,直到整个训练样本集的误差减小到符合要求为止;
通过收集数据作为模型的根据,除了管道流量和压力还应采集水质数据、供水系统运行状态数据、校园活动数据和天气数据等数据,帮助提高用水量预测的准确性,同时也有助于更全面地了解和分析供水管网的运行情况,数据预处理对于采集到的原始数据进行清洗,包括处理缺失值、异常值和重复值,以确保数据的完整性和准确性,并且选择对于预测模型有意义的特征,去除冗余或无效的特征,以提高模型的准确性和泛化能力,如果原始数据存在噪声或波动,可以考虑对数据进行平滑处理,以减少随机波动对预测结果的影响,对于不同范围和单位的数据,进行标准化或归一化处理,使得它们在数值上具有可比性,有利于神经网络模型的训练,根据数据的分布情况,可能需要进行对数变换、幂变换等操作,使得数据更符合模型的假设条件,将数据集划分为训练集、验证集和测试集,用于模型训练、验证和评估,以确保模型的泛化能力和准确性,如果数据是时序数据,需要对时间序列进行处理,包括平稳性检验、差分操作、滞后项的处理等,如果数据具有非平稳性,需要进行平稳性处理,例如差分运算或其他时间序列的处理方法,通过合理的数据预处理,可以提高基于神经网络的校园供水管网用水量预测模型的准确性和鲁棒性,使其能够更好地适应实际的用水量预测任务,神经网络可以帮助识别供水管网用水量与各种因素之间的复杂关系,具有较强的灵活性和泛化能力,可以适应不同规模和形式的数据集,并且能够较好地处理未来的新数据,建立基于神经网络的模型可以帮助校园供水管网更准确地预测用水量,提高供水系统的运行效率和用水资源利用率。
数据收集时,应挑选相对稳定的供水管位置布置传感器,供水管道内各个传感器布置点收集与管道流量密切相关的影响因子特征,通过挑选稳定的传感器数据收集位置,可以便于提升数据的稳定性,以降低因为数据采集造成的误差。
数据预处理在实施过程中,收集到的原始数据可能会存在数据缺失的问题,可以使用插值方法,包括但不限于线性插值,对缺失数据进行补全,对出现异常情况的数据进行筛选清理,保留可靠的数据,数据缺失可能会对建模和预测产生严重影响,因此可以使用插值方法来对缺失数据进行补全,以及对出现异常情况的数据进行筛选清理,对于异常情况的数据,可能存在数据采集错误、传输错误或者记录错误等问题,这些异常数据可能会严重影响建模和预测的准确性。因此,在数据预处理过程中,需要对异常情况的数据进行筛选清理,保留可靠的数据,对缺失数据进行插值补全和异常数据的筛选清理,有助于提高预测模型的准确性和可靠性。
由于输入的数据量级不同,需采用离差标准化方法对输入数据进行归一化,其转换公式为:
其中,X′为归一化后的数据,其范围在[0,1],X为原始数据,Xmax为原始数的最大值,Xmin为原始数据的最小值,通过设置离差标准化在实际的数据分析和建模过程中,不同的特征往往具有不同的量纲和取值范围,这会对数据分析和建模产生影响。离差标准化可以将不同维度的特征值映射到相同的尺度,从而消除了特征之间的量纲影响,使得各个特征之间更具可比性,并且加速模型收敛,增强模型稳定性同时提升查找效率。
神经网络模型由三部分组成,拓扑结构包括输入层、隐层、和输出层构成,其中隐含层有一层或多层,每一层可选的有若干个节点,层与层之间节点的连接状态通过权重来体现,通过将神经网络分为多部分,输入层负责接收外部输入数据,例如图像、文本或其他形式的特征向量,输入层的节点个数通常取决于输入数据的维度,每个节点对应输入数据的一个特征或维度,输入层负责将原始输入数据传递给下一层,同时不做任何加工或处理,隐藏层负责对输入数据进行非线性变换和特征提取,隐藏层可以包含一层或者多层,并且每一层可以包含若干个节点,每个节点都对上一层的输入进行加权求和,并通过激活函数,进行非线性映射,得到该节点的输出,隐藏层节点之间通过权重进行连接,权重表示了节点之间的连接强度,是神经网络模型中需要学习的参数之一,隐藏层的作用是提取输入数据的高阶特征,并将这些特征传递给输出层,输出层负责输出神经网络模型的预测结果或分类结果,输出层的节点个数通常取决于模型的具体任务,例如二元分类任务可能只含有一个输出节点,多元分类任务可能含有多个输出节点,输出层的节点通过权重和来自隐藏层的输入进行加权求和,然后通过激活函数处理后输出最终的结果。
有多个隐含层可进行深度学习的神经网络,将流量序列表征输入至输入层,经过隐含层的层层传递,最后到达输出层,输出结果为每个统计时刻的用水量预测值,在这种结构下,可以使用适当的深度学习模型(例如循环神经网络(RNN)、长短期记忆网络(LSTM)、卷积神经网络(CNN)等)来处理时间序列的特征,并进行用水量的预测,适当选择适合时间序列预测任务的网络结构和激活函数,并进行模型的训练和优化,选择适当的损失函数和评价指标,例如均方误差(MSE)或者平均绝对误差(MAE),用于衡量模型的预测性能。
神经网络的搭建过程:
一、读取数据
Input=()、output=()
二、设置训练数据和预测数据
Input_train=()、output_train=()、Input_test=()、output_test=()
三、样本数据归一化
Mapminmax(Input_train)、Mapminmax(output_train)
构建BP神经网络,建立模型,传递函数使用purelin,采用梯度下四、降法训练
net=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm')
五、网络参数配置(训练次数,学习速率,训练目标最小误差等)
net.trainParam.epochs=();net.trainParam.learn=();net.trainParam.goal=()
对样本数据进行归一化处理可以将不同特征的数据统一到一个相近的数值范围内,有助于加速算法的收敛过程,减少模型训练时间,同时可以避免某些特征对模型训练产生过大的影响,特别是在神经网络中,数据归一化可以提高模型性能,降低过拟合的可能性,将数据集划分为训练集和测试集或验证集有助于评估模型的泛化能力,并避免模型过度拟合训练数据,通常可以使用一部分数据进行模型的训练,然后使用另一部分独立的数据进行模型的验证和测试,以评估模型在未知数据上的性能表现。
模型训练将数据划分为训练集和测试集,训练集对模型进行训练,确定各层的权重参数,测试集用来评估最终模型的预测精度,使用训练集输入模型进行训练时,从训练集中取出某一样本,把信息输入网络中,通过各节点间的连接情况正向逐层处理后,得到神经网络的实际输出,计算网络实际输出与期望输出的误差,将误差逐层反向回传至之前各层,并按一定原则将误差信号加载到连接权值上,使整个神经网络的连接权值向误差减小的方向转化,其中损失函数的误差,计算梯度反向传播更新每一层的权重,通过梯度下降多次迭代使模型拟合并达到最优,対训练集中每一个输入—输出样本对重复以上步骤,直到整个训练样本集的误差减小到符合要求为止,最终获得训练完成的BP神经网络模型。
用水量预测时在模型中输入测试集的数据,进行管道流量的预测,最终对预测结果进行评估,直至验证模型的合理性和模型的精确度,通过设置预测和评估,可以验证模型的合理性和评估模型的精确度,从而对模型进行充分的训练和优化,以获得更精确和可靠的用水量预测模型。
相对误差:
其中,Qr表示流量实测值,Qp表示用水量预测值,在实际应用中,根据研究区域的结果,训练好模型后根据当前的输入流量数据来预测未来某个统计时刻的用水量情况,计算相对误差可以反映预测结果与实际观测值之间的相对偏差大小,从而提供了一种直观的指标来评估模型的预测精度。当相对误差较小时,说明模型的预测较为准确;相对误差较大则表示预测结果与真实值存在较大偏差并且约束评估范围,可以更全面地评估模型的预测性能
使用过程简述:首先,用传感器或监测点收集管网正常供水条件下的管道特征和流量数据,其次,对数据清洗筛选,建立时间序列方法,然后,基于所收集的数据,构建并训练得到基于BP神经网络的管网节点流量预测模型,最后,得出预测值,实现对用水量的合理评估与调度,对比预测值与真实值的差异,进一步预测管网漏损情况。此外,本发明使用数据驱动的方法,减少了对于人工抄录水表的繁琐及管网内部水力物理机制的依赖性,可有效扩大模型的适用范围。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (10)
1.一种基于神经网络的校园供水管网用水量预测方法,其特征在于:包括以下步骤:
S1.收集数据,收集研究区域内各管网节点与管道流量密切相关的特征,包括但不限于管道流量和压力;
S2.数据预处理,统计节点数据,对缺失值进行补全,对异常值清理筛选,由于输入的数据可能存在数量级的差别,采用离差标准化方法对输入数据进行归一化;
S3.建立神经网络模型,网络分为三个部分,输入层,流量序列输入;其次是隐含层,将节点表征通过层级网络对输入特征训练,并在每个时刻进行输出;最后是输出层,输出转化为预测的用水量,网络模型基本思想是梯度下降法,利用梯度搜索技术,通过反向传播来不断调整网络的权重和阈值,以期使网络的实际输出值和期望输出值的误差均方差为最小,得到精度提高的预测数值;
S4.模型训练,将数据划分为训练集和测试集,使用训练集输入模型进行训练;
S5.使用训练好的模型在测试集上进行测试,根据真实数据对预测结果进行评估及误差计算,直到整个训练样本集的误差减小到符合要求为止。
2.根据权利要求1所述的一种基于神经网络的校园供水管网用水量预测方法,其特征在于:数据收集时,应挑选相对稳定的供水管位置布置传感器,供水管道内各个传感器布置点收集与管道流量密切相关的影响因子特征。
3.根据权利要求1所述的一种基于神经网络的校园供水管网用水量预测方法,其特征在于:数据预处理在实施过程中,收集到的原始数据可能会存在数据缺失的问题,可以使用插值方法,包括但不限于线性插值,对缺失数据进行补全,对出现异常情况的数据进行筛选清理,保留可靠的数据。
4.根据权利要求3所述的一种基于神经网络的校园供水管网用水量预测方法,其特征在于:由于输入的数据量级不同,需采用离差标准化方法对输入数据进行归一化,其转换公式为:
其中,X′为归一化后的数据,其范围在[0,1],X为原始数据,Xmax为原始数的最大值,Xmin为原始数据的最小值。
5.根据权利要求1所述的一种基于神经网络的校园供水管网用水量预测方法,其特征在于:神经网络模型由三部分组成,拓扑结构包括输入层、隐层、和输出层构成,其中隐含层有一层或多层,每一层可选的有若干个节点,层与层之间节点的连接状态通过权重来体现。
6.根据权利要求5所述的一种基于神经网络的校园供水管网用水量预测方法,其特征在于:有多个隐含层可进行深度学习的神经网络,将流量序列表征输入至输入层,经过隐含层的层层传递,最后到达输出层,输出结果为每个统计时刻的用水量预测值。
7.根据权利要求6所述的一种基于神经网络的校园供水管网用水量预测方法,其特征在于:神经网络的搭建过程:
一、读取数据
Input=()、output=()
二、设置训练数据和预测数据
Input_train=()、output_train=()、Input_test=()、output_test=()
三、样本数据归一化
Mapminmax(Input_train)、Mapminmax(output_train)
构建BP神经网络,建立模型,传递函数使用purelin,采用梯度下四、降法训练
net=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm')
五、网络参数配置(训练次数,学习速率,训练目标最小误差等)
net.trainParam.epochs=();net.trainParam.learn=();net.trainParam.goal=()。
8.根据权利要求1所述的一种基于神经网络的校园供水管网用水量预测方法,其特征在于:模型训练将数据划分为训练集和测试集,训练集对模型进行训练,确定各层的权重参数,测试集用来评估最终模型的预测精度。
9.根据权利要求1所述的一种基于神经网络的校园供水管网用水量预测方法,其特征在于:用水量预测时在模型中输入测试集的数据,进行管道流量的预测,最终对预测结果进行评估,直至验证模型的合理性和模型的精确度。
10.根据权利要求9所述的一种基于神经网络的校园供水管网用水量预测方法,其特征在于:相对误差:
其中,Qr表示流量实测值,Qp表示用水量预测值,在实际应用中,根据研究区域的结果,训练好模型后根据当前的输入流量数据来预测未来某个统计时刻的用水量情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410223143.2A CN118052326A (zh) | 2024-02-28 | 2024-02-28 | 一种基于神经网络的校园供水管网用水量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410223143.2A CN118052326A (zh) | 2024-02-28 | 2024-02-28 | 一种基于神经网络的校园供水管网用水量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118052326A true CN118052326A (zh) | 2024-05-17 |
Family
ID=91051769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410223143.2A Pending CN118052326A (zh) | 2024-02-28 | 2024-02-28 | 一种基于神经网络的校园供水管网用水量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118052326A (zh) |
-
2024
- 2024-02-28 CN CN202410223143.2A patent/CN118052326A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN112036075A (zh) | 一种基于环境监测数据关联关系的异常数据判定方法 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN116579768B (zh) | 一种发电厂在线仪表运维管理方法及系统 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN110570013A (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及系统 | |
CN117540938B (zh) | 基于td3强化学习优化的集成式建筑能耗预测方法及系统 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
Fagiani et al. | Computational Intelligence in Smart water and gas grids: An up-to-date overview | |
Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
CN118052326A (zh) | 一种基于神经网络的校园供水管网用水量预测方法 | |
CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
CN115471122A (zh) | 基于元数据模型的能耗评估方法及系统 | |
CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
CN117192063B (zh) | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 | |
CN117829822B (zh) | 一种电力变压器故障预警方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |