[發明專利]一種基于GRU神經網絡的市政管網水流量預測方法

有效

• 申請號: 202011174683.4
• 申請日: 2020-10-29
• 公開（公告）號: CN112561118B
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 郭毅;劉帥;王億寶;郝二成;劉偉巖;孫云輝
• 申請（專利權）人: 北京水慧智能科技有限責任公司;北控水務（中國）投資有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06Q50/26;G06N3/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.一種基于GRU神經網絡的市政管網水量預測方法，其特征在于：以水廠中控系統為泵坑液位、進廠流量計兩種數據的來源，通過數據預處理模塊，對數據進行清洗，而后以清洗后的數據將進廠流量數據和泵坑液位數據進行對齊為后續處理準備整齊無誤的數據源，在將數據處理后推送給市政管網數據計算模塊，該模塊將數據通過相應的變換估算市政管網流量，之后將估算的數據推給自回歸相關系數模塊計算自回歸階數得到GRU神經網絡的輸入維度，生成GRU神經網絡；最后通過GRU神經網絡對市政管網流量進行預測分析；

將處理好的數據經過相應的變化估計市政管網流量，根據下式實現

其中f_o為水廠總管流量，f_s為市政管網流量，l為泵坑液位，s為泵坑底面積，流量單位為m³/h；

根據上式，經左右兩側變換有：

由(2)式可知，當f_s(t-1)已知時，則任意時刻管網流量f_s(t)就可計算得出；

在此對f_s(1)取：

根據式(2)和(4)得到市政管網污水流量的一系列估計值f_s(t)，顯然f_s(t)為時間序列；

計算得到的市政管網流量序列的自回歸相關系數，將在最大自相關系數值70％范圍內的系數個數作為回歸階數，k階協方差定義如下：

其中n為時間序列長度，k＝0，1，2，...，n-1為依賴時間步長，f_s(t)為時間序列t時刻的值，為f_s的均值，則自相關函數為：

2.根據權利要求1所述的一種基于GRU神經網絡的市政管網水量預測方法，其特征在于：所述的數據清洗方法基于污水廠中控系統原始數據，對于缺失的異常值采用相鄰前10個數據的均值進行代替的方法。

3.根據權利要求1所述的一種基于GRU神經網絡的市政管網水量預測方法，其特征在于：所述的泵坑液位和進廠流量數據，通過將固定時間1分鐘內的數據取均值代表該段時間的數據，而后將泵坑液位和進廠流量數據兩種數據分別以5個時間窗口做滑動平均對數據進行去噪聲處理。

4.根據權利要求1所述的一種基于GRU神經網絡的市政管網水量預測方法，其特征在于：GRU神經網絡的單元為：

其中

z_t＝σ(W_zX_t+U_zh_t-1)，

r_t＝σ(W_rX_t+U_rh_t-1)，

其中tanh為雙曲正切函數，h_t為當前時刻的隱藏狀態，h_t-1為上一個時刻傳輸下來的隱藏狀態，X_t為當前時刻的狀態，z_t為控制更新的門控，r_t為重置的門控，σ為sigmoid函數通過這個函數將數據變換為0-1范圍內的數值，從而來充當門控信號z_t；得到門控信號之后，首先使用重置門控來得到“重置”之后的數據r_t⊙h_t-1，再將r_t⊙h_t-1與輸入X_t進W_r，W_z為待訓練參數，以隨機初始化的方式予以初始化，⊙代表矩陣對應元素的乘積；

其神經網絡訓練過程是指對原始數據以7∶3的比例按照一致分布隨機分為訓練集和測試集，基于訓練集采用批量隨機梯度法進行訓練，每15次迭代計算一次模型在測試集上的誤差，當模型在測試集上的誤差比上一次結果差的時候停止訓練，并使用上一次模型訓練的參數作為模型的參數。