一种日用水量预测方法技术

本发明专利技术提供了一种日用水量预测方法，采用公式一预测城市日用水量，公式一：Qd=QA(1+B1ΔT+B2W+B3V)，其中，Qd为预测日的日用水量（m

【技术实现步骤摘要】
一种日用水量预测方法
本专利技术涉及一种日用水量预测方法。
技术介绍
由于影响城市日供水量的因素既包括季节、天气、假期等常规性因素，也包括管网事故、工业生产等不可预测的非常规因素。因此目前更常使用的是时间序列分析、灰色预测和神经网络等非解释性预测模型，其主要是根据大量历史数据建立模型，普遍存在影响因素不明、计算复杂、需要历史数据多等问题。申请公布号为CN104715292A公开了基于最小二乘支持向量机模型的城市短期用水量预测方法，包括以下步骤：对历史用水量进行预处理；进行相关性分析；采用最小二乘支持向量机方法，建立城市短期用水量预测模型，选取相关系数大于设定值的历史用水量的时间序列组合作为训练样本集进行训练；采用城市短期用水量预测模型进行实时预测；计算预测误差，如果预测误差不满足预测精度要求，对城市短期用水量预测模型进行改进。但是，该方法还是较为繁琐且预测精度有待进一步提高。
技术实现思路
本专利技术的目的在于提供一种预测精度高的日供水量预测方法。为解决上述技术问题，本专利技术采用如下技术方案：本专利技术的一个目的是提供一种日用水量预测方法，采用公式一预测城市日用水量，公式一：Qd＝QA(1+B1ΔT+B2W+B3V)，其中，Qd为预测日的日用水量(m3/d)；QA为过去若干日的平均用水量(m3/d)；ΔT为预测日的平均气温对于过去若干日平均气温值的增量(℃)；W为天气变化因数；V为假日因数；B1、B2、B3为线性回归系数。具体的，所述的W采用如下步骤进行确定：步骤(1)、将历史日的日用水量根据不同天气情况进行分组，并计算出每种天气情况的平均日用水量Q天气；步骤(2)、计算历史日的平均日用水量Q平均；步骤(3)、根据公式二计算每种天气情况的赋值k天气，公式二：k天气＝(Q天气-Q平均)/Q平均；步骤(4)、根据预测日的天气情况选择对应天气的赋值k天气作为W使用。更具体的，所述的天气情况分为晴、多云、阴、阵雨、小雨、中雨、大雨、暴雨、雪。具体的，所述的V采用如下步骤进行确定：步骤(1)、将历史日的日用水量根据不同假日情况进行分组，并计算出每种假日情况的平均日用水量Q假日；步骤(2)、计算历史日的平均日用水量Q平均；步骤(3)、根据公式三计算每种假日情况的赋值k假日，公式三：k假日＝(Q假日-Q平均)/Q平均；步骤(4)、根据预测日的假日情况选择对应假日的赋值k假日作为V使用。更具体的，所述的假日情况分为周一、周二、周三、周四、周五、周六、周日和节假日。具体的，所述的B1、B2、B3根据历史日的日用水量、温度变化、天气情况和假日情况，由所述的公式一线性回归得到。根据一个优选方案，所述的日用水量预测方法还包括对不同用水特性的时段进行划分，每个不同时段采用不同的W、V、B1、B2、B3来对相应时段的日用水量进行预测。由于以上技术方案的实施，本专利技术与现有技术相比具有如下优点：本专利技术的日用水量预测方法的预测精度高，影响因素明确、计算简单、可随时修正参数，从而进一步提高预测精度，为自来水的供水调度提供依据。附图说明附图1为水厂的绝对相对误差分布直方图；附图2为水厂预测绝对相对误差超过5％的分布情况；附图3为水厂优化前后预测模型误差对比(2017年过年期间)。具体实施方式一、日用水量预测方法步骤(1)、将历史日的日用水量根据不同天气情况和不同假日情况进行分组，天气情况分为晴、多云、阴、阵雨、小雨、中雨、大雨、暴雨、雪；假日情况分为周一、周二、周三、周四、周五、周六、周日和节假日。步骤(2)、计算出每种天气情况的平均日用水量Q晴、Q多云、Q阴、Q阵雨、Q小雨、Q中雨、Q大雨、Q暴雨、Q雪。步骤(3)、计算出每种假日情况的平均日用水量Q周一、Q周二、Q周三、Q周四、Q周五、Q周六、Q周日、Q节假日。步骤(4)、计算历史日的平均日用水量Q平均。步骤(5)、根据公式二计算每种天气情况的赋值k晴、k多云、k阴、k阵雨、k小雨、k中雨、k大雨、k暴雨、k雪，其中，k晴、k多云、k阴、k阵雨、k小雨、k中雨、k大雨、k暴雨、k雪分别为相应天气时的W，公式二：k天气＝(Q天气-Q平均)/Q平均。步骤(6)、根据公式三计算每种假日情况的赋值k周一、k周二、k周三、k周四、k周五、k周六、k周日、k节假日，其中，k周一、k周二、k周三、k周四、k周五、k周六、k周日、k节假日分别为相应假日时的V，公式三：k假日＝(Q假日-Q平均)/Q平均。步骤(7)、根据历史日的日用水量、温度变化、天气情况和假日情况，由公式一线性回归得到B1、B2、B3；公式一：Qd＝QA(1+B1ΔT+B2W+B3V)，其中，Qd为预测日的日用水量(m3/d)；QA为过去若干日的平均用水量(m3/d)；ΔT为预测日的平均气温对于过去若干日平均气温值的增量(℃)；W为天气变化因数；V为假日因数；B1、B2、B3为线性回归系数。步骤(8)、将步骤(7)得到的到B1、B2、B3反代入公式一，得到日用水量的预测公式。优选地，日用水量预测方法还包括对不同用水特性的时段进行划分，每个不同时段采用不同的W、V、B1、B2、B3来对相应时段的日用水量进行预测，例如，将时段划分为过年前后1个月、8月份等多个时段。其中，步骤(7)的线性回归系数的确定的具体方法为：通常使用最小二乘法对已知数据进行最佳线性拟合。拟合多元线性回归模型的原则是建立在因变量的预测值与实际值之间的误差为最小的基础上，即为最小。对于方程组：将其向量化后：Xβ＝Y对进行微分，存在使得S(β)最小，可得从而多元线性方程的回归系数就可以确定。当数值较多，手工计算较困难时，一般采用计算机软件完成计算。以此种方法，就可以通过前N天的数据计算出公式一中的线性回归系数B1、B2、B3。二、预测模型精确度的检验绝对相对误差w平均绝对相对误差eyi为第i日用水量的实际值；Fi为第i日用水量预测值。三、应用例3.1、根据某地水厂2015年全年的数据，求得变量赋值，如表1。表1、水厂天气状况各变量的赋值天气状况晴多云阴阵雨小雨中雨大雨暴雨雪赋值-0.060-0.111-0.132-0.027-0.163-0.071-0.176-0.056-0.204表2、水厂假期状况各变量的赋值假期状况周一周二周三周四周五周六周日节假日赋值-0.135-0.130-0.0470.0330.0740.0560.150-0.3753.2、模型变量的确定(1)判断依据相关系数是反映变量之间关系密切程度的统计指标，数据越趋近于0表示相关关系越弱。相关系数的计算方法为：通过选择不同变量，并比较它们与水量之间的相关系数，可得出与日供水量线性相关性最好的变量。(2)判断结果根据公式一，设定日供水量变化系数求得2016年上半年的日供水量变化系数与最高气温Tmax、最低气温Tmin、平均气温Tave、平均温度变化ΔT、湿度、天气、假日情况的相关系数，见表3。从表中可知，日供水量变化系数与平均温度变化、天气情况和假日情况的线性相关性最好。由此表明，对天气情况和假日情况的赋值合适，且可以用平均温度变化、天气情况和假日情况作为变量，采用多元线性回归。表3、水厂日供水变化系数与其它变量之间的相关系数3.3、预测过程将水厂2016年3月15日至2017年4月30日的平均气温变化、天气状本文档来自技高网...

【技术保护点】
一种日用水量预测方法，其特征在于：采用公式一预测城市日用水量，公式一：Qd=QA(1+B1ΔT+B2W+B3V)，其中，Qd为预测日的日用水量（m

【技术特征摘要】
1.一种日用水量预测方法，其特征在于：采用公式一预测城市日用水量，公式一：Qd=QA(1+B1ΔT+B2W+B3V)，其中，Qd为预测日的日用水量（m3/d）；QA为过去若干日的平均用水量（m3/d）；ΔT为预测日的平均气温对于过去若干日平均气温值的增量（℃）；W为天气变化因数；V为假日因数；B1、B2、B3为线性回归系数。2.根据权利要求1所述的日用水量预测方法，其特征在于：所述的W采用如下步骤进行确定：步骤（1）、将历史日的日用水量根据不同天气情况进行分组，并计算出每种天气情况的平均日用水量Q天气；步骤（2）、计算历史日的平均日用水量Q平均；步骤（3）、根据公式二计算每种天气情况的赋值k天气，公式二：k天气=（Q天气-Q平均）/Q平均；步骤（4）、根据预测日的天气情况选择对应天气的赋值k天气作为W使用。3.根据权利要求2所述的日用水量预测方法，其特征在于：所述的天气情况分为晴、多云、阴、阵雨、小雨、中雨、大雨、暴雨、雪。4.根据权利要求...

【专利技术属性】
技术研发人员：鞠佳伟，
申请(专利权)人：吴江华衍水务有限公司，
类型：发明
国别省市：江苏,32