基于并行LSTM串联DNN的供水管网压力预测方法技术

本发明专利技术公开了一种基于并行LSTM串联DNN的供水管网压力预测方法。本发明专利技术首先确定输入输出项，建立基于并行LSTM串联DNN的预测模型。其次数据预处理，建立压力预测数据库。然后训练预测模型。最后进行在线压力预测。本发明专利技术实现LSTM和DNN的优势互补，并用Dropout技术防止模型过拟合，Relu激活函数加快模型收敛速度，小批量梯度下降法减少了随机性和计算量，选择RMSprop作为随机梯度下降法的优化算法，提高了供水管网压力预测方法的抗干扰性和精度。

Pressure prediction method for water supply network based on parallel LSTM and DNN in series

The invention discloses a pressure prediction method for water supply network based on parallel LSTM and DNN in series. The invention first determines the input and output items, and establishes a prediction model based on parallel LSTM and DNN in series. Secondly, data pre-processing is used to establish pressure prediction database. Then the prediction model is trained. Finally, online pressure prediction is carried out. The invention realizes the complementary advantages of LSTM and DNN, and uses Dropout technology to prevent model over-fitting, Relu activation function to accelerate model convergence speed, small batch gradient descent method to reduce randomness and calculation amount, and RMSprop is selected as the optimization algorithm of random gradient descent method to improve the anti-interference performance of water supply network pressure prediction method. And precision.

【技术实现步骤摘要】
基于并行LSTM串联DNN的供水管网压力预测方法
本专利技术属于城市供水领域，具体是一种基于并行LSTM串联DNN的供水管网压力预测方法。
技术介绍
供水管网系统是一个结构复杂、规模庞大、用水随机性强的非线性动态系统，能否快速准确地模拟和预测出管网的运行工况，是进行供水管网优化调度的关键。供水管网生产运行中，调度人员一般以压力实测数据来观察管网的运行状况。因此，对监测点压力进行预测分析，有助于调度人员提前预判，做好生产指挥。目前供水管网压力预测方法一般分为时间序列法、结构分析法和系统方法三大类。其中时间序列法包括移动平均法、指数平滑法、趋势外推法等；结构分析法包括回归分析法等；系统方法包括灰色预测、人工神经网络等。时间序列模型预测精度较好、数据处理简单，但是只能利用测点短期时序数据，并不适用于变化较大的情况；回归分析法模型简单、方便但受多种因素综合影响时难以选择；系统方法具有自学习能力、非线性处理等优点，但是存在模型复杂、训练时间长等问题。上述方法均易受噪声干扰，预测精度难以保证。
技术实现思路
针对供水管网的高度复杂非线性特性及现有技术方法的不足，本专利技术提出一种基于并行LSTM(长本文档来自技高网...

【技术保护点】
1.基于并行LSTM串联DNN的供水管网压力预测方法，其特征在于该方法具体是：步骤(1)确定输入输出项，建立基于并行LSTM串联DNN的预测模型，具体是：鉴于供水管网系统是一个多输入多输出的非线性时滞系统，选择历史状态量[x(t),x(t‑1),…,x(t‑ns)]和控制量[u(t‑1),u(t‑2),…,u(t‑nu)]作为输入项；确定输出项为压力测点t+1时刻的输出ym(t+1)，这里ns、nu为历史时间窗口；建立基于并行LSTM串联DNN的深度学习模型：a.分别采用LSTM模型对状态量[x(t),x(t‑1),…,x(t‑ns)]和控制量[u(t‑1),u(t‑2),…,u(t‑nu)]...

【技术特征摘要】
1.基于并行LSTM串联DNN的供水管网压力预测方法，其特征在于该方法具体是：步骤(1)确定输入输出项，建立基于并行LSTM串联DNN的预测模型，具体是：鉴于供水管网系统是一个多输入多输出的非线性时滞系统，选择历史状态量[x(t),x(t-1),…,x(t-ns)]和控制量[u(t-1),u(t-2),…,u(t-nu)]作为输入项；确定输出项为压力测点t+1时刻的输出ym(t+1)，这里ns、nu为历史时间窗口；建立基于并行LSTM串联DNN的深度学习模型：a.分别采用LSTM模型对状态量[x(t),x(t-1),…,x(t-ns)]和控制量[u(t-1),u(t-2),…,u(t-nu)]进行特征提取和学习，同时设分别为供水管网的状态量和控制量经LSTM模型的输出值；b.采用深层神经网络DNN模型将进行融合处理，得到输出ym(t+1)其中[]表示将两种在时间维度上具有相同维数的矩进行合并，H()为DNN模型的激活函数；WDNN、bDNN分别为DNN模型的权值与阈值；步骤(2)数据预处理，建立压力预测数据库(2-1)数据预处理数据补缺：针对来自SCADA系统现场采集的数据存在数据丢失问题，采用线性、抛物线或三次曲线插值补全缺失的数据；数据去噪：针对现场数据存在大量噪声干扰问题，采用小波变换去除噪声；无量纲处理：针对供水管网压力和流量具有不同的物理量纲和数量级问题，对数据作归一化处理，即将输入与输出都限制在[0,l]，使它们以相同的等级参与模型训练与预测；(2-2)建立压力预测数据库数据项除了时间戳、节点外，还包括：(1)测点的压力、流量值，入口的压力、流量值，从SCADA系统中实时抽取、清洗、转换、并存储，作为模型的输入项；(2)测点的预测压力，来自模型预测，是模型的输出项；(3)误差数据项，用来统计分析预测精度；步骤(3)训练预测模型(3-1)确定训练样本围绕大型供水管网的DMA分区或者小型供水管网，确定输入样本为{X(ns),U(nu),Y}，其中X(ns)为i维状态量，U(nu)为2j维控制量，i为监测点数，j为入口数；(3-2)确定模型基本结构，设置其余参数初值，开始训练模型根据经验或者初步调参的效果确定参数的取值范围；nu、ns∈{1,2,…12}，时间步长t＝5分钟，即历史信息最大跨度为60分钟；隐含层个数L...

【专利技术属性】
技术研发人员：徐哲，李玉全，陈晖，何必仕，陈云，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33