【技术实现步骤摘要】
一种基于机器学习的供水管网压力预测方法及系统
[0001]本专利技术涉及供水管网压力管理与机器学习
,尤其涉及一种基于机器学习的供水管网压力预测方法及系统。
技术介绍
[0002]供水管网的稳定与安全,对居民日常生活、工业生产及城乡的发展具有重要的意义,以城市供水管网为例,其具有结构复杂、规模庞大、用水随机性强等特点。在供水管网运行时,由于各区域的用水需求不一致,为了确保各区域在用水高峰时段可获得稳定供水,并对供水管网进行日常运维监测,调度人员需要通过供水管网的供水压力来监测其运行状况,并基于监测点的供水压力实测数据与职业经验对监测点的供水压力进行预测分析,进而进行供水压力调整调度。
[0003]在实际生产运行中,通常采用时间序列法、结构分析法或系统分析法等对供水管网进行压力预测,其中,时间序列法预测精度较高,但仅适用于短期预测;结构分析法在影响因素较多时预测效率不佳;系统分析法具有自学习能力,适用于预测此类非线性动态系统,但也存在模型复杂、训练时长过长、对训练数据要求高等问题。此外,上述方法均易受噪声干扰,预测精度不稳定,难以满足对供水管网系统的压力预测需求。
技术实现思路
[0004]本专利技术实施例公开一种基于机器学习的供水管网压力预测方法及系统,基于历史压力数据,通过机器学习构造高精度高效率的供水管网压力预测模型,用于对特定时间点、特定监测点的压力状况进行精准预测,从而可预先制订应对预案以应对可能发生的特殊情况,确保稳定供水,有效满足了对供水管网系统的压力预测需求。
[0 ...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的供水管网压力预测方法,其特征在于,所述方法包括:获取历史压力数据;对所述历史压力数据进行数据预处理,得到样本压力数据;基于所述样本压力数据构建供水管网压力预测模型;采用所述供水管网压力预测模型进行压力预测分析。2.根据权利要求1所述的方法,其特征在于,在所述获取历史压力数据之后,以及,在所述对所述历史压力数据进行数据预处理,得到样本压力数据之前,所述方法还包括:对所述历史压力数据进行水压分布分析,得到水压分布状况;对所述历史压力数据进行周期性分析,得到各监测点对应于各时间周期的周期变化规律;基于所述水压分布状况及所述周期变化规律设定数据预处理规则,用以针对所述历史压力数据进行数据预处理;其中,所述数据预处理规则包括清洗方法、补值方法及变换方法,所述补值方法采用拉格朗日插值法。3.根据权利要求2所述的方法,其特征在于,所述对所述历史压力数据进行数据预处理,得到样本压力数据,包括:采用所述清洗方法筛除所述历史压力数据中的无效数据,所述无效数据包括重复数据、无关数据及错误数据;检测所述历史压力数据中存在的缺值数据,以及,确定所述历史压力数据的因变量及自变量;对分布于所述缺值数据前后的若干正常数据进行取值,得到若干缺值集合,每一所述缺值数据与每一所述缺值集合相对应;基于所述因变量、所述自变量及所述缺值集合,采用拉格朗日插值法对所述缺值数据进行插值,得到中间历史压力数据;采用所述变换方法对所述中间历史压力数据进行规范化处理,得到所述样本压力数据。4.根据权利要求3所述的方法,其特征在于,所述基于所述样本压力数据构建供水管网压力预测模型,包括:将所述样本压力数据划分为训练数据样本及测试数据样本;根据时间梯度序列对所述训练数据样本进行排序,并基于每一所述监测点及每一时间梯度节点抓取所述训练数据样本中的a个数据实例,构造得到数据子集A;在不包括所述第一数据实例的所述训练数据样本中随机采样b个数据实例,构造得到数据子集B;对所述数据子集B中的数据实例设定梯度为(1
‑
a)/b;采用GOSS算法剔除所述数据子集A及所述数据子集B中权重值低于预设权重阈值的数据实例,计算信息增益;采用EFB算法减少特征维度;采用leaf
‑
wise方法构造决策树,基于所述决策树生成所述供水管网压力预测模型。5.根据权利要求4所述的方法,其特征在于,所述采用GOSS算法剔除所述数据子集A及
所述数据子集B中权重值低于预设权重阈值的数据实例,计算信息增益,包括:采用以下公式计算信息增益采用以下公式计算信息增益其中,d为数据实例的样本总数,g
i
为梯度,为d节点的左子节点的样本总数,为d节点的右子节点的样本总数;以及,A
l
={x
i
∈A:x
ij
≤d};A
r
={x
i
∈A:x
ij
>d};B
l
={x
i
∈B:x
ij
≤d};B
r
={x
i
∈B:x
ij
>d}。6.一种基于机器学习的供水管网压力预测系统,...
【专利技术属性】
技术研发人员:陈洋臣,何卓彦,潘颖,
申请(专利权)人:广州观必达数据技术有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。