一种基于LSTM模型预测管网水位的方法及系统技术方案

本发明专利技术提供一种基于LSTM模型的管网水位预测方法及系统。管网水位预测方法为将采集的物联网水位计历史数据，按历史降雨场次进行分组整理，并通过换算充满度的方式进行数据归一化处理，通过相关性数据分析确定输入层数据，利用LSTM模型进行训练学习，通过不断优化与调参，最终得到可进行预测的模型。管网水位预测系统是上述方法的一个具体实现，具备完整的功能及交互界面；包括6个模块：监测布点模块，用于监测布点方案设计，选择重要节点布设设备；设备管理模块，用于安装后设备启用采样与通讯；实时数据模块，用于数据采集及时序数据展示；数据检修模块，进行数据整理与预处理；数据分析模块，用于数据归一化处理以及数据相关性分析。分析。分析。

【技术实现步骤摘要】
一种基于LSTM模型预测管网水位的方法及系统


[0001]本专利技术涉及城市雨水管网在线监测预测领域，尤其涉及一种基于LSTM模型预测管网水位的方法及系统。

技术介绍

[0002]近些年，国内许多大中型城市屡遭暴雨而频现内涝灾害，多次形成“看海”模式。在汛期，许多城市的居民生活会受天气，特别是受暴雨的影响；因为，暴雨之后，城市部分城区，特别是老旧城区会出现或多或少的城市内涝，影响部分城市居民的生产生活，甚至是影响居民的生命安全。内涝的频繁发生，暴露了当前管网主要存在缺乏信息化管理系统和缺乏监测预警机制两方面的问题。
[0003]为了应对上述问题，需要掌握管网运行动态及负荷空间分布；主动对雨水管网水位进行数据检修及分析；对管网当下运行状况进行在线监测，从而在时间上对管网运行状况做出短时预测。

技术实现思路

[0004](一)要解决的技术问题
[0005]本专利技术提供了一种基于LSTM模型对雨天排水管网水位的预测方法以及一套包含监测布点、设备管理、实时数据、数据检修、数据分析、数据预测等模块的雨水管网系统在线监测系统。通过对数据的实时监测以及对历史雨天数据的分析，从已知历史时间水位数据分析预测出未来短时趋势走向。
[0006](二)技术方案
[0007]一种基于LSTM模型的水位预测方法，方法包括如下步骤：
[0008]步骤一：利用人工智能神经网络中LSTM模型(Long Short
‑
Term Memory，长短期记忆模型，以下简称LSTM)对雨水管网水位进行未来短时预测的方法。
[0009]步骤二：定义预测的输入层与输出层：取场次降雨雨水管网的水位历史数据，以5分钟为间隔，1小时内的数据为一组(即12个数据)，预测下1小时的水位变化。
[0010]步骤三：数据预处理方法，包括数据按小时分组，数据批次按5分钟为间隔，1小时12个值为1批。
[0011]步骤四：数据归一化方法，管网水位数据有其特殊性，不应按常规方式进行归一化处理，换算管网充满度，即用当前水位值除以管网直径得到的数据即为归一化后的数据，值大小介于0～1之间。
[0012]步骤五：模型训练与学习方法，利用LSTM模型训练学习时，通过多场次降雨事件进行遗忘状态值的调优。
[0013]作为优选的技术方案，从时间上来看，同一个空间区域内，在当前时刻t，通过LSTM的遗忘门读取上一时刻的输出值与当前时刻输入值，其中当前时刻输入值为历史数据中某场次降雨的水位数据；通过LSTM的sigmoid函数确定一个遗忘状态值Ft，遗忘状态值介于0
～1之间，通过LSTM的输入门生成输入状态值，输入状态值样介于0～1之间；通过LSTM的tanh函数和输入值、上一时刻的输出值，预测预设同一时期下一时刻的水位数据。
[0014]一种基于LSTM模型水位预测方法构建的管网水位预测系统，系统包括有监测布点模块、设备管理模块、实时数据模块、数据检修模块、数据分析模块、数据预测模块。
[0015]作为优选的技术方案，监测布点模块用于在监测区域内布设监测点和监测设备，在线查看布点位置以及布点数量。
[0016]作为优选的技术方案，设备管理模块用于在布设设备仪器之后，对设备信息化标记并联网记录每一台设备的基本信息、指标信息、监测点位信息。
[0017]作为优选的技术方案，实时数据模块用于设备启用并上线后，监测点的水位数据将会实时采集被发送到服务端，用户可通过浏览器实时查看当前数据。
[0018]作为优选的技术方案，数据检修模块用于对选择时刻设备采集数据进行校验，对缺失数据和异常数据进行校验并标记，支持阈值法、截断点法、斜率法、方差法等自动预校验方法，同时对异常数据提供均值、插值等方法进行修复。
[0019]作为优选的技术方案，数据分析模块用于对每台设备的历史数据进行统计分析和警报分析。以时、天、月、年不同时间间隔，计算监测指标的最大值、中值、最小值、均值以及最大值、最小值发生时间，根据这些统计量，生成箱形图、液位趋势分析图；根据被测液位的频次和频率得到液位直方图。
[0020]作为优选的技术方案，数据预测模块用于结合数据分析模块所得到的统计量以及管网连通性分析得到的相关性，再结合基于LSTM模型的预测方法，对城市雨水管网在降雨时管网水位进行预测。
[0021](三)有益效果
[0022]本专利技术的有益效果在于：
[0023]1.较于传统预测模型，结合LSTM神经网络，可以在训练及学习过程考虑雨量及液位在时间上的记忆，即存在多长时间段的雨量及液位对下一时刻的预测液位有多大的相关性。
[0024]2.该预测方法是一动态预测方法，即通过当年降雨及对应液位进行初始模型训练后，随着不断发生降雨事件作为后续输入训练集，进行迭代后，模型精度会由于训练样本增大而减少过拟合现象，有一定幅度的提高并趋于稳定。
[0025]3.本专利技术提供方法是一套集成度较高的系统，已将预测模型过程所需的数据采集、数据初始化处理、模型训练及预测结果展示集成到相应的软件模块，将界面可视化并简化了相关参数设置操作，降低系统操作人员的技术门槛，且具备一定的稳定性和重用性。
附图说明
[0026]图1管网水位预测方法及流程
[0027]图2LSTM模型3门和1细胞单元
[0028]图3降雨量和管道充满度变化曲线
[0029]图4为7场降雨数据统计量
[0030]图5具体样本示例
[0031]图6损失曲线
[0032]图7为8月19日降雨场次模型预测
[0033]图8管网水位预测系统及模块
[0034]具体实施
[0035]为使本说明书的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本说明书的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
[0036]结合附图对本专利技术一种基于LSTM模型预测管网水位的方法及系统，做进一步说明，下面结合实施例对本专利技术作进一步详述：
[0037]第一部分，本专利技术提供了一种基于LSTM模型的水位预测方法。
[0038]取某场次降雨雨水管网的水位历史数据，如以5分钟为间隔，1小时内的数据为一组(即12个数据)，预测下1小时的水位变化。
[0039]从时间上来看，同一个空间区域内，在当前时刻t，通过LSTM的遗忘门读取上一时刻的输出值与当前时刻输入值，其中所述当前时刻输入值为所述历史数据中某场次降雨的水位数据；通过LSTM的sigmoid函数确定一个遗忘状态值F
t
，所述遗忘状态值介于0～1之间，0表示完全遗忘，1表示完全保留；通过LSTM的输入门生成输入状态值，所述输入状态值样介于0～1之间；通过LSTM的tanh函数和输入值、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM模型的水位预测方法，其特征在于：所述方法包括如下步骤：步骤一：利用人工智能神经网络中LSTM模型(Long Short
‑
Term Memory，长短期记忆模型，以下简称LSTM)对雨水管网水位进行未来短时预测的方法。步骤二：定义预测的输入层与输出层：取场次降雨雨水管网的水位历史数据，以5分钟为间隔，1小时内的数据为一组(即12个数据)，预测下1小时的水位变化。步骤三：数据预处理方法，包括数据按小时分组，数据批次按5分钟为间隔，1小时12个值为1批。步骤四：数据归一化方法，管网水位数据有其特殊性，不应按常规方式进行归一化处理，换算管网充满度，即用当前水位值除以管网直径得到的数据即为归一化后的数据，值大小介于0～1之间。步骤五：模型训练与学习方法，利用LSTM模型训练学习时，通过多场次降雨事件进行遗忘状态值的调优。2.根据权利要求1所述的基于LSTM模型的水位预测方法，其特征在于：从时间上来看，同一个空间区域内，在当前时刻t，通过LSTM的遗忘门读取上一时刻的输出值与当前时刻输入值，其中所述当前时刻输入值为历史数据中某场次降雨的水位数据；通过LSTM的sigmoid函数确定一个遗忘状态值F
t
，所述遗忘状态值介于0～1之间，通过LSTM的输入门生成输入状态值，所述输入状态值样介于0～1之间；通过LSTM的tanh函数和输入值、上一时刻的输出值，预测所述预设同一时期下一时刻的水位数据。3.根据权利要求1
‑
2所述的基于LSTM模型水位预测方法构建的管网水位预测系统，其特征在于：所述系统包括有监测布点模块、设备管理模块、实时数据模块、数据检修模块、数据分析模...

【专利技术属性】
技术研发人员：盛政，王佳佳，雷唤，董贵安，章飞月，施沈科，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：