一种水厂水量预测方法及系统技术方案

本发明专利技术提供一种水厂水量及清水池液位预测方法及系统，涉及水厂水量预测领域，包括：采集水厂的历史数据得到出厂水量数据、进厂水量数据、清水池液位数据并进行预处理并进行特征工程得到出厂水量数据特征、进厂水量数据特征和清水池液位数据特征，构建出厂水量预测模型、进厂水量预测模型和清水池液位预测模型并训练，在训练过程中调整参数优化模型，最后将对测试集进行特征工程后得到的出厂水量数据特征、进厂水量数据特征和清水池液位数据特征输入出厂水量预测模型、进厂水量预测模型和清水池液位预测模型得到准确的出厂水量预测结果、进厂水量预测结果和清水池液位预测结果。有益效果是准确预测进出厂水量、清水池液位和早晚高峰时间。早晚高峰时间。早晚高峰时间。

【技术实现步骤摘要】
一种水厂水量预测方法及系统


[0001]本专利技术涉及水厂水量预测
，尤其涉及一种水厂水量预测方法及系统。

技术介绍

[0002]现代化水厂正在由“自动化”向“智慧化”发展。这不仅仅只要求水厂具备自动生产的能力，同时，还需要水厂能够具备感知能力，分析能力和预测能力。对生产的感知信号作出合理化的反应。这就需要对历史数据进行学习、分析，对生产结果作出预测。具备预测能力使得水厂生产逻辑更符合运行人员的操作逻辑，即需要对事件做出超前预测，而不是等事件发生后再做出反应，这是“智慧化”和“自动化”的本质区别。目前水厂进厂水量波动大、出厂水量难预测以及清水池液位预估不准，对水厂工作人员经验要求高。

技术实现思路

[0003]针对现有技术中存在的问题，本专利技术提供一种水厂水量及清水池液位预测方法，包括：
[0004]步骤S1，按照预设的时间间隔从水厂的历史数据中采集得到出厂水量数据、进厂水量数据、清水池液位数据并构建训练样本集合，对所述训练样本集合进行预处理；
[0005]步骤S2，构建出厂水量预测模型、进厂水量预测模型、清水池液位预测模型；
[0006]步骤S3，对所述训练样本集合进行特征工程得到出厂水量数据特征、进厂水量数据特征、清水池液位数据特征，根据所述出厂水量数据特征、所述进厂水量数据特征和所述清水池液位数据特征得到特征重要性排名图,根据所述特征重要性排名图中排名靠前的各所述特征训练所述出厂水量预测模型、所述进厂水量预测模型、所述清水池液位预测模型；
[0007]步骤S4，采集过去十四天内的近期历史数据，将所述近期历史数据进行特征工程后得到的所述出厂水量数据特征、所述进厂水量数据特征和所述清水池液位数据特征输入所述出厂水量预测模型、所述进厂水量预测模型和所述清水池液位预测模型得到出厂水量预测结果、进厂水量预测结果和清水池液位预测结果。
[0008]优选的，所述步骤S1中对训练样本集合的预处理包括：
[0009]将所述训练样本集合中超出正常数据范围的所述出厂水量数据、所述进厂水量数据和所述清水池液位数据作为异常数据并剔除，和/或对所述训练样本集合进行缺失值填充，和/或将所述训练样本集合中连续重复的所述出厂水量数据、所述进厂水量数据和所述清水池液位数据作为噪声数据并剔除。
[0010]优选的，所述步骤S2包括：
[0011]步骤S21，根据LightGBM算法构建出厂水量初始模型、进厂水量初始模型、清水池液位初始模型；
[0012]步骤S22，分别对所述出厂水量初始模型、所述进厂水量初始模型、所述清水池液位初始模型进行K折交叉验证得到所述出厂水量预测模型、所述进厂水量预测模型、所述清水池液位预测模型。
[0013]优选的，所述步骤S3包括：
[0014]步骤S31，基于历史数据构建统计特征，基于时间维度构造时间特征，以及基于水厂特有业务背景构造业务特征；
[0015]步骤S32，将所述统计特征、所述时间特征、所述业务特征进行交叉组合构造交叉特征；
[0016]步骤S33，根据所述交叉特征、所述统计特征、所述时间特征和所述业务特征对所述出厂水量数据、所述进厂水量数据、所述清水池液位数据进行特征提取得到所述出厂水量数据特征、所述进厂水量数据特征、所述清水池液位数据特征；
[0017]步骤S34，对所述出厂水量数据特征、所述进厂水量数据特征、所述清水池液位数据特征进行特征降维和特征选择得到所述特征重要性排名图；
[0018]步骤S35，根据所述特征重要性排名图中排名靠前的所述特征训练所述出厂水量预测模型、所述进厂水量预测模型、所述清水池液位预测模型。
[0019]优选的，所述步骤S4包括：
[0020]步骤S41，采集过去十四天内的近期历史数据，将所述近期历史数据进行特征工程后得到所述出厂水量数据特征、所述进厂水量数据特征和所述清水池液位数据特征；
[0021]步骤S42，将所述出厂水量数据特征输入训练后的所述出厂水量预测模型得到所述出厂水量预测结果；
[0022]步骤S43，将所述出厂水量预测结果和所述进厂水量数据特征输入训练后的所述进厂水量预测模型的得到所述进厂水量预测结果；
[0023]步骤S44，将所述出厂水量预测结果和所述进厂水量预测结果和所述清水池液位数据特征输入训练后的所述清水池液位预测模型得到所述清水池液位预测结果。
[0024]优选的，执行所述步骤S4后还包括：
[0025]步骤A1，将未来24小时的所述出厂水量预测结果持续大于预设的高峰阈值对应的时间节点作为早晚高峰起始节点；
[0026]步骤A2，将未来24小时的所述出厂水量预测结果小于预设的低峰阈值对应的时间节点作为早晚高峰结束节点。
[0027]优选的，执行所述步骤S22之后还包括：
[0028]对所述出厂水量预测模型、所述进厂水量预测模型、所述清水池液位预测模型的参数进行参数调整。
[0029]优选的，所述缺失值填充方法包括：均值填充，和/或0填充，和/或LightGBM填充。
[0030]优选的，所述统计特征包括：均值特征、最大值特征、最小值特征、方差特征、峰度特征、标注差特征、偏度特征；
[0031]所述时间特征包括：月份特征、日期特征、小时特征、星期特征、节假日特征、季节特征；
[0032]所述业务特征包括：月平均值特征、日期平均值特征、星期平均值特征、小时平均值特征。
[0033]本专利技术还提供一种水厂水量及清水池液位预测系统，应用如上述的水厂水量预测方法，包括：
[0034]数据处理模块，用于按照预设的时间间隔从水厂的历史数据中采集得到出厂水量
数据、进厂水量数据、清水池液位数据并构建训练样本集合，对所述训练样本集合进行预处理；
[0035]模型构建模块，用于构建出厂水量预测模型、进厂水量预测模型、清水池液位预测模型；
[0036]模型训练模块，连接所述数据处理模块和所述模型构建模块，用于对所述训练样本集合进行特征工程得到出厂水量数据特征、进厂水量数据特征、清水池液位数据特征，根据所述出厂水量数据特征、所述进厂水量数据特征和所述清水池液位数据特征得到特征重要性排名图,根据所述特征重要性排名图中排名靠前的各所述特征训练所述出厂水量预测模型、所述进厂水量预测模型、所述清水池液位预测模型；
[0037]结果预测模块，连接所述模型训练模块，用于采集过去十四天内的近期历史数据，将所述近期历史数据进行特征工程后得到的所述出厂水量数据特征、所述进厂水量数据特征和所述清水池液位数据特征输入所述出厂水量预测模型、所述进厂水量预测模型和所述清水池液位预测模型得到出厂水量预测结果、进厂水量预测结果和清水池液位预测结果。
[0038]上述技术方案具有如下优点或有益效果：采集水厂的历史数据并进行预处理，对预处理后的数据进行特征工程得到出厂水量数据特征、进厂水量数据特征和清水池液位数据特征，构建出厂水量预测模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水厂水量及清水池液位预测方法，其特征在于，包括：步骤S1，按照预设的时间间隔从水厂的历史数据中采集得到出厂水量数据、进厂水量数据、清水池液位数据并构建训练样本集合，对所述训练样本集合进行预处理；步骤S2，构建出厂水量预测模型、进厂水量预测模型、清水池液位预测模型；步骤S3，对所述训练样本集合进行特征工程得到出厂水量数据特征、进厂水量数据特征、清水池液位数据特征，根据所述出厂水量数据特征、所述进厂水量数据特征和所述清水池液位数据特征得到特征重要性排名图,根据所述特征重要性排名图中排名靠前的各所述特征训练所述出厂水量预测模型、所述进厂水量预测模型、所述清水池液位预测模型；步骤S4，采集过去十四天内的近期历史数据，将所述近期历史数据进行特征工程后得到的所述出厂水量数据特征、所述进厂水量数据特征和所述清水池液位数据特征输入所述出厂水量预测模型、所述进厂水量预测模型和所述清水池液位预测模型得到出厂水量预测结果、进厂水量预测结果和清水池液位预测结果。2.根据权利要求1所述的水厂水量及清水池液位预测方法，其特征在于，所述步骤S1中对训练样本集合的预处理包括：将所述训练样本集合中超出正常数据范围的所述出厂水量数据、所述进厂水量数据和所述清水池液位数据作为异常数据并剔除，和/或对所述训练样本集合进行缺失值填充，和/或将所述训练样本集合中连续重复的所述出厂水量数据、所述进厂水量数据和所述清水池液位数据作为噪声数据并剔除。3.根据权利要求1所述的水厂水量及清水池液位预测方法，其特征在于，所述步骤S2包括：步骤S21，根据LightGBM算法构建出厂水量初始模型、进厂水量初始模型、清水池液位初始模型；步骤S22，分别对所述出厂水量初始模型、所述进厂水量初始模型、所述清水池液位初始模型进行K折交叉验证得到所述出厂水量预测模型、所述进厂水量预测模型、所述清水池液位预测模型。4.根据权利要求1所述的水厂水量及清水池液位预测方法，其特征在于，所述步骤S3包括：步骤S31，基于历史数据构建统计特征，基于时间维度构造时间特征，以及基于水厂特有业务背景构造业务特征；步骤S32，将所述统计特征、所述时间特征、所述业务特征进行交叉组合构造交叉特征；步骤S33，根据所述交叉特征、所述统计特征、所述时间特征和所述业务特征对所述出厂水量数据、所述进厂水量数据、所述清水池液位数据进行特征提取得到所述出厂水量数据特征、所述进厂水量数据特征、所述清水池液位数据特征；步骤S34，对所述出厂水量数据特征、所述进厂水量数据特征、所述清水池液位数据特征进行特征降维和特征选择得到所述特征重要性排名图；步骤S35，根据所述特征重要性排名图中排名靠前的所述特征训练所述出厂水量预测模型、所述进厂水量预测模型、所述清水池液位预测模型。5.根据权利要求1所述的水厂水量及清水池液位预测方法，其特征在于，所述步骤S4包括：
步骤S41，采集过去十四天内的近期历史数据，将所述近期...

【专利技术属性】
技术研发人员：赵伟康，谢林林，杨小华，秦爱冬，张振华，代艳格，李博，
申请(专利权)人：上海威派格智慧水务股份有限公司，
类型：发明
国别省市：