一种居民用水量的预测方法技术

本发明专利技术公开了一种居民用水量的预测方法，包括以下步骤：S1、通过智能水表获取研究区在研究时段内的用水量数据；S2、采用Z

【技术实现步骤摘要】
一种居民用水量的预测方法


[0001]本专利技术涉及水量预测方法，具体为一种居民用水量的预测方法。

技术介绍

[0002]近年来，供水行业的节能减排成为了热点，对用户水量进行精准预测是实现送水泵房水量精准泵送的基础，从而降低水厂能耗，减少供水系统碳排放。用户水量的预测分为长期预测、中期预测与短期预测，短期预测主要指日、时、分钟三个尺度上的水量预测。为了科学调度用户水量，水量的短期预测成为了亟待解决的难题。
[0003]传统的水量预测方法有着精度与颗粒度较低的缺陷。近年来，越来越多的学者提出了用机器学习的方法来预测用户水量。传统的机器学习预测居民用水量时，不能包含水量的时序性信息，预测效果并不理想，近年来发展起来的循环神经网络考虑了数据的时间序列信息，使得用户水量的短期预测成为可能。现有的用水量预测方法大多都使用了循环神经网络，然而循环神经网络因其结构问题不能进行并行运算，预测效率低下，且占用内存较多。此外，现有的用水量预测基本上为日用水量和时用水量的预测，缺少分钟级用水量预测。

技术实现思路

[0004]专利技术目的：为了克服现有技术中存在的不足，本专利技术的目的是提供一种预测精度和颗粒度高、运行时间短的居民用水量的预测方法。
[0005]技术方案：本专利技术所述的一种居民用水量的预测方法，包括以下步骤：
[0006]S1、通过智能水表获取研究区在研究时段内的用水量数据；
[0007]S2、采用Z
‑
Score法对数据进行清理，清除和修复原始数据中的异常值；
[0008]S3、用时变滤波器经验模态分解将居民用水量数据分解为频率由高到低的多个子序列；
[0009]S4、根据频率将子序列划分为高频子序列和低频子序列，将用水量数据重构为高频和低频两个子序列；
[0010]S5、使用Transformer模型分别对两个子序列进行预测；
[0011]S6、将子序列的预测值进行叠加，得到预测的居民用水量。
[0012]进一步地，步骤S2具体包括以下步骤：
[0013]计算用水量数据的Z得分，计算方法为：
[0014][0015]式中，Z
i
为第i个数据的Z得分，x
i
为第i个数据的数据值，为数据集的平均值，σ为数据集的标准差；
[0016]接着设置数据集的临界Z分数(Z
t
)，如果|Z
i
|＞Z
t
，则认为此数据为异常值，并使用随机插值法对其进行替换，根据数据集的具体情况进行判断选用。
[0017]进一步地，步骤S3具体包括以下步骤：
[0018]S3
‑
1、计算局部截止频率，公式为：
[0019][0020]式中，为局部截止频率，η1(t)，η2(t)，a1(t)，a2(t)均为构造的函数，构造方法详见具体实施方式；
[0021]对局部截止频率进行重排，得到最终的局部截止频率；
[0022]S3
‑
2、利用时变滤波器对输入信号进行滤波，获得逼近结果；
[0023]在获取局部截止频率后，可得信号h(t)：
[0024][0025]以信号h(t)极值的时间点作为节点m，构造B样条逼近时变滤波器，将该滤波器的截止频率设置为随后对输入信号进行B样条逼近时变滤波，将逼近结果记录为m(t)；
[0026]S3
‑
3、判断m(t)是否满足窄带信号条件，如果满足，则停止对输入信号进行分解，如果不满足，则令x(t)＝x(t)
‑
m(t)并重复S3
‑
1和S3
‑
2步骤，继续对输入信号进行分解，直至达到停止条件。
[0027]进一步地，判断m(t)是否满足窄带信号条件方法为：若θ(t)≤Δ，则信号可以认为是窄带信号，θ(t)的计算公式为：
[0028][0029]式中，B
Loughlin
(t)为Loughlin瞬时带宽，为加权平均瞬时频率；
[0030]S3
‑
4、通过S3
‑
1与S3
‑
2获得的m(t)均为TVF
‑
EMD法分解初始信号得到的一个子序列，根据m(t)的先后顺序，将其记录并命名为C1、C2
…
Cn，共获得了频率由高到低的n个子序列。
[0031]进一步地，步骤S4具体包括以下步骤：
[0032]S4
‑
1、将C1记为指标1，C1+C2为指标2，以此类推，前i个C序列的和加成为指标i，计算指标1至指标n的均值，并对该均值是否显著区别于0进行t检验，如果t检验在指标k处显著不为0，那么将C1～C(k
‑
1)归类为高频分量，将Ck～Cn归类为低频分量；
[0033]S4
‑
2、根据信号频率对子序列进行重构以减少建立的模型数，C1～C(k
‑
1)代表高频分量，则重构后的高频分量Cnew1为：
[0034]Cnew1＝C1+C2+
…
+C(k
‑
1)
[0035]Ck～Cn代表低频分量，则重构后的低频分量Cnew2为：
[0036]Cnew2＝Ck+C(k+1)+
…
+Cn。
[0037]进一步地，步骤S5具体包括以下步骤：
[0038]S5
‑
1、将输入序列的用水量数据转化为嵌入向量，随后对每个向量进行位置编码；
[0039]S5
‑
2、将用水数据的嵌入向量和位置编码相加得到输入序列的向量表示矩阵，将输入序列的向量表示矩阵传入编码器中，编码器由多个编码器层组成，每个编码器层包括多头注意力机制、残差连接和层归一化、前馈神经网络、残差连接和层归一化；
[0040]S5
‑
3、解码器包含多个与编码器进行对应的解码器层，每个解码器层包括掩码多头注意力机制、残差连接和层归一化、多头注意力机制、残差连接和层归一化、前馈神经网络、残差连接和层归一化；
[0041]S5
‑
4、使用数据的前80％作为训练集，数据的后20％作为测试集，将用水量数据分解重构信号序列输入Transformer模型进行训练与结果预测，输出模型预测序列。
[0042]进一步地，步骤S5
‑
1的位置编码的公式为：
[0043][0044][0045]式中，PE
2i
(p)为偶数位置编码，PE
2i+1
(p)为奇数位置编码，p为该时刻用水量在n个时刻中的位置，d为PE的维度。
[0046]进一步地，步骤S5
‑
2中，多头注意力机制的输出通过残差连接以及层归一化进行加速收敛，最后经过前馈神经网络使用多层全连接层得到最后的输出编码信息。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种居民用水量的预测方法，其特征在于，包括以下步骤：S1、通过智能水表获取研究区在研究时段内的用水量数据；S2、采用Z
‑
Score法对数据进行清理，清除和修复原始数据中的异常值；S3、用时变滤波器经验模态分解将居民用水量数据分解为频率由高到低的多个子序列；S4、根据频率将子序列划分为高频子序列和低频子序列，将用水量数据重构为高频和低频两个子序列；S5、使用Transformer模型分别对两个子序列进行预测；S6、将子序列的预测值进行叠加，得到预测的居民用水量。2.根据权利要求1所述的一种居民用水量的预测方法，其特征在于：所述步骤S2具体包括以下步骤：计算用水量数据的Z得分，计算方法为：式中，Z
i
为第i个数据的Z得分，x
i
为第i个数据的数据值，为数据集的平均值，σ为数据集的标准差；接着设置数据集的临界Z分数(Z
t
)，如果|Z
i
|＞Z
t
，则认为此数据为异常值，并使用随机插值法对其进行替换，根据数据集的具体情况进行判断选用。3.根据权利要求1所述的一种居民用水量的预测方法，其特征在于：所述步骤S3具体包括以下步骤：S3
‑
1、计算局部截止频率，公式为：式中，为局部截止频率，η1(t)，η2(t)，a1(t)，a2(t)均为构造的函数；对局部截止频率进行重排，得到最终的局部截止频率；S3
‑
2、利用时变滤波器对输入信号进行滤波，获得逼近结果；在获取局部截止频率后，可得信号h(t)：以信号h(t)极值的时间点作为节点m，构造B样条逼近时变滤波器，将该滤波器的截止频率设置为随后对输入信号进行B样条逼近时变滤波，将逼近结果记录为m(t)；S3
‑
3、判断m(t)是否满足窄带信号条件，如果满足，则停止对输入信号进行分解，如果不满足，则令x(t)＝x(t)
‑
m(t)并重复S3
‑
1和S3
‑
2步骤，继续对输入信号进行分解，直至达到停止条件；S3
‑
4、通过S3
‑
1与S3
‑
2获得的m(t)均为TVF
‑
EMD法分解初始信号得到的一个子序列，根据m(t)的先后顺序，将其记录并命名为C1、C2
…
Cn，共获得了频率由高到低的n个子序列。4.根据权利要求3所述的一种居民用水量的预测方法，其特征在于：所述S3
‑
3中，判断m(t)是否满足窄带信号条件方法为：若θ(t)≤Δ，则信号可以认为是窄带信号，θ(t)的计算公式为：
式中，B
Loughlin
(t)为Loughlin瞬时带宽，为加权平均瞬时频率。5.根据权利要求1所述的一种居民用水量的预测方法，其特征在于：所述步骤S4具体包括以下步骤：S4
‑
1、将C1记为指标1，C1+C2为指标2，以此类推，前i个...

【专利技术属性】
技术研发人员：林涛，刘康乐，张雪，孙军益，沈月生，
申请(专利权)人：苏州市自来水有限公司江苏省城镇供水安全保障中心上海中韩杜科泵业制造有限公司，
类型：发明
国别省市：