基于神经网络的二次供水需水量软测量方法技术

本发明专利技术的一种基于神经网络的二次供水需水量软测量方法

【技术实现步骤摘要】
基于神经网络的二次供水需水量软测量方法、设备及介质


[0001]本专利技术涉及水资源需求软测量
，具体涉及一种基于神经网络的二次供水需水量软测量方法
、
设备及存储介质
。

技术介绍

[0002]随着中国城市化进程加快，受人口增长
、
城市规模扩张和城市规划影响，水资源分配过程中针对高层建筑的二次供水需水量软测量存在波动性大
、
随机性强
、
外部影响因素多等问题
。
传统需水量预测方法难以达到精度要求，如何准确预测需水量的随机波动是目前需水量软测量的研究热点之一
。
由于传统需水量预测主要采用线性回归和时间序列分析方法难以捕捉需水量的非线性波动变化导致预测效果较差，近年来，随着建模技术的发展，更为复杂的机器学习模型在需水量预测领域得到了广泛的应用，为需水量预测带来新的机遇
。
[0003]优化算法是基于某种思想和机制
,
通过一定的途径或规则来求解问题的方法
。
传统的优化算法有线性规划本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于神经网络的二次供水需水量软测量方法，其特征在于，通过训练优化后的二次供水需水量软测量模型进行二次供水需水量的软测量，其中二次供水需水量软测量模型的训练过程包括以下步骤，
S1、
获取历史二次供水水量影响因素数据集；
S2、
应用
Python
编程实现步骤
S1
中影响因素数据集相关系数的自动计算并绘制相关性热力图，根据相关系数大小筛选出主要的特征变量；
S3、
将影响因素数据集中的离散数据进行
One
‑
Hot
编码，并对变量数据进行
mapminmax
归一化处理，方法如下；
mapmixmax
函数将逐行对数据进行标准化处理，将每一行数据分别标准化到区间
[,]
，如果某行的数据全部相同，此时，除数为0，则
Matlab
内部将此变换变为；
S4、
确定神经网络的拓扑结构，步骤
S2
中筛选出的主要特征变量作为神经网络的输入确定输入层节点个数，隐含层根据经验设置节点个数，输出层为步骤
S1
中的历史二次供水水量数据集；设定神经网络的最大训练次数
、
传递函数及训练函数，初始化神经网络的权值与阈值；
S5、
将神经网络的权值
、
阈值作为改进灰狼算法的优化目标输入改进灰狼算法迭代，基于粒子群算法的改进灰狼算法优化神经网络权值阈值；
S6、
将步骤
S5
得到的权值阈值作为神经网络最优的权值阈值重新训练，得到神经网络模型输出值；
S7、
建立误差函数，计算对比步骤
S6
中模型输出值与真实值的误差，以误差函数值最小为目标反向调整神经网络各层的权值阈值；
S8、
判断神经网络预测值是否满足预设精度，若不满足，重复步骤
S6
和步骤
S7
；若满足，输出模型预测最优值
。2.
根据权利要求1所述的基于神经网络的二次供水需水量软测量方法，其特征在于：所述步骤
S5
包括以下步骤：
S51、
灰狼算法种群初始化，随机初始化灰狼种群位置
...

【专利技术属性】
技术研发人员：朱曙光，王星照，韦伟，张厚宽，
申请(专利权)人：安徽建筑大学，
类型：发明
国别省市：