[发明专利]基于并行LSTM串联DNN的供水管网压力预测方法

说明书

本发明公开了一种基于并行LSTM串联DNN的供水管网压力预测方法。本发明首先确定输入输出项，建立基于并行LSTM串联DNN的预测模型。其次数据预处理，建立压力预测数据库。然后训练预测模型。最后进行在线压力预测。本发明实现LSTM和DNN的优势互补，并用Dropout技术防止模型过拟合，Relu激活函数加快模型收敛速度，小批量梯度下降法减少了随机性和计算量，选择RMSprop作为随机梯度下降法的优化算法，提高了供水管网压力预测方法的抗干扰性和精度。

技术领域

本发明属于城市供水领域，具体是一种基于并行LSTM串联DNN的供水管网压力预测方法。

背景技术

供水管网系统是一个结构复杂、规模庞大、用水随机性强的非线性动态系统，能否快速准确地模拟和预测出管网的运行工况，是进行供水管网优化调度的关键。供水管网生产运行中，调度人员一般以压力实测数据来观察管网的运行状况。因此，对监测点压力进行预测分析，有助于调度人员提前预判，做好生产指挥。

目前供水管网压力预测方法一般分为时间序列法、结构分析法和系统方法三大类。其中时间序列法包括移动平均法、指数平滑法、趋势外推法等；结构分析法包括回归分析法等；系统方法包括灰色预测、人工神经网络等。时间序列模型预测精度较好、数据处理简单，但是只能利用测点短期时序数据，并不适用于变化较大的情况；回归分析法模型简单、方便但受多种因素综合影响时难以选择；系统方法具有自学习能力、非线性处理等优点，但是存在模型复杂、训练时间长等问题。上述方法均易受噪声干扰，预测精度难以保证。

发明内容

针对供水管网的高度复杂非线性特性及现有技术方法的不足，本发明提出一种基于并行LSTM(长短期记忆神经网络)串联DNN(深度神经网络)的深度学习模型进行管网压力预测，提高预测精度。

由于供水管网的状态量和控制量是两种不同类型的特征信息，倘若简单采用一个LSTM模型进行特征提取，两类特征信息对模型的不同影响将无法凸显，为此，将单一LSTM模型扩展为并行LSTM模型，分别提取、学习两类不同的特征信息。又由于LSTM擅长处理基于时间序列的数据，DNN适用于将特征信息映射到更高的空间，利用LSTM与DNN各自的优点，将LSTM与DNN联合起来作为一个统一的架构，实现优势互补，即将两路LSTM的输出结果融合后通过DNN输出，实现对下一时刻的测点压力进行预测。由此，本发明提供了一种基于并行LSTM串联DNN深度学习模型的供水管网压力预测方法。

为实现高抗干扰性、高预测精度高目的，本发明采取以下步骤：

1、确定输入输出项，建立基于并行LSTM串联DNN的预测模型

鉴于供水管网系统是一个多输入多输出的非线性时滞系统，选择较长的历史状态量(测点压力信息)[x(t),x(t-1),…,x(t-n_s)]和控制量(入水口压力和流量)[u(t-1),u(t-2),…,u(t-n_u)]作为输入项，以补偿“供水管网状态量仅部分可知”的不足；确定输出项为压力测点t+1时刻的输出y_m(t+1)。这里，n_s、n_u为历史时间窗口。

建立基于并行LSTM串联DNN的深度学习模型：

a.分别采用LSTM模型对状态量[x(t),x(t-1),…,x(t-n_s)]和控制量[u(t-1),u(t-2),…,u(t-n_u)]进行特征提取和学习。分别为供水管网的状态变量和控制变量经LSTM模型的输出值。

b.采用深层神经网络DNN模型将进行融合处理，得到输出y_m(t+1)，可用式(1)描述：