[发明专利]一种基于GRU神经网络的市政管网水流量预测方法

权利要求书

1.一种基于GRU神经网络的市政管网水量预测方法，其特征在于：以水厂中控系统为泵坑液位、进厂流量计两种数据的来源，通过数据预处理模块，对数据进行清洗，而后以清洗后的数据将进厂流量数据和泵坑液位数据进行对齐为后续处理准备整齐无误的数据源，在将数据处理后推送给市政管网数据计算模块，该模块将数据通过相应的变换估算市政管网流量，之后将估算的数据推给自回归相关系数模块计算自回归阶数得到GRU神经网络的输入维度，生成GRU神经网络；最后通过GRU神经网络对市政管网流量进行预测分析；

将处理好的数据经过相应的变化估计市政管网流量，根据下式实现

其中f_o为水厂总管流量，f_s为市政管网流量，l为泵坑液位，s为泵坑底面积，流量单位为m³/h；

根据上式，经左右两侧变换有：

由(2)式可知，当f_s(t-1)已知时，则任意时刻管网流量f_s(t)就可计算得出；

在此对f_s(1)取：

根据式(2)和(4)得到市政管网污水流量的一系列估计值f_s(t)，显然f_s(t)为时间序列；

计算得到的市政管网流量序列的自回归相关系数，将在最大自相关系数值70％范围内的系数个数作为回归阶数，k阶协方差定义如下：

其中n为时间序列长度，k＝0，1，2，...，n-1为依赖时间步长，f_s(t)为时间序列t时刻的值，为f_s的均值，则自相关函数为：

2.根据权利要求1所述的一种基于GRU神经网络的市政管网水量预测方法，其特征在于：所述的数据清洗方法基于污水厂中控系统原始数据，对于缺失的异常值采用相邻前10个数据的均值进行代替的方法。

3.根据权利要求1所述的一种基于GRU神经网络的市政管网水量预测方法，其特征在于：所述的泵坑液位和进厂流量数据，通过将固定时间1分钟内的数据取均值代表该段时间的数据，而后将泵坑液位和进厂流量数据两种数据分别以5个时间窗口做滑动平均对数据进行去噪声处理。

4.根据权利要求1所述的一种基于GRU神经网络的市政管网水量预测方法，其特征在于：GRU神经网络的单元为：

其中

z_t＝σ(W_zX_t+U_zh_t-1)，

r_t＝σ(W_rX_t+U_rh_t-1)，

其中tanh为双曲正切函数，h_t为当前时刻的隐藏状态，h_t-1为上一个时刻传输下来的隐藏状态，X_t为当前时刻的状态，z_t为控制更新的门控，r_t为重置的门控，σ为sigmoid函数通过这个函数将数据变换为0-1范围内的数值，从而来充当门控信号z_t；得到门控信号之后，首先使用重置门控来得到“重置”之后的数据r_t⊙h_t-1，再将r_t⊙h_t-1与输入X_t进W_r，W_z为待训练参数，以随机初始化的方式予以初始化，⊙代表矩阵对应元素的乘积；

其神经网络训练过程是指对原始数据以7∶3的比例按照一致分布随机分为训练集和测试集，基于训练集采用批量随机梯度法进行训练，每15次迭代计算一次模型在测试集上的误差，当模型在测试集上的误差比上一次结果差的时候停止训练，并使用上一次模型训练的参数作为模型的参数。