[发明专利]基于并行LSTM串联DNN的供水管网压力预测方法

摘要

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。

主权项

1.基于并行LSTM串联DNN的供水管网压力预测方法，其特征在于该方法具体是：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，具体是：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，选择历史状态量[x(t),x(t‑1),…,x(t‑ns)]和控制量[u(t‑1),u(t‑2),…,u(t‑nu)]作为输入项；确定输出项为压力测点t+1时刻的输出ym(t+1)，这里ns、nu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，同时设分别为供水管网的状态量和控制量经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)其中[]表示将两种在时间维度上具有相同维数的矩进行合并，H()为DNN模型的激活函数；WDNN、bDNN分别为DNN模型的权值与阈值；步骤(2)数据预处理，建立压力预测数据库(2‑1)数据预处理数据补缺：针对来自SCADA系统现场采集的数据存在数据丢失问题，采用线性、抛物线或三次曲线插值补全缺失的数据；数据去噪：针对现场数据存在大量噪声干扰问题，采用小波变换去除噪声；无量纲处理：针对供水管网压力和流量具有不同的物理量纲和数量级问题，对数据作归一化处理，即将输入与输出都限制在[0,l]，使它们以相同的等级参与模型训练与预测；(2‑2)建立压力预测数据库数据项除了时间戳、节点外，还包括：(1)测点的压力、流量值，入口的压力、流量值，从SCADA系统中实时抽取、清洗、转换、并存储，作为模型的输入项；(2)测点的预测压力，来自模型预测，是模型的输出项；(3)误差数据项，用来统计分析预测精度；步骤(3)训练预测模型(3‑1)确定训练样本围绕大型供水管网的DMA分区或者小型供水管网，确定输入样本为{X(ns),U(nu),Y}，其中X(ns)为i维状态量，U(nu)为2j维控制量，i为监测点数，j为入口数；(3‑2)确定模型基本结构，设置其余参数初值，开始训练模型根据经验或者初步调参的效果确定参数的取值范围；nu、ns∈{1,2,…12}，时间步长t＝5分钟，即历史信息最大跨度为60分钟；隐含层个数Layers∈{1,2,…,5}；相应神经元数量Neurons∈[0,300]；(3‑3)训练迭代在模型训练时，过模型的预测值和实测值y求出均方根作为模型误差loss，当loss<误差目标ε∈[0.2％，0.5％]，达到训练要求，迭代结束；当误差不满足要求时调整模型的各个参数，若误差不符合收敛条件且不再减小，则改变模型基本结构，即重新给定一个{n_u,n_s,Layers}，再根据各个基本结构调节其他参数，重新迭代训练；步骤(4)在线压力预测将压力预测数据库中测点的压力、流量值，入口的压力、流量值，依次输入到模型，模型则给出t+1时刻的压力预测值ym(t+1)；同时，将压力预测值ym(t+1)存入数据库，与t+1时刻的实测值y(t+1)进行比较，计算Δ＝ym(t+1)‑y(t+1)；设允许预测误差为σ∈[5％，10％]，若连续三次Δ>σ*y(t+1),则返回步骤(3)，重新训练模型，用新近数据，更新模型参数。