一种基于特征分解的城市需水量预测方法与系统
本发明涉及计算机网络,尤其是涉及城市需水量或出厂水量预测的方法及系统。
背景技术:
1、在城市供水管理中,短期需水量预测主要服务于供水调度、生产计划及节水管理等任务。准确的预测结果能够帮助供水企业根据实际需求制定生产计划,合理安排水厂运行工况,减少能源消耗与水资源浪费,并在极端气候或突发事件中提高供水系统的应急保障能力。然而,城市用水量受到气温、降水量、节假日效应、社会经济活动以及居民生活习惯等多种因素的综合影响,这些因素之间存在显著的非线性关系,并伴随较强的随机性和季节性波动,使得短期需水量预测成为一个典型的非平稳、非线性时间序列预测问题。
2、传统的预测方法,如时间序列模型(arima)、回归分析、灰色预测模型等,在数据稳定性较好、变化趋势相对平稳的条件下能够取得一定的预测精度,但在面对强非平稳性和多因素耦合的用水数据时,往往出现模型拟合能力不足、泛化能力差的问题。近二十年来,人工智能技术的快速发展为需水量预测提供了新的解决思路。bp神经网络、支持向量机(svm)、极限学习机(elm)等方法在处理非线性关系方面具有明显优势,但这些模型的性能在很大程度上依赖于模型参数的合理设定与优化,而人工设定参数容易陷入局部最优,影响预测精度与稳定性。因此,如何在复杂的用水数据背景下,设计一种能够充分挖掘数据多尺度特征,并利用优化算法提升预测模型性能的方法,已成为该领域的研究热点。
技术实现思路
1、本发明提供一种基于特征分解的城市需水量预测方法与系统,基于自适应变分模态分解(avmd)和改进蜣螂算法优化改进极限学习机(elm)进行短期需水量预测,为解决现有技术中存在的一个或多个技术问题,至少提供一种有益选择或创造条件。
2、为达到以上目的,本发明采用如下技术方案。
3、一种基于特征分解的城市需水量预测方法与系统,其基于avmd和改进蜣螂算法优化改进elm进行短期需水量预测,具体步骤如下:(1)将灰狼优化算法(gwo)引入变分模态分解(vmd)参数选择过程,建立基于分解效果的自适应变分模态分解(avmd),实现惩罚因子与分解层数的自适应寻优。与传统经验设定相比,该方法能够根据不同需水量数据特征动态调整分解参数,显著提高分解精度与模态分量的相关性,为后续预测提供更优特征输入。(2)针对蜣螂优化算法搜索全局搜索能力不足的问题,选用bernoulli混沌序列初始化蜣螂种群,使得蜣螂个体在解空间内分布均匀,提升种群多样性;(3)将自适应变分模态分解(avmd)与改进蜣螂优化算法相结合,并应用于极限学习机(elm)的参数寻优过程,构建适应于非平稳需水量数据的短期预测模型。
4、本发明构建的短期预测模型在特征提取、参数优化和预测建模三个环节形成有机闭环,充分发挥了多尺度分解与智能优化的协同优势。本发明提出的短期预测模型构建方法,通过灰狼优化算法及改进的蜣螂算法对vmd-elm模型进行结合改进,实现了对需水量的精准预测,提高用户的体验。
5、本发明第一方面公开了一种基于特征分解的城市需水量预测方法包括以下步骤:
6、步骤s1、以表具计量获取的出厂水量数据作为城市需水量数据,对所述数据进行预处理,并按照相应时间格式构建时间序列数据;
7、步骤s2、引入灰狼优化算法(gwo)对变分模态分解(vmd)的关键参数进行自适应寻优,构建以重构误差和相关系数为综合指标的适应度函数。将优化后的avmd算法应用于所述时间序列数据,分解得到若干个不同频率的最优模态函数;
8、步骤s3、将分解后的最优模态函数与外部因素数据进行组合,所述外部因素包括气温、季节、节假日及湿度等,构建预测模型的输入数据集,并将其划分为训练集和测试集;
9、步骤s4、采用bernoulli混沌序列初始化蜣螂种群,以增强全局搜索能力,通过改进的蜣螂算法(idbo)对极限学习机(elm)的输入权重和偏置寻优,从而搭建idbo-elm需水量预测模型;
10、步骤s5、利用训练集对所述idbo-elm模型进行训练,获取极限学习机的全局最优初始参数配置,用于后期预测;
11、步骤s6、利用训练完成的idbo-elm模型对测试集数据进行预测,得到最终的城市需水量预测结果;
12、步骤s7、根据测试集数据,采用模型评价指标对所述完整预测模型的性能进行综合评估。
13、根据本发明第一方面的方法,在所述步骤s1中,所述数据的预处理方法包括:
14、1)对于缺失值,采用线性插值的方法进行修补,以尽可能保留原始数据的波动趋势和季节特性。
15、2)对于异常值,若为连续型数值(如日水量),采用局部加权回归(loess)或滑动平均进行平滑代替;若为离散型分类变量(如假日、季节、天气),则以相相邻日期的多数类结果进行填补。
16、3)为实现不同特征尺度统一,利用minmaxscakler方法对各特征数据进行归一化处理。
17、根据本发明第一方面的方法,在所述步骤s2中,所述引入灰狼优化算法(gwo)对变分模态分解(vmd)的关键参数进行自适应寻优,构建适应度函数以寻得最优模态数与惩罚因子,方法包括:其一,信号重构误差,用于衡量模态分解后信号重构的保真度;其二,模态间的正交性指数,用于衡量各模态的独立性。
18、根据本发明第一方面的方法,在所述步骤s2中,所述将优化后的avmd算法应用于所述时间序列数据,分解得到若干个不同频率的最优模态函数,其方法包括:
19、构造变分问题:首先将原始信号f分解为k个模态分量,然后对分离的各个模态分量进行希尔伯特变换,以获得其解析频谱;接下来,在该频谱中引入预先估计的中心频率,并将所得的混合频谱下调至对应的基频位置;最后,通过计算下调至基频后的频谱梯度平方范数,可以确定各个模态的频带宽度。目标是使得所有模态的频带宽度之和达到最小,对应的变分问题可以表示为下述公式。
20、
21、其中,k为模态数量;为t时刻偏导;δ(t)为狄拉克函数;uk为第k个最优模态函数;wk为第k个模态分量的中心频率;‖•‖为l2范数;y(t)为原始信号;*为卷积运算,j为虚数单位。
22、求解变分问题:利用二次惩罚项和拉格朗日乘子法的优势,引入了增广拉格朗日(lagrangian)函数,将约束变分问题转变为非约束变分问题,以解决上述的约束最优化问题。公式如下所示。
23、
24、其中,λ为拉格朗日乘子,α为惩罚系数。
25、通过交替方向乘子法admm和parseval定理,迭代求解上述非约束问题,最后输出分解后的k个最优模态函数uk与中心频率wk。
26、根据本发明第一方面的方法,在所述步骤s3中,所述将分解后的最优模态函数uk与外部因素数据进行组合,组合的方法为:
27、对最优模态函数uk与外部因素数据采用皮尔逊相关性分析,以挑选影响uk变化较大的特征。皮尔逊相关系数的取值范围为[-1,1],其中两个因素相关系数的绝对值越大,代表这两个因素的相关度越高。经试验,建议选取气温、季节、节假日、湿度作为外部因素的输入特征。
28、根据本发明第一方面的方法,在所述步骤s4中,所述采用bernoulli混沌序列初始化蜣螂种群,为采用bernoulli混沌算法对蜣螂种群进行初始化,并以训练样本的预期输出与网络实际输出的准确率作为适应度函数,评估蜣螂个体的适应度值,同时记录下最优和最差适应度值及其相应的位置。
29、根据滚球蜣螂、繁殖型蜣螂、探索型蜣螂和窃取型蜣螂四种类型更新位置,并从中挑选出适应度最优的个体以便进行后续迭代。将最优解赋值给elm的初始权重和偏置,并结合训练样本进行网络的再学习及训练,从而搭建idbo-elm需水量预测模型。
30、本发明第二方面公开了一种需水量预测系统,所述系统包括:
31、第一处理模块,被配置为,将从传感器所得需水量数据进行缺失值插值及归一化处理,并按照相应时间格式组建时间序列数据;
32、第二处理模块,被配置为,应用自适应变分模态分解算法avmd将上述时间序列数据进行特征分解,得到最优的k个不同频率的最优模态函数uk;
33、第三处理模块,被配置为,将分解后的最优模态函数uk与外部因素数据(气温、季节、节假日、湿度等)进行组合,构建预测模型的输入数据集,并划分为训练集和测试集;
34、第四处理模块,被配置为,应用bernoulli混沌序列初始化蜣螂种群,以协调算法的全局搜索能力,通过改进的蜣螂算法对极限学习机中的输入权重和偏置寻优,搭建idbo-elm需水量预测模型;
35、第五处理模块,被配置为,利用训练集对所述idbo-elm模型进行训练,获取极限学习机的全局最优初始参数配置,用于后期预测;
36、第六处理模块,被配置为,利用训练完成的idbo-elm模型对测试集数据进行预测,得到最终的城市需水量预测结果;
37、第七处理模块,被配置为,利用模型评价指标对所述完整预测模型的性能进行综合评估。
38、本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明第一方面中任一项所述的一种基于特征分解的城市需水量预测方法中的步骤。
39、本发明第三方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现本发明第一方面中任一项所述的一种基于特征分解的城市需水量预测方法中的步骤。
40、综上,本发明提出的方案,在对监测数据进行分析处理的过程中,通过线性插值的方法对历史数据进行合理的预处理来解决样本数据完整性问题;我们对需水量数据进行自适应变分模态分解,得到模态分量并构建特征样本;采用bernoulli混沌序列初始化蜣螂种群,来解决传统蜣螂优化算法在全局搜索能力方面的不足;最终,通过改进的蜣螂算法对极限学习机的输入权重和偏置进行优化,建立了精准的短期需水量预测模型。本发明通过灰狼优化算法及改进的蜣螂算法与vmd-elm模型的深度融合,实现了需水量预测的高精度输出。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com