一种基于BP神经网络与多元非线性回归模型的供水水量预测方法与流程

本发明涉及供水水量预测，尤其涉及一种基于bp神经网络与多元非线性回归模型的供水水量预测方法。

背景技术：

1、现有技术中存在的bp神经网络和多元非线性回归模型的供水水量预测方法一般为通过上述两个模型分别得到预测供水量，然后利用权重系数进行融合；然而在现有的组合预测模型中，bp神经网络通常仅将原始气象数据、日期特征及历史水量直接拼接作为输入，该方法未能有效利用回归模型产生的残差信息，导致神经网络需要重新学习回归模型已经拟合出的主体趋势，造成计算资源浪费与收敛缓慢。

2、同时，在现有的供水水量预测技术中，对于历史供水量序列的处理通常采用固定权重法或者动态权重法，然而固定权重法直接将历史水量作为独立特征输入模型，隐含假设各滞后阶数对当前预测的影响权重是相同的，或者通过模型训练被动学习权重。供水系统具有明显的近期依赖和周期特征，固定或被动学习的权重无法动态响应突发工况；动态权重法采用类似指数平滑的方法，赋予近期数据更高权重，但该方法忽略了供水数据的波动特性，在早晚高峰、寒潮来临等的用水量剧烈波动时期，较早的历史数据往往比平稳期的近期数据更具参考价值。

技术实现思路

1、为了解决上述技术问题，本发明提供了一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，用于解决现有技术中存在的问题。

2、本发明提供了一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，所述方法包括以下步骤：

3、s1：获取目标供水区域连续n天的历史数据，构建原始数据集；

4、s2：对所述原始数据集进行数据预处理操作，得到预处理数据集；

5、s3：根据所述预处理数据集构造滞后阶数敏感度因子；

6、s4：根据所述滞后阶数敏感度因子构建带动态加权历史项的修正多元非线性回归模型；

7、s5：构建融合回归结果的bp神经网络模型，预测得到修正多元非线性回归模型的残差预测值，并据此计算t时刻最终预测供水量。

8、优选地，所述s3具体为：

9、s3.1：定义历史水量滞后向量；

10、s3.2：计算历史水量滞后向量中每阶滞后项的滑动窗口内的波动强度；

11、s3.3：根据所述每阶滞后项的滑动窗口内的波动强度构建滞后阶数敏感度因子。

12、优选地，所述s3.1中，从所述预处理数据集中提取历史供水量序列数据，设定最大滞后阶数p，构建当前时刻t的历史水量滞后向量ql(t)，表达式为：

13、；

14、式中，为滞后项，为归一化后的历史供水量序列数据中，时刻t往前推k个采样点的数值，k为滞后阶数索引，k∈{1,2,…,p}，p为最大滞后阶数。

15、优选地，所述s3.2具体为：设定滑动窗口长度为w，计算第k阶滞后项在窗口内的波动强度σk，表达式为：

16、；

17、式中，σk为第k阶滞后项在窗口内的波动强度，w为滑动窗口长度，i为滑动窗滑动窗口内的时间索引口内的时间索引，为窗口内第i时刻的k阶滞后项，为窗口内所有的算术平均值。

18、优选地，所述s3.3中，所述滞后阶数敏感度因子的计算公式为：

19、；

20、式中，为第k阶滞后项的敏感度因，e为自然常数，α为敏感度调节系数，σk为第k阶滞后项在窗口内的波动强度，σj为第j阶滞后项的波动强度，j为遍历从1到p的所有滞后阶数。

21、优选地，所述s4中，构建所述带动态加权历史项的修正多元非线性回归模型，表达式为：

22、；

23、式中，为修正多元非线性回归模型输出的t时刻预测供水量，β0为修正多元非线性回归模型的截距项，βk为第k阶滞后供水量项的回归系数，为第k阶滞后项的敏感度因子，⊙为hadamard积，为滞后项，为归一化后的历史供水量序列数据中，时刻t往前推k个采样点的数值，p为最大滞后阶数，m为除历史水量外，其余输入变量的总个数，为第m个非历史变量的回归系数，为第m个非历史变量的非线性基函数，为第m个非历史变量在t时刻的归一化数值，ε为模型残差项。

24、优选地，所述s5中，所述bp神经网络模型的输入特征向量i(t)为：

25、；

26、式中，为第m个归一化气象及日期类变量，m为除历史水量外，其余输入变量的总个数，为修正多元非线性回归模型输出的t时刻预测供水量，λ为滞后阶数敏感度因子向量，为滞后残差特征。

27、优选地，所述bp神经网络模型的网络架构采用三层前馈神经网络，包括输入层、隐含层和输出层；所述输入层中，节点数nin等于输入特征向量i(t) 的维度，所述隐含层中，节点数nhid根据kolmogorov定理及经验公式确定为 nhid=2nin+1，激活函数选用双曲正切函数tanh，因其输出均值为0，有利于加快收敛；所述输出层中，节点数为1，输出为t时刻的修正多元非线性回归模型的残差预测值，激活函数选用线性函数purelin。

28、优选地，t时刻最终供水预测值为：

29、；

30、式中，为t时刻最终预测供水量，为修正多元非线性回归模型输出的t时刻预测供水量，为t时刻由bp神经网络模型预测得到的残差修正值；

31、定义损失函数 l 为均方误差与峰值惩罚项的组合，表达式为：

32、；

33、式中，n为训练样本总数，为t时刻实际观测的归一化供水量，为峰值惩罚权重系数，为峰值惩罚项。

34、优选地，所述峰值惩罚项的表达式为：

35、；

36、式中，为设定的高峰阈值，为历史最大水量。

37、本发明实施例具有以下技术效果：

38、本实施例通过引入残差学习机制，将回归模型输出的主体趋势作为先验输入，迫使神经网络专注于拟合复杂的非线性残差，显著降低了模型收敛难度并提升了训练效率。同时，将滞后阶数敏感度因子向量作为独立输入特征，赋予了网络显式的注意力引导，使其能够快速锁定关键历史时刻，解决了传统方法权重调整滞后的问题。特别地，本实施例设计了包含峰值惩罚项的复合损失函数，在训练过程中动态加大对高峰时段预测偏差的惩罚力度，有效克服了供水预测中常见的高峰低估问题。本步骤在增强模型对突变工况响应灵敏度的同时，显著抑制了过拟合风险，使最终预测曲线在平峰期更平滑、在高峰期更贴合实际，全面提升了模型的工程实用价值。

39、本实施例通过引入滞后阶数敏感度因子，基于历史数据的波动强度分配权重，使得在用水量剧烈变化时期，模型能自动聚焦于高敏感度的历史时刻，显著提升了模型对峰值水量及突发事件的响应速度。同时有效抑制了平稳期随机噪声的干扰，避免了模型过拟合。本实施例还引入了调节系数α以适应不同区域的用水特性，大幅增强了模型的可解释性，使调度人员能够直观理解历史数据对预测结果的贡献差异，从而在寒潮、节假日等复杂工况下获得更优的预测精度。

1.一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，其特征在于，

3.根据权利要求2所述的一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，其特征在于，

4.根据权利要求3所述的一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，其特征在于，

5.根据权利要求4所述的一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，其特征在于，

6.根据权利要求1所述的一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，其特征在于，

7.根据权利要求1所述的一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，其特征在于，

8.根据权利要求7所述的一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，其特征在于，

9.根据权利要求8所述的一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，其特征在于，

10.根据权利要求9所述的一种基于bp神经网络与多元非线性回归模型的供水水量预测方法，其特征在于，