城市用水量的综合动态预测建模方法.pdfVIP

第11卷 第1期 湖 南 城 建 高 等 专 科 学 校 学 报 2002年3月 Mar.2002 文章编号：1008－9608（2002）01－0037－02 城市用水量的综合动态预测建模方法 许仕荣，尹学康，李黎武 湖南大学 水工程与科学系，湖南 长沙 410082 摘 要：基于BP神经网络，建立了一种综合时间序列分析和多元分析特点的动态水量预测模型，模型除了将 影响用水量的因素作为输入节点之外，还将预报日前2的用水量作为输入节点，使得模型不但反映了用水量与影d 响因素的关系，还揭示了用水量时间序列的非线性特性．经生产实践检验，该模型的预测精度达到工程要求． 关键词：用水量预测；BP神经网络；时间序列；多元回归分析 中图分类号：TU991.31文献标识码：A 为了更好地对城市规划建设和供水系统的调 果发展起来的新兴边缘学科．它是以工程技术手段 度管理，国内外学者对城市用水量的预测模型进行 模拟人脑神经网络的结构与功能特征的一种模糊系 了大量的研究，这些模型按对历史数据的处理方式 统，它在给定大量输入/输出信号的基础上，利用大 的差异，可将常用的预测方法分为时间序列法、结 量的非线性并行处理器来模拟人脑众多的神经元， 构分析法和系统方法3大类，各种预测模型都有各自 利用处理器间错综灵活的连接关系来模拟人脑神经 [1] 元间的突触行为，建立系统的非线性输入/输出模 的优点及不足之处 ．如何有效的综合各种方法以 达到更好的预测精度是正确的指导生产实践的关 型．它具有高度的非线性映射能力、全息的联想学 键，笔者通过对深圳市用水量变化规律的分析，建 习能力以及很强的容错能力． 立了基于BP神经网络，综合时间序列分析和多元回 BP网络 Back- 是利用实 归分析特点的动态水量预测模型． 际输出与期望输出之差对网络的各层连接权值和各 节点的阀值由后向前逐层校正的一种多层前馈型神 1 用水量预测模型的建立 经网络．典型的BP网络是由输入层、隐含层和输出 通过对某市日用水量变化曲线的研究并结合 层构成，各层之间各个神经元由权值实现权连接， 该市用水量的变化受天气、季节的影响比较大的特 隐含层和输出层设有阀值，节点的输出由激励函数 点，在以气象、节假日等因素作为自变量的基础上， 确定，一般取为Sigmoid函数f x 1/ 1 ex ，其结 并将预报日前2 的用水量也作为自变量d ，使得模型 构如图1． 不但反映了用水量与气象因素的关系，还揭示了用 水量时间序列的非线性特性，可建立综合多元回归 和时间序列的非线性水量预测模型如下： ? Q f T T H h w Q Q t max , aver , aver , , , t 1, t 2 ? 式中，Q 为预测日用水量；Q 、Q 为预报日前 t t 1 t 2 2 d的实际用水量；T 为日最高温度；T 为日平 max aver 均温度；H aver 为日平均相对湿度；h为节假日量；w 图1 BP模型网络结构图 为天气状况量． BP网络按有教师学习方式进行训练，当一对学 对于节假日量，其量化分为3级：一般工作日； 习模式提供给网络后，其神经元的激活值将从输入 周六、周日；春节、元旦、五一、国庆；对天气状 层经各中间层向输出层传播，在输出层的各神经元 况量，其量化分为8级：大雨；中雨；小雨；阴；阴 输出对应于输入模式的网络响应．然后，按减少期 转多云；多云；多云转晴；晴． 望输出与实际输出误差的原则，从输出层经各中间 层、最后回到输入层逐层修正各连接权值和节点阀 2 模型的求解 值．经过样本的不断训练，网络对输入模式相应的 2.1 BP神经网络基本原理 正确率也不断提高，直到达到精度要求．BP网络的 人工神经网络 ANN 是基于神经科学的研究成 学习过程主要由4部分组成：⑴输入模式顺传播；⑵ 收稿日期：2002-11-20 作者简介：许仕荣（1962-），男，湖南永州市人，湖南大学副教授，博士，主要从事给水系统优化设计与调度研究． 38 湖 南 城 建 高 等 专 科 学 校 学 报 2002年 第1期 输出误差逆传播；⑶循环记忆训练；⑷学习结果 [3] 判别 ． 2.2 某市日用水量预测模型分析 该市日平均气温的变化不大，对于历史数据的 选用，采用预测前7 d的实测数据作为训练样本，这 样不但可以包含了训练所需要的信息、历史数据动 态的变化可使模型有良好的自适应能力，而且计算 速度和模型的收敛性得到大大的改善．对于网络的 初始化，由于动态数据的采用，网络的权值、阀值 可采用（－1，1）区间的随机数，不影响网络的收 敛性能，输入节点7个分别为：训练样本前2 d的用 水量Q 、Q