一种基于低碳排放的城市输水系统水量预测方法及系统与流程

本发明涉及碳排放，尤其涉及一种基于低碳排放的城市输水系统水量预测方法及系统。

背景技术：

1、水量预测是进行输水系统科学决策与现代化管理的基础。输水系统的优化调度需提前感知水量需求进而制定相应调度方案。中长期水量预测对某地区未来几个月甚至更长时间的水量进行预测，一般应用于指导输配水系统的规划以及改扩建，而短期预测是根据历史供水量记录预测未来一时间段(几天或者一周)水量，以此为基础为给水系统优化运行提供决策依据。通过水量预测，增强对原水用户水量需求的感知能力，充分利用系统储备调节能力，优化水泵机组搭配，保持系统稳定优化运行，故短期预测要求精度高，速度快以便能达到实时调度的目的。水量预测可提前感知用水需求，提升调度管理水平与服务质量，特别是能够降低碳排放。若预测值偏高，由于水厂内部原水储存能力有限，易造成水资源的浪费与泵站能耗损失，碳排放升高。如果预测值偏低，由于水厂制水需要一定时间，不能及时将原水转化为清水，供水服务水平降低。因此提高水量预测精度是进行输水系统调度决策的前提与基础。

2、国外对城市输水系统水量预测方面的研究起步较早，早在20世纪初美国研究人员就开始城市用水量预测方面研究。现如今水量预测已经成为各个国家进行水资源优化配置和规划的重要组成部分。1981年perry研究发现城市用水量的变化存在周期性和随机性的变化规律，因此提出日用水量空间状态模型，应用傅里叶函数反映用水周期性规律，采用自回归模型表示用水随机性变化。2010年adamowski与karapataki分别应用神经网络模型和多元回归模型对实际算例进行水量预测，结果显示神经网络预测模型精度较高，结果更加准确。2013年mombeni等应用sarima方法对某地月用水量进行预测，与实测值进行对比，预测结果较好，但预测精度需建立在数据长度完整的基础上才能保证。2014年romano等应用改进神经网络模型预测下一天整个供水系统每小时用水量，为供水系统实现智能化管理奠定基础。2017年brentan等学者利用afs与svr技术进行水量实时预测，可消除新时间序列数据的固有偏差，根据巴西某地水量数据进行。预测模型验证。国内对水量预测方面研究起步相对较晚。2001年单金林等利用bp神经网络模型，根据前8天的小时用水量数据来预测第9天的小时用水量。与实测值相比，只有2个时刻水量误差大于5％，其余时刻均小于5％，但当输入节点较多时，模型计算时间较长。2003年卜义惠等利用rbf神经网络在考虑天气及节假日等水量影响因素下建立日用水量预测模型，并在t市进行应用，预测误差较低。2016年严旭等选用遗传算法优化bp神经网络，收敛速度较传统bp神经网络快，预测精度也明显高于传统bp神经网络与改进bp神经网络。2017年班福忱等分别利用时间序列方法中的自适应过滤法和解释性预测中的bp神经网络模型对小时用水量进行预测，并加权组合两种模型进行预测。对比三种模型预测结果，组合预测模型精度明显高于单一预测方法。2018年牟天蔚等以一年日供水量数据为训练样本，7天日供水量数据为测试样本，建立小波深度信念网络模型对未来200日供水量进行预测，预测结果与实测数据相对误差均在5％以内，且精度高于bp神经网络模型与深度信念模型。2019年，顾建强等利用卡尔曼滤波器对学校日用水量进行1年的实时预测，根据预测值与实测值分析爆管过程，提高诊断爆管成功率。2020年，陆维佳等根据深度学习思想，考虑最高温与最低温等用水量影响因素，应用lstm神经网络进行预测，与传统ann预测模型进行比较，结果显示lstm水量预测模型预测结果优于ann预测模型。2021年，单义明等利用灰色关联分析法筛选水量影响因素，利用pso-svr法对山西省年需水量进行预测，预测精度在0.1％以内，较bp神经网络与svr模型预测精度有所提高。同年，左智科和李一龙改进tlbo算法，优化elm模型参数，对上海市年供水量进行时间序列预测。与标准elm预测模型相比，优化后模型预测结果更优。

3、然而，现有的水量预测模型都没有考虑低碳排放的因素，面对城市输水系统对于低碳排放要求的日益增长，需要建立新的预测方法，进行合理预测，降低碳排放。

技术实现思路

1、本发明的目的是提供一种基于低碳排放的城市输水系统水量预测方法，建立了基于低碳排放的城市输水系统水量综合预测模型，从而能够获得准确的且最低碳排放量的城市输水系统水量结果，降低了城市输水系统的能耗，提高了输水效率。

2、本发明一方面提供了一种基于低碳排放的城市输水系统水量预测方法，包括：

3、s1，建立基于低碳排放的城市输水系统水量综合预测模型；

4、s2，基于所述基于低碳排放的城市输水系统水量综合预测模型对城市输水系统水量进行预测。

5、优选的，所述s1包括：

6、s11，建立第一时间序列预测模型；

7、s12，基于所述第一时间序列预测模型分析低碳排放相关的水量影响因素；

8、s13，基于所述水量影响因素建立解释性预测模型；

9、s14，基于所述解释性预测模型建立所述基于低碳排放的城市输水系统水量综合预测模型并给出模型预测结果评估。

10、优选的，所述第一时间序列预测模型采用lstm神经网络模型，其中lstm神经网络模型包含用于判断信息是否有用的记忆单元处理器，所述记忆单元处理器采用低碳排放因子作为阀门控制信息的过滤，对于有用信息进入第一时间序列预测模型的训练和验证，对于无用信息丢弃。

11、优选的，所述基于所述第一时间序列预测模型采用灰色关联分析方法进行水量影响因素的分析。

12、优选的，所述基于所述水量影响因素采用rbf神经网络模型建立解释性预测模型。

13、优选的，所述s14包括预测模型有效度、组合预测模型计算过程、预测模型的最优近似解以及组合预测模型预测结果分析。

14、优选的，所述s2包括：

15、s21，基于调水量的辅助决策系统，将供水方提出需要总用水量作为调水策略的决策变量输入所述城市输水系统水量综合预测模型获得初级预测方案；其中，所述辅助决策系统包括自学习功能模块，对于决策变量的噪声进行自动减弱，并自学习如何获得总用水量的智能方法；

16、s22，基于所述初级预测方案动态预测各水源的第一调配；将第一调配后的效果反馈以验证所述水量综合预测模型的偏差；

17、s23，从低碳排放角度再次计算第一调配后的效果反馈，并基于提高原水利用率的两个维度确定所述输水系统的低能耗调度方式；其中，所述两个维度分别包括如何降低单位调水的能耗和如何将调来的水无谓放掉，提高资源利用率。

18、s24，基于所述第一调配后的效果反馈获得低碳运行污水处理系统；

19、s25，基于所述低碳运行污水处理系统获得最终的城市输水系统水量预测结果。

20、本发明的第二方面提供一种基于低碳排放的城市输水系统水量预测系统，包括：

21、模型建立模块，用于建立基于低碳排放的城市输水系统水量综合预测模型，

22、水量预测模块，用于基于所述基于低碳排放的城市输水系统水量综合预测模型对城市输水系统水量进行预测。

23、本发明的第三方面提供一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如第一方面所述的方法。

24、本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如第一方面所述的方法。

25、本发明提供的方法、系统、电子设备以及计算机可读存储介质，具有如下有益的技术效果：

26、基于低碳排放的城市输水系统水量预测方法，建立了基于低碳排放的城市输水系统水量综合预测模型，从而能够获得准确的且最低碳排放量的城市输水系统水量结果，降低了城市输水系统的能耗，提高了输水效率。