[发明专利]一种日用水量预测方法

说明书

技术领域

本发明涉及一种日用水量预测方法。

背景技术

由于影响城市日供水量的因素既包括季节、天气、假期等常规性因素，也包括管网事故、工业生产等不可预测的非常规因素。因此目前更常使用的是时间序列分析、灰色预测和神经网络等非解释性预测模型，其主要是根据大量历史数据建立模型，普遍存在影响因素不明、计算复杂、需要历史数据多等问题。

申请公布号为CN104715292A公开了基于最小二乘支持向量机模型的城市短期用水量预测方法，包括以下步骤：对历史用水量进行预处理；进行相关性分析；采用最小二乘支持向量机方法，建立城市短期用水量预测模型，选取相关系数大于设定值的历史用水量的时间序列组合作为训练样本集进行训练；采用城市短期用水量预测模型进行实时预测；计算预测误差，如果预测误差不满足预测精度要求，对城市短期用水量预测模型进行改进。但是，该方法还是较为繁琐且预测精度有待进一步提高。

发明内容

本发明的目的在于提供一种预测精度高的日供水量预测方法。

为解决上述技术问题，本发明采用如下技术方案：

本发明的一个目的是提供一种日用水量预测方法，采用公式一预测城市日用水量，

公式一：Q_d＝Q_A(1+B₁ΔT+B₂W+B₃V)，

其中，Q_d为预测日的日用水量(m³/d)；

Q_A为过去若干日的平均用水量(m³/d)；

ΔT为预测日的平均气温对于过去若干日平均气温值的增量(℃)；

W为天气变化因数；

V为假日因数；

B₁、B₂、B₃为线性回归系数。

具体的，所述的W采用如下步骤进行确定：

步骤(1)、将历史日的日用水量根据不同天气情况进行分组，并计算出每种天气情况的平均日用水量Q_天气；

步骤(2)、计算历史日的平均日用水量Q_平均；

步骤(3)、根据公式二计算每种天气情况的赋值k_天气，公式二：k_天气＝(Q_天气-Q_平均)/Q_平均；

步骤(4)、根据预测日的天气情况选择对应天气的赋值k_天气作为W使用。

更具体的，所述的天气情况分为晴、多云、阴、阵雨、小雨、中雨、大雨、暴雨、雪。

具体的，所述的V采用如下步骤进行确定：

步骤(1)、将历史日的日用水量根据不同假日情况进行分组，并计算出每种假日情况的平均日用水量Q_假日；

步骤(2)、计算历史日的平均日用水量Q_平均；

步骤(3)、根据公式三计算每种假日情况的赋值k_假日，公式三：k_假日＝(Q_假日-Q_平均)/Q_平均；

步骤(4)、根据预测日的假日情况选择对应假日的赋值k_假日作为V使用。

更具体的，所述的假日情况分为周一、周二、周三、周四、周五、周六、周日和节假日。

具体的，所述的B₁、B₂、B₃根据历史日的日用水量、温度变化、天气情况和假日情况，由所述的公式一线性回归得到。

根据一个优选方案，所述的日用水量预测方法还包括对不同用水特性的时段进行划分，每个不同时段采用不同的W、V、B₁、B₂、B₃来对相应时段的日用水量进行预测。

由于以上技术方案的实施，本发明与现有技术相比具有如下优点：

本发明的日用水量预测方法的预测精度高，影响因素明确、计算简单、可随时修正参数，从而进一步提高预测精度，为自来水的供水调度提供依据。

附图说明

附图1为水厂的绝对相对误差分布直方图；

附图2为水厂预测绝对相对误差超过5％的分布情况；

附图3为水厂优化前后预测模型误差对比(2017年过年期间)。