[发明专利]基于长短期记忆模型LSTM的排水管网窨井液位预测方法

摘要

本发明公开了一种基于长短期记忆模型LSTM的排水管网窨井液位预测方法。它首先建立排水管网窨井液位数据库，数据项包括：时刻，窨井液位数据，各个上游泵站开泵信号。其次建立并训练LSTM预测模型，包括确定时滞、确定LSTM预测模型的输入输出、样本采集及划分、数据归一化处理、确定LSTM网络模型结构和模型校核。最后进行LSTM预测模型应用及更新。本发明考虑了上游泵站的启停和污水在管道之间流动的时滞因素，运用了长短期记忆模型LSTM的记忆能力解决了上游泵站启停与下游的时滞不确定性，能够比传统方法更准确有效地预测窨井液位。

主权项

1.基于长短期记忆模型LSTM的窨井液位预测方法，其特征在于该方法包括以下步骤：步骤1、建立排水管网窨井液位数据库，数据库中的数据项包括：时刻、窨井液位数据和各个上游泵站开泵信号；步骤2、建立并训练LSTM预测模型1)确定时滞上游泵站的启停，增减输排污水量的变化会反应在下游窨井液位中，而这个变化往往有一定的时间差，这个时间差就是污水流动的时滞时间；不断调整上游泵站信号序列与下游窨井液位序列相对位置，分别计算皮尔逊相关性系数R，当R绝对值达到最大，即为该上游泵站到该窨井液位的时滞时间t；计算每个上游泵站到该窨井液位的皮尔逊相关性系数，得到p个上游泵站到该窨井液位的时滞时间t₁ t₂…t_p；2)确定LSTM预测模型的输入输出；从时滞时间t₁ t₂…t_p中取最大时滞值tmax；输入时间跨度In*T略微大于tmax以保障所有泵站变化信息全部获取；输出跨度Out*T取决于预测期；这里In、Out为整数，T为步长；由此确定：模型输入为前In个的窨井液位、p个上游泵站开泵信号,输入量为(p+1)*In个；输出为第Out*T时刻的窨井液位值，输出量仅1个；3)样本采集及划分样本数不少于2000个，训练测试样本，尽量在一个连续时间内；4)数据归一化处理5)确定LSTM网络模型结构LSTM模型的训练过程中，损失函数设置为平均绝对误差，优化函数设置为admin函数；LSTM隐含层神经元个数K，如下：K＝4*(m*n+n)其中m,n分别为输入和输出维数，这里m＝(p+1)*In,n＝1；步骤3、LSTM预测模型应用及更新利用步骤2得到的LSTM预测模型，输入前In个上游泵站信号与液位，预测得到Out*T后的液位值，模型输出的液位预测值填入数据库相应记录中；每天计算当日得到的预测值与实际值的平均绝对误差，当平均绝对误差大于模型允许误差ε时，重新进行步骤2并尽量利用新近的样本训练、检核模型，保证窨井液位的预测精度。