一种多维度水资源供需预测方法及系统技术方案

本发明专利技术公开了一种多维度水资源供需预测方法及系统，涉及需水预测技术领域，包括以下步骤：确定待预测区域在多个因素指标影响下的历史序列年的用水量数据，并利用其建立高维特征空间回归方程；通过在高维特征空间的回归方程中引入松弛变量、拉格朗日乘子，得到拉格朗日函数；利用卡罗需库恩塔克KKT条件将拉格朗日函数转换为支持向量机SVM的函数；根据支持向量机SVM的函数，构建支持向量机SVM；利用粒子群优化算法PSO对支持向量机SVM中的惩罚因子、核函数参数进行优化后，实现对待预测区域的目标年需水量进行预测。本发明专利技术实现了准确了解目标年水资源供需形势，有利于制定针对性水资源管控措施，以最大限度提高水资源长期价值。值。值。

【技术实现步骤摘要】
一种多维度水资源供需预测方法及系统


[0001]本专利技术涉及需水预测
，具体为一种多维度水资源供需预测方法及系统。

技术介绍

[0002]在全球气候变化、经济快速发展、城市化进程加速等因素的综合作用下，则会面临水资源短缺问题(Vairavamoorthy et al.,2008；Fan et al.,2014)。因此，为帮助区域管理者了解目标年水资源供需形势，制定针对性水资源管控措施，以最大限度提高水资源长期价值，准确预测目标年需水量至关重要(Muhammad&Amin,2015)。需水量预测通常可以分为长期(目标年预测间隔超过两年)、中期(预测间隔三个月到两年之间)、短期(预测期少于三个月)(Billings&Jones,2011)。
[0003]短期预测对于供水系统的有效运作和维护是必要的，中期预测对于就投资规划和现有水利基础设施的扩大作出战略决定是更有价值的，长期预测则有助于制定政策和战略，切实有效地运作和管理供水系统，并确定有效的节水措施(Firat et al.2009；Haque et al.,2014a)。
[0004]需水量预测是一个非常活跃的研究领域，在水需求预测中，水需求序列的非平稳性和非线性是长期存在的一大挑战，这一问题促使许多研究提出更好的用水需求建模和预测工具，以提高整体预测可靠性。需水预测中采用了多种技术，主要方法可分为统计方法和数据驱动方法。传统的需水量预测模型通常是基于统计方法开发的(Howe&Linaweaver,1967)，主要包括回归分析法、指数平滑法、趋势外推法、移动平均法等。因为区域需水量的变化通常是由一组因素驱动的，包括气象参数和社会经济因素(Arbu
é
s rt al.,2003)。合理的选择模型的输入变量也是得到准确需水量的关键一步，已有文献表明，需水量预测的影响因素可以从经济、政策和居民习惯等方面入手，对于长期预测，需要考虑的影响因素范围较广泛，包括但不限于区域的经济、气候、人口等较为宏观的信息(Tiwari&Adamowski,2013；Huang,H.et al.,2021；Ghiassi,M.et al.,2017)。因此，各种线性回归模型常用于揭示区域需水量与外部影响参数之间的潜在关系，从而根据外部参数的预测(总人口、人均GDP、城市化率等)提供需水量预测(Jain et al.，2001)。但在认识到简单线性回归模型的潜在局限性时之后，现如今已经开发了许多数据驱动的模型来提高需求预测的准确性(Donkor et al.2014)。自回归模型是一种常见的数据驱动模型，其中时间序列分析通常用于分析历史数据，且已在学术领域和工程界得到广泛应用。经学者对比验证，这些自回归模型，如自回归综合移动平均(ARIMA)模型，在预测短期城市用水需求方面可以表现出比传统线性回归模型更好的性能(Chen&Boccelli,2018；张吉英,2019)。除了自回归模型，许多其他数据驱动模型也已广泛应用于城市用水需求预测且显示出较大优势，如：人工神经网络(ANN)，支持向量回归模型(SVR)和随机森林(RF)模型(Ghiassi et al.,2008；Bai et al.,2015；Chen etal.,2017)。这些先进的数据驱动模型比许多传统的预测方法表现出更好的性能。在这些预测方法中，人工神经网络是需水量预测中最广泛使用的方法之一，因为该技术相对简单且易于理解。尽管目前人工神经网络是最为常用的预测方法，但为了进一步扩
展研究需水量预测可使用的方法模型，丰富其方法体系，通过总结前人学者文献资料，发现支持向量机模型结合适当的优化算法也能得到较好的预测结果。例如，Chen和Zhang(2006)使用最小二乘支持向量机模型(LS
‑
SVM)以小时为单位预测短期需水量，得出LS
‑
SVM模型性能优于前馈式人工神经网络(FNN
‑
BP)，这主要是因为LS
‑
SVM基于结构风险考虑了经验、风险和置信区间的缓解措施，通过风险最小化获得更准确的预测结果。Bai等(2015)将ANN与SVR进行比较，发现RNA模型表现更好(错误率2.95％)，尽管SVM模型错误率更高(5.46％)但也能满足需求。Wu和Wang(2012)评估以年度数据为样本集的支持向量机性能，发现对于数据集，评估的相对误差分别为0.91％，1.86％和0.93％，这表明SVM对于需求预测是高度准确的。Yang等人(2010)使用遗传算法优化SVM，以确定SVM的训练参数，并将此优化模型与ANN和灰色模型(GM)进行了比较，发现GA
‑
SVM相对于ANN和GM表现良好。总之，预测方法性能的优越性往往是相对而言的，受不同预测情景下历史需水量序列的不同程度波动以及不同影响因素等的制约。
[0005]目前，一些专家学者从不同方面对城市供水量预测进行了研究。部分学者将许多新预测方法应用于水量预测，如利用灰色预测模型、实用动态模型、BP网络组合预测模型等对城市供水量进行了预测(麻凤海等,2004；王弘宇等,2004；杨斌等,2006；戢钢等,2014；方志坚等,2010)。水资源供需分析是水资源优化配置的重要内容，对实现水资源的可持续利用具有重要意义(刘丙军等,2011)。关于水资源供需分析的方法主要分为两大类，一类主要是从统计学角度(王雅竹&石炼,2013)、系统评价角度(任怡等,2017)和水资源系统分析角度(Milano M,et al.,2013)等解决水资源供需平衡，或是在系统动力学理论的基础上建立水资源SD模型，模拟研究区水资源不同方案下的供需变化趋势(XIONG,2015)。此类方法侧重于量化区域供需形势，不能较好的识别非常规水源、跨流域调水等工程在缓解区域缺水情势中所起的作用与程度。另一类是根据《全国水资源综合规划技术细则》以水资源开发利用现状及存在的问题分析为基础，依据各水平年供需水预测的成果拟订方案，进行两到三次供需水量平衡分析，提出推荐方案。三次供需平衡是现代水资源配置理论的核心，是全口径、全流域层面上的平衡计算，被广泛应用于水资源供需平衡分析(洪倩,2016；彭少明等,2014)和水资源配置研究中(付意成,2017；李文忠,2013)。
[0006]影响用水需求的因素十分复杂，包括人口、天气、用水习惯、节水意识等，前人学者在预测需水量时，多是直接预测区域用水总量或区域季节性用水总量，较少考虑对具有显著差异性的行业用水进行区分。此外，用水需求具有明显的时空特征，目前的用水需求预测模型大致可以分为两类：单因素模型和多因素模型。单因素模型主要是时间序列模型，以历史需水量数据作为其唯一输入因素，只关注需水变化曲线的自相关而不考虑其他影响因素，属于黑盒模型。多因素预测模型属于灰盒模型，探讨各种外部影响因素对用水需求的影响，适用于实际场景下复杂多变的需水量预测。机器学习算法为开发多因素预测模型提供了有效的工具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多维度水资源供需预测方法，其特征在于，包括以下步骤：确定待预测区域在多个因素指标影响下的历史序列年的用水量数据；基于多个因素指标及历史序列年的用水量数据，建立高维特征空间回归方程；通过在高维特征空间的回归方程中引入松弛变量、拉格朗日乘子，得到拉格朗日函数；利用卡罗需库恩塔克KKT条件将拉格朗日函数转换为支持向量机SVM的函数；根据支持向量机SVM的函数，构建支持向量机SVM；利用粒子群优化算法PSO对支持向量机SVM中的惩罚因子、核函数参数进行优化；利用优化后的支持向量机SVM对待预测区域的目标年需水量进行预测。2.根据权利要求1所述的一种多维度水资源供需预测方法，其特征在于：所述基于多个因素指标及历史序列年的用水量数据，建立高维特征空间回归方程，包括：设给定的样本数据集合为{(x
i
,y
i
),i＝1,2,...,l}∈(R
d
×
R)，其中x
i
为输入样本值，y
i
为对应的输出值；x
i
∈R
n
样本集，n为输入变量的维度，l为样本数量；则所建立的高维特征空间回归方程如下式(1)所示：式中，C为惩罚因子；||ω||2为惩罚函数；ε为不敏感函数参数；y为待拟合的预测函数值；R(C)为结构风险函数；L
ε
(y)为损失函数；f(x)为基本回归函数。3.根据权利要求2所述的一种多维度水资源供需预测方法，其特征在于：所述通过在高维特征空间的回归方程中引入松弛变量、拉格朗日乘子，得到拉格朗日函数；利用卡罗需库恩塔克KKT条件将拉格朗日函数转换为支持向量机SVM的函数，包括以下步骤：通过引用松弛变量，得到：式中，δ
i
、δ
i*
为隔离带上下方的松弛变量，对于任意样本，若其都在隔离带里面或边缘上，则δ
i
＝0,δ
i*
＝0，在隔离带上方则δ
i
＞0,δ
i*
＝0，在隔离带下方则δ
i
＝0,δ
i*
＞0。φ(x
i
)为输入输出的映射关系；ω和b分别为回归权重和偏置值；引入拉格朗日乘子构造Lagrange函数，则将上式(2)转换为：
其中，a
i
、a
i*
为每个样本对应的Lagrange乘子对；K(x
i
,x)为核函数；利用卡罗需库恩塔克KKT条件将拉格朗日函数转换为支持向量机SVM的函数公式为：其中，σ为核函数参数。4.根据权利要求1...

【专利技术属性】
技术研发人员：魏阳，常政威，张凌浩，张颉，邓创，吴杰，雷克刚，汪洋，廖萍，陈玉敏，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：