【技术实现步骤摘要】
本专利技术涉及能源管控领域，具体来说，特别涉及一种基于多维度联合学习预测的水务系统能耗优化方法。
技术介绍
1、随着城市化进程的加快，生态环境保护要求日益提高，城市供水行业的发展迎来了新机遇、面临更大挑战。泵房作为水务系统的重要组成部分，为城市给排水管网提供所需的水量和压力，同时也是水务系统的最大能耗单元。然而面对水量波动，传统的人工控制精度低，容易引发启停频繁、过度调节等问题，导致系统运行效率低、耗电量高。因此，如何通过历史数据预测需水量，提前在电价低谷时段通过清水池蓄水，在电价尖峰减少取水，合理利用水厂自身存储条件分配生产任务，实现节能降耗是当前水务系统实现节能降碳目标的关键任务。
2、目前，常见的需水量预测方法有自回归滑动平均法、人工神经网络法、支持向量机法和混沌法等，其中机器学习模型凭借着良好的非线性拟合优势被广泛应用。基于深度学习的门控循环单元(gated recurrent unit，gru)网络凭借可以同时在多个尺度上对时序和时间依赖性进行非线性处理，在工业领域的预测提供有力支持。但gru网络难以捕捉到时序数据的长期依赖关系，导致在处理非常长的序列时性能下降。作为一个复杂的动态系统，水厂需水量受多种外部因素影响，如用水行为、气候、社会因素(如节假日等)等。从模型输入角度来看，常见的需水量预测模型通常以需水量的时间序列为输入进行分析和预测，模型计算量小，常用于实际工程中。然而单一时间序列输入只能从信息的单一面刻画需水量的变化规律，具有一定局限性。近年来研究人员尝试通过多模型组合等方法，提高信息利用度。p>
3、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、有鉴于此，本专利技术提供一种基于多维度联合学习预测的水务系统能耗优化方法，以解决上述提及的单一时间序列输入只能从信息的单一面刻画需水量的变化规律，具有一定局限性的问题。
2、为了解决上述问题，本专利技术采用的具体技术方案如下：
3、一种基于多维度联合学习预测的水务系统能耗优化方法，该方法包括以下步骤：
4、s1、对水务供水系统进行用水量分析，获取并筛选影响水务供水系统用水量的指标数据，得到标准数据集；
5、s2、基于门控循环单元神经网络和注意力机制，根据标准数据集，构建并优化水厂天级需水量预测模型；
6、s3、根据优化后的水厂天级需水量预测模型预测水厂需水量；根据需水量预测结果，分配水厂水泵的生产任务。
7、进一步的，对水务供水系统进行用水量分析，获取并筛选影响水务供水系统用水量的指标数据，得到标准数据集包括以下步骤：
8、s11、获取水厂供水区域在预设历史时间段内的用水量数据以及影响用水量的指标数据，得到初始数据集；
9、s12、利用k最近邻方法对得到的初始数据集进行异常值检测，并根据异常值检测结果删除异常数据点，得到二级数据集；
10、s13、通过多维度数据融合将二级数据集中的不同维度数据进行整合，得到三级数据集；
11、s14、对于三级数据集中的用水量数据和指标数据，通过动态灰色关联性分析法计算指标数据与用水量数据之间的动态灰色关联度；
12、s15、基于灰色关联度，筛选出满足预设灰色关联度阈值的数据，得到标准数据集。
13、进一步的，利用k最近邻方法对得到的初始数据集进行异常值检测，并根据异常值检测结果删除异常数据点，得到二级数据集包括以下步骤：
14、s121、对于初始数据集中的每种数据，计算每种数据中每对数据点之间的距离；
15、s122、对于每个数据点，找到每个数据点的k个最近邻集合，并计算每个数据点的局部离群因子；
16、s123、根据每个数据点的局部离群因子，将局部离群因子的值大于一的数据点作为异常数据点并将异常数据点删除，得到二级数据集。
17、进一步的，通过多维度数据融合将二级数据集中的不同维度数据进行整合，得到三级数据集包括以下步骤：
18、s131、对于二级数据集中的每种数据，计算每对数据之间的距离，形成距离矩阵；
19、s132、根据距离矩阵建立累计距离矩阵，并通过最小累计距离原则找到最优路径，对齐每种数据在不同维度数据上的时间点；
20、s133、将对齐后的数据按预先设定的主时间轴进行整合，得到三级数据集。
21、进一步的，对于三级数据集中的用水量数据和指标数据，通过动态灰色关联性分析法计算指标数据与用水量数据之间的动态灰色关联度包括以下步骤：
22、s141、利用极值化法对三级数据集中的用水量数据和指标数据进行无量纲化处理；
23、s142、将无量纲化处理后的用水量数据作为参考序列，将无量纲化处理后的指标数据作为比较序列；
24、s143、计算参考序列与比较序列之间的差值，得到差序列；
25、s144、基于差序列计算参考序列与比较序列之间关联系数；
26、s145、基于预先设定的时间权重函数，根据关联系数计算动态灰色关联度。
27、进一步的，基于差序列计算参考序列与比较序列之间关联系数的计算公式为：
28、
29、式中：ξi(t)表示参考序列与比较序列的关联系数，ρ表示分辨系数，i表示比较序列的编号，t表示时间序列，δi(t)表示参考序列与比较序列的差序列。
30、进一步的，基于预先设定的时间权重函数，根据关联系数计算动态灰色关联度的计算公式为：
31、
32、式中，ri表示灰色关联度，w(t)表示时间权重函数，ξi(t)表示参考序列与比较序列的关联系数，t表示时间序列，t表示时间序列的长度。
33、进一步的，基于门控循环单元神经网络和注意力机制，根据标准数据集，构建并优化水厂天级需水量预测模型包括以下步骤：
34、s21、利用注意力机制和门控循环单元神经网络搭建网络模型；
35、s22、将得到的标准数据集通过随机方式划分为训练集和测试集；
36、s23、利用训练集对网络模型进行训练，得到水厂天级需水量预测模型；
37、s24、利用测试集对水厂天级需水量预测模型进行预测误差计算，并基于误差计算结果对水厂天级需水量预测模型进行优化调整。
38、进一步的，利用测试集对水厂天级需水量预测模型进行预测误差计算，并基于误差计算结果对水厂天级需水量预测模型进行优化调整包括以下步骤：
39、s241、将测试集中的数据输入至水厂天级需水量预测模型中得到预测值；
40、s242、计算水厂天级需水量预测模型的预测值和真实值的预测误差；
41、s243、基于得到的预测误差，判断水厂天级需水量预测模型是否收敛，若是，则将当前水厂天级需水量预测模型作为最优模型进行保存，否则，利用改进的adam优化算法更新水厂天级需水量预测模型参数。...
【技术保护点】
1.一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述对水务供水系统进行用水量分析，获取并筛选影响水务供水系统用水量的指标数据，得到标准数据集包括以下步骤：
3.根据权利要求2所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述利用K最近邻方法对得到的初始数据集进行异常值检测，并根据异常值检测结果删除异常数据点，得到二级数据集包括以下步骤：
4.根据权利要求2所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述通过多维度数据融合将二级数据集中的不同维度数据进行整合，得到三级数据集包括以下步骤：
5.根据权利要求2所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述对于三级数据集中的用水量数据和指标数据，通过动态灰色关联性分析法计算指标数据与用水量数据之间的动态灰色关联度包括以下步骤：
6.根据权利要求5所述的一种基于多维度联合学习预测的水务
7.根据权利要求5所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述基于预先设定的时间权重函数，根据关联系数计算动态灰色关联度的计算公式为：
8.根据权利要求1所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述基于门控循环单元神经网络和注意力机制，根据所述标准数据集，构建并优化水厂天级需水量预测模型包括以下步骤：
9.根据权利要求8所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述利用测试集对水厂天级需水量预测模型进行预测误差计算，并基于误差计算结果对水厂天级需水量预测模型进行优化调整包括以下步骤：
10.根据权利要求9所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述利用改进的Adam优化算法更新水厂天级需水量预测模型参数包括以下步骤：
...【技术特征摘要】
1.一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述对水务供水系统进行用水量分析，获取并筛选影响水务供水系统用水量的指标数据，得到标准数据集包括以下步骤：
3.根据权利要求2所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述利用k最近邻方法对得到的初始数据集进行异常值检测，并根据异常值检测结果删除异常数据点，得到二级数据集包括以下步骤：
4.根据权利要求2所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述通过多维度数据融合将二级数据集中的不同维度数据进行整合，得到三级数据集包括以下步骤：
5.根据权利要求2所述的一种基于多维度联合学习预测的水务系统能耗优化方法，其特征在于，所述对于三级数据集中的用水量数据和指标数据，通过动态灰色关联性分析法计算指标数据与用水量数据之间的动态灰色关联度包括以下步骤：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。