城镇智慧水务日用水量预测方法改进分析

2022-12-02孙小燕

水利科技与经济 2022年11期

孙小燕

(惠州市供水有限公司，广东惠州 516001)

1 概述

随着5G技术的发展，新基建应运而生，随之而来的是智慧城市建设。作为智慧城市建设中重要一环的智慧水务，通过与新一代的5G技术与水务技术深度融合，用以实现水务系统的精确化、智能化管理，保证水务系统有效、科学地运行，从而极大地节省人力成本。在实际生活中，要采用信息技术对水务供给系统实施全过程监控，其中重要的一环是对城市用水量进行精确的预测[1-5]。

为此，许多学者采用不同方法对城市用水量进行了预测。李琳[6]以郑州市为例，对城市用水量的预测方法进行总结，并采用灰色GM(1，1)模型及用水量定额法对郑州市用水量进行了预测，结果显示郑州市用水量总体呈现出非线性增长趋势。邹广宇[7]分析了城市用水量的影响因素，通过BP神经网络建立预测动态用水量的预测模型，并通过沈阳市用水量对模型进行验证，结果显示该模型误差较小。王圃[8]基于传统灰色模型的局限性，在无偏灰色GM(1，1)的模型之上，提出一种加权组合模型，并使用该模型与无偏灰色GM(1，1)模型与非线性模型进行自由组合，通过该种组合模型对遂宁市用水量进行预测，研究显示预测结果与实际效果吻合较好。严旭[9]采用GA遗传算法对传统BP神经网络预测模型进行了改进，结合深圳市用水量特点，得出合适的输入变量建立了预测模型，并对比深圳市的用水量验证了该模型的可靠性。

上述研究通过建立预测模型或算法对城市用水量进行了预测，并给予一定的验证。但实际上，用水量的变化特点具有一定的时变形和非线性，需要考虑到气温等诸多因素，而传统的预测模型或算法往往很难体现这一点。因此，本文基于5G智慧水务技术，以H市自来水公司2020年的数据为研究对象，在考虑不同影响因素的条件下，对LR、SVR、BPNN这3种算法进行评估、改进，并对改进后的算法进行对比分析。

2 项目技术概况

工信部〔2020〕25 号文件提出，建立 NB-IoT(窄带物联网)、4G(含 LTECat1)和 5G 协同发展的移动物联网综合生态体系，在深化 4G 网络覆盖、加快5G 网络建设的基础上，以 NB-IoT 满足大部分低速率场景需求，以 LTE-Cat1满足中等速率物联需求和话音需求，以 5G 技术满足更高速率、低时延联网需求。

在智慧水务项目实施过程中，很多应用场景基于 NB-IoT 实现物联感知和智慧应用，NB-IoT 是 5G 的先行者，将成为 5G 关键技术之一。当前 NB-IoT 在 R15 版本能够支持 NB-IoT 和 NR 空口共存，R16 版本支持 NB-IoT 接入 5G 核心网。根据 3GPP 自评估和中国独立评估结果，NB-IoT 满足 ITU mMTC 的要求，并已经通过 5G 候选提交，2020 年 7 月正式成为 ITU 5G 标准。

当前，业界已经认可 5G mMTC 的 LPWA 标准将基于 NB-IoT 平滑演进。因此，在当前智慧水务的网络基础设施建设中，必然会出现 NB-IoT 与 5G 网络融合的应用搭配。5G 作为第 5 代蜂窝网络，相比 4G 在峰值速率、网络容量、连接密度等网络性能方面有 10～100 倍的增强，其大宽带、低时延、大连接的特性，将在智慧水务领域掀起一波新的物联网应用浪潮。水务公司可以利用 5G 网络实现全方位、立体化的智慧水务管理，特别是水务管网巡视、水厂无人值守视频监控、VR 无人机安防等，而在远程抄表等领域继续采用 NB-IoT 平滑演进到 5G，从而兼顾更多更优的技术特征，丰富不同的应用场景。

3 研究方法

本文采用3种算法作为预测5G智慧水务用水量的基本预测研究算法，其中包括线性回归算法(LR算法)、支持向量回归算法(SVR算法)、神经网络学习算法(BPNN算法)。

3.1 LR算法

线性回归算法(LR)因其简单基础，是目前学界广泛采用预测用水量的机器学习算法之一。对于用水量的预测，其线性回归模型为：

Lθ(x)=θ0+θ1x1+θ2x2+…+θnxn

(1)

式中：Lθ(x)为预测用水量；x1，x2，…，xn为自变量影响因素；θ0为回归常数；θ1，…，θn为权重系数。

3.2 SVR算法

用水量预测采用支持向量回归算法(SVR)在支持向量机算法(SVM)的基础上，更加适用于此类回归分析。对于线性函数模型而言，通过在线性函数两侧设置间隔带，对落入间隔带内的样本不计入损失，以此来最小化总损失和最大化间隔带；而对于非线性函数则是通过核函数映射到线性空间之后，再进行回归分析。采用SVR算法对用水量进行预测，假设间隔带函数为：

f(x)=λTx+b

(2)

则利用该间隔带函数可得到SVR求解的模型为：

(3)

式中：m为日用水量数据；αi为拉格朗日乘子；κ(x，xi)为核函数；yi为第i个样本的实际日用水量；ε为允许误差。

3.3 BPNN算法

神经网络学习算法(BPNN)是目前最为常用的预测算法，由输入层、隐层、输出层构成，通过不同数量的神经元构成。采用BPNN算法对用水量进行预测时，需确定神经元数量和最大迭代次数，并通过神经网络的输出值与实际用水量的误差，不断更新连接权重。见图1。

图1 神经网络学习算法(BPNN)结构图

4 结果分析

4.1 用水量影响因素分析

本文以H市自来水公司2020年5月的用水量数据为例，将与方差相差较大的数据去除，并对该公司所在城市的用水量样本数据进行分析。城市用水量受诸多因素影响，但一般受温度、节假日、天气等因素影响较大。本文以5月份日期为横坐标，以用水量为左纵坐标，4种主要影响因素为右纵坐标，总结该公司所在城市5月份的用水量及影响因素，并绘制图2。图2中，0为工作日，1为节假日，天气情况为量化后的效果，具体参考见表1。

图2 H市5月份用水量随4种影响因素变化图

表1 天气情况量化数据表

图2(a)和图2(b)为最高气温与最低气温影响下的日用水量变化图。从图2(a)和图2(b)中可以看出，随着气温的升高，用水量也会随之升高，温度与用水量的变化呈现正相关。从图2(c)可以看出，在工作日与节假日时，日用水量并无较大变化，其原因在于本次统计的用水量数据包含工业用水，由于工业用水量的存在，在节假日时整体用水量不会出现太大变化。图2(d)为量化后的天气情况影响下的日用水量变化图，结合表1可以看出，天气较好时日用水量有上升趋势，但日用水量会随着天气转阴转雨而略有下降。

为了得出图2中4种影响因素与日用水量的相关性，通过具体数据求取二者的相关系数ρ：

式中：ρ为相关系数；COV为协方差；X为影响因素因素；Y为日用水量。

通过式(4)得到不同影响因素与日用水量的相关系数，见表2。

表2 4种影响因素与日用水量的相关系数

从表2中可以看出，气温与日用水量的相关性最大；其次为天气情况；节假日与日用水量的相关系数为负数，二者相关程度最低。

4.2 预测算法改进分析

分别采用LR、SVR、BPNN算法对H市自来水公司的数据进行预测。针对4个不同影响因素，通过建模与测试，对SVR算法的核函数选取RBF函数，并将函数中的参数C和g分别取值为3和0.016；对于BPNN算法则选取4个输入层，20个隐层和1个输出层。将此3种算法下输出的预测结果对比真实用水量，并进行预测误差的统计，3种算法的预测误差见表3。

表3 3种算法下的预测误差

可以看出，3种算法的预测误差偏大。为此，本文对3种预测算法进行了改进。在相关预测中，考虑到通过前一日用水量对整体用水量预测的重要性，本文统计了H市自来水公司前一日用水量和前8 h用水量的数据，见图3。

图3 前一日及前8 h用水量与日用水量对比

为了得到其相关程度的高低，同样采用式(4)计算其相关系数，见表4。

表4 前一日及前8h用水量与日用水量相关系数

通过上述计算分析可知，前一日用水量与前8h用水量均与日用水量相关程度较高，因此将此两种影响因素加入到预测算法之中，以便获得更小的误差。为了降低预测误差，对相关算法进行改进，对SVR算法的RBF核函数关键参数C和g分别设置为68和0.01；BPNN算法的输入层神经元改为6个，隐层神经元及输出层神经元数目均不变，分别设置50个测试集对相同的数据进行预测，计算相关算法的预测误差，并与改进前算法的预测误差进行对比，结果见图4。