申请/专利权人：安徽建筑大学

申请日：2023-11-20

公开（公告）日：2024-02-09

公开（公告）号：CN117252115B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/006;G06N3/04;G06Q50/06

优先权：

专利状态码：有效-授权

法律状态：2024.02.09#授权;2024.01.05#实质审查的生效;2023.12.19#公开

摘要：本发明的一种基于神经网络的二次供水需水量软测量方法、设备及介质，本发明涉及水资源需求软测量领域；通过训练优化后的二次供水需水量软测量模型进行二次供水需水量的软测量，其中二次供水需水量软测量模型针对GWO算法忽略个体惯性的缺点，引入PSO算法的速度概念改进个体位置更新公式，用改进后的算法优化神经网络模型建立回归预测模型，将数据输入训练好的改进神经网络模型，达到最大训练次数输出需水量预测结果。本发明以外部影响因素及某生活小区二次供水水量作为参数输入改进后的神经网络模型对需水量进行软测量，实现了二次供水需水量逐时预测，对比其他模型显著提高了预测精度。

主权项：1.一种基于神经网络的二次供水需水量软测量方法，其特征在于，通过训练优化后的二次供水需水量软测量模型进行二次供水需水量的软测量，其中二次供水需水量软测量模型的训练过程包括以下步骤，S1、获取历史二次供水水量影响因素数据集；S2、应用Python编程实现步骤S1中影响因素数据集相关系数的自动计算并绘制相关性热力图，根据相关系数大小筛选出主要的特征变量；S3、将影响因素数据集中的离散数据进行One-Hot编码，并对变量数据进行mapminmax归一化处理，方法如下； mapmixmax函数将逐行对数据进行标准化处理，将每一行数据分别标准化到区间[,]，如果某行的数据全部相同，此时，除数为0，则Matlab内部将此变换变为；S4、确定神经网络的拓扑结构，步骤S2中筛选出的主要特征变量作为神经网络的输入确定输入层节点个数，隐含层根据经验设置节点个数，输出层为步骤S1中的历史二次供水水量数据集；设定神经网络的最大训练次数、传递函数及训练函数，初始化神经网络的权值与阈值；S5、将神经网络的权值、阈值作为改进灰狼算法的优化目标输入改进灰狼算法迭代，基于粒子群算法的改进灰狼算法优化神经网络权值、阈值；S6、将步骤S5得到的权值、阈值作为神经网络最优的权值、阈值重新训练，得到神经网络模型输出值；S7、建立误差函数，计算对比步骤S6中模型输出值与真实值的误差，以误差函数值最小为目标反向调整神经网络各层的权值、阈值；S8、判断神经网络预测值是否满足预设精度，若不满足，重复步骤S6和步骤S7；若满足，输出模型预测最优值；所述步骤S5包括以下步骤：S51、灰狼算法种群初始化，随机初始化灰狼种群位置,其中，i=1，2，3，···，n；n为灰狼种群数，惯性因子代表对原先速度的记忆程度，依据原先的速度进行惯性运动，lb和ub为搜索区间的上下限；迭代次数t设置为0；S52、构建适应度函数并计算个体适应度值，并将狼群中适应度最好的三匹灰狼依次标记为α、β、σ，其他灰狼个体记为ω；S53、狼群搜索猎物并进行包围操作，其中α、β、σ狼的位置速度更新： 其中，、、分别为α、β、σ狼与猎物之间的距离；t为迭代次数；、、和为α、β、σ灰狼的位置向量和当前灰狼的位置向量；和为系数向量，其计算公式如下： 其中，和是在[，1]范围内的随机数，对应于公式（5）、（6）、（7），意味着灰狼进行全局搜索，表示灰狼进行局部搜索；为线性递减因子，从2随迭代次数线性递减至0，递减公式为： 其中，为最大迭代次数；在灰狼位置更新中引入粒子群算法中粒子的速度概念，将灰狼个体视为粒子群中的粒子，猎物即最优解的速度和位置更新公式如下： 其中，为i粒子的速度向量；步骤S5中判断是否满足迭代终止条件，若不满足更新参数、和并重复执行步骤S5，直至满足迭代终止条件。

全文数据：

权利要求：

百度查询： 安徽建筑大学 基于神经网络的二次供水需水量软测量方法、设备及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD