基于混合模型的短期園區(qū)需水預(yù)測(cè)

梁現(xiàn)斌 劉真 苑佳 李磊 劉心

摘要：為進(jìn)一步提高短期園區(qū)需水預(yù)測(cè)精度，解決因短期園區(qū)人工供水誤差較大導(dǎo)致的水、電資源浪費(fèi)問(wèn)題，提出一種由麻雀搜索算法（SSA）、卷積長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（ConvLSTM）、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）組合的SSA-ConvLSTM-LSTM混合模型短期園區(qū)需水預(yù)測(cè)方法，并以河北工程大學(xué)為例進(jìn)行了分析。針對(duì)園區(qū)用水?dāng)?shù)據(jù)在時(shí)間維度上具備的多峰值和多周期特征，采用ConvLSTM挖掘數(shù)據(jù)中的時(shí)空特征；為使預(yù)測(cè)峰值更接近實(shí)際峰值，加入LSTM提升預(yù)測(cè)性能；為優(yōu)化混合模型的隱層神經(jīng)元數(shù)和卷積核數(shù)，采用SSA優(yōu)化算法實(shí)現(xiàn)自動(dòng)調(diào)參。通過(guò)預(yù)測(cè)河北工程大學(xué)1 d和3 d需水量進(jìn)行模型性能驗(yàn)證，并與其他模型進(jìn)行對(duì)比。結(jié)果表明：相比向量自回歸（VAR）模型、深度神經(jīng)網(wǎng)絡(luò)（DNN）模型和LSTM， 該需水預(yù)測(cè)模型具有更高的預(yù)測(cè)精度。該方法在短期需水預(yù)測(cè)上表現(xiàn)出良好的適應(yīng)性和魯棒性，具有一定應(yīng)用價(jià)值。

關(guān)鍵詞：需水預(yù)測(cè)； SSA； ConvLSTM； LSTM； 混合模型； 園區(qū)

中圖法分類(lèi)號(hào)：TV213.4

文獻(xiàn)標(biāo)志碼：A

DOI：10.15974/j.cnki.slsdkb.2023.06.013

文章編號(hào)：1006-0081（2023）06-0064-07

0 引 言

隨著教育園區(qū)、商業(yè)園區(qū)、工業(yè)園區(qū)、文化產(chǎn)業(yè)園區(qū)等專(zhuān)業(yè)園區(qū)高速發(fā)展，僅依靠增加水資源投入解決園區(qū)用水問(wèn)題會(huì)導(dǎo)致水資源利用率降低。短期園區(qū)需水量預(yù)測(cè)是提高水資源利用率的關(guān)鍵，由于短期園區(qū)需水量具有不確定性和多樣性，精確預(yù)測(cè)具有一定困難［1-2］。對(duì)于需水預(yù)測(cè)問(wèn)題，國(guó)內(nèi)外研究人員已經(jīng)取得一定的進(jìn)展［3］。相關(guān)學(xué)者通過(guò)影響地區(qū)需水量的主控因子，采用傳統(tǒng)的向量自回歸（Vector Auto-Regression，VAR）模型預(yù)測(cè)地區(qū)需水量［4］。……