应用改进BP神经网络进行用水量预测.docx

文章编号：1008-0562(2004)02-0191-03应用改进 bp 神经网络进行用水量预测麻凤海 1，杨维 2，杨帆 4，于晓曦 3（1. 辽宁工程技术大学 学科建设办公室，辽宁 阜新 123000；2.本溪钢铁公司,辽宁 本溪 117100；3. 辽宁工程技术大学 土木建筑工程学院, 辽宁 阜新 123000；4.，辽宁工程技术大学 测量工程系，辽宁 阜新 123000）摘 要：针对工业用水量的特点，建立了改进的 bp 神经网络用水量预测模型，采用遗传算法对 bp 神经网络权系进行优化改进，改进的 bp 神经网络算法预测结果好于灰色理论预测和 bp 算法预测。以本溪市某供水厂用水量数据对改进的 bp 神经网络模型进行训练 并预测，将其预测结果与灰色理论预测和 bp 神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时 克服了其他两种算法的缺陷。关键词：改进 bp 神经网络；用水量预测；遗传算法中图号：tu98; o 211.67文献标识码：aforecast water consumption with improved bp neural networkma feng-hai1, yang wei2 , yang fan 4,yu xiao-xi 3( 1.office of discipline construction , liaoning technical university,fuxin 123000,china;2.benxi iron-steel company, benxi 117100, china;3. college of civil and architecture engineering, liaoning technical university,fuxin123000,china;4. dept. of surveying engineering, liaoning technical university,fuxin 123000,china) abstract：based on the characteristics of water consumption, the paper established the model to forecast waterconsumption with the improved bp neural network and applied genetic algorithms to optimize the weight matrix. the forecast result shows that the improved bp neural network is better than the one only using the grey theory forecasting or bp neural network forecasting. the model is trained with the water consumption data of benxi iron-steel company and used to forecast water consumption. comparing the forecast results with the grey theory forecasting and bp algorithm it is concluded that the improved bp neural network model has the small error in forecasting water consumption, at the same time it can overcome shortcomings of other algorithms.key words：improved bp neural network; water consumption forecasting; genetic algorithms0引言随着城市经济的不断发展和人口的增加，城市用水量也随之增加，为保证经济、安全、可靠的供 给城市居民、工厂等生产和生活用水，供水部门就 必须对需水量作出合理的估计，以保障水系统的正 常运行，所以供水负荷预测显得尤为重要。供水系 统用水量预测，按预测期限，一般分为两类。一类 是长期预测，根据城市经济、人口等诸因素的变化， 预测未来几年至几十年后整个城市的需水量，为市 区的规划设计提供依据。另一类是短期预测，对未 来一小时、一天或几天的需水量作出预测。由于长 期用水量偶然因素较多，波动较大，一般只做短期预测。近年来许多研究人员使用模糊数学、灰色理论 理论和神经网络等非线性方法进行用水量预测。但 由于模糊评判方法需要对各选取的指标赋予不同 的权值，权值的选取不可避免地带有一些主观性和 随意性，导致结果失真。用灰色理论理论预测，当 原始数据序列波动较大，信息过于分散时预测精度 将降低。而神经网络具有很强的非线性映射和自适 应学习功能，特别是 bp 网络近年来广泛用于模式 识别、预测估计等领域并取得较好效果，但其寻优 过程较慢，且容易陷于局部最小。本文采用改进的收稿日期：2003-03-21基金项目：辽宁省教育厅攻关计划基金资助项目（202183392）作者简介：麻凤海（1964-），男，吉林 九台人，博士，教授，博士生导师 。本文编校：孙树江192辽宁工程技术大学学报第 23 卷bp 算法对用水量进行预测。（6）由输入样本集，经前向传播算法，求得 n组网络输出 y pj ( j 1,2,., n ) ;（7）设定网络的目标函数，将其转换成适应 度，对 n 个网络进行评价；（8）依据适应度在遗传网络空间进行选择操 作；（9）依据选定的交叉、变异及有关算法、参 数进行相应的操作，得新一代种群；返回步骤（5）直到满足要求，得到一组优化 的权系值。1bp 算法分析及改进 bp 算法bp 算法 1 是一种简单的最速下降静态寻优算法，主要缺点表现在以下几方面：采用残差平方 和最小作为目标函数，会过分地突出极大值的影响。由于采用基于梯度的搜索方法，需要很好定 义的可微曲面，难以解决具有局部最小的复杂欺骗性问题，尤其当求取一般非凸目标函数的全局最优解时。学习算法的收敛速度很慢，通常需要较长 时间才能收敛。本文对 bp 算法作了一定的优化处 理，采用遗传算法 2 进行网络权值修正。其具体步 骤是将 bp 学习算法由遗传算法来代替。改进后的网络权系的遗传进化步骤如下：（ 1 ）给定网络的输入 / 输出样本集， up/bp , p 1,2,., n ;（2）确定网络权系的编码方式，个体位串的 长度，一组权系值（权值和阈值）与遗传算法空间 的个体位串的关系是由编码映射决定的；（3）选定遗传算法操作、设定遗传操作参数 及自适应调整算法等；（4）以确定的种群规模 n，随机产生初始种群；（5）译码种群中的每一个体位串，求得 n 组 网络权系值，得到具有相同结构参数的 n 个网络；2神经网络预测一个城市或一个地区，在不同时刻，由于经济活动和居民活动情况不断变动，用水量有较大的变 化。在短期内，如十几天或几十天内，用水量的变 化具有周期性，如一天或一周为一个周期，而这个 周期随着用户轮休及工业企业生产的变化呈现不 稳定性波动。考虑到影响用水量的因素3，本文采 用 3 层改进的 bp 算法编制程序对用水量进行预测。 确定晴雨状况（晴取 2.5，多云取 2，阴取 1.5，阴 转小雨取 1，大雨取 0.5），节假日（节假日取 1，表 1tab.1训练样本一览表training samples日最高温度/ c日最低温度/ c实际用水量/104t日期节假日晴雨预测值误差6 月 17 日6 月 18 日6 月 19 日6 月 20 日6 月 21 日6 月 22 日6 月 23 日6 月 24 日6 月 25 日6 月 26 日6 月 27 日6 月 28 日6 月 29 日6 月 30 日7 月 1 日7 月 2 日7 月 3 日7 月 4 日7 月 5 日7 月 6 日7 月 7 日7 月 8 日7 月 9 日7 月 10 日7 月 11 日7 月 12 日7 月 13 日7 月 14 日7 月 15 日 7 月 16 日222221122222111222211222221122.5222.5221.511.51.52111.52.52.52.52.52.5222.52.5222.52.52.52.53232313331323031323233323233333233323332333332313133323333252425232624252324252423242525252626252526262523252425262521.245 922.375 621.156 622.951 221.796 323.537 922.156 121.246 720.891 921.847 221.176 822.561 222.084 723.052 322.520 021.181 021.792 021.660 422.957 622.127 523.724 322.051 320.759 321.540 321.412 821.504 622.870 323.407 721.681 022.312 823.054 922.089 121.901 722.064 521.085 922.036 422.478 321.085 323.217 623.048 522.213 423.361 821.074 923.456 522.520 323.164 723.831 323.649 123.621 122.439 523.374 222.487 423.167 023.083 222.408 623.325 723.005 322.843 71.066 90.689 3-0.067 5-1.049 50.268 2-2.552 0-0.119 71.231 60.183 41.369 41.871 7-0.347 81.277 1-1.997 40.936 51.339 31.372 72.170 90.691 51.493 6-1.284 81.322 92.238 91.626 71.661 40.904 00.505 4-0.402 41.162 72 2 32 24 21.360 2 22.921 6 1.561 4 第 2 期麻凤海等：应用改进 bp 神经网络进行用水量预测193表 2检验样本及预测结果tab.2testing sample and forecast results节假日晴雨日最高温度/c日最低温度/c实际用水量/104t改进 bp 法灰色理 论预测bp 法预测日期7 月 17 日7 月 18 日7 月 19 日7 月 20 日7 月 21 日7 月 22 日7 月 23 日7 月 24 日7 月 25 日7 月 26 日7 月 27 日7 月 28 日7 月 29 日7 月 30 日 7 月 31 日222112222211222.52.52221.51.522.52.52.52.52.52.53332323231323132333333323332262525242427242526262525252421.205 520.037 620.448 323.533 623.585 921.321 321.242 822.198 021.814 621.400 022.928 123.847 121.388 321.416 322.376 022.020 922.323 522.429 922.454 422.323 422.320 422.328 222.320 722.321 522.420 922.323 522.221 122.323 222.405 822.766 122.821 522.134 722.501 322.776 922.907 522.607 122.998 023.315 923.316 823.101 523.151 822.652 322.570 323.490 322.759 922.811 322.601 223.083 223.812 221.021 623.697 623.216 923.471 223.005 323.406 620.133 22 2.5 32 26 21.525 0 22.123 5 22.944 5 23.005 3 工作日取 2），日最高温度，日最低温度 4 个参数作为输入神经元，以日用水量为输出神经元，隐含层 神经元取 6 个。遗传算法采用二进制编码方式，位串长度取 30，种群大小 n 取 100，变异概率 pc 取0.05，在复制过程中淘汰 0.25n 个低于平均适应度的劣解，并以随机取数的方式补齐，以保持群体交 叉过程中解的多样性。为了确保搜索的全局最优，在进行交叉操作前，首先将本代样本中的最优解直 接进化到下一代。本文采用本溪市某供水厂 2002 年 6 月 17 日至7 月 16 日用水量数据对改进的 bp 网络进行训练， 训练情况见表 1，检验样本及预测结果见表 2。4结论采用改进的 bp 算法明显加快了网络训练速度，同时克服了 bp 网络陷入局部最小的缺点，从 而进行全局寻优。另外遗传算法运用随机搜索技 术，对所需求解的问题无连续性、无可微性要求同 时遗传算法采用并行计算，由概率决定的不定性寻 优，对所需求解的问题无连续性、无可微性要求同 时遗传算法采用并行计算，由概率决定的不定性寻 优规则。改进的 bp 算法