摘要：【目的】 精准的短期用水量预测是供水优化调度的关键前提，对实现供水行业碳减排具有重要意义。 然而，现有研究多集中于小时级或日级预测，缺乏分钟级用水量预测的深入探讨。 本研究旨在构建高精度的分钟级用水量预测模型，以提高供水调度效率，助力低碳供水。 【方法】 以苏州市某居民小区智能水表监测数据为基础，选取6 min时间步长的用水量序列作为研究对象。 采用Transformer深度学习模型进行预测，并与反向传播神经网络(BPNN)、长短期记忆网络(LSTM)进行对比分析。 为进一步提升预测精度，引入经验模态分解(EMD)数据预处理方法，构建EMD-Transformer耦合预测模型。 评价指标包括决定系数(R2)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)。 【结果】 Transformer模型的R2达到0.925，较BPNN(R2=0.812)和LSTM(R2 =0.873)分别提升13.9%和6.0%；MAPE为10.89%，较BPNN(MAPE=16.24%)和LSTM(MAPE=12.75%)显著降低。 EMD-Transformer耦合模型进一步提升了预测性能，R2提高至0.964，MAPE降至7.50%，RMSE减少23.6%。 分析表明，EMD分解有效提取了用水量序列的多尺度特征，使模型能更好地捕捉不同时间尺度下的用水规律。【结论】 Transformer架构在分钟级用水量预测中具有优越性，EMD-Transformer耦合模型将预测精度提升至实用化水平。该成果为供水系统的实时优化调度提供了可靠的技术支持，其方法论框架可推广至其他城市公用事业领域的负荷预测。分钟级精准预测有望使供水系统能耗降低，对推动水务行业绿色低碳发展具有重要实践价值。

关键词：分钟级用水量预测，长短期记忆网络(LSTM)，Transformer，模型，EMD-Transformer，耦合模型，预测性能

基金资助：江苏省住房和城乡建设厅科技项目：基于优化调度和智能运控算法的供水节能关键技术研究与示范(2022ZD033)

下载

查看