一种混合PSO-GWO-BP预测模型,用于需求驱动的调度和建筑二次供水系统的节能运行 朱书光(Shu-Guang Zhu) 于静文(Jing-Wen Yu) 王行昭(Xing-Zhao Wang) 邓邦武(Bang-Wu Deng) 江帅(Shuai Jiang) 吴启林(Qi-Lin Wu) 魏伟(Wei Wei)

《Buildings》:A Hybrid PSO-GWO-BP Predictive Model for Demand-Driven Scheduling and Energy-Efficient Operation of Building Secondary Water Supply Systems Shu-Guang Zhu, Jing-Wen Yu, Xing-Zhao Wang, Bang-Wu Deng, Shuai Jiang, Qi-Lin Wu and Wei Wei

【字体: 大 中 小 】 时间:2026年05月02日 来源:Buildings 3.1

编辑推荐:

  摘要 准确预测水需求有助于优化峰值负荷管理,在高需求时期减轻压力,并提高城市二次供水系统的运行效率——这是实现建筑节能和可持续运行的关键组成部分。然而,某些地区的现有水需求预测方法存在精度低和预测周期过长的问题,这对建筑规模系统的实时水资源调度构成了挑战。

  摘要 准确预测水需求有助于优化峰值负荷管理,在高需求时期减轻压力,并提高城市二次供水系统的运行效率——这是实现建筑节能和可持续运行的关键组成部分。然而,某些地区的现有水需求预测方法存在精度低和预测周期过长的问题,这对建筑规模系统的实时水资源调度构成了挑战。为了解决这些问题,本研究开发了一个混合预测框架,该框架结合了BP神经网络与Gray Wolf优化器(GWO)和粒子群优化(PSO)算法,以增强参数优化。使用来自代表性住宅区的每小时用水量数据,将所提出的模型与独立的机器学习模型(极端学习机(ELM)、支持向量机(SVM)、长短期记忆(LSTM)和门控循环单元(GRU)进行了比较。模型性能通过决定系数、平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)和Nash–Sutcliffe效率系数(NSE)进行了严格评估。PSO-GWO-BP混合模型达到了97.06%的预测精度,其MAE、MSE、RMSE和MAPE值最低,R值最高,从而显著优于所有考虑的基准独立模型。此外,高精度的短期预测输出能够动态调节二次水箱的补水阈值,促进精细的水资源分配和建筑供水系统的优化运行管理。这些发现展示了所提出的混合模型在提高绿色建筑日常运营中的水资源效率和能源利用性能方面的巨大应用潜力,为智能和低碳建筑供水管理提供了可靠的技术支持。

1. 引言 准确预测城市居民的用水量是高效水资源分配和智能运行城市二次供水系统的关键前提,这些系统是绿色住宅建筑和建筑能源效率的核心基础设施。在可持续城市发展的背景下,精细管理建筑相关供水系统已成为减少运营能耗和提高资源利用效率的重要策略。然而,当前的二次供水系统——特别是服务于住宅建筑的系统——面临着显著的挑战,包括高峰时期的过度压力和流量激增,以及由于调度延迟和不科学导致的水质不稳定和运行效率低下[1]。这些问题不仅影响日常用水,还导致不必要的能源损失,与绿色建筑的低碳和可持续运营目标相悖。因此,开发高效的建筑水资源管理策略、高精度短期水需求预测和科学的实时调度已成为优化二次供水系统、促进建筑能源效率和推进绿色建筑运营的核心优先事项[2]。鉴于需要高精度预测来优化二次供水系统并支持建筑能源效率,提高用水量预测的准确性已成为关键的研究焦点。统计方法因其简单性和易于实施而被广泛用于理解居民的用水模式[3]。例如,Fullerton等人[4]开发了一个线性传递函数(LTF)模型来研究埃尔帕索的水需求动态。Yasar等人[5]使用逐步多元回归确定了土耳其亚达纳市非线性用水量模型的关键变量。Gagliardi等人[6]应用基于马尔可夫链的方法预测了英国三个计量区域1-24小时内的水需求。Gharabaghi等人[7]将数据分组技术纳入非线性模型,获得了71.03的决定系数和2.93的平均绝对百分比误差。然而,统计方法依赖于大型历史数据集,并假设数据线性和稳定性,使得预测精度高度依赖于数据质量。对于非平稳数据集或多因素影响的情况,机器学习方法由于其强大的适应性和非线性处理能力可以有效地应对这些挑战。Shan等人[8]提出了一个具有双重特征过滤和最大信息系数(MIC)的机器学习框架,以提高短期水需求预测的准确性和稳定性。Bárdossy等人[9]开发了一种多日用水量预测的混合模糊算法,实现了5-6%的稳定偏差,优于传统统计方法(5.5-10%)。Smolak等人[10]将人类移动数据整合到机器学习框架中,实现了90.4%的最佳模型精度。Yu等人[11]通过基于反对的学习和精英混沌搜索改进了Slime Mold算法(SMA),开发了一种改进的ESMA算法,该算法在线性、指数、对数和混合预测模型中表现出快速、准确和稳健的收敛性。Herrera等人[12]比较了西班牙东南部城市水需求的各种时间序列预测模型,发现支持向量回归(SVR)表现最佳,平均绝对误差(MAE)为4.33。集成预测模型结合了多种算法的优势,显著提高了训练速度和预测精度。例如,Asgarkhani等人[13]使用遗传算法和粒子群优化开发了一个动态集成学习模型,预测了钢框架在地震荷载下的非线性响应和失效概率,达到了99.3%的预测精度。这突显了混合优化和集成学习在复杂工程预测中的强大潜力。实时调度水体积也是本研究旨在解决的关键问题。为了在不确定的扰动下提高实时调度的性能,当前的重点是时间域中的闭环控制[14]。鉴于长时间范围内水体积调度的不确定性,Xia等人[15]提出了一个多尺度闭环框架,实现了更长时间范围内的性能提升。Yuan等人[16]开发了一个多时间尺度嵌套模型,以同时优化长期和短期目标,从而提高了用水效率并解决了多个目标之间的权衡。Dini等人[17]优化了泵的运行调度,以改善供水网络的性能,引入了一种新的方法来优化活跃泵的数量(NAPs)及其可变设置,以实现最佳调度。然而,这些研究和模型主要是为长时间范围内的确定性用水场景设计的,缺乏实时适用性。已经进行了各种机器学习算法在水量预测建模方面的比较,以选择合适的基准模型。其中,BP神经网络具有强大的并行数据处理和非线性映射能力,但训练速度慢,容易陷入局部最优解,对初始权重敏感,且数据需求高[18]。相比之下,极端学习机(ELMs)在多分类任务中比支持向量机(SVMs)具有更快的训练速度和更好的泛化能力,但其有效性受手动参数选择的影响[19]。SVMs表现出强大的泛化能力、高维处理能力和对异常值的鲁棒性,但在大规模数据集下计算复杂度高,需要仔细调整参数[20]。粒子群优化(PSO)算法因其快速收敛率和避免局部最优解的能力而适用于多目标优化问题,使其适合供水系统中的用水量预测。然而,PSO的性能严重依赖于适应度函数的定义和参数设置,可能需要多次调整才能获得最佳结果[21]。Gray Wolf优化器(GWO)具有强大的全局搜索和快速收敛能力,但容易陷入局部最优解,在高维问题中计算复杂度高,对参数设置敏感[22]。鉴于单个算法的局限性,本研究旨在通过结合多种机器学习技术的优势来提高预测精度,开发一个混合预测模型。所提出的PSO-GWO-BP模型的关键创新在于PSO和GWO之间的紧密耦合机制,而不仅仅是简单的顺序或并行组合。这允许每只“狼”保留自己的最佳历史信息,同时从三只“领导者狼”那里学习,从而避免GWO的过早收敛和PSO的局部最优解陷阱。所提出的模型利用了BP神经网络的并行数据处理和非线性模拟能力,结合了PSO和GWO算法来优化模型参数。通过调整神经网络的权重和阈值,实现了对住宅水需求的准确预测,最小化了输出误差。为了验证混合模型的优越性,将其预测精度与ELM、SVM、独立的BP神经网络以及先进的深度学习模型LSTM和GRU进行了比较。在应用方面,可以通过根据模型预测调整水箱的补水阈值水平来实现二次供水系统的用水调度,从而灵活调节水体积。通过实现高精度的每小时预测和动态水箱水位控制,所提出的混合模型有助于减少不必要的泵启动和停止,从而降低建筑供水系统的运营能耗。这种方法符合绿色建筑运营和建筑能源效率的目标,有助于智能和低碳的建筑水资源管理。

2. 方法 鉴于BP神经网络具有出色的非线性映射能力、灵活的网络结构以及坚实的理论基础和稳健的性能,它被选为本研究中开发混合预测模型的基础模型。然而,传统的参数优化方法(如实验法、网格法和梯度下降法)主要反映了BP神经网络的局部特性,并要求目标函数连续可微分。这一要求限制了它们在优化问题中的适用性[23]。为了提高神经网络的收敛速度和泛化能力,通常更倾向于使用具有全局搜索能力的智能算法。Gray Wolf优化器(GWO)算法的一个显著优势是其强大的全局搜索能力和快速收敛性,使其非常适合解决复杂的优化问题。因此,本研究选择GWO作为BP神经网络的优化方法。由于GWO主要侧重于增强全局搜索能力,它容易陷入局部最优解[24]。为了解决这个问题,引入了在局部搜索方面表现优异的PSO算法作为GWO的补充。这种混合方法平衡了局部和全局搜索能力,从而提高了混合预测模型的整体性能[25]。极端学习机(ELMs)具有快速的学习速度和高泛化能力,而支持向量机(SVMs)在处理高维数据和非线性问题方面表现出显著优势。为了评估混合预测模型在这些方面的性能,使用ELM、SVM和混合模型进行了比较分析,并使用实证数据验证了优化效果。

2.1. 数据预处理 用于模型训练的用水量数据来自选定社区的二次供水泵站的流量监测系统,而气象数据则从公开来源获取,如国家环境信息中心(NCEI)网站(https://www.ncei.noaa.gov/maps/hourly/,访问日期为2024年3月18日)。使用Z分数方法(阈值=3)检测异常值,并将超过阈值的值限制在第99百分位,以避免极端值的干扰。使用MATLAB(R2023b)中的mapminmax函数对所有特征进行了归一化,将其缩放到区间[ymin, ymax]内,确保没有单个特征因幅度差异而主导学习过程。用水量数据集被分为两个子集:训练集和测试集。2023年1月7日至8日07:00至23:00和2023年6月29日23:00至24:00的住宅社区每小时用水量数据被用作训练集,以拟合模型参数。2023年6月30日00:00至1:00至2023年6月30日23:00至24:00的住宅社区每小时用水量数据被用作测试集,以评估网络的性能。选择皮尔逊相关系数(PCC)作为量化变量之间相关性的统计度量。PCC的绝对值范围为[-1, 1],较高的值表示更强的相关性[26]。传统机器学习算法

1. BP神经网络(BPNN)
BP神经网络(BPNN)是一种从输出层开始,逐层计算神经元输出误差的模型,使用误差反向传播[27]方法。然后通过梯度下降法微调每一层的连接权重和阈值,以最小化输出误差[28]。

2. 极端学习机(ELMs)
极端学习机(ELMs)是一种用于单隐藏层前馈神经网络(SLFNs)的快速训练算法。它们通过随机初始化输入权重和偏置,并利用Moore–Penrose广义逆矩阵理论来解析计算输出层权重,从而优化迭代过程[29]。

3. 支持向量机(SVMs)
支持向量机(SVMs)是二元分类模型。SVM的核心概念是在特征空间中找到一个最大化间隔的线性超平面,间隔定义为超平面与任一类最近数据点之间的距离。通过最大化间隔,这种超平面有效地分离了两个类别,从而提高了分类性能。

4. 长短期记忆(LSTM)
长短期记忆(LSTM)是一种专门的循环神经网络(RNN)架构,旨在克服标准RNN在处理长序列时遇到的梯度消失问题。LSTM由Hochreiter和Schmidhuber于1997年提出,它包含一个门控结构,包括单元状态、输入门、遗忘门和输出门,这使得网络能够在较长时间间隔内选择性地保留或丢弃信息,从而有效地学习序列数据中的长期依赖性[30]。

5. 门控循环单元(GRU)
门控循环单元(GRU)是循环神经网络的一种简化变体。与LSTM相比,它只包含两个门(重置门和更新门),这减少了参数数量,同时保持了捕捉时间序列数据中长期依赖性的能力[31]。因此,GRU提供了更快的训练速度和更高的计算效率,在资源受限的情况下特别具有吸引力。

6. 粒子群优化(PSO)
粒子群优化(PSO)算法初始化了一群粒子,每个粒子都具有两个属性:速度和位置,但没有质量和体积。每个粒子根据自身最佳解以及群体通过信息共享找到的最佳解来更新其速度和位置,目的是通过连续迭代找到全局最优解[32]。

7. 灰狼优化器(GWO)
在灰狼优化器(GWO)算法中,狼根据它们相对的位置优势被分为四个不同的等级。α级狼作为领导者,发出关于狩猎、休息和其他与群体活动相关的关键决策的指令。β级狼作为α级狼的 subordinate,协调低等级狼的行动并协助决策。σ级狼在确保群体安全方面起着关键作用,而ω级狼负责执行α级狼做出的决策。猎物的位置代表全局最优解[22]。GWO的实现步骤如下:
- 第1阶段:包围猎物:当狼发现猎物时,它们会逐渐接近并包围它。这种行为的数学模型如下:
(1)
(2)
其中 表示猎物与灰狼之间的距离;t是迭代次数; 和 分别是第t代灰狼的位置向量, 是第t代猎物的位置向量。向量和 的公式如下:
(3)
(4)
其中 和 是区间[0, 1]内的随机数。 作为控制系数,通常取值范围为[0, 2],并且随着迭代次数的增加而线性减小。
- 第2阶段:狩猎:最了解猎物位置的α级狼带领β级狼和σ级狼进行狩猎,其他灰狼依次更新α、β和σ级狼的位置,如下公式所示:
(5)
(6)
(7)
(8)
(9)
(10)
(11)
其中 、 和 分别表示群体中当前狼的位置向量。
- 第3阶段:攻击阶段:捕获目标并获得最优解。当收敛因子 从2线性减小到0时, 的值在[-2, 2]范围内变化。当 ≥ 1时,表示灰狼仍处于全局搜索阶段;当 < 1时,狼群将发起攻击以捕获被选为局部搜索的目标。

2.3. 混合算法PSO-GWO的改进
由于参数 的线性减小,GWO算法缺乏平衡全局搜索和局部利用的能力,忽略了个体狼之间的信息共享。为了解决这个问题,引入了惯性权重ω:
(12)
惯性权重越高,粒子在搜索间隔内的速度保持得越好。引入惯性权重增强了GWO算法的全局优化能力,但削弱了其局部优化性能。为了解决GWO算法容易陷入局部最优解的问题,引入了PSO算法中的速度概念来更新灰狼的速度和位置:
(13)
(14)
其中 、 和 是优化参数。
PSO-GWO混合元启发式算法的具体过程如图1所示。图1显示了PSO-GWO算法的优化过程。为了评估改进后的GWO在参数优化方面的优势,使用标准PSO、标准GWO和PSO改进版GWO对一个测试函数进行了算法验证。通过迭代次数来评估每个预测模型的收敛速度。
从图2可以看出,在实验的200次迭代中,PSO在166次迭代时收敛,达到最优函数值1345.8;GWO在141次迭代时收敛,最优函数值为1504.35;而PSO-GWO在138次迭代时稳定下来,然后在177次迭代后逐渐波动,达到最优函数值1188.58。在整个测试过程中,PSO的波动较大,稳定性较差。虽然GWO获得了更高的最优函数值,但其参数优化性能不佳。相比之下,PSO-GWO需要更少的迭代次数就能稳定下来,且其最优函数值低于PSO和GWO,这表明该模型不太可能陷入局部最优解。图2显示了三种智能算法的测试函数迭代效果。PSO-GWO算法在前138次迭代中表现出快速变化,之后趋于稳定。这种行为可以归因于PSO-GWO继承了GWO的全局搜索能力,使群体能够快速收敛到全局最优解。在后期阶段,PSO算法的集成帮助群体迅速集中在最优解附近,减少了陷入局部最优解的概率,从而平衡了全局最优解的探索和局部最优解的利用。实验结果验证了改进后的GWO在参数优化方面的优越性[33]。

2.4. PSO-GWO-BP
在PSO-GWO混合算法的每次迭代中,每只灰狼的位置都使用GWO的包围机制(公式(8)–(10))和PSO的速度记忆(公式(13)和(14)进行更新。这种紧密的耦合使狼群能够受益于GWO的社会等级结构(α、β和σ指导搜索),同时通过PSO的速度项保留个体历史最佳信息。因此,与单独使用任一算法或以简单顺序使用相比,混合算法实现了更快的收敛速度和更低的陷入局部最优解的风险。然后实施PSO-GWO-BP算法来验证使用混合优化方法对BP神经网络的改进效果。首先确定BP神经网络的结构,并完成权重和阈值的初始化。随后调用混合PSO-GWO算法。将BP神经网络的权重和阈值视为优化目标。运行算法计算所有灰狼个体的适应度,然后将狼群中适应度最高的三个灰狼分别标记为α、β和σ,其他狼个体标记为ω。狼群寻找猎物并进行包围操作,在此过程中根据公式(5)–(10)更新α、β和σ狼的位置和速度。将PSO算法中的粒子速度概念融入灰狼位置更新中,每个灰狼个体被视为群体中的一个粒子。每个灰狼的位置和速度更新如公式(13)和(14)所示。然后评估终止条件,如果未满足终止条件,则更新 、 和 的值,重复该过程直到满足终止条件。一旦满足终止条件,将灰狼群体中的最优位置映射到BP神经网络的初始权重和阈值上。使用这些最优权重和阈值训练BP神经网络。首先计算神经网络的输出,然后使用误差函数计算实际输出与预期输出之间的误差。最后调整权重,直到达到满意的准确度水平。PSO-GWO-BP的框架和执行过程如图3所示。图3显示了PSO-GWO-BP的流程图。

2.5. 模型性能指标
评估指标是用于评估模型预测准确性的定量度量。可以结合多个指标来评估模型在校准结构后的整体性能[34]。为了评估不同模型的预测误差,采用了平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和Nash–Sutcliffe效率系数(NSE)进行比较。
(15)
(16)
(17)
(18)
(19)
其中 是预测的数据数量; 是第i个数据的实际值; 是第i个数据的预测值; 是实际值的整体平均值。

2.6. 时间序列交叉验证方案
为了严格评估所提出的PSO-GWO-BP模型的泛化能力,并解决单日测试集的局限性,我们采用了考虑水需求数据时间顺序的扩展窗口交叉验证策略。整个数据集(2023年1月1日至2023年6月30日,共181天,4337条每小时记录)被划分为五个连续的验证块,每个块包含7天(168小时)。分割如下:
- 第1折:训练在第1-146天,验证在第147-153天;
- 第2折:训练在第1-153天,验证在第154-160天;
- 第3折:训练在第1-160天,验证在第161-167天;
- 第4折:训练在第1-167天,验证在第168-174天;
- 第5折:训练在第1-174天,验证在第175-181天。
对于每个折,应用相同的8小时滑动窗口(图4)从训练和验证期间构建输入-输出样本。使用相同的超参数(表1)从头开始重新训练每个折的PSO-GWO-BP模型。报告了五个折的性能指标(MAE、MSE、RMSE、MAPE、R、R2和NSE)的平均值和标准差,以展示模型的鲁棒性。表1显示了模型的具体参数设置。

2.6. 水调度策略
通过调整供水系统中水箱的补给水量比例,可以展示二级供水系统(SWSS)的水量调度能力[35]。本研究基于预测下一时期水消耗的优化模型。通过预先调整水箱的补水水平,调节水的补给比例。具体来说,在用水高峰期之前增加水箱的进水量,在高峰期减少进水量,从而在水箱进水量中形成高峰和低谷,实现水箱供水量的实时调度。案例研究
本研究选定的生活区域如图5所示,该区域周围分布着市场和学校。该地区共有12栋住宅建筑,其中1栋、2栋和4栋为22层高,其余建筑为26层高。共有1844户家庭居住于此,居住规模属于中等水平。大多数居民是上班族,上班早下班晚。家庭结构以核心家庭为主,用水活动具有规律性。原始数据集来源于该社区的二次供水泵房,该泵房配备了实时数据采集和传输的流量监测平台。

图5:
(a) 显示研究区域所在省份的地图;
(b) 显示研究区域所在城市的地图;
(c) 显示研究区域及其周边环境的地图。

为了研究时间因素对居民用水量的影响,根据数据集绘制了一周内用水量的变化情况。

如图6所示,该住宅社区的用水模式具有明显特征:每日用水量变化呈现M形曲线。工作日的早晨高峰通常出现在07:00至08:00之间,而傍晚高峰则出现在20:00至21:00之间,两个高峰之间的时间间隔约为13小时。中午12:00左右会出现一个小高峰,对应于公司员工的午休时间用水量。周末时,早晨高峰比工作日推迟1-2小时,反映了居民在休息日的作息变化。为了提取对决策有价值的见解,需要进行特征提取以识别影响用水量的关键因素。

图6:一周内居民用水量的变化情况。

鉴于居民用水量的规律性和历史数据的低噪声特性,采用了时间序列分析方法来预测未来的用水量。为了充分利用历史数据,采用了跨度为8小时、步长为1小时的时间滑动窗口对原始数据集进行分割。滑动窗口沿时间轴移动,每次滑动对应一个8小时的样本。前7小时的数据用于模型训练,最后1小时用于测试模型的预测性能。时间序列滑动窗口的操作和选定的时间序列因素在图4中进行了说明。

对于分割后的样本,在预测期间计算了不同步长下的每小时用水量:F1表示第一步,F2表示前两步,F3表示前三步,F4表示前四步,F5表示前五步,F6表示前六步,F7表示前七步。同时计算了温度(T)、湿度(H)和日类型(工作日Dw、休息日Dr)与预测期间每小时用水量(Fp)之间的相关系数。这些相关性以每小时用水量相关性的热力图形式呈现,如图7所示。采用皮尔逊相关系数(PCC)作为统计方法来评估变量之间的关系,清晰地展示了各因素与每小时用水量之间的相关程度[26]。

图7:皮尔逊相关系数热力图。

数据集记录了2023年1月1日至2023年6月30日的共181天(4337条每小时记录),涵盖了冬季、春季和夏季的季节变化。从图7可以看出,如果要预测下一小时的用水量,选择的输入变量包括:F1、F2、F5、F6、F7、温度T、湿度H、工作日Dw和休息日Dr。相关数据见表2。

4. 结果与讨论
4.1 模型初始化参数设置
为了确定预测模型的最佳超参数,将多种算法集成到了BP神经网络中。对于PSO-GWO-BP模型,BP神经网络的结构设置为:输入层包含9个神经元(对应于选定的9个输入特征:F1、F2、F5、F6、F7、温度T、湿度H、工作日Dw和休息日Dr),一个包含10个神经元的隐藏层,以及一个包含1个神经元的输出层(预测的每小时用水量)。对于混合优化算法,最大迭代次数为200次。PSO的参数为:认知学习因子C1 = C2 = 1.4945,惯性权重ω = 0.7298。GWO的收敛因子在迭代过程中从2线性递减至0。收敛标准定义为达到最大迭代次数(200次)或连续20代适应度变化小于10^-6。涉及模型的具体参数见表1。

4.2 模型训练效果
在每种算法中,使用适应度函数来评估个体的性能。本研究选择用水量的预测值与实际值之间的均方误差(MSE)作为适应度函数。通过每种算法对不同种群规模(3、6、9和12)进行3次运行,每次运行200次迭代,获得了最佳适应度曲线(见图8和图9)。图8显示,当种群规模分别为3、6和12时,GWO-BP模型的适应度值在26次迭代后达到最低。其中,种群规模为3时的模型性能最佳,MSE为0.0057274;而种群规模为9时,MSE为0.0068145,表明模型性能较差。图9也表明,当种群规模为3时模型性能最优。相比之下,PSO-GWO-BP模型在37次迭代后达到最小MSE(0.0054207),所需迭代次数更多。

由于模型复杂性的增加,PSO-GWO-BP混合模型达到适应度最低点所需的迭代次数显著高于GWO-BP模型,说明该模型的迭代性能有所提升。因此,PSO-GWO算法在确定BP神经网络模型的超参数方面更为有效。

4.3 模型预测结果分析
实际值与预测值之间的回归系数(R)是评估模型预测性能的重要指标。较高的R值表示实际值与预测值之间的线性关系更强。不同模型的回归系数如图10所示。模型预测结果的纵向比较显示,在三种BP神经网络中,PSO-GWO-BP模型的拟合度最高,回归系数为0.97061;GWO-BP模型排名第二,回归系数为0.95653;传统BP模型的性能最弱,回归系数为0.94。应用混合改进算法优化BP神经网络后,混合优化后的BP模型回归系数比单独使用GWO模型提高了1.47%,比传统BP模型提高了3.26%。横截面比较结果显示,BP神经网络模型和SVM模型在时间用水量预测方面表现相似,而ELM模型在处理回归问题时效果较差。LSTM和GRU模型的回归系数分别为0.9630和0.9594,也低于PSO-GWO-BP模型。在用水量预测方面,PSO-GWO-BP模型比ELM模型高出5.76%,比SVM模型高出2.69%,分别比LSTM和GRU模型高出0.79%和1.17%。GWO-BP模型也优于ELM和SVM模型,表明混合算法在预测模型中更有效。

为了直观展示模型之间的性能差异,绘制了每种模型的预测用水量与实际用水量曲线(见图11)。通过观察图表中的曲线拟合程度可以看出,三种BP神经网络在预测全天用水量方面表现出更好的拟合性能。与其他两种模型相比,这些模型的预测准确性和鲁棒性更高。尽管如此,在BP神经网络模型中,GWO-BP模型和传统BP模型对用水量高峰和低谷的敏感度低于PSO-GWO-BP模型。LSTM和GRU由于具有强大的时间序列处理能力,也表现出良好的性能,但其拟合程度仍低于PSO-GWO-BP模型。

为了进一步定量评估模型性能,根据第2.4节的内容,引入了多个指标——平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)、Nash–Sutcliffe效率系数(NSE)、回归系数(R)和决定系数(R2)——对上述模型的测试集进行误差分析;所呈现的误差值是每种模型10次实验的平均值。不同模型的评估指标结果见表3。表3显示,PSO-GWO-BP模型在几乎所有评估指标上均优于GWO-BP、BP、ELM、SVM、LSTM和GRU。具体而言,PSO-GWO-BP模型的MAE(0.6305)、MSE(0.7212)、MAPE(74.3938%)和RMSE(0.8491)最低,而R(0.97061)和R2(0.9421)最高。所有模型的NSE值均高于0.82,表明其预测能力良好。PSO-GWO-BP模型的NSE值为0.9006,略低于LSTM(0.9190)和GRU(0.9186),但仍高于0.9,说明其模型性能优异。更重要的是,PSO-GWO-BP在MAE、MSE和R方面的表现优于LSTM和GRU,表明混合算法在预测模型中更为有效。

为了直观展示模型之间的性能差距,绘制了每种模型的预测用水量与实际用水量曲线(见图11)。通过观察图表中的曲线拟合程度,可以看出三种BP神经网络在预测全天用水量方面表现出更强的拟合性能。与其他两种模型相比,这些模型的预测准确性和鲁棒性更高。然而,在BP神经网络模型中,GWO-BP模型和传统BP模型对用水量高峰和低谷的敏感度低于PSO-GWO-BP模型。LSTM和GRU虽然具有强大的时间序列处理能力,但拟合程度仍低于PSO-GWO-BP模型。

为了进一步定量评估模型性能,根据第2.4节的内容,引入了多个指标对测试集进行了误差分析:平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)、Nash–Sutcliffe效率系数(NSE)、回归系数(R)和决定系数(R2);所呈现的误差值是每种模型10次实验的平均值。表3显示,PSO-GWO-BP模型在几乎所有评估指标上均优于GWO-BP、BP、ELM、SVM、LSTM和GRU。具体而言,PSO-GWO-BP模型的MAE(0.6305)、MSE(0.7212)、MAPE(74.3938%)和RMSE(0.8491)最低,R(0.97061)和R2(0.9421)最高。所有模型的NSE值均高于0.82,表明其预测能力良好。PSO-GWO-BP模型的NSE值为0.9006,略低于LSTM(0.9190)和GRU(0.9186),但仍高于0.9,说明其模型性能优异。更重要的是,PSO-GWO-BP在MAE、MSE和R方面的表现优于LSTM和GRU,表明其在最小化绝对误差和平方误差方面更具优势。这表明,尽管深度学习模型在NSE方面可能捕捉到某些非线性模式更为准确,但所提出的混合模型提供了更精确的点预测,误差幅度更小,这对于实时水资源调度决策具有实际价值。PSO-GWO-BP的MAPE(74.39%)低于LSTM(344.86%)和GRU(294.42%),进一步支持了这一结论。需要注意的是,所有模型的高MAPE值主要是由于非高峰时段(例如测试当天02:00至03:00期间,每小时用水量接近0立方米)的实际用水量非常低。在这些时段,即使是0.2至0.3立方米的绝对误差也会导致相对误差较大,从而人为地提高了MAPE。尽管如此,绝对误差仍在工程可接受的范围内,因此MAPE的相对排名具有比较意义。这些结果证实了所提出的混合模型在预测准确性方面表现最佳,具有最佳的鲁棒性。

表4展示了PSO-GWO-BP模型的扩展窗口交叉验证结果。该模型平均MAPE为74.52%,标准差为0.25%;平均MAE为0.6379(SD = 0.0067),平均MSE为0.7292(SD = 0.0082),平均RMSE为0.8539(SD = 0.0048),平均R为0.9695(SD = 0.0005),平均R2为0.9399(SD = 0.0010),平均NSE为0.8979(SD = 0.0010)。这些数值与表3中报告的单日测试结果非常接近(MAPE = 74.39%,MAE = 0.6305,MSE = 0.7212,RMSE = 0.8491,R = 0.9706,R2 = 0.9421,NSE = 0.9006),表明高预测准确性并非偶然,而是在不同时间段内能够持续重现的。各折叠间较低的标准差进一步证明了PSO-GWO-BP模型的稳健性。表4显示了PSO-GWO-BP模型的五折扩展窗口交叉验证结果。

4.4. 基于模型预测结果的水资源调度策略
根据所提出的混合模型预测的每小时用水需求,可以通过调节水箱中的补水阈值来动态调整补水体积比例。如图12所示,预测的每小时用水需求在一天内呈现出两个高峰和两个低谷:早晨的高峰大约在8:00,晚上的高峰大约在9:00,而低谷则出现在清晨和下午。相应地,补水体积比例会进行反向调整——在需求较低时增加补水量以储存水,在需求高峰时减少补水量以优先使用储存的水。这种策略有效地平滑了用水量的波动[36]。通过在需求高峰前提高备用水位以增加进水量,在高峰时段降低水位以减少进水量,这种方法最大化了储存水的利用率,并减少了从市政供水网络实时抽水的需求。这不仅减轻了市政供水系统的压力,还通过避免高峰时段频繁启动泵机和高负荷运行,降低了建筑级供水设备的能耗。这种需求响应型补水控制符合绿色建筑运营和建筑能源效率的原则,有助于智能和低碳管理二次供水系统。

图12. 根据每小时用水量预测的补水比例。

5. 结论
在这项研究中,通过将传统的BP神经网络与GWO和PSO算法相结合,创新性地构建了一个混合预测模型。在每次迭代中,每只灰狼的位置都利用GWO的包围机制和PSO的速度记忆进行更新,使GWO的社会层次结构和PSO的个体历史信息协同工作,从而实现更快的收敛速度和更高的预测准确性。该模型的性能与单独的机器学习方法(即ELM、SVM、LSTM和GRU)进行了比较。这一比较使用了研究区域内某一天的用水数据。此外,还采用了时间序列交叉验证方案来严格评估模型的泛化能力和稳健性。验证并分析了模型预测的有效性,并探讨了根据模型预测结果调节水箱补水阈值以实现灵活供水的可行性。这种方法为建筑级二次供水系统的实时水资源调度提供了实际可行的方案。主要结论如下:
(1) 关键影响因素的识别:基于对用水模式的研究和皮尔逊相关分析的结果,确定了影响用水量的主要因素:预测期前1小时、2小时、5小时、6小时和7小时的历史每小时用水数据,以及温度、湿度和是否为工作日。
(2) 混合预测模型的开发与性能评估:所提出的PSO-GWO-BP混合模型达到了97.06%的预测准确性,优于单独的BP(94.00%)、GWO-BP(95.65%)、ELM(91.78%)、SVM(94.52%)、LSTM(96.30%)和GRU(95.94%)。根据实验选定的指标,该混合模型在MAE、MSE、RMSE和MAPE等方面分别优于对比模型。具体来说,它将MAE降低了23.04%、18.74%、44.34%、23.94%和11.89%;MSE降低了48.86%、30.32%、63.18%、39.32%、19.61%和20.00%;RMSE降低了28.51%、16.53%、39.33%、22.12%、10.35%和10.57%;MAPE降低了68.54%、61.04%、84.01%、78.01%、78.43%和74.33%。这些结果表明,混合模型在每小时用水量预测方面具有卓越的性能,为建筑供水系统的实时决策提供了可靠的基础。
(3) 预测驱动水资源调度的可行性:分析了预测的每小时用水量与补水比例之间的关系。通过根据预测结果预先调节水箱的补水阈值,系统实现了实时供水调度。这种需求响应策略有助于减少不必要的泵机操作和能耗,从而促进建筑规模二次供水系统的高效和低碳运行。

总之,本研究利用PSO-GWO-BP开发了一个高精度的用水需求预测模型,并通过对比分析验证了其优势。研究结果支持将预测智能集成到建筑水资源管理中,为提高绿色建筑运营中的水资源效率和能源性能提供了可行的途径。未来的研究应解决目前缺乏长期现场验证的问题,特别是在不同季节和用水模式下的能源数据。我们将与水务公司合作,在实际的二次供水泵站部署该模型进行至少一年的在线测试,收集实际的节能数据,并进一步优化阈值更新策略。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号