技术领域
[0001] 本
发明涉及农村供水技术领域，具体为一种基于机器学习的农村供水系统及供水方法。
背景技术
[0002] 对农村用水量、供水能
力进行预测有利于合理的规划农村供水系统的供水能力，合理的进行引调水，合理的进行水量分配，且能够合理规划农村供水系统中各个水厂的产水量，最大限度的降低供水成本。目前国家也提出了要建设“节水型”社会，在西北地区水资源比较匮乏，合理的进行供配水有利于节约水资源，因此，对农村供水系统的供水能力、用水量、来水量进行预测，实现水资源的合理利用及分配是解决农村水资源保障率低，建设节水型社会的重要途径，为此，提出一种基于机器学习的农村供水系统及供水方法。
发明内容
[0003] 本发明的目的在于提供一种基于机器学习的农村供水系统及供水方法，以解决上述背景技术中提出的问题。
[0004] 为实现上述目的，本发明提供如下技术方案：一种基于机器学习的农村供水系统，包括导入数据模
块、数据监测采集模块、数据存储模块、数据预处理模块、数据训练模块、数据预测模块、数据验证模块、
接口服务模块，其特征在于：所述导入数据模块和数据监测采集模块的电性输出端与数据预处理模块的电性输入端连接，所述数据预处理模块的电性输出端与数据存储模块的电性输入端连接，所述数据存储模块的电性输出端与数据训练模块的电性输入端电性连接，所述数据训练模块的电性输出端与数据预测模块的电性输入端电性连接，所述数据预测模块的电性输出端与数据验证模块的电性输入端连接，所述数据验证模块的电性输出端与接口服务模块的电性输入端连接，所述数据预测模块和数据验证模块的输出端与所述数据训练模块电性连接；
[0005] 所述导入数据模块，用于导入农村历史用水量、供水量、用水量数据；
[0006] 所述数据监测采集模块，用于采集农村供水系统中每月实际供水数据、实际用水数据、实际降雨量数据；
[0007] 所述数据存储模块，用于将经过预处理后的数据进行分类存储，便于后续计算调用；
[0008] 所述数据预处理模块，用于将获取的数据进行预处理，剔除无效及不合理数据；
[0009] 所述数据训练模块，用于将距离当前时段的历史数据作为训练样本，取距离当前时段的实际监测采集数据作为检验样本，实现基于BP神经网络
算法的机器学习训练；
[0010] 所述数据预测模块，用于基于对历史数据的训练学习对距离当前时段的供水量等数据进行预测；
[0011] 所述数据验证模块，用于利用距离当前时段的实际采集数据与预测的数据进行误差分析，确定最优模型。
[0012] 作为优选的，所述数据预测模块和数据验证模块用于将误差分析反馈到训练模型，调整模型连接权与
阀值。
[0013] 作为优选的，所述所述数据训练模块包括训练样本、测试样本和网络
节点，所述训练样本与测试样本连接，所述测试样本与所述网络节点连接。
[0014] 作为优选的，所述接口服务模块，用于转发数据，进行数据的打包和解析。
[0015] 本发明还提供一种基于机器学习的农村供水方法，包括以下步骤：
[0016] 步骤一：获取农村历史供水量、用水量、来水量数据，将历史数据通过导入数据模块导入系统，经数据预处理后存储于数据存储模块；
[0017] 步骤二：采集农村供水系统最新供水量、实际用水量、实际降雨量等数据，经数据预处理后存储于数据存储模块，及时更新系统数据信息；
[0018] 步骤三：数据预处理模块对获得的数据进行处理及修正，对数据的有效性进行判别，根据系统设定的判别规则，剔除不合理数据及无效数据；
[0019] 步骤四：数据训练模块从数据存储模块中分类调取供水量数据、用水量数据、降水量数据；
[0020] 步骤五：输入需要预测用水量、供水量的时段，通过优化后的BP神经网络预测出该时段内的用水量、供水量；
[0021] 步骤六：根据供水系统的实际供水能力，
结合水量平衡方程，对农村供水系统中的供水量进行合理的水量分配。
[0022] 作为优选的，所述步骤三中采用特征归一化对数据进行修正，所述特征归一化方程为：
[0023] 作为优选的，所述步骤四包括将各类数据作为样本进行机器学习训练，具体训练步骤如下：
[0024] S1、按时间序列将样本数据划分成训练样本、验证样本；80％的训练样本、20％的验证样本；
[0025] S2、基于BP神经算法进行水量预测；
[0026] S3、BP神经算法训练多层网络节点形成BP神经网络；
[0027] S4、使用划分的训练样本训练模型，将输出结果与目标结果进行误差分析，再逆推对BP神经网络的连接权与
阈值进行修正，得到使BP神经模型预测值不断优化的连接权与阈值；
[0028] S5、使用划分的验证样本对BP神经网络进行评估，确定最佳BP神经网络模型。
[0029] 作为优选的，所述S5中若训练样本误差降低但验证样本误差升高，则停止训练，选择验证样本误差最小的连接权和阈值进行返回，以此确定最佳BP神经网络模型。
[0030] 作为优选的，所述S3中多层网络节点包括
输入层、隐含层和
输出层，输入层接受数据输入；隐含层和输出层包含功能神经元，能够对信息进行函数处理。
[0031] 作为优选的，所述S1中80％的训练样本为3年之前的每月用水量、供水量、来水量数据，所述20％的验证样本为前3年至当前时段的每月用水量、供水量、来水量数据[0032] 与
现有技术相比，本发明的有益效果是：
[0033] 一、本发明可以基于农村饮水安全信息化管理平台采集农村的实时供水量、用水量、实时来水量(实时降雨情况)等数据。
[0034] 二、本发明通过获取大量农村历史供水数据、用水数据、来水数据和实时监测数据作为机器学习的
训练数据，利用机器学习技术研究历史来水量、历史供水量、历史用水量之间的关系，利用
深度神经网络算法、水量平衡算法实现基于历史数据、实时监测数据来预测农村供水量、来水量、用水量，进行农村每月供水量分配，提高农村供水保障率。
附图说明
[0035] 图1为本发明的基于机器学习的农村供水系统的模块图；
[0036] 图2为本发明的基于BP神经网络的机器学习模型的
流程图；
[0037] 图3为本发明的一种基于机器学习的农村供水方法的流程图；
[0038] 图4为本发明的基于水量平衡的农村供水量分配方法流程图。
具体实施方式
[0039] 下面将结合本发明
实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040] 实施例
[0041] 请参阅图1-4，本发明提供一种技术方案：一种基于机器学习的农村供水系统，包括导入数据模块、数据监测采集模块、数据存储模块、数据预处理模块、数据训练模块、数据预测模块、数据验证模块、接口服务模块，所述导入数据模块和数据监测采集模块的电性输出端与数据预处理模块的电性输入端连接，所述数据预处理模块的电性输出端与数据存储模块的电性输入端连接，所述数据存储模块的电性输出端与数据训练模块的电性输入端电性连接，所述数据训练模块的电性输出端与数据预测模块的电性输入端电性连接，所述数据预测模块的电性输出端与数据验证模块的电性输入端连接，所述数据验证模块的电性输出端与接口服务模块的电性输入端连接，所述数据预测模块和数据验证模块的输出端与所述数据训练模块电性连接；
[0042] 所述导入数据模块，用于导入农村历史用水量、供水量、用水量数据；
[0043] 所述数据监测采集模块，用于采集农村供水系统中每月实际供水数据、实际用水数据、实际降雨量数据；
[0044] 所述数据存储模块，用于将经过预处理后的数据进行分类存储，便于后续计算调用；
[0045] 所述数据预处理模块，用于将获取的数据进行预处理，剔除无效及不合理数据；
[0046] 所述数据训练模块，用于将距离当前时段3年之前的历史数据作为训练样本，取距离当前时段近3年的实际监测采集数据作为检验样本，实现基于BP神经网络算法的机器学习训练；
[0047] 所述数据预测模块，用于基于对历史数据的训练学习对距离当前时段近3年的供水量等数据进行预测；
[0048] 所述数据验证模块，用于利用距离当前时段近3年的实际采集数据与预测的数据进行误差分析，确定最优模型，为合理进行农村供水量分配提供技术
支撑。
[0049] 本发明实施时，具体的：所述数据预测模块和数据验证模块用于将误差分析反馈到训练模型，调整模型连接权与阀值。
[0050] 本发明实施时，具体的：所述所述数据训练模块包括训练样本、测试样本和网络节点，所述训练样本与测试样本连接，所述测试样本与所述网络节点连接，所述训练样本用3年前的每月用水量、供水量、来水量为输入样本，以依次延续1年后的每月用水量、供水量、来水量为目标样本；所述测试样本用3年后的每月用水量、供水量、来水量为输入样本，以依次延续1年后的每月用水量、供水量、来水量为比较样本，所述网络节点设定3个输入单元、隐含层设为1层有12个神经单元数和3个输出单元。
[0051] 本发明实施时，具体的：所述接口服务模块，用于转发数据，进行数据的打包和解析。
[0052] 本发明还提供了一种基于机器学习的农村供水方法，包括以下步骤，
[0053] 步骤一：获取农村历史供水量、用水量、来水量数据，将历史数据通过导入数据模块导入系统，经数据预处理后存储于数据存储模块；
[0054] 步骤二：采集农村供水系统最新供水量、实际用水量、实际降雨量等数据，经数据预处理后存储于数据存储模块，及时更新系统数据信息；
[0055] 步骤三：数据预处理模块对获得的数据进行处理及修正，对数据的有效性进行判别，根据系统设定的判别规则，剔除不合理数据及无效数据；
[0056] 步骤四：数据训练模块从数据存储模块中分类调取供水量数据、用水量数据、降水量数据；
[0057] 步骤五：输入需要预测用水量、供水量的时段，通过优化后的BP神经网络预测出该时段内的用水量、供水量；
[0058] 步骤六：根据供水系统的实际供水能力，结合水量平衡方程，对农村供水系统中的供水量进行合理的水量分配。
[0059] 本发明实施时，具体的：步骤三中采用特征归一化对数据进行修正，所述特征归一化方程为： 式中：xi为历年每月用水数据/供水数据/来水数据；xmin为历年最小用水数据/历年最小供水数据/历年最小来水数据；xmax为历年最大用水数据/历年最大供水数据/历年最大来水数据；x′i为经过处理后的输入值。
[0060] 本发明实施时，具体的：步骤四包括将3年之前的各类数据作为样本进行机器学习训练，具体训练步骤如下：
[0061] S1、按时间序列将样本数据划分成训练样本、验证样本；80％的训练样本、20％的验证样本；
[0062] S2、基于BP神经算法进行水量预测；
[0063] S3、BP神经算法训练多层网络节点形成BP神经网络；
[0064] S4、使用划分的训练样本训练模型，将输出结果与目标结果进行误差分析，再逆推对BP神经网络的连接权与阈值进行修正，得到使BP神经模型预测值不断优化的连接权与阈值；
[0065] S5、使用划分的验证样本对BP神经网络进行评估，确定最佳BP神经网络模型。
[0066] 具体实施例中，S1中80％的训练样本为3年之前的每月用水量、供水量、来水量数据，20％的验证样本为前3年至当前时段的每月用水量、供水量、来水量数据。
[0067] 具体实施例中，S3中多层网络节点包括输入层、隐含层和输出层，输入层接受外界数据输入，仅有输入功能，不能对信息进行函数处理；隐层和输出层包含功能神经元，能够对信息进行函数处理。使用划分的训练样本训练模型，训练分为正反馈和
负反馈；将输出的结果与目标结果进行误差分析，再逆推对神经网络的连接权与阈值进行修正，得到使BP神经模型预测值不断优化的连接权与阈值；
[0068] 多层网络节点具体表示为：输入节点：xi，隐含节点：yj，
输出节点：hl，输入节点与隐含节点间的网络权值为wji，隐含节点与输出节点的网络权值为blj，输入层到隐含层的偏置为θj，隐含层到输出层的偏执为σl。其中，i为输入节点个数；j为隐含层节点的个数；l为输出节点的个数，k为学习样本的个数，激励函数为f(x)，f(x)取Sigmoid函数，形式为当输出节点的期望输出为tl时，模型计算步骤如下：
[0069] 输入节点的输入：xi
[0070] 隐含节点的输出： 式中：wji为输入层到隐含层的连接权值；θj为隐含层节点的节点阈值。
[0071] 输出节点的输出： 式中：bjl为隐含层到输出层的连接权值；σl为输出层节点的节点阈值。
[0072] 输出层(隐含节点到输出节点间)的修正公式：
[0073] 输出节点的期望输出：tl
[0074] 误差控制：所有样本误差： 式中： 为一个样本的误差；p为样本个数。
[0075] 误差修正公式：δl＝(tl-hl)hl(1-hl)
[0076] 权值修正：blj(k+1)＝blj(k)+ηδlyj
[0077] 阈值修正：σl(k+1)＝σl(k)+ηδl
[0078] 隐含节点层(输入节点到隐含节点间)的修正公式：
[0079] 误差公式：
[0080] 权值修正：wji(k+1)＝wji(k)+η'δj'xi
[0081] 阈值修正：θj(k+1)＝θj(k)+η'δj'；
[0082] 针对步骤六：根据供水系统的实际供水能力，结合水量平衡方程，对农村供水系统中的供水量进行合理的水量分配，其中水量平衡方程式：W供水量＝W用水量+W损失[0083] 其中W供水量为实际供水量，W用水量为实际用水量，W损失为生产自身需要用水和管道的输水损失；
[0084] 当W'供水量＞W'用水量时，则W供水量＝ηW′用水量，W引水量＝0
[0085] 当W'供水量＜W'用水量时，W引水量＝ηW′用水量-W'供水量，W供水量＝W引水量+W'供水量[0086] W'供水量为预测供水系统能提供的水量；W′用水量为预测的用水量；η是为考虑管道损失水量设定的经验系数；W引水量为需要从其他区域调用的水量。
[0087] 工作原理或者结构原理，在使用时，通过前端监测设备采集农村供水系统的供水量、用水量、实时降雨量等数据；基于大量历史数据和实时监测数据，通过机器学习方法优化来水量、用水量、供水量预测算法，并基于水量平衡关系实现供水量的合理分配，基于机器学习的农村供水系统包括导入数据模块、数据监测采集模块、数据存储模块、数据预处理模块、数据训练模块、数据预测模块、数据预测验证模块、接口服务模块。通过导入数据模块导入农村历史用水量、供水量、用水量数据；通过
数据采集监测模块采集农村供水系统中每月实际供水数据、实际用水数据、实际降雨量数据；数据预处理模块将获取的数据进行预处理，剔除无效及不合理数据；数据存储模块将经过预处理后的数据进行分类存储，便于后续计算调用；数据训练模块将3年之前的历史数据作为训练样本，取近3年的实际监测采集数据作为检验样本，实现基于BP神经网络算法的机器学习训练；数据预测模块是基于对历史数据的训练学习对近3年的供水量等数据进行预测；数据验证模块是利用近3年的实际采集数据与预测的数据进行误差分析，确定最优模型，为合理进行农村供水量分配提供技术支撑。
[0088] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、
修改、替换和变型，本发明的范围由所附
权利要求及其等同物限定。
