基于机器学习XGBoost集成模型的边界流量计日流量预测方法

发布时间：2021-07-06 03:14

　　为了解决供水分区边界流量计在非正常工作状态下,流量计量不准的问题,以正常工作状态下的水量为基础,结合影响流量计计量的多种特征,利用特征工程对原始数据进行优化,对离散型特征进行数值化处理,采用基于机器学习XGBoost集成模型构建流量计流量预测模型。旨在修正流量计非正常工作状态下计量的水量,提高工作成效。与传统的通过人工以未来一段时间内取平均值的计算方法相比,此模型以流量计正常工作状态下的全数据或者供水区域水量全数据为基础,充分结合了影响流量计工作的因素,如天气、日期、相关正常流量计、相关正常压力计、相关水厂、相关供水区域等,相对平均误差在2%左右,能够在工作中产生积极意义。 

【文章来源】：净水技术. 2020,39(10)

【文章页数】：6 页

【部分图文】：

电磁流量计构造

处理前(a)和处理后(b)one-hot编码

处理前(a)和处理后(b)label编码

【参考文献】：
期刊论文
[1]电磁流量计测量误差原因及处理策略[J]. 杨丽娟.  中国设备工程. 2019(22)
[2]Pearson相关系数评价ORC系统蒸发器特性的应用研究[J]. 姜丰,朱家玲,胡开永,辛光磊,赵洋洋.  太阳能学报. 2019(10)
[3]基于独热编码和卷积神经网络的异常检测[J]. 梁杰,陈嘉豪,张雪芹,周悦,林家骏.  清华大学学报(自然科学版). 2019(07)



本文编号：3267403