1.基于并行LSTM串联DNN的供水管网压力预测方法，其特征在于该方法具体是：步骤(1)确定输入输出项，建立基于并行LSTM串联DNN的预测模型，具体是：鉴于供水管网系统是一个多输入多输出的非线性时滞系统，选择历史状态量[x(t),x(t-1),…,x(t-ns)]和控制量[u(t-1),u(t-2),…,u(t-nu)]作为输入项；确定输出项为压力测点t+1时刻的输出ym(t+1)，这里ns、nu为历史时间窗口；

建立基于并行LSTM串联DNN的深度学习模型：

a.分别采用LSTM模型对状态量[x(t),x(t-1),…,x(t-ns)]和控制量[u(t-1),u(t-

2),…,u(t-nu)]进行特征提取和学习，同时设 分别为供水管网的状态量和控制量经LSTM模型的输出值；

b.采用深层神经网络DNN模型将 进行融合处理，得到输出ym(t+1)其中[]表示将两种在时间维度上具有相同维数的矩进行合并，H()为DNN模型的激活函数；WDNN、bDNN分别为DNN模型的权值与阈值；

步骤(2)数据预处理，建立压力预测数据库

(2-1)数据预处理

数据补缺：针对来自SCADA系统现场采集的数据存在数据丢失问题，采用线性、抛物线或三次曲线插值补全缺失的数据；

数据去噪：针对现场数据存在大量噪声干扰问题，采用小波变换去除噪声；

无量纲处理：针对供水管网压力和流量具有不同的物理量纲和数量级问题，对数据作归一化处理，即将输入与输出都限制在[0,l]，使它们以相同的等级参与模型训练与预测；

(2-2)建立压力预测数据库

数据项除了时间戳、节点外，还包括：(1)测点的压力、流量值，入口的压力、流量值，从SCADA系统中实时抽取、清洗、转换、并存储，作为模型的输入项；(2)测点的预测压力，来自模型预测，是模型的输出项；(3)误差数据项，用来统计分析预测精度；

步骤(3)训练预测模型

(3-1)确定训练样本

围绕大型供水管网的DMA分区或者小型供水管网，确定输入样本为{X(ns),U(nu),Y}，其中X(ns)为i维状态量，U(nu)为2j维控制量，i为监测点数，j为入口数；

(3-2)确定模型基本结构，设置其余参数初值，开始训练模型

根据经验或者初步调参的效果确定参数的取值范围；nu、ns∈{1,2,…12}，时间步长t＝

5分钟，即历史信息最大跨度为60分钟；隐含层个数Layers∈{1,2,…,5}；相应神经元数量Neurons∈[0,300]；

(3-3)训练迭代

在模型训练时，过模型的预测值 和实测值y求出均方根作为模型误差loss，当loss<误差目标ε∈[0.2％，0.5％]，达到训练要求，迭代结束；当误差不满足要求时调整模型的各个参数，若误差不符合收敛条件且不再减小，则改变模型基本结构，即重新给定一个{nu,ns,Layers}，再根据各个基本结构调节其他参数，重新迭代训练；

步骤(4)在线压力预测

将压力预测数据库中测点的压力、流量值，入口的压力、流量值，依次输入到模型，模型则给出t+1时刻的压力预测值ym(t+1)；同时，将压力预测值ym(t+1)存入数据库，与t+1时刻的实测值y(t+1)进行比较，计算Δ＝ym(t+1)-y(t+1)；设允许预测误差为σ∈[5％，10％]，若连续三次Δ>σ*y(t+1),则返回步骤(3)，重新训练模型，用新近数据，更新模型参数。

2.根据权利要求1所述的基于并行LSTM串联DNN的供水管网压力预测方法，其特征在于：步骤(3-2)中为了防止深度学习模型出现过拟合现象，在每一层引入Dropout技术后随机地更新网络参数，增加模型的泛化能力。

3.根据权利要求2所述的基于并行LSTM串联DNN的供水管网压力预测方法，其特征在于：所述的Dropout技术具体是在模型训练时随机抛弃一定比例的隐含层节点，但权重会保存，仅暂时不进行更新，而在模型使用时恢复全连接；节点抛弃比例在0.1至0.5之间。

4.根据权利要求1所述的基于并行LSTM串联DNN的供水管网压力预测方法，其特征在于：步骤(3-2)中采用小批量梯度下降法来优化模型中的各个参数。

5.根据权利要求1所述的基于并行LSTM串联DNN的供水管网压力预测方法，其特征在于：所述的小批量梯度下降法是把数据分为若干个批，按批来更新参数；小批量梯度下降法的样本大小为5至50之间；训练轮数为100至200之间。

6.根据权利要求1所述的基于并行LSTM串联DNN的供水管网压力预测方法，其特征在于：步骤(3-2)中模型的激活函数选用ReLU激活函数。

7.根据权利要求1所述的基于并行LSTM串联DNN的供水管网压力预测方法，其特征在于：步骤(4)中压力预测值ym(t+1)提前5分钟提供给调度人员参考。