本文選題：供水量預(yù)測 + 混沌��； 參考：《重慶大學(xué)》2014年博士論文

【摘要】：隨著城市化進程的推進和社會經(jīng)濟的快速發(fā)展，人民生活水平的不斷提高，使城市自來水公司的供水系統(tǒng)的規(guī)模迅速擴大，從而導(dǎo)致了企業(yè)的供水系統(tǒng)調(diào)度復(fù)雜性的逐年提高。這一現(xiàn)象給傳統(tǒng)調(diào)度方式帶來了前所未有的挑戰(zhàn)。而供水量預(yù)測作為企業(yè)供水系統(tǒng)調(diào)度工作的基礎(chǔ)和前提，一直是城市供水企業(yè)和運行管理部門最為棘手的問題之一。通過供水量預(yù)測，既可以為供水系統(tǒng)科學(xué)調(diào)度提供數(shù)據(jù)依據(jù)，又可以提高水資源利用效率，改善城市生態(tài)環(huán)境，促進社會和諧健康發(fā)展。 日供水量的預(yù)測可以保證用戶在不同時間對水量和水壓的要求，同時也能提高水廠的生產(chǎn)效率，減少生產(chǎn)成本，從而提高供水服務(wù)質(zhì)量。月供水量的預(yù)測可以平衡水源與各水廠的供給量，提高區(qū)域調(diào)度能力，減少水資源的浪費。因此，作者從日、月供水量預(yù)測兩個方面，以重慶市主城和周邊區(qū)縣三種不同規(guī)模自來水廠正常工況下供水時間序列為研究對象，對其進行了深入的研究。主要研究結(jié)果如下： ①分析了各供水量時間序列的可預(yù)測性。通過定性（功率譜）和定量（最大李雅普諾夫指數(shù)）分析可知，日、月供水量時間序列均存在明顯的混沌特性，說明供水量時間序列具有可預(yù)測性。 ②利用Matlab數(shù)值分析軟件，分別采用傳統(tǒng)預(yù)測模型（整合自回歸移動平均模型（ARIMA））和基于新技術(shù)的預(yù)測模型（反向傳播神經(jīng)網(wǎng)絡(luò)模型（BPNN）、模糊神經(jīng)網(wǎng)絡(luò)模型（ANFIS）和最小二乘支持向量機回歸模型（LSSVR））對日、月供水量進行了預(yù)測研究。其中，BPNN、ANFIS和LSSVR三種模型的輸入-輸出結(jié)構(gòu)由其混沌特性所決定的相空間重構(gòu)的結(jié)構(gòu)決定。預(yù)測結(jié)果表明，在這四種預(yù)測模型中，基于新技術(shù)的預(yù)測模型具有相對較好的預(yù)測效果，其中LSSVR在日供水量預(yù)測方面的擬合性最好，而在月供水量預(yù)測方面較差。所以，在以下的日供水量預(yù)測研究中，將LSSVR作為回歸預(yù)測模型進行研究。 ③日供水量序列局部存在特性差異性，同時考慮到大數(shù)據(jù)量時間序列全局建模速度慢，更新計算代價高，所以，作者利用局部建模方法，提出一種基于多尺度二乘支持向量回歸的預(yù)測模型（MS-LSSVR）。通過靜態(tài)小波分解將非平穩(wěn)的供水量時間序列分解為不同尺度的平穩(wěn)時間序列，然后在分解后的各子序列上分別建立LSSVR模型進行預(yù)測，最后通過小波逆變換將各子序列預(yù)測結(jié)果整合得出原始用水量時間序列的預(yù)測值。實例分析表明，利用MS-LSSVR預(yù)測日供水量的效果較單一LSSVR模型有顯著提高，其中平均絕對誤差（MAE）分別提高了1889.838m3/d，827.722m3/d，153.729m3/d；平均絕對百分比誤差（MAPE）分別提高了0.919%，1.262%，1.576%；標準相對均方根誤差（NRMSE）分別提高了0.0116，0.0162，0.0174。 ④考慮到日供水量的時變性，模型精度會隨這種時變性降低，模型結(jié)構(gòu)退化，所以，作者提出一種基于變結(jié)構(gòu)最小二乘支持向量回歸（VS-LSSVR）的動態(tài)預(yù)測模型。利用日用水量的歷史數(shù)據(jù)訓(xùn)練LSSVR模型，得到模型結(jié)構(gòu)參數(shù)歷史數(shù)據(jù)序列，然后利用數(shù)據(jù)同化方法——擴展卡爾曼濾波器（EKF）對模型結(jié)構(gòu)參數(shù)組進行估計，最后用模型結(jié)構(gòu)參數(shù)估計量來更新模型結(jié)構(gòu)并預(yù)測下一天日用水量。通過這種方式，實現(xiàn)預(yù)測模型結(jié)構(gòu)的動態(tài)更新。實例分析表明，VS-LSSVR模型克服了模型精度隨時間變化降低的缺點，在損失了部分運算時間的基礎(chǔ)上，提高了模型動態(tài)預(yù)測能力。與單一LSSVR模型相比，MAE分別提高了1966.866m3/d，1379.634m3/d，177.905m3/d；MAPE分別提高了1.462%，2.173%，1.780%；NRMSE分別提高了0.0197，0.0253，0.0189。 ⑤月供水量時間序列具有更加明顯的周期性和趨勢性，不同的時間序列特性決定了采用相應(yīng)預(yù)測模型才能夠得到較為理想的預(yù)測精度。所以，作者采用時間序列加法模型對月供水量進行預(yù)測。首先，通過集成經(jīng)驗?zāi)B(tài)分解技術(shù)對月供水量時間序列進行模式分解和特性提取，根據(jù)不同的時頻分析結(jié)果構(gòu)造序列的周期項、趨勢項和隨機項。然后，選擇合適的預(yù)測模型對相應(yīng)特性進行預(yù)測。依據(jù)四種方法對比結(jié)果，ANFIS建模較復(fù)雜，具有較強的隨機性預(yù)測能力，ARIMA對線性、平穩(wěn)序列的趨勢性具有較強的擬合能力，而LSSVR的非線性映射能力使其對時間序列的周期性具有較強的跟蹤能力。所以子模型的選擇為ARIMA、LSSVR和ANFIS分別預(yù)測月供水量的趨勢項、周期項和隨機項。實例分析表明，所提出的預(yù)測模型綜合了不同模型對于不同變化規(guī)律的適應(yīng)性和追蹤性，，可以提高特性預(yù)測能力，從而通過加法模型整合提高了整體預(yù)測精度。與四種單一模型相比，MAE提高了6388.546m3/d~8759.052m3/d，MAPE提高了1.929%~2.525%，NRMSE提高了0.0195~0.0307。
[Abstract]:With the rapid development of urbanization and the rapid development of social economy , the scale of water supply system of city tap water company is increased rapidly . This phenomenon brings unprecedented challenge to traditional dispatching mode .

The forecast of daily water supply quantity can guarantee the demand of water and water pressure at different times , but also improve the production efficiency of the water plant and reduce the production cost , so as to improve the service quality of water supply .

The predictability of water supply time series is analyzed . Through qualitative ( power spectrum ) and quantitative analysis ( maximum Lyapunov exponent ) , it can be seen that the time series of daily and monthly water supply has obvious chaotic characteristics , which indicates the predictability of water supply time series .

( 2 ) Based on the numerical analysis software of Matlab , the traditional prediction model ( integrated self - regressive moving average model ) and the prediction model based on the new technology ( Back Propagation Neural Network Model ( BPNN ) , Fuzzy Neural Network Model ( ANFIS ) and Least Squares Support Vector Machine Regression Model ( LSSVR )) are used to predict the daily and monthly water supply .

In this paper , we propose a prediction model ( MS - LSSVR ) based on multi - scale two - by - support vector regression , which is based on multi - scale two - by - support vector regression .
The mean absolute percentage error ( MAPE ) increased by 0.919 % , 1.262 % and 1.576 % respectively .
The standard relative mean square error ( NRMSE ) increased 0.0116 , 0.0162 , 0.0174 respectively .

A dynamic prediction model based on variable structure least square support vector regression ( VS - LSSVR ) is proposed .
MAPE increased 1.462 % , 2.173 % and 1.780 % respectively .
NRMSE increased 0.0197 , 0.0253 , 0.0189 respectively .

In this paper , we forecast the monthly water supply by using the time series addition model . The results show that the proposed prediction model has more adaptability and traceability to the time series .
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2014
【分類號】：TU991.31

【參考文獻】

相關(guān)期刊論文 前10條

1 劉少明,申重陽,孫少安,陳步云;小波多尺度分解特征分析[J];大地測量與地球動力學(xué);2004年02期

2 徐詠梅;柳桂國;柳賀;;高斯徑向基核函數(shù)參數(shù)的GA優(yōu)化方法[J];電力自動化設(shè)備;2008年06期

3 王寶慶;馬奇濤;王德慶;;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測城市用水量模型及應(yīng)用[J];供水技術(shù);2010年03期

4 李斌,許仕榮,柏光明,李黎武;灰色—神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測城市用水量[J];中國給水排水;2002年02期

5 張雅君,劉全勝;城市需水量灰色預(yù)測的探討[J];中國給水排水;2002年03期

6 劉洪波,張宏偉,田林;人工神經(jīng)網(wǎng)絡(luò)法預(yù)測時用水量[J];中國給水排水;2002年12期

7 趙鵬;張宏偉;;城市用水量的混沌特性與預(yù)測[J];中國給水排水;2008年05期

8 王自勇;王圃;;組合模型在城市用水量預(yù)測中的應(yīng)用[J];中國給水排水;2008年12期

9 李黎武;施周;;基于小波支持向量機的城市用水量非線性組合預(yù)測[J];中國給水排水;2010年01期

10 呂謀,趙洪濱,李紅衛(wèi),王常明;時用水量預(yù)測的實用組合動態(tài)建模方法[J];中國給水排水;1998年01期

本文編號：2088598