發(fā)布時(shí)間：2018-07-01 17:55

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

【摘要】：隨著城市化進(jìn)程的推進(jìn)和社會(huì)經(jīng)濟(jì)的快速發(fā)展，人民生活水平的不斷提高，使城市自來(lái)水公司的供水系統(tǒng)的規(guī)模迅速擴(kuò)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(lái)了前所未有的挑戰(zhàn)。而供水量預(yù)測(cè)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(yùn)行管理部門(mén)最為棘手的問(wèn)題之一。通過(guò)供水量預(yù)測(cè)，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(jìn)社會(huì)和諧健康發(fā)展。 日供水量的預(yù)測(cè)可以保證用戶在不同時(shí)間對(duì)水量和水壓的要求，同時(shí)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(cè)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(fèi)。因此，作者從日、月供水量預(yù)測(cè)兩個(gè)方面，以重慶市主城和周邊區(qū)縣三種不同規(guī)模自來(lái)水廠正常工況下供水時(shí)間序列為研究對(duì)象，對(duì)其進(jìn)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(shí)間序列的可預(yù)測(cè)性。通過(guò)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(shí)間序列均存在明顯的混沌特性，說(shuō)明供水量時(shí)間序列具有可預(yù)測(cè)性。 ②利用Matlab數(shù)值分析軟件，分別采用傳統(tǒng)預(yù)測(cè)模型（整合自回歸移動(dòng)平均模型（ARIMA））和基于新技術(shù)的預(yù)測(cè)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(jī)回歸模型（LSSVR））對(duì)日、月供水量進(jìn)行了預(yù)測(cè)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(cè)結(jié)果表明，在這四種預(yù)測(cè)模型中，基于新技術(shù)的預(yù)測(cè)模型具有相對(duì)較好的預(yù)測(cè)效果，其中LSSVR在日供水量預(yù)測(cè)方面的擬合性最好，而在月供水量預(yù)測(cè)方面較差。所以，在以下的日供水量預(yù)測(cè)研究中，將LSSVR作為回歸預(yù)測(cè)模型進(jìn)行研究。 ③日供水量序列局部存在特性差異性，同時(shí)考慮到大數(shù)據(jù)量時(shí)間序列全局建模速度慢，更新計(jì)算代價(jià)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(cè)模型（MS-LSSVR）。通過(guò)靜態(tài)小波分解將非平穩(wěn)的供水量時(shí)間序列分解為不同尺度的平穩(wěn)時(shí)間序列，然后在分解后的各子序列上分別建立LSSVR模型進(jìn)行預(yù)測(cè)，最后通過(guò)小波逆變換將各子序列預(yù)測(cè)結(jié)果整合得出原始用水量時(shí)間序列的預(yù)測(cè)值。實(shí)例分析表明，利用MS-LSSVR預(yù)測(cè)日供水量的效果較單一LSSVR模型有顯著提高，其中平均絕對(duì)誤差（MAE）分別提高了1889.838m3/d，827.722m3/d，153.729m3/d；平均絕對(duì)百分比誤差（MAPE）分別提高了0.919%，1.262%，1.576%；標(biāo)準(zhǔn)相對(duì)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(shí)變性，模型精度會(huì)隨這種時(shí)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(dòng)態(tài)預(yù)測(cè)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(kuò)展卡爾曼濾波器（EKF）對(duì)模型結(jié)構(gòu)參數(shù)組進(jìn)行估計(jì)，最后用模型結(jié)構(gòu)參數(shù)估計(jì)量來(lái)更新模型結(jié)構(gòu)并預(yù)測(cè)下一天日用水量。通過(guò)這種方式，實(shí)現(xiàn)預(yù)測(cè)模型結(jié)構(gòu)的動(dòng)態(tài)更新。實(shí)例分析表明，VS-LSSVR模型克服了模型精度隨時(shí)間變化降低的缺點(diǎn)，在損失了部分運(yùn)算時(shí)間的基礎(chǔ)上，提高了模型動(dòng)態(tài)預(yù)測(cè)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(shí)間序列具有更加明顯的周期性和趨勢(shì)性，不同的時(shí)間序列特性決定了采用相應(yīng)預(yù)測(cè)模型才能夠得到較為理想的預(yù)測(cè)精度。所以，作者采用時(shí)間序列加法模型對(duì)月供水量進(jìn)行預(yù)測(cè)。首先，通過(guò)集成經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)對(duì)月供水量時(shí)間序列進(jìn)行模式分解和特性提取，根據(jù)不同的時(shí)頻分析結(jié)果構(gòu)造序列的周期項(xiàng)、趨勢(shì)項(xiàng)和隨機(jī)項(xiàng)。然后，選擇合適的預(yù)測(cè)模型對(duì)相應(yīng)特性進(jìn)行預(yù)測(cè)。依據(jù)四種方法對(duì)比結(jié)果，ANFIS建模較復(fù)雜，具有較強(qiáng)的隨機(jī)性預(yù)測(cè)能力，ARIMA對(duì)線性、平穩(wěn)序列的趨勢(shì)性具有較強(qiáng)的擬合能力，而LSSVR的非線性映射能力使其對(duì)時(shí)間序列的周期性具有較強(qiáng)的跟蹤能力。所以子模型的選擇為ARIMA、LSSVR和ANFIS分別預(yù)測(cè)月供水量的趨勢(shì)項(xiàng)、周期項(xiàng)和隨機(jī)項(xiàng)。實(shí)例分析表明，所提出的預(yù)測(cè)模型綜合了不同模型對(duì)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(cè)能力，從而通過(guò)加法模型整合提高了整體預(yù)測(cè)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(jí)別】：博士
【學(xué)位授予年份】：2014
【分類號(hào)】：TU991.31

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

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

2 徐詠梅;柳桂國(guó);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(dòng)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(cè)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(cè)城市用水量[J];中國(guó)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(cè)的探討[J];中國(guó)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(cè)時(shí)用水量[J];中國(guó)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(cè)[J];中國(guó)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(cè)中的應(yīng)用[J];中國(guó)給水排水;2008年12期

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

10 呂謀,趙洪濱,李紅衛(wèi),王常明;時(shí)用水量預(yù)測(cè)的實(shí)用組合動(dòng)態(tài)建模方法[J];中國(guó)給水排水;1998年01期

本文編號(hào)：2088598