本文選題：供水量預測 + 混沌　； 參考：《重慶大學》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，從而導致了企業(yè)的供水系統(tǒng)調(diào)度復雜性的逐年提高。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。通過供水量預測，既可以為供水系統(tǒng)科學調(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測性。 ②利用Matlab數(shù)值分析軟件，分別采用傳統(tǒng)預測模型（整合自回歸移動平均模型（ARIMA））和基于新技術(shù)的預測模型（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。預測結(jié)果表明，在這四種預測模型中，基于新技術(shù)的預測模型具有相對較好的預測效果，其中LSSVR在日供水量預測方面的擬合性最好，而在月供水量預測方面較差。所以，在以下的日供水量預測研究中，將LSSVR作為回歸預測模型進行研究。 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模型進行預測，最后通過小波逆變換將各子序列預測結(jié)果整合得出原始用水量時間序列的預測值。實例分析表明，利用MS-LSSVR預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)預測模型。利用日用水量的歷史數(shù)據(jù)訓練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)并預測下一天日用水量。通過這種方式，實現(xiàn)預測模型結(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預測模型才能夠得到較為理想的預測精度。所以，作者采用時間序列加法模型對月供水量進行預測。首先，通過集成經(jīng)驗模態(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，選擇合適的預測模型對相應特性進行預測。依據(jù)四種方法對比結(jié)果，ANFIS建模較復雜，具有較強的隨機性預測能力，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，所提出的預測模型綜合了不同模型對于不同變化規(guī)律的適應性和追蹤性，，可以提高特性預測能力，從而通過加法模型整合提高了整體預測精度。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 .
【學位授予單位】：重慶大學
【學位級別】：博士
【學位授予年份】：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;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)預測城市用水量模型及應用[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測中的應用[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