本文關鍵詞：卡爾曼濾波和混合智能算法在城市日用水量預測的應用研究

  更多相關文章： 日用水量 遺傳算法 最小二乘支持向量機 卡爾曼濾波 變結構

【摘要】：隨著經濟、人口的持續(xù)增長,城市對水資源需求急劇增加,然而水資源污染問題日趨嚴重,加劇了城市水資源供需間的矛盾。目前我國大部分城市采用基于經驗的管網人工調度方式,但該調度方式很難全面、客觀地反映管網運行情況,導致供水管網漏損、爆管等頻發(fā)以及大量寶貴水資源的浪費。實現(xiàn)科學的管網優(yōu)化調度,能夠顯著地提高供水系統(tǒng)運行的安全性、經濟性和可靠性,能夠極大緩解城市水資源短缺問題。準確、快速地預測城市日用水量,能夠為實現(xiàn)科學的管網優(yōu)化調度提供重要的決策依據,具有重要的理論和經濟意義。本文系統(tǒng)地總結了國內外城市日用水量預測研究進展,針對傳統(tǒng)日用水量預測一般未提出預測前是否需要更新以及如何更新模型參數(shù)的不足,將卡爾曼濾波和混合智能算法應用于城市日用水量預測,主要研究內容如下:1、分析日用水量序列相關性,得出預測日用水量與該日前6天日用水量高度相關的結論。為了驗證日用水量影響因素對預測日用水量的重要性,引入自適應遺傳算法(GA)優(yōu)化最小二乘支持向量機(LSSVM)參數(shù),分別以預測日前6天的日用水量為輸入和以預測日用水量的主要影響因素和預測日前6天的日用水量為模型的輸入,建立基于GA-LSSVM的模型1和模型2。預測結果驗證了模型2具有更高的預測精度,驗證了日用水量影響因素對預測日用水量的重要性。2、利用具有較強全局尋優(yōu)能力的自適應遺傳算法對基于最小二乘支持向量機歷史日用水量模型參數(shù)尋優(yōu),根據獲得的模型參數(shù)序列采用卡爾曼濾波法估計基于LSSVM模型的參數(shù),分別建立了以預測日前6天的日用水量為輸入和以預測日用水量的主要影響因素和預測日前6天的日用水量為輸入的基于變結構遺傳最小二乘支持向量機的模型3和模型4。與模型1、2、3相比,本文提出的模型4具有最高的預測精度,驗證了采用卡爾曼濾波法估計參數(shù)的有效性和日用水量影響因素對預測日用水量的重要性。
【關鍵詞】：日用水量 遺傳算法 最小二乘支持向量機 卡爾曼濾波 變結構
【學位授予單位】：浙江工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TU991.31
【目錄】：

• 摘要3-5
• ABSTRACT5-10
• 第1章 緒論10-18
• 1.1 研究背景及意義10-11
• 1.2 城市日用水量變化規(guī)律和影響因素分析11-12
• 1.3 城市日用水量預測方法研究現(xiàn)狀12-17
• 1.3.1 時間序列預測方法12-14
• 1.3.2 解釋性預測方法14-17
• 1.4 本文的主要內容17
• 1.5 本文的主要創(chuàng)新點17-18
• 第2章 遺傳算法理論18-26
• 2.1 遺傳算法概述18
• 2.2 基本遺傳算法18-24
• 2.3 基本遺傳算法的改進24-26
• 第3章 支持向量機理論26-34
• 3.1 機器學習理論26-27
• 3.1.1 機器學習的基本問題26-27
• 3.1.2 經驗風險最小化（Empirical Risk Minimization，ERM）27
• 3.1.3 機器學習的泛化能力27
• 3.2 統(tǒng)計學習理論27-29
• 3.2.1 VC維27-28
• 3.2.2 推廣性的界28
• 3.2.3 結構風險最小化原則(Structural Risk Minimization，SRM)28-29
• 3.3 支持向量機(Support Vector Machine，，SVM)29-32
• 3.3.1 最優(yōu)分類面29-30
• 3.3.2 支持向量機的基本原理30-31
• 3.3.3 支持向量機的核函數(shù)31-32
• 3.4 最小二乘支持向量機(Least Squares Support Vector Machine，LSSVM)32-34
• 第4章 擴展卡爾曼濾波器34-40
• 4.1 狀態(tài)過程信號的估計34-35
• 4.2 濾波器的計算原型35-37
• 4.3 擴展卡爾曼濾波器算法37-40
• 第5章 變結構遺傳最小二乘支持向量機法預測日用水量40-52
• 5.1 基于遺傳最小二乘支持向量機的日用水量預測模型(GA-LSSVM模型)40-44
• 5.1.1 模型的輸入參數(shù)40-41
• 5.1.2 遺傳算法(GA)優(yōu)化最小二乘支持向量機(LSSVM)參數(shù)41-42
• 5.1.3 GA-LSSVM建模和預測過程42-44
• 5.2 變結構遺傳最小二乘支持向量機日用水量模型(VSG-LSSVM模型)44-52
• 5.2.1 變結構遺傳算法(VSG)優(yōu)化LSSVM模型參數(shù)45-46
• 5.2.2 VSG-LSSVM建模和預測過程46-52
• 第6章 結論與展望52-54
• 6.1 結論52
• 6.2 展望52-54
• 附錄54-66
• 參考文獻66-70
• 致謝70-72
• 作者在攻讀碩士學位期間所取得的科研成果72

【參考文獻】

中國期刊全文數(shù)據庫 前10條

1 翁建華;廉東方;崔曉鈺;;幾種AR和ARMA模型對城市用水量預測的比較[J];水科學與工程技術;2014年05期

2 汪海燕;黎建輝;楊風雷;;支持向量機理論及算法研究綜述[J];計算機應用研究;2014年05期

3 林英姿;周金良;;城市供水管網漏損現(xiàn)象的控制及研究現(xiàn)狀[J];吉林建筑工程學院學報;2014年01期

4 尹兆龍;信昆侖;項寧銀;李飛;鄒俊;;城市供水系統(tǒng)優(yōu)化調度現(xiàn)狀與展望研究[J];環(huán)境科學與管理;2014年01期

5 楊東豫;呂謀;譚周吉;;三種城市日用水量預測模型對比研究[J];青島理工大學學報;2011年02期

6 陳敏;鄧英偉;;混合神經網絡和混沌理論的城市用水量預測研究[J];電腦知識與技術;2008年34期

7 蔣白懿;代進;高金良;;城市日用水量預測模型比較研究[J];沈陽建筑大學學報(自然科學版);2008年02期

8 王劍俊;;基于RBF網絡的城市供水短期負荷預測[J];西南給排水;2007年03期

9 陳戰(zhàn)波;張德生;武新乾;韓有旺;姜愛平;;自回歸模型在西安市日用水量預測中的應用[J];江漢大學學報(自然科學版);2006年04期

10 張宏偉;岳琳;王亮;;基于徑向基函數(shù)的城市日用水量預測方法[J];天津大學學報;2006年04期

中國博士學位論文全文數(shù)據庫 前1條

1 包哲靜;支持向量機在智能建模和模型預測控制中的應用[D];浙江大學;2007年

中國碩士學位論文全文數(shù)據庫 前1條

1 謝小山;基于遺傳算法和BP神經網絡的鐵路客運量預測研究[D];西南交通大學;2010年

本文編號：585056