【摘要】：本文主要對用水量預測模型、優(yōu)化調度模型和泵站經濟評價模型進行了深入的研究。針對現有泵站的現狀和存在問題,提出了相關解決方法和建議。本文首先總結了影響城市用水量的相關因素,同時分析了節(jié)假日、氣溫、季節(jié)等因素影響下的用水規(guī)律。通過合理利用該用水規(guī)律,對于日后的生產計劃、水量預測以及后續(xù)的水廠調度都具有很好地指導意義。用水量的預測方法一般分為時間序列和解釋性預測方法。兩者各有優(yōu)勢,而劣勢在于前者忽略了影響用水量負荷的因素,后者則可能由于考慮影響用水量因素過多反而對預測效果造成干擾。因此,本文將這兩種預測方法,即ARMA時間序列預測模型和遺傳算法優(yōu)化BP神經網絡構建的解釋性預測模型,采用IOWGA算子進行組合,以解決單一預測方法在不同時刻預測效果不穩(wěn)定的問題。并且通過實例證明組合預測效果要優(yōu)于單一預測方法。給水泵站的經濟運行,主要是要求在不同的調度時段,對水泵進行合理搭配。一方面要求各運行水泵能發(fā)揮最大效率,且滿足供水水量及水壓的要求。另一方面也希望在同等出水量情況下運行時所消耗的電能最小。本文采用Lingo軟件對改造前后的水泵機組工況進行求解。經對比分析,改造后的水泵組年費用降低18.21%。同時提出一種改進的經濟評價模型,并在實際案例中得到應用,這為日后的水泵機組改造提供了一種新的經濟評價方法。
【圖文】：

神經網絡P 神經網絡概述工神經網絡（Artificial Neural Network, ANN)是在人類對大腦礎上人工構造的能夠實現某種功能的神經網絡，實質是由簡單的復雜網絡，具有高度非線性，從而實現邏輯操作等[28]。目前廣泛地應用到諸多領域，如電力負荷和災變預測等，其中 80網絡模型采用的是 BP 網絡及其變化形式[29]。 神經網絡是一種多層前饋神經網絡，其拓撲結構是由輸入層層三部分構成，圖 2-1 所示為具有一個隱含層的 BP 網絡拓撲，X2，···，Xn表示有 n 個輸入信號，Y1，，Y2，···，Ym表示 BP測值，wij和 wjk為該網絡的權值。

圖 4-2 水量序列的相關圖與 Q 統(tǒng)計量（3）模型參數估計Eviews 軟件中包含有最小二乘法的參數估計模塊，并結合相關統(tǒng)計量檢驗參數的顯著性以及模型整體的顯著性，根據模型所得的特征根來判斷其倒數是否在單位圓內，從而檢驗模型本身的合理性。ARMA（3,0）、ARMA（3,1）、ARMA（3,2）以及 ARMA（3,3）模型參數估計結果見表 4-3、4-4、4-5 以及 4-6 所示。表 4-3 ARMA（3,0）參數估計結果Variable Coefficient Std. Error t- Statistic Prob.C 60785.51 607.5444 100.0511 0.0000AR(1) 0.545844 0.095332 5.725702 0.0000AR(2) -0.060462 0.152666 -0.396040 0.6932AR(3) 0.109547 0.162635 0.673575 0.5027SAGMASQ 3393401. 433849.4 7.821610 0.0000
【學位授予單位】：天津大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TU991.35

【參考文獻】

相關期刊論文 前4條

1 張洪國,趙洪賓,李恩轅;城市用水量灰色預測[J];哈爾濱建筑大學學報;1998年04期

2 呂謀,趙洪賓,李紅衛(wèi),王常明;城市日用水量預測的組合動態(tài)建模方法[J];給水排水;1997年11期

3 王榮和,顧國維;延時模擬技術在給水管網優(yōu)化調度中的應用[J];給水排水;1997年09期

4 景有海;;關于水泵調速的最佳臺數與最大調速范圍的探討[J];建筑技術通訊(給水排水);1992年04期

本文編號：2591362