【摘要】：隨著社會(huì)科技的發(fā)展,工業(yè)化和城市化不斷深入,人類對(duì)水資源的需求將會(huì)維持一段較長時(shí)間的增長,但是由于全球氣候變化,可供人類使用的水資源逐漸減少,這就導(dǎo)致水資源供需矛盾更加尖銳,因此合理利用水資源是當(dāng)前的重要任務(wù)。城市水資源的合理利用主要由城市供水調(diào)度系統(tǒng)決定,而需水量預(yù)測的準(zhǔn)確程度直接影響到供水系統(tǒng)投資、管網(wǎng)布局和運(yùn)行的合理性。因此,必須要對(duì)城市水資源的需求進(jìn)行科學(xué)合理的預(yù)測。進(jìn)行需水預(yù)測最重要的是根據(jù)用水?dāng)?shù)據(jù)特點(diǎn)選擇科學(xué)合理的預(yù)測方法,建立準(zhǔn)確的數(shù)學(xué)模型。傳統(tǒng)預(yù)測方法的數(shù)學(xué)模型,雖然計(jì)算量小,速度快,但是也有許多缺陷,如沒有自學(xué)習(xí)的能力,不具備自適應(yīng)性,預(yù)測方法不夠健壯等。然而,用水量數(shù)據(jù)的變化具有非線性、時(shí)變性和不確定性等特征,傳統(tǒng)的預(yù)測方法已經(jīng)不能滿足需水量預(yù)測對(duì)精度的要求。神經(jīng)網(wǎng)絡(luò)的使用為此提供了新的思路。本文采用基于Elman神經(jīng)網(wǎng)絡(luò)的組合預(yù)測方法對(duì)校園時(shí)用水量進(jìn)行了預(yù)測,主要內(nèi)容包括以下幾個(gè)部分:在用水?dāng)?shù)據(jù)處理部分,對(duì)原始數(shù)據(jù)進(jìn)行凈化和有效的預(yù)處理對(duì)實(shí)現(xiàn)準(zhǔn)確預(yù)測是十分重要的。同時(shí),用水?dāng)?shù)據(jù)是隨機(jī)非平穩(wěn)序列,為預(yù)測增加了一定的難度。所以,本文對(duì)用水?dāng)?shù)據(jù)進(jìn)行了分析處理,以得到一組滿足預(yù)測算法輸入要求的較完善的數(shù)據(jù)。首先,對(duì)缺失和異常的數(shù)據(jù)進(jìn)行補(bǔ)足和替換。針對(duì)缺失值采用的平均數(shù)替代法,針對(duì)異常值采用的水平和垂直處理方法。然后,采用集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)方法對(duì)數(shù)據(jù)進(jìn)行分解,得到相對(duì)平穩(wěn)的數(shù)據(jù)分量。最后,由于分量數(shù)量過多,所以進(jìn)行灰色關(guān)聯(lián)度分析,將關(guān)聯(lián)度較高的分量進(jìn)行合并,重構(gòu)序列,最終得到數(shù)量較少且相對(duì)平穩(wěn)的序列作為預(yù)測輸入。針對(duì)用水?dāng)?shù)據(jù)進(jìn)行預(yù)測,本文提出了基于Elman神經(jīng)網(wǎng)絡(luò)的用水量預(yù)測模型。Elman神經(jīng)網(wǎng)絡(luò)收斂速度較快,能夠動(dòng)態(tài)建模,對(duì)于預(yù)測用水?dāng)?shù)據(jù)這樣波動(dòng)行較大的數(shù)據(jù)具有一定優(yōu)勢。但是Elman神經(jīng)網(wǎng)絡(luò)依然存在全局搜索能力差的缺陷。因此,本文針對(duì)這一缺陷,采用遺傳算法對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,選取Elman神經(jīng)網(wǎng)絡(luò)預(yù)測的最佳權(quán)值和閾值,使網(wǎng)絡(luò)性能達(dá)到最優(yōu)。在進(jìn)行預(yù)測仿真時(shí),首先用遺傳算法對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,找到全局最優(yōu)的權(quán)值閾值,然后將最優(yōu)解帶入到Elman神經(jīng)網(wǎng)絡(luò)作為初始參數(shù)進(jìn)行Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,對(duì)于訓(xùn)練好的網(wǎng)絡(luò)采用滾動(dòng)預(yù)測的方法,不斷更新訓(xùn)練數(shù)據(jù)的樣本,以此來提高預(yù)測精度。最后通過實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了本文所提需水預(yù)測方法的有效性。
【學(xué)位授予單位】：河北工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TU991.31;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 袁偉;陳曉東;;基于GA-BP神經(jīng)網(wǎng)絡(luò)與LSSVM支持向量機(jī)的日用水量組合預(yù)測模型[J];水電能源科學(xué);2015年10期

2 崔東文;金波;;基于和聲搜索算法的BP神經(jīng)網(wǎng)絡(luò)需水預(yù)測模型應(yīng)用研究[J];人民珠江;2015年04期

3 劉洪波;鄭博一;蔣博齡;;基于人工魚群神經(jīng)網(wǎng)絡(luò)的城市時(shí)用水量預(yù)測方法[J];天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版);2015年04期

4 王賀;胡志堅(jiān);張翌暉;李晨;楊楠;王戰(zhàn)勝;;基于聚類經(jīng)驗(yàn)?zāi)B(tài)分解和最小二乘支持向量機(jī)的短期風(fēng)速組合預(yù)測[J];電工技術(shù)學(xué)報(bào);2014年04期

5 葉苗;程小輝;;改進(jìn)的緊致遺傳算法求解族狀旅行商問題[J];微電子學(xué)與計(jì)算機(jī);2013年08期

6 張京軍;劉文娟;劉光遠(yuǎn);;基于改進(jìn)免疫遺傳算法的網(wǎng)格任務(wù)調(diào)度[J];河北工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

7 張秋余;朱學(xué)明;;基于GA-Elman神經(jīng)網(wǎng)絡(luò)的交通流短時(shí)預(yù)測方法[J];蘭州理工大學(xué)學(xué)報(bào);2013年03期

8 陳法法;湯寶平;黃慶卿;;免疫遺傳優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷[J];重慶大學(xué)學(xué)報(bào);2012年05期

9 董文智;張超;;基于EEMD能量熵和支持向量機(jī)的軸承故障診斷[J];機(jī)械設(shè)計(jì)與研究;2011年05期

10 田豐;姚愛民;孫小平;王傳云;范立磊;;基于個(gè)體相似度的雙種群遺傳算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2011年05期

相關(guān)博士學(xué)位論文 前1條

1 田方;遺傳算法的改進(jìn)研究及其在壓縮機(jī)性能分析與優(yōu)化中的應(yīng)用[D];東北大學(xué);2006年

相關(guān)碩士學(xué)位論文 前6條

1 欒勇;分布式城市需水預(yù)測模型研究及應(yīng)用[D];中國水利水電科學(xué)研究院;2017年

2 石也;卡爾曼濾波和混合智能算法在城市日用水量預(yù)測的應(yīng)用研究[D];浙江工業(yè)大學(xué);2016年

3 孫s，

本文編號(hào)：2699843