时间序列特性驱动的供水量预测方法研究及应用

发布时间：2018-07-01 17:55

本文选题：供水量预测 + 混沌　；参考：《重庆大学》2014年博士论文

【摘要】：随着城市化进程的推进和社会经济的快速发展，人民生活水平的不断提高，使城市自来水公司的供水系统的规模迅速扩大，从而导致了企业的供水系统调度复杂性的逐年提高。这一现象给传统调度方式带来了前所未有的挑战。而供水量预测作为企业供水系统调度工作的基础和前提，一直是城市供水企业和运行管理部门最为棘手的问题之一。通过供水量预测，既可以为供水系统科学调度提供数据依据，又可以提高水资源利用效率，改善城市生态环境，促进社会和谐健康发展。日供水量的预测可以保证用户在不同时间对水量和水压的要求，同时也能提高水厂的生产效率，减少生产成本，从而提高供水服务质量。月供水量的预测可以平衡水源与各水厂的供给量，提高区域调度能力，减少水资源的浪费。因此，作者从日、月供水量预测两个方面，以重庆市主城和周边区县三种不同规模自来水厂正常工况下供水时间序列为研究对象，对其进行了深入的研究。主要研究结果如下： ①分析了各供水量时间序列的可预测性。通过定性（功率谱）和定量（最大李雅普诺夫指数）分析可知，日、月供水量时间序列均存在明显的混沌特性，说明供水量时间序列具有可预测性。 ②利用Matlab数值分析软件，分别采用传统预测模型（整合自回归移动平均模型（ARIMA））和基于新技术的预测模型（反向传播神经网络模型（BPNN）、模糊神经网络模型（ANFIS）和最小二乘支持向量机回归模型（LSSVR））对日、月供水量进行了预测研究。其中，BPNN、ANFIS和LSSVR三种模型的输入-输出结构由其混沌特性所决定的相空间重构的结构决定。预测结果表明，在这四种预测模型中，基于新技术的预测模型具有相对较好的预测效果，其中LSSVR在日供水量预测方面的拟合性最好，而在月供水量预测方面较差。所以，在以下的日供水量预测研究中，将LSSVR作为回归预测模型进行研究。 ③日供水量序列局部存在特性差异性，同时考虑到大数据量时间序列全局建模速度慢，更新计算代价高，所以，作者利用局部建模方法，提出一种基于多尺度二乘支持向量回归的预测模型（MS-LSSVR）。通过静态小波分解将非平稳的供水量时间序列分解为不同尺度的平稳时间序列，然后在分解后的各子序列上分别建立LSSVR模型进行预测，最后通过小波逆变换将各子序列预测结果整合得出原始用水量时间序列的预测值。实例分析表明，利用MS-LSSVR预测日供水量的效果较单一LSSVR模型有显著提高，其中平均绝对误差（MAE）分别提高了1889.838m3/d，827.722m3/d，153.729m3/d；平均绝对百分比误差（MAPE）分别提高了0.919%，1.262%，1.576%；标准相对均方根误差（NRMSE）分别提高了0.0116，0.0162，0.0174。 ④考虑到日供水量的时变性，模型精度会随这种时变性降低，模型结构退化，所以，作者提出一种基于变结构最小二乘支持向量回归（VS-LSSVR）的动态预测模型。利用日用水量的历史数据训练LSSVR模型，得到模型结构参数历史数据序列，然后利用数据同化方法——扩展卡尔曼滤波器（EKF）对模型结构参数组进行估计，最后用模型结构参数估计量来更新模型结构并预测下一天日用水量。通过这种方式，实现预测模型结构的动态更新。实例分析表明，VS-LSSVR模型克服了模型精度随时间变化降低的缺点，在损失了部分运算时间的基础上，提高了模型动态预测能力。与单一LSSVR模型相比，MAE分别提高了1966.866m3/d，1379.634m3/d，177.905m3/d；MAPE分别提高了1.462%，2.173%，1.780%；NRMSE分别提高了0.0197，0.0253，0.0189。 ⑤月供水量时间序列具有更加明显的周期性和趋势性，不同的时间序列特性决定了采用相应预测模型才能够得到较为理想的预测精度。所以，作者采用时间序列加法模型对月供水量进行预测。首先，通过集成经验模态分解技术对月供水量时间序列进行模式分解和特性提取，根据不同的时频分析结果构造序列的周期项、趋势项和随机项。然后，选择合适的预测模型对相应特性进行预测。依据四种方法对比结果，ANFIS建模较复杂，具有较强的随机性预测能力，ARIMA对线性、平稳序列的趋势性具有较强的拟合能力，而LSSVR的非线性映射能力使其对时间序列的周期性具有较强的跟踪能力。所以子模型的选择为ARIMA、LSSVR和ANFIS分别预测月供水量的趋势项、周期项和随机项。实例分析表明，所提出的预测模型综合了不同模型对于不同变化规律的适应性和追踪性，，可以提高特性预测能力，从而通过加法模型整合提高了整体预测精度。与四种单一模型相比，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 .
【学位授予单位】：重庆大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：TU991.31

【参考文献】