卡尔曼滤波和混合智能算法在城市日用水量预测的应用研究

发布时间：2017-07-28 17:02

  本文关键词：卡尔曼滤波和混合智能算法在城市日用水量预测的应用研究

  更多相关文章： 日用水量 遗传算法 最小二乘支持向量机 卡尔曼滤波 变结构

【摘要】：随着经济、人口的持续增长,城市对水资源需求急剧增加,然而水资源污染问题日趋严重,加剧了城市水资源供需间的矛盾。目前我国大部分城市采用基于经验的管网人工调度方式,但该调度方式很难全面、客观地反映管网运行情况,导致供水管网漏损、爆管等频发以及大量宝贵水资源的浪费。实现科学的管网优化调度,能够显著地提高供水系统运行的安全性、经济性和可靠性,能够极大缓解城市水资源短缺问题。准确、快速地预测城市日用水量,能够为实现科学的管网优化调度提供重要的决策依据,具有重要的理论和经济意义。本文系统地总结了国内外城市日用水量预测研究进展,针对传统日用水量预测一般未提出预测前是否需要更新以及如何更新模型参数的不足,将卡尔曼滤波和混合智能算法应用于城市日用水量预测,主要研究内容如下:1、分析日用水量序列相关性,得出预测日用水量与该日前6天日用水量高度相关的结论。为了验证日用水量影响因素对预测日用水量的重要性,引入自适应遗传算法(GA)优化最小二乘支持向量机(LSSVM)参数,分别以预测日前6天的日用水量为输入和以预测日用水量的主要影响因素和预测日前6天的日用水量为模型的输入,建立基于GA-LSSVM的模型1和模型2。预测结果验证了模型2具有更高的预测精度,验证了日用水量影响因素对预测日用水量的重要性。2、利用具有较强全局寻优能力的自适应遗传算法对基于最小二乘支持向量机历史日用水量模型参数寻优,根据获得的模型参数序列采用卡尔曼滤波法估计基于LSSVM模型的参数,分别建立了以预测日前6天的日用水量为输入和以预测日用水量的主要影响因素和预测日前6天的日用水量为输入的基于变结构遗传最小二乘支持向量机的模型3和模型4。与模型1、2、3相比,本文提出的模型4具有最高的预测精度,验证了采用卡尔曼滤波法估计参数的有效性和日用水量影响因素对预测日用水量的重要性。
【关键词】：日用水量 遗传算法 最小二乘支持向量机 卡尔曼滤波 变结构
【学位授予单位】：浙江工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TU991.31
【目录】：

• 摘要3-5
• ABSTRACT5-10
• 第1章 绪论10-18
• 1.1 研究背景及意义10-11
• 1.2 城市日用水量变化规律和影响因素分析11-12
• 1.3 城市日用水量预测方法研究现状12-17
• 1.3.1 时间序列预测方法12-14
• 1.3.2 解释性预测方法14-17
• 1.4 本文的主要内容17
• 1.5 本文的主要创新点17-18
• 第2章 遗传算法理论18-26
• 2.1 遗传算法概述18
• 2.2 基本遗传算法18-24
• 2.3 基本遗传算法的改进24-26
• 第3章 支持向量机理论26-34
• 3.1 机器学习理论26-27
• 3.1.1 机器学习的基本问题26-27
• 3.1.2 经验风险最小化（Empirical Risk Minimization，ERM）27
• 3.1.3 机器学习的泛化能力27
• 3.2 统计学习理论27-29
• 3.2.1 VC维27-28
• 3.2.2 推广性的界28
• 3.2.3 结构风险最小化原则(Structural Risk Minimization，SRM)28-29
• 3.3 支持向量机(Support Vector Machine，，SVM)29-32
• 3.3.1 最优分类面29-30
• 3.3.2 支持向量机的基本原理30-31
• 3.3.3 支持向量机的核函数31-32
• 3.4 最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)32-34
• 第4章 扩展卡尔曼滤波器34-40
• 4.1 状态过程信号的估计34-35
• 4.2 滤波器的计算原型35-37
• 4.3 扩展卡尔曼滤波器算法37-40
• 第5章 变结构遗传最小二乘支持向量机法预测日用水量40-52
• 5.1 基于遗传最小二乘支持向量机的日用水量预测模型(GA-LSSVM模型)40-44
• 5.1.1 模型的输入参数40-41
• 5.1.2 遗传算法(GA)优化最小二乘支持向量机(LSSVM)参数41-42
• 5.1.3 GA-LSSVM建模和预测过程42-44
• 5.2 变结构遗传最小二乘支持向量机日用水量模型(VSG-LSSVM模型)44-52
• 5.2.1 变结构遗传算法(VSG)优化LSSVM模型参数45-46
• 5.2.2 VSG-LSSVM建模和预测过程46-52
• 第6章 结论与展望52-54
• 6.1 结论52
• 6.2 展望52-54
• 附录54-66
• 参考文献66-70
• 致谢70-72
• 作者在攻读硕士学位期间所取得的科研成果72

【参考文献】

中国期刊全文数据库 前10条

1 翁建华;廉东方;崔晓钰;;几种AR和ARMA模型对城市用水量预测的比较[J];水科学与工程技术;2014年05期

2 汪海燕;黎建辉;杨风雷;;支持向量机理论及算法研究综述[J];计算机应用研究;2014年05期

3 林英姿;周金良;;城市供水管网漏损现象的控制及研究现状[J];吉林建筑工程学院学报;2014年01期

4 尹兆龙;信昆仑;项宁银;李飞;邹俊;;城市供水系统优化调度现状与展望研究[J];环境科学与管理;2014年01期

5 杨东豫;吕谋;谭周吉;;三种城市日用水量预测模型对比研究[J];青岛理工大学学报;2011年02期

6 陈敏;邓英伟;;混合神经网络和混沌理论的城市用水量预测研究[J];电脑知识与技术;2008年34期

7 蒋白懿;代进;高金良;;城市日用水量预测模型比较研究[J];沈阳建筑大学学报(自然科学版);2008年02期

8 王剑俊;;基于RBF网络的城市供水短期负荷预测[J];西南给排水;2007年03期

9 陈战波;张德生;武新乾;韩有旺;姜爱平;;自回归模型在西安市日用水量预测中的应用[J];江汉大学学报(自然科学版);2006年04期

10 张宏伟;岳琳;王亮;;基于径向基函数的城市日用水量预测方法[J];天津大学学报;2006年04期

中国博士学位论文全文数据库 前1条

1 包哲静;支持向量机在智能建模和模型预测控制中的应用[D];浙江大学;2007年

中国硕士学位论文全文数据库 前1条

1 谢小山;基于遗传算法和BP神经网络的铁路客运量预测研究[D];西南交通大学;2010年

本文编号：585056