基于小波组合模型的短期城市用水量预测

发布时间：2025-01-14 02:19

　　 针对城市用水特点和需求,提出了一种基于小波分解与随机森林模型、ARMA模型结合的短期用水量预测的方法。采用小波分解算法将用水量时间序列分解成若干子序列,最高频子序列具有数据波动剧烈、变化速率快的特点,在实例中对比了随机森林模型、BP神经网络、Logistic回归模型、ARMA模型对于最高频子序列的拟合能力,选定ARMA模型对于高频子序列进行预测;对低频分量与部分高频分量进行预测时结合实时气象数据、时间信息、节假日信息利用随机森林回归算法进行预测,最后将各预测结果进行等权相加得到最终预测结果。实例中的数据为东南沿海城市的历史用水量数据,经实际验证,小波组合模型能明显提高预测精度,满足供水调度运行实际需求。

【文章页数】：6 页

【部分图文】：

图1 小波组合模型算法流程

本试验选用Haar小波作为基小波，对原始用水量数据进行三尺度分解，得到不同频率的细节分量系数。对不同频率的细节分量系数采用小波二插值重构各子分量的值。选择RF模型、BP神经网络、Logistic回归模型、ARMA预测模型对子分量中最高频分量分别进预测，通过对比不同预测模型的预测结....

图2 DS县用水量变化

历史用水量数据来自DS县水司，时段为2019年4月1日至5月30日。历史用水量数据如图2所示。气象数据来源于中国气象数据网（http//data.cma.cn/site/index.html），时段为2019年4月1日至5月30日。共包含17个气象要素（平均气温、最高气温、最低气....

图3 用水量小波变换结果

对历史用水量数据采用Haar小波进行三尺度分解与重构，得到重构后各频率的用水量分量，如图3所示。4.3不同频率负荷分量的预测模型选择

图5 ARMA模型拟合曲线与实际D1细节分量曲线

本文以DS县的的供水负荷为例，采用2019年4月1日至5月23日的数据建立训练集，并以2019年5月24日至5月30日的数据作为测试集，验证预测精度。在试验过程中比较了采用小波组合模型预测负荷的方法与BP神经网络方法（参数同上）和ARIMA方法（312)[20]的预测结果，各种预....

本文编号：4026259