论文部分内容阅读
随着城市管网的复杂化和调度目标多样化,经验调度已无法满足给水管网调度的要求,迫切需要能耗低、安全性高、可靠性高的优化调度方式。实现优化调度决策首先需要建立管网状态模型和调度时用水量预测模型,其中调度时用水量预测是否精确直接决定了调度决策方案是否可行。而日用水量预测是调度时用水量预测的重要前提和关键,它很大程度决定了时用水量的预测精度。因此,本文对日用水量预测进行了研究,主要工作如下:(1)利用小波降噪理论分析日用水量序列,去除日用水量所包含的噪声成分。通过计算降噪或未降噪序列变量间的互信息量,确定与预测日用水量相关性最大的日用水量。(2)以预测日用水量主要影响因素和与降噪或未降噪预测日相关性最大的日用水量为输入,以降噪或未降噪预测日用水量为输出,分别引入自适应差分进化算法(SADE)优化LSSVM的参数,建立了基于小波自适应差分进化最小二乘支持向量机预测模型(WSADDELSSVM)和基于自适应差分进化最小二乘支持向量机预测模型(SADELSSVM)。(3)利用降噪或未降噪的日用水量数据,采用相同的模型输入和输出,引入自适应遗传算法和传统差分进化算法优化LSSVM的参数,建立基于小波差分进化最小二乘支持向量机模型(WDELSSVM)、基于小波自适应遗传算法的最小二乘支持向量机模型(WSAGALSSVM)、基于差分进化最小二乘支持向量机模型(DELSSVM)和基于自适应遗传算法的最小二乘支持向量机(SAGALSSVM)。采用相同的降噪或未降噪数据,在优化LSSVM参数的过程中,SADE的全局优化能力最强,DE的全局优化能力次之,SAGA的全局优化能力最弱,但SADE和DE最终都搜索到相同的最优参数。采用相同的降噪数据进行建模和预测,分析结果为:WSADELSSVM模型和WDELSSVM模型预测结果一样,为最优,WSAGALSSVM模型的预测结果则最差。采用相同的未降噪数据进行建模和预测,分析结果为:SADELSSVM和DELSSVM模型预测结果一样,为最优,SAGALSSVM模型预测结果最差。采用相同建模方法,对比采用降噪和未降噪数据进行建模和预测的结果,分析结果为:WSADELSSVM模型和WDELSSVM模型(两模型预测结果一样)预测精度优于SADELSSVM模型和DELSSVM模型(两模型预测结果一样),WSAGALSVM模型预测精度优于SAGALSSVM模型。验证了小波降噪的有效性。