调度时用水量预测的系统理论方法及应用研究

随着我国城市化进程的加快,城市供水系统的范围和规模在逐年扩大,与此相对应的城市供水量及供水系统复杂性也在逐年提高,传统的经验调度方法面临前所未有的挑战,城市供水系统的优化调度势在必行。城市供水系统的优化调度研究通常包括调度时用水量预测、工况模拟和供水系统调度决策三个环节的工作。这其中,调度时用水量的预测研究至关重要,是后两个环节工作的基础和前提,它的准确与否直接关系到供水系统工况模拟结果的合理性和调度决策模型的针对性和可靠性。因此,长期以来,调度时用水量预测一直是城市供水企业和运行管理部门最为关注的问题之一,与此相关的理论研究一直没有中断过,方法也很多,但真正能够应用于生产实践的模型方法却少之又少。本文在分析城市供水系统原始观测数据资料和前人研究成果的基础上,提出能应用于城市供水系统实际优化调度过程的时用水量预测建模理论方法,论文研究在以下七个方面力主创新和开展工作: 1、研究发现受气候因素及社会经济因素影响的城市用水量时间观测数据序列存在有明显的混沌成分。详细研究了城市用水量时间观测系统中的混沌特性,分析计算了不同性质用水量时间观测数据序列的吸引子分形维数、最大Lyapunov指数及最大预测时间尺度等量化描述指标。鉴于经典wolf算法在含噪声、短时间序列最大Lyapunov指数计算方面存在的不足,提出了改进的最大Lyapunov指数计算算法。新的算法在对数据长度依赖性及结果稳定方面都有了明显的提高。 2、研究提出了一种新型有效的城市日用水量变化的主影响因素分析方法。关于城市日用水量的主影响因素,不同的文献有不同的说法,但大多数说法都建立在经验分析的基础上,研究将粗糙集属性约简理论引入到日用水量的主影响因素分析中,同时在分析现有属性约简算法存在不足的情况下,构建了新的粗糙集权值累积评价因子,并据此提出了基于权值累积评价的粗糙集属性约简算法。支持向量回归预测的实例分析表明,基于本文主影响因素的预测模型结果的精度明显高于其它属性因素考虑情况下的结果,从而验证了所提出的改进属性约简算法的合理性和有效性。杭州市日用水量属性约简结果表明:最高温度(平均温度)、相对湿度、阴晴量及星期量是城市日用水量的主影响因素,其中星期量是日用水量的核心影响属性。研究同时指出一年中不同季节间主影响因素的变化的,此外不同城市的日用水量主影响因素存在不同,不能一概而论。 3、鉴于各主影响因素对城市日用水量的非线性影响,引入具有结构风险最小化特点的支持向量回归模型(SVR)作为日用水量的回归预测模型。对于城市日用水量这样一个既具有明显的影响因素,同时又具有混沌特性的系统预测问题,研究提出了结合混沌理论和统计回归理论的相空间支持向量回归预测模型,并应用于城市日用水量预测。此外,支持向量回归预测模型结果的好坏很大程度上依赖于模型最优参数的确定,论文在现有的留一交叉验证法的基础上,全新提出了基于等维样本集的概率统计参数确定方法。实例分析表明,所提出的预测模型及其参数确定方法均有利于预测精度和预测结果稳定性的提高。 4、为了达到日用水量预测值在预测日内各调度时段上分配的目的,现有的研究基本上都立足于对这种分配模式曲线的经验提取,过于粗糙。本文研究认为有必要对日用水量在一日内各时段中的水量分配模式(比例时用水量的模式曲线)进行数学讨论。数学讨论首先需要解决的问题就是对连续变化的比例时用水量的模式曲线进行“量化”处理,针对这种“量化”处理,论文研究提出采用“聚类”过程予以实现。考虑到实测的比例时用水量模式曲线存在有观测误差及分类界限不明确等特点,研究引入模糊C均值聚类方法(FCM)对比例时用水量的模式曲线进行聚类分析。鉴于比例时用水模式曲线聚类问题与常规空间点聚类问题的不