發(fā)布時間：2025-01-14 02:19

　　 針對城市用水特點(diǎn)和需求,提出了一種基于小波分解與隨機(jī)森林模型、ARMA模型結(jié)合的短期用水量預(yù)測的方法。采用小波分解算法將用水量時間序列分解成若干子序列,最高頻子序列具有數(shù)據(jù)波動劇烈、變化速率快的特點(diǎn),在實(shí)例中對比了隨機(jī)森林模型、BP神經(jīng)網(wǎng)絡(luò)、Logistic回歸模型、ARMA模型對于最高頻子序列的擬合能力,選定ARMA模型對于高頻子序列進(jìn)行預(yù)測;對低頻分量與部分高頻分量進(jìn)行預(yù)測時結(jié)合實(shí)時氣象數(shù)據(jù)、時間信息、節(jié)假日信息利用隨機(jī)森林回歸算法進(jìn)行預(yù)測,最后將各預(yù)測結(jié)果進(jìn)行等權(quán)相加得到最終預(yù)測結(jié)果。實(shí)例中的數(shù)據(jù)為東南沿海城市的歷史用水量數(shù)據(jù),經(jīng)實(shí)際驗(yàn)證,小波組合模型能明顯提高預(yù)測精度,滿足供水調(diào)度運(yùn)行實(shí)際需求。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 小波組合模型算法流程

本試驗(yàn)選用Haar小波作為基小波，對原始用水量數(shù)據(jù)進(jìn)行三尺度分解，得到不同頻率的細(xì)節(jié)分量系數(shù)。對不同頻率的細(xì)節(jié)分量系數(shù)采用小波二插值重構(gòu)各子分量的值。選擇RF模型、BP神經(jīng)網(wǎng)絡(luò)、Logistic回歸模型、ARMA預(yù)測模型對子分量中最高頻分量分別進(jìn)預(yù)測，通過對比不同預(yù)測模型的預(yù)測結(jié)....

圖2 DS縣用水量變化

歷史用水量數(shù)據(jù)來自DS縣水司，時段為2019年4月1日至5月30日。歷史用水量數(shù)據(jù)如圖2所示。氣象數(shù)據(jù)來源于中國氣象數(shù)據(jù)網(wǎng)（http//data.cma.cn/site/index.html），時段為2019年4月1日至5月30日。共包含17個氣象要素（平均氣溫、最高氣溫、最低氣....

圖3 用水量小波變換結(jié)果

對歷史用水量數(shù)據(jù)采用Haar小波進(jìn)行三尺度分解與重構(gòu)，得到重構(gòu)后各頻率的用水量分量，如圖3所示。4.3不同頻率負(fù)荷分量的預(yù)測模型選擇

圖5 ARMA模型擬合曲線與實(shí)際D1細(xì)節(jié)分量曲線

本文以DS縣的的供水負(fù)荷為例，采用2019年4月1日至5月23日的數(shù)據(jù)建立訓(xùn)練集，并以2019年5月24日至5月30日的數(shù)據(jù)作為測試集，驗(yàn)證預(yù)測精度。在試驗(yàn)過程中比較了采用小波組合模型預(yù)測負(fù)荷的方法與BP神經(jīng)網(wǎng)絡(luò)方法（參數(shù)同上）和ARIMA方法（312)[20]的預(yù)測結(jié)果，各種預(yù)....

本文編號：4026259