針對城市用水特點和需求,提出了一種基于小波分解與隨機森林模型、ARMA模型結(jié)合的短期用水量預測的方法。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,在實例中對比了隨機森林模型、BP神經(jīng)網(wǎng)絡、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行預測;對低頻分量與部分高頻分量進行預測時結(jié)合實時氣象數(shù)據(jù)、時間信息、節(jié)假日信息利用隨機森林回歸算法進行預測,最后將各預測結(jié)果進行等權(quán)相加得到最終預測結(jié)果。實例中的數(shù)據(jù)為東南沿海城市的歷史用水量數(shù)據(jù),經(jīng)實際驗證,小波組合模型能明顯提高預測精度,滿足供水調(diào)度運行實際需求。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 小波組合模型算法流程

本試驗選用Haar小波作為基小波，對原始用水量數(shù)據(jù)進行三尺度分解，得到不同頻率的細節(jié)分量系數(shù)。對不同頻率的細節(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、Logistic回歸模型、ARMA預測模型對子分量中最高頻分量分別進預測，通過對比不同預測模型的預測結(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不同頻率負荷分量的預測模型選擇

圖5 ARMA模型擬合曲線與實際D1細節(jié)分量曲線

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

本文編號：4026259