準(zhǔn)確的居民社區(qū)時(shí)用水量預(yù)測對于水資源的優(yōu)化調(diào)度和管網(wǎng)的穩(wěn)定運(yùn)行具有重要意義。為了克服傳統(tǒng)的ANN、SVM等預(yù)測方法只能得到確定的點(diǎn)預(yù)測結(jié)果和未來某一時(shí)刻的預(yù)測結(jié)果,而無法給出預(yù)測的區(qū)間,也不能進(jìn)行實(shí)時(shí)預(yù)測的缺點(diǎn),提出了一種基于蜻蜓-高斯過程回歸耦合的居民社區(qū)時(shí)用水量動態(tài)實(shí)時(shí)區(qū)間預(yù)測方法。用擅長全局搜索和對初始值沒有依賴的蜻蜓算法對高斯過程回歸的超參數(shù)進(jìn)行尋優(yōu)。結(jié)果表明,本模型預(yù)測精度較高,最大的相對誤差為僅0.019,具有較強(qiáng)的實(shí)用價(jià)值,為未來水資源實(shí)時(shí)調(diào)度提供理論依據(jù)。 

【文章來源】：中國農(nóng)村水利水電. 2019,(04)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

DA－GPＲ模型區(qū)間預(yù)測流程圖Fig．1DA－GPＲmodelintervalpredictionflowchart

約??菔淙氪唇ǖ淖鈑?GPＲ模型，輸出預(yù)測值的均值和方差。Step8:根據(jù)給定置信度，得到時(shí)用水量實(shí)時(shí)區(qū)間預(yù)測結(jié)果。2仿真實(shí)驗(yàn)2．1仿真實(shí)驗(yàn)平臺本次實(shí)驗(yàn)的運(yùn)行環(huán)境為:操作系統(tǒng):Windows7;處理器:In-tel(Ｒ)Core(TM)i7－2640M;主頻:2．80GHz;內(nèi)存:4．00GB;編程工具:MATLABＲ2015(b)。2．2樣本數(shù)據(jù)本文所用的數(shù)據(jù)來自河北工程大學(xué)在線水量檢測平臺，采用居民家屬院2016年6月17日到7月7日，共21d每天24h的實(shí)際社區(qū)時(shí)用水量資料，如圖2所示。將樣本集21d/h用水量中的前20d480組時(shí)用水量資料作為訓(xùn)練集，最后一天24h用水量資料作為測試集。圖2單日時(shí)用水量變化趨勢Fig．2Changeinwaterconsumptiononasingleday2．3模型輸入和輸出從圖3可以明顯看出居民社區(qū)時(shí)用水量具有明顯的24h基于蜻蜓－高斯過程回歸耦合的居民社區(qū)時(shí)用水量動態(tài)實(shí)時(shí)區(qū)間預(yù)測劉龍龍李文竹劉心19

周期性，為預(yù)測下一時(shí)刻用水量，模型的輸入取該時(shí)刻前24h的時(shí)用水量。模型輸出是居民社區(qū)下一時(shí)刻用水量，輸入是該時(shí)刻前24h每小時(shí)用水量(數(shù)據(jù)來源于2016年6月17日到7月6日居民社區(qū)的用水?dāng)?shù)據(jù))。圖3不同模型時(shí)用水量預(yù)測結(jié)果Fig．3Waterconsumptionpredictionresultsofdifferentmodels2．4參數(shù)設(shè)置慣性權(quán)重ω、分離權(quán)重s、對齊權(quán)重a、內(nèi)聚權(quán)重c、食物吸引權(quán)重f和天敵排斥權(quán)重e均為自適應(yīng)線性遞減權(quán)重，其最小值為0．4，最大值為0．9;設(shè)種群規(guī)模為10，最大迭代次數(shù)為20，參數(shù)M的取值范圍為［－1，1］，參數(shù)σf的取值范圍為［－1，1］，參數(shù)σn的取值范圍為［－1，1］。2．5對比模型及評價(jià)標(biāo)準(zhǔn)為了使DA－GPＲ模型的預(yù)測結(jié)果具有可比性，選著BP神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(jī)和高斯過程回歸模型作為對比模型，模型性能采用平均相對誤差(MAPE)、平均絕對誤差(MAE)和均方誤差(MSE)進(jìn)行衡量，它們的定義為:MAPE=1N∑Ni=1yi－^yiyi(18)MAE=1N∑Ni=1|yi－^yi|(19)MSE=1N∑Ni=1(yi－^yi)2(20)式中:N為測試集樣本的大小;yi為實(shí)測值;^yi為預(yù)測值。2．6結(jié)果與分析為了驗(yàn)證本文創(chuàng)建的蜻蜓－高斯過程回歸耦合模型的預(yù)測可靠性，本文將其與BP神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(jī)和高斯過程回歸預(yù)測模型進(jìn)行試驗(yàn)對比，預(yù)測結(jié)果如圖3所示。在95%置信度下，高斯過程回歸和蜻蜓－高斯過程回歸兩個(gè)模型的區(qū)間預(yù)測結(jié)果如圖4和圖5所示。從圖3?

【參考文獻(xiàn)】：
期刊論文
[1]不同承載標(biāo)準(zhǔn)下水資源承載力評價(jià)[J]. 金菊良,董濤,酈建強(qiáng),張禮兵,李輝.  水科學(xué)進(jìn)展. 2018(01)
[2]一種改進(jìn)的多目標(biāo)蜻蜓優(yōu)化算法[J]. 韓鵬,陳鋒.  微型機(jī)與應(yīng)用. 2017(20)
[3]基于改進(jìn)高斯過程回歸模型的短期負(fù)荷區(qū)間預(yù)測[J]. 宗文婷,衛(wèi)志農(nóng),孫國強(qiáng),李慧杰,CHEUNG Kwok W,孫永輝.  電力系統(tǒng)及其自動化學(xué)報(bào). 2017(08)
[4]變結(jié)構(gòu)遺傳最小二乘支持向量機(jī)法預(yù)測日用水量[J]. 陳磊,石也.  浙江工業(yè)大學(xué)學(xué)報(bào). 2017(01)
[5]基于蜻蜓算法和支持向量機(jī)的變壓器故障診斷[J]. 傅軍棟,陳俐,康水華,馮奕軒.  華東交通大學(xué)學(xué)報(bào). 2016(04)
[6]最嚴(yán)格水資源管理制度下的流域水權(quán)二次交易模型[J]. 趙培培,竇明,洪梅,李胚,王艷艷.  中國農(nóng)村水利水電. 2016(01)
[7]基于高斯過程回歸的網(wǎng)絡(luò)流量預(yù)測模型[J]. 李振剛.  計(jì)算機(jī)應(yīng)用. 2014(05)
[8]基于主成分分析的支持向量機(jī)需水預(yù)測模型及其應(yīng)用[J]. 郭亞男,吳澤寧,高建菊.  中國農(nóng)村水利水電. 2012(07)



本文編號：3136653