基于最小二乘支持向量機(jī)的城市供水短期水量預(yù)測研究

朱慧峰(上海市供水調(diào)度監(jiān)測中心，上?！?00085)

0　引　言

隨著上海市經(jīng)濟(jì)的快速增長、人口的快速增加，水資源供需矛盾變得愈加突出。合理利用水能源，做好水資源的管理與規(guī)劃是城市可持續(xù)發(fā)展的關(guān)鍵。

上海市供水調(diào)度中心主要負(fù)責(zé)整個(gè)上海市中心城區(qū)和郊縣范圍內(nèi)的城市供水調(diào)度，目前供水調(diào)度中心的系統(tǒng)在日常調(diào)度，事故應(yīng)急調(diào)度，能耗管理，設(shè)施、設(shè)備管理維護(hù)，運(yùn)行安全保障等方面還停留在人管水平上。為實(shí)現(xiàn)原水系統(tǒng)的統(tǒng)籌科學(xué)調(diào)度、統(tǒng)一運(yùn)行管理問題，需要對城市供水系統(tǒng)的調(diào)度系統(tǒng)進(jìn)行整合，實(shí)現(xiàn)智能化集中調(diào)度管理，而其中很重要的一部分就是對城市供水水量進(jìn)行有效的預(yù)測[1]。

對于優(yōu)化調(diào)度而言，對城市供水量作出合理的預(yù)測是制定水資源供求計(jì)劃的前提，通過短期供水量預(yù)測，了解城市未來用水需求及其發(fā)展趨勢，進(jìn)而合理地為各個(gè)水廠制定配水、供水調(diào)度決策，保證管網(wǎng)安全運(yùn)營，供需平衡，最大限度地降低供水成本；同時(shí)有效的水量預(yù)測可指導(dǎo)城市的整體規(guī)劃布局，預(yù)防和控制水污染。

建立基于上海市各水廠的流量預(yù)測模型，可預(yù)先預(yù)測調(diào)度模式，計(jì)算運(yùn)行能耗以及需要投入的設(shè)備資源，水量預(yù)測對安排生產(chǎn)計(jì)劃和設(shè)備維護(hù)計(jì)劃，事故應(yīng)急切換具有重要的意義。城市供水量量預(yù)測模塊，通過對各個(gè)受水點(diǎn)的用水量歷史數(shù)據(jù)與天氣、節(jié)假日、施工等情況的關(guān)聯(lián)分析，生成用水量預(yù)測值。因此，水量預(yù)測系統(tǒng)作為上海市供水調(diào)度中心智能調(diào)度管理系統(tǒng)的必不可少的子系統(tǒng)，對智能調(diào)度管理起著重要的作用。

水量預(yù)測運(yùn)用最小二乘支持向量機(jī)算法對數(shù)據(jù)進(jìn)行訓(xùn)練得出模型，并且模型可以根據(jù)水廠數(shù)據(jù)的變化不斷變化?；谧钚《酥С窒蛄繖C(jī)的城市供水短期水量預(yù)測研究，較好地解決了在供水調(diào)度中水量數(shù)據(jù)非線性、高位數(shù)的特點(diǎn)，克服了傳統(tǒng)預(yù)測方法的缺點(diǎn)，使得預(yù)測具有較高的精度[2]。

1　短期供水量預(yù)測

1.1　最小二乘支持向量機(jī)

支持向量機(jī)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。

在求解非線性復(fù)雜問題時(shí)，通過核空間映射函數(shù)解決低維空間線性不可分問題，并利用核函數(shù)技術(shù)解決了高維特征空間運(yùn)算時(shí)存在的“維數(shù)災(zāi)難”問題。

1.2　模型輸入變量分析

城市短期供水量與社會、經(jīng)濟(jì)、政治、氣象、突發(fā)事故等眾多的因素有著極其復(fù)雜的關(guān)系[3]。其變化規(guī)律由3部分組成：周期性、趨勢性和隨機(jī)擾動(dòng)部分[4]。本文在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，重點(diǎn)研究流量規(guī)律性、趨勢性、可獲取氣象因素及節(jié)假日對城市小時(shí)級供水量預(yù)測的影響，找出供水量的主要影響因子，確定水量預(yù)測模型的輸入變量。

(1)時(shí)周期性特征：每日24 h的用水量的變化趨勢保持一致，每天有一個(gè)用水高峰和一個(gè)用水低峰，高峰期為8:30～22:30左右。

(2)流量趨勢性特征：通過相關(guān)性公式

(3)節(jié)假日分析：引入“日期類型”變量，節(jié)假日時(shí)變量值為1、工作日時(shí)變量值為0。

若預(yù)測某日t時(shí)刻的用水量，則需選?、兕A(yù)測時(shí)刻前1 h、23 h、24 h、25 h、48 h、72 h、96 h、120 h、144 h、168 h的時(shí)用水量Q(m3/h)；②預(yù)報(bào)日平均溫度Tmean(℃)；③節(jié)假日因素Bholiday。將以上變量作為時(shí)用水量預(yù)測模型的輸入，預(yù)測當(dāng)天t時(shí)刻的時(shí)用水量。時(shí)用水量預(yù)測模型如下：

Qt=f(Qt-1,Qt-23,Qt-24,Qt-25,…,
Qt-168,Tmean,Bholiday)

式中:Qt-i表示預(yù)測時(shí)刻前i小時(shí)的時(shí)用水量;Tmean表示預(yù)報(bào)日平均溫度;Bholiday表示是否是節(jié)假日。

1.3　基于改進(jìn)的GSA-LS-SVM的城市供水量預(yù)測性能分析

引力搜索算法(GSA) 由Rashedi等人[5]于 2009 年提出，是一種新型的基于隨機(jī)種群的智能啟發(fā)式優(yōu)化算法，其理論基礎(chǔ)是牛頓萬有引力定律和運(yùn)動(dòng)定律。在 GSA 種群中，設(shè)定個(gè)體是具有質(zhì)量在空間運(yùn)行的粒子，粒子間通過萬有引力相互吸引。用粒子的慣性質(zhì)量大小來評價(jià)它的優(yōu)劣，粒子質(zhì)量越大，則適應(yīng)度值越小，粒子越優(yōu)。粒子之間通過萬有引力的作用，向質(zhì)量較大的粒子移動(dòng)，從而使種群達(dá)到逐步收斂的過程，逼近最優(yōu)解。

在粒子位置更新中，只有當(dāng)前粒子信息會影響粒子的位置更新，因此GSA 是無記憶算法，粒子學(xué)習(xí)能力較弱。 本文通過將個(gè)體歷史最優(yōu)和群體歷史最優(yōu)信息引入速度更新策略，可以使得群體更快速地達(dá)到最優(yōu)解。

因此本節(jié)采用LS-SVM 建立上海市時(shí)用水量的預(yù)測模型，并采用改進(jìn)的GSA 對 LS-SVM 模型的參數(shù)進(jìn)行優(yōu)化，以提高參數(shù)優(yōu)化速度和預(yù)測精度。

試驗(yàn)絕對誤差及相對誤差變化曲線如圖1所示。結(jié)果顯示采用AGSA訓(xùn)練LS-SVM參數(shù)具有最高精度，適用于城市短期供水量預(yù)測問題。隨機(jī)預(yù)測中心城區(qū)15家水廠一周的小時(shí)級流量，統(tǒng)計(jì)出平均相對誤差小于2%。

圖1　AGSA-LS-SVM模型預(yù)測誤差

2　水量預(yù)測結(jié)果分析

2.1　小時(shí)級預(yù)測模型的實(shí)際應(yīng)用

采用AGSA-LS-SVM模型對上海市中心城區(qū)的三家水廠的小時(shí)級供水量進(jìn)行預(yù)測，預(yù)測的時(shí)間跨度為2014年6月12日至2014年6月18日，對這一周的小時(shí)級實(shí)際數(shù)據(jù)與預(yù)測數(shù)據(jù)相對比并統(tǒng)計(jì)出其相對誤差，其統(tǒng)計(jì)結(jié)果如圖2所示。

圖2　三家水廠的一周的小時(shí)級預(yù)測結(jié)果

分析可以發(fā)現(xiàn)，在三家水廠一周168 h的預(yù)測中，預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)的大小與趨勢均相差不大，具有較高的精度，精度基本能維持在85%以內(nèi)。在實(shí)際數(shù)據(jù)由于一些特殊因素產(chǎn)生變化時(shí)，AGSA-LS-SVM模型可以有效地檢測出趨勢，并給出預(yù)測值。這在實(shí)際生產(chǎn)的調(diào)度中，可以根據(jù)預(yù)測值有效地對調(diào)度水量進(jìn)行調(diào)配，使得城市供水既滿足了用戶需求，又可以在一定程度上節(jié)約能源。

2.2　天級預(yù)測模型的實(shí)際應(yīng)用

采用AGSA-LS-SVM模型對上海市中心城區(qū)的三家水廠的小時(shí)級供水量進(jìn)行預(yù)測，預(yù)測的時(shí)間跨度為2014年6月12日至2014年6月19日，對這8 d的天級實(shí)際數(shù)據(jù)與預(yù)測數(shù)據(jù)相對比并統(tǒng)計(jì)出其相對誤差，其統(tǒng)計(jì)結(jié)果如圖3所示。

圖3　三家水廠的8 d的天級預(yù)測結(jié)果

分析可以發(fā)現(xiàn)，在三家水廠八天的天級的預(yù)測中，預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)的大小與趨勢有一定差異，但在精度中剋有看出預(yù)測仍具有較高的精度，精度基本能維持在80%以內(nèi)。在實(shí)際數(shù)據(jù)由于一些特殊因素產(chǎn)生變化時(shí)，AGSA-LS-SVM模型可以有效的檢測出趨勢，并給出預(yù)測值。這在實(shí)際生產(chǎn)的調(diào)度中，可以根據(jù)預(yù)測值有效的對調(diào)度水量進(jìn)行調(diào)配，使得城市供水既滿足了用戶需求，又可以在一定程度上節(jié)約能源。

3　結(jié)束語

實(shí)際供水系統(tǒng)規(guī)模大，節(jié)點(diǎn)多，需求不平均，和人們的日常生活息息相關(guān)。管道的多少、分布、壓力、閥門開關(guān)、用水量多少、天氣等因素的影響，使得整個(gè)供水管網(wǎng)構(gòu)成復(fù)雜動(dòng)力學(xué)系統(tǒng)。針對供水管網(wǎng)的水量預(yù)測問題，采用機(jī)理建模難度大、規(guī)模大且建成的模型泛化能力弱。采用基于機(jī)器學(xué)習(xí)算法的LS-SVM 算法，以數(shù)據(jù)驅(qū)動(dòng)為基礎(chǔ)，隱含地應(yīng)用系統(tǒng)動(dòng)力學(xué)信息數(shù)據(jù)來重現(xiàn)水量規(guī)律，而且大大簡化了通常的分類和回歸等問題，算法效率高。試驗(yàn)結(jié)果也證明了LS-SVM 算法適用于城市短期需水量預(yù)測問題。

本文以上海市供水度管理系統(tǒng)項(xiàng)目為課題背景，主要研究了城市短期供水量預(yù)測系統(tǒng)。城市短期供水量預(yù)測主要從數(shù)據(jù)預(yù)處理、模型算法研究、模型實(shí)際驗(yàn)證三個(gè)方面進(jìn)行了研究，并將其運(yùn)用到實(shí)際的供水管網(wǎng)的小時(shí)級和天級水量預(yù)測中，取得了理想的效果。

參考文獻(xiàn)：

[1] VAN GESTEL T, SUYKENS J A K, BAESENS B, et al. Benchmarking least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 9(3):293-300.

[2] SUYKENS J A K, VANDEWALLE L. Least squares support vector machine classifiers[J].Neural Procedding Letters,1999,9(3):293-300.

[3] 彭其定. 城市用水量預(yù)測[J]. 中國給水排水, 1989(5):59-62.

[4] 李紅艷, 崔建國, 張星全. 城市用水量預(yù)測模型的優(yōu)選研究[J]. 中國給水排水, 2004, 20(2):41-43.

[5] RASHEDI E, NEZAMADADI-Pour H, SARYAZDI S. GSA:a gravitational search algorithm[J]. Information Sciences, 2009, 179(13):2232-2248.