一、城市用水量短期预测方法的比较研究(论文文献综述)
李彦彬,闫文晶,张海涛,杜军凯[1](2022)在《基于改进GM-LSSVR模型的郑州市用水量预测》文中认为准确的用水量预测是响应国家高质量发展的重要抓手,也是城市水资源优化配置的基础。针对用水量序列存在波动性、灰色模型与所需因素存在线性关系等问题,提出了一种基于HP滤波分解的GM-LSSVR预测模型,即先采用灰色关联分析法筛选合适的用水量影响因素,再利用HP滤波分解法将筛选的用水量及影响因素分解为长期趋势序列和短期波动序列,最后通过GM-LSSVR组合模型来预测用水量。以郑州市为例,使用该模型预测2001-2019年用水量,并与GM(1,N)模型、BP神经网络模型的预测结果进行对比。结果表明,基于HP滤波分解的GM-LSSVR预测模型预测精度大大提高,具有可行性与实用性,可以较好地应用于城市用水量预测研究中。
汪永友[2](2021)在《城市供水管网压力优化调控的研究》文中提出城市供水系统作为城市的重要基础设施,是保障人民生活和发展经济建设的物质基础。供水管网系统作为城市供水系统的重要组成部分,在随着城市规模的扩大和人们生活水平的提升的过程中,也面临着极大的挑战。本文以某市供水系统为依托,通过对某市供水现状进行分析,得出某市供水管网系统压力过高时会促使供水管网的漏损现象更为严重,导致了水资源的浪费,供水压力不足会造成用水端用水量较小,居民的工业生产的用水需求受到影响。鉴于此情况,本文立足于提高供水质量,从满足居民生活和工业生产用水量需求、降低管网漏损率及管网运行能耗的角度出发,提出了供水管网压力优化调控研究,研究分为管网流量预测、供水管网压力预测分析和供水管网压力优化调控三个部分,其中供水管网流量预测分析及供水管网压力预测分析是压力优化调控的基础。1、建立了某市供水管网流量预测模型。通过对某市供水管网流量进行分析,探讨了某市供水的变化规律及影响因素,提出了基于GA-BP的时间序列模型和解释性模型,结合某市供水管网监控系统的流量数据,再对这两种模型进行对比,得出基于GA-BP的时间序列模型对用水量的预测要更精准,该模型得出的流量数据可以应用于管网下一步的压力优化调控研究。2、建立了某市供水管网压力模型。通过对管网模型的研究,并结合某市供水管网的实际运行情况,应用BP神经网络算法,构建了宏观管网压力模型,通过与某市供水管网监控系统中的压力数据进行对比,表明基于BP神经网络管网压力模型的预测结果有足够的精度,能够有效模拟出管网运行的实际状态,该模型得出的压力数据可以应用于管网压力优化调控的研究。3、对某市供水管网进行了压力优化调控进行了研究。针对供水管网系统,利用伯努利方程,对供水管网中压力和流量的关系进行了分析,并结合城市供水管网流量预测模型和压力预测模型的研究数据,采用BP神经网络建立压力优化调控模型,得出优化后的压力,当供水需求量较大时,模型提供较大的压力满足供水量需求,供水量需求较小时减小压力避免管网运行的能耗损失及管网的漏损率的增加。从而推动供水研究的发展,实现供水质量水平的提升,并达到节能降耗的作用。
辛珂[3](2020)在《基于GA-ELM的城市短期需水预测与误差修正方法研究》文中认为随着人口大量地向城市涌入,导致城市需水量不断攀升,从而出现城市用水紧张、水资源供需不平衡等问题。因此,在保证城市居民用水舒适度不会降低的前提下,尽可能的节约供水成本和水资源消耗是将来城市供水系统发展的必然趋势。在科技不断进步发展趋势下,为了实现未来城市实时性和自动化供水调度方式,这就要求有一种精度高、用时少的需水量预测方法作为基础。需水量预测在整体城市供水系统的设计、规划、管理和运行中起着重要的作用,是供水策略、运行调度、优化设计的关键性参考。传统预测方法要求历史数据具有较明显的周期性和趋势上的稳定性,以及人工智能预测方法易于陷入局部最优、运算速度慢、泛化性能低等问题,现在已经很少被单独作为一种研究需水量预测的方法,而以数据、影响因素和神经网络算法相结合的组合预测模型因结合了两者的优点和弥补了两者的不足被如今大多数学者所青睐并且得到较好的发展。针对传统的神经网络预测模型训练时间长、易于陷入局部最优的预测结果,且在少量数据样本情况下预测精确度不足的缺点,首先,本文提出了一种基于遗传算法-极限学习机的城市短期用水预测方法,在引入相关影响因素的基础上,使用擅长全局搜索和并行搜索的遗传算法对极限学习机参数进行寻优,使得GA-ELM预测模型精度得到提升。其次,提出一种误差修正方法,使用马尔可夫链对遗传算法—极限学习机预测模型的预测结果进行误差修正。结果表明,经过误差修正的最终组合模型的预测结果精度比传统预测模型结果要高,具有较强的实用价值,为未来水资源实时调度提供理论依据。
刘志壮,吕谋,周国升[4](2020)在《基于小波组合模型的短期城市用水量预测》文中研究指明针对城市用水特点和需求,提出了一种基于小波分解与随机森林模型、ARMA模型结合的短期用水量预测的方法。采用小波分解算法将用水量时间序列分解成若干子序列,最高频子序列具有数据波动剧烈、变化速率快的特点,在实例中对比了随机森林模型、BP神经网络、Logistic回归模型、ARMA模型对于最高频子序列的拟合能力,选定ARMA模型对于高频子序列进行预测;对低频分量与部分高频分量进行预测时结合实时气象数据、时间信息、节假日信息利用随机森林回归算法进行预测,最后将各预测结果进行等权相加得到最终预测结果。实例中的数据为东南沿海城市的历史用水量数据,经实际验证,小波组合模型能明显提高预测精度,满足供水调度运行实际需求。
欧谌昊[5](2020)在《B市多水源供水系统一级分区和泵组优化调度控制漏失》文中指出供水管网系统是保障城镇正常运作的重要基础设施之一,关系到人民生活、企业生产和社会发展,是紧密联系净水厂和用户的重要载体之一,在饮用水的存储、运输和调度上发挥重要作用。管网漏失问题是影响供水服务水平的重要因素,尤其随着城市扩张、水源数量增加、管网不断延伸、老城区管网老化,若水司缺少管理调度规划,会造成多水源间水量分配不协调、管网压力分布不均衡,使得漏失问题更为严重。大量水资源在输配过程中流失,不仅造成浪费,不利于水资源的可持续利用,还增加制水售水成本,制约经济社会长足发展。多水源管网作为现今普遍存在的供水系统,如何通过划分各水源供水区域,协调各水厂二泵站运行,对其进行漏失管理从而提高运行管理水平,成为亟待解决的问题。针对上述问题,本文对多水源管网漏失控制进行深入分析。首先基于管网短期需水量预测改进管网动态水力模型,为优化调度提供指导;通过研究压力驱动漏失理论,准确模拟漏失现象。然后研究一级分区理论和泵组工况多目标优化调度理论,探讨静态与动态调整相结合的方法对漏失控制的作用效果,并在B市管网应用。供水管网运行状态不仅与静态属性(管道属性和拓扑结构)相关,同时也受动态数据的影响,尤其是节点需水量。本研究分析用户实际用水量和漏失水量,从这两个方面调整微观模型,准确模拟节点用水和漏失水量。在实际用水模拟方面,提出DBSCAN-XGBoost组合预测方法,采用对噪声鲁棒空间聚类算法识别和剔除离群分布的异常用水数据,识别效果好,剔除速度快,采用XGBoost算法预测小时需水量决定系数能保持在0.9以上,充分验证组合预测方法的准确性。根据预测结果修改节点需水量,实现微观模型实际用水量的精细调节。在漏失水量方面,针对经典水力模型缺少漏失模拟的问题,本研究采用水平衡分析计算漏失水量,分析压力驱动漏失理论,计算用户节点漏失系数,并校核压力和流量数据。按照上述方法修改用户实际用水量和漏失水量,能准确模拟管网水力状态,为后续一级分区和优化调度的深入研究提供依据。静态拓扑调整立足于管网一级分区。供水管网分区的现有研究集中于自下而上的分区,对一级分区方法研究不足。为此,本文将物质浓度敏感性分析方法应用于供水管网一级分区问题,逐一调整不同水源的物质浓度,挑选节点浓度最敏感的水源。对比最小功率耗散路径分区方法,敏感性分析更能反映实际水力状态效果,各一级分区内实际用水量与设计用水量相近,并预留一定的供水能力,一级分区性能更佳。动态调整通过泵组工况多目标寻优实现。建立漏失水量、泵站电耗、平均水龄为目标函数的多目标优化模型,将约束条件按软硬约束转化为不同形式的惩罚项,用两种多目标进化算法,分别是第二代和第三代非支配排序遗传算法(Nondominated Sorting Genetic Algorithm,NSGA-II、NSGA-III)求解。采用多目标进化评价指标评价解集收敛性、多样性和广泛性,并采用优劣解距离法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)分析解集优劣性。结果显示,NSGA-III算法虽然会降低解集空间分区的多样性和广泛性,但是收敛性强于NSGA-II,寻优能力更强。对比分区前后的优化情况,发现分区后解集的贴合度大于未分区解集,证明物质浓度敏感性分区对管网运行能起到有效的改善。将B市作为上述方法的应用案例,为该市长期以来形成的运营规划不足、多水源之间不协调、漏失率居高不下等问题提供解决措施。在短期需水量预测方面,对比XGBoost和ARIMA两种模型,在一级分区上对比路径搜索和敏感性分析两种方法,在多目标优化上采用分区前后管网的多目标优化模型并分别采用NSGA-II和NSGA-III求解模型,最后评价优化算法解集。结果表明,分区后管网经NSGA-III求解可获得最优泵组运行方案,不仅能降低泵站电耗和平均水龄,节约泵站电耗更关键是获得良好的漏失水量控制效果,漏失率由原有的31.58%降低至29.35%,下降2.23%,漏失水量降低了8100.75立方米,具备指导多水源管网控制漏失的实践价值。
向雁[6](2020)在《东北地区水—耕地—粮食关联研究》文中指出粮食是国家长治久安的重要基础,水和耕地是支撑粮食生产最重要的资源。东北地区是我国的粮食主产区,也是种植结构优化的重点区域,研究其水-耕地-粮食关联关系,对促进区域粮食可持续生产与水土资源可持续利用具有重要意义。本研究运用1990-2017年时序数据和GIS空间分析方法,剖析了东北地区水、耕地和粮食时空变化态势;利用LMDI、虚拟耕地、综合灌溉定额等方法探讨了粮食生产与耕地、水资源利用的关联关系;构建了水-耕地-粮食关联模型(WLF),阐明了三者的关联状况;建立了LSTM模型,预测了水-耕地-粮食生产的变化趋势;最后提出了相应调控策略。主要研究结论如下:(1)诊断了东北地区水、耕地、粮食的基本态势和时空演变特征。水资源总量和人均水资源偏少,地下水供水比例及灌溉用水占比偏高,水资源总量与水资源开发利用程度的空间分布错位,三大平原地区的水资源开发利用程度普遍偏高。1996年以来耕地面积总体呈减少趋势,减少耕地去向由生态用地为主,转变为建设用地为主,增加耕地来源以林地、草地等生态用地为主,形成了“建设用地占用耕地,耕地占用生态用地”占补格局;耕地利用结构主要变化方向为旱地向水田转化,水田面积及占比上升。1990-2017年粮食播种面积增加909.82万hm2;水稻和玉米面积占比分别上升11.09个和14.00个百分点,大豆、小麦、杂粮分别下降3.16个、13.42个、8.51个百分点。水稻生产向三江和松嫩平原地区聚集,玉米生产在中部至南部地区发展较快。(2)剖析了东北地区水、耕地、粮食二元关联关系。粮食-耕地关联分析表明,粮食生产中的低产作物转向高产作物,粮食虚拟耕地含量呈下降趋势,由1990年的0.24 hm2/t降至2017年的0.17 hm2/t,粮食种植结构向节地方向发展。粮食-水关联分析表明,水稻面积占比上升,旱地作物面积占比下降,粮食综合灌溉定额呈上升趋势,由1990年的1838.30 m3/hm2增至2017年的2192.52 m3/hm2,粮食种植结构向耗水型方向发展。水土匹配分析表明,基于水资源自然本底和用水总量控制指标的两种水土资源匹配状况差距较大。(3)建立了水-耕地-粮食关联模型(WLF),测算了四种情境下的关联关系。基于粮食生产用地总面积,无论在水资源本底情境,还是在用水总量控制情境下的水-耕地-粮食关联关系,省域尺度均处于不平衡状态,并且均缺水;地市级尺度,两种情境下分别有87.96%和82.41%的地市处于不平衡状态,主要为缺水状态。表明将全部耕地发展为灌溉耕地是不现实的。基于粮食生产现有灌溉耕地面积,无论在水资源本底情境,还是在用水总量控制情境下的水-耕地-粮食关联关系,省级尺度均处于平衡状态,说明在不增加灌溉面积情况下,水-耕地-粮食关联关系是平衡的;地市级尺度,两种情境下分别有47.22%和44.44%的地市处于水多地少状态,说明还有一定的增加灌溉面积的潜力。水多地少区域主要集中于山区,可采取水权流转方式实现山区与平原地区的区域均衡。(4)构建了水-耕地-粮食的LSTM综合预测模型,预测了未来三者关联状况,提出了相应调控策略。结果表明,到2030年,在灌溉用水总量控制情境下,基于粮食生产用地总面积,水-耕地-粮食关联关系总体将仍处于缺水状态;基于粮食灌溉耕地面积,吉林省和辽宁省水-耕地-粮食关联关系总体将继续保持平衡状态,黑龙江省将变为轻度缺水状态。耕地资源、水资源、灌溉水有效利用系数、灌溉定额等因素对水-耕地-粮食关联具有直接的影响,针对各地市水-耕地-粮食关联特点,优化粮食种植结构和水土资源配置,是改善水-耕地-粮食关联关系的有效手段。创新点:(1)构建了水-耕地-粮食关联模型,评价水、耕地与粮食生产的适宜和满足程度;(2)建立了水-耕地-粮食的LSTM综合预测模型,提高了预测精度;(3)揭示了东北地区粮食结构调整与水、耕地资源的关系,提出精准调控策略。
明亮[7](2020)在《供水管网优化运维研究 ——以Z市供水管网为例》文中研究表明随着城市发展的不断进步,供水量与供水范围逐渐增大,对于供水系统运行经济效益与安全稳定性的要求也不断提高。当前我国大多数水厂的供水调度依然采用经验方法进行调控,造成供水压力高、能源浪费等问题。因此进行供水管网优化运维研究对于改善管网运行状况具有重要意义。本文利用建筑信息模型(BIM)技术建立水厂泵站三维可视化模型,同时集成各构件参数信息、位置信息。利用物联网技术实现管网运行数据的在线监测,实时显示于供水监控平台,使得供水调度更加直观。对比移动平均法和BP(Back Propagation)神经网络法两种用水量预测方法。移动平均法选取12天用水量数据作为数据样本,通过前11天数据计算第12天数据,并与实测数据比较。BP神经网络法选取14天用水量数据作为数据样本,前7天数据作为训练样本,第7天到第13天数据作为测试样本,第14天数据作为预测验证样本,以此构建三层BP神经网络,测试结果证明BP神经网络法具有更高的精度,满足供水管网优化运维精度要求。分析管网微观模型与管网宏观模型各自的实用性,结合城市供水实际调度需要,建立基于BP神经网络的管网分段宏观模型。将一天24小时划分为6个优化调度期,每个优化调度期内遵循同一个优化运行方案。模型输入值为Z市北水厂与腰站堡水厂的流量、压力值,输出值为8个测压点压力值,以10天的数据作为训练样本,第11天数据作为测试样本与预测验证样本,分析表明建立的管网宏观模型具有较高的精度,能够准确模拟出管网运行实际状态。建立供水系统两级优化调度模型,以供水费用最低为目标函数建立一级优化调度模型,引入罚函数概念将其转化为非约束性问题,借助粒子群算法求解;以水泵运行功率最小为目标函数建立二级优化调度模型,采用同样的方法转化为非约束性问题并借助遗传算法求解。以Z市供水系统为例,验证两级优化调度模型的有效性,结果表明,优化后的供水系统运行电耗降低且部分优化调度期出水压力降低,优化调度模型具有良好的节能优化效果与供水安全稳定性。
周璇[8](2020)在《基于NB-IoT的智慧水务系统设计》文中指出近年来我国高度重视城镇饮水工程建设,面向城镇的自来水信息化、智能化建设步伐正逐渐加快,发展智慧水务已成为必然趋势。物联网、大数据等技术的赋能,尤其是近年来窄带物联网技术的快速发展,为智慧水务建设提供了强有力的技术支撑。目前我国县镇地区大多仍采用人工抄表的方式,管理效率低,且用水信息尚未得到科学利用。本课题结合企业的实际应用需求,融合人工智能思想,面向我国县镇地区设计开发了一套基于NB-IoT的智慧水务系统,提供远程抄表、计费管理、用水量预测等信息化、智慧化服务。本文第一章首先综述了课题的研究背景和意义,接着分析了涉及相关技术的国内外研究现状,指出了智慧水务研究中存在的若干关键问题,最后对本文主要内容进行了安排。第二章提出了基于NB-IoT的智慧水务系统总体设计方案。从数据库设计、服务端设计、用水量预测方案等方面分析了系统的设计目标,规划了水务云平台的总体架构、功能结构和技术路线,设计出基于人工智能算法的用水量预测总体方案。第三章设计了基于My SQL数据库的数据存储和管理方案,对于用水数据的存储,本系统采用数据流程分析、数据关系分析的方法对数据库进行了设计,对系统要实现的功能模块进行了划分,详细设计了5个子模块的数据库E-R图、规范化模式以及数据表。第四章设计了基于NB-IoT的智慧水务系统服务端。首先设计了4个功能模块,包括基于NIO非阻塞通信方式的NB-IoT远程抄表模块、基于分级管理的用户账户模块、基于微信支付的计费管理模块、基于定时自动轮询技术的异常报警模块;其次,设计了基于网络信息安全技术的系统安全服务模块;最后,采用MVC框架,通过Java编程语言实现了系统功能。第五章设计了基于人工智能算法的用水量预测方案。首先分析用水量预测的研究现状及存在问题,提出了基于LSTM的短期用水量预测方案。对用水数据预处理后,建立基于LSTM的用水量预测模型,采用注意力Attention机制对模型进行优化,并对模型的重要参数调优。与采用BP神经网络和ARIMA进行对比,结果表明,采用LSTM的预测模型的精度较上述方法有所提高。第六章搭建了系统软件平台,对部署和联调中遇到的问题进行解决,并且从系统功能和系统性能两个方面对系统各个模块进行了测试:使用自动测试工具结合人工测试方法对云平台各个模块功能进行了测试;使用Jmeter对云平台抗压能力和稳定性进行了测试。本文研发的基于NB-IoT的智慧水务系统,完成了远程抄表、用户分级管理、自动计费、异常报警和用水量预测等诸多功能,达到系统设计目标,已在实际中投入运行,提出的技术方案路线对类似水务系统具有较好的参考价值。
叶桂旗[9](2020)在《基于人工电场算法的城市供水泵站优化调度研究》文中指出在城市供水系统中,泵站是整个系统正常运转的枢纽,也是主要的耗能单元。目前我国大多数供水泵站仍采用人工经验的调度模式,不合理的运行方式不仅造成较大的能源浪费,可能还会导致管网漏水、爆管等问题。因此,为了降低泵站能源消耗,减少管网事故,泵站的优化调度研究是十分有必要的。本文围绕泵站优化运行的目标,以M市供水区域为研究对象,进行了城市用水量预测、供水管网水力模型分析和泵站优化调度研究。主要工作如下:1.建立基于BP神经网络的用水量预测模型,以过去24小时的用水量数据为输入变量,未来一小时的用水量为预测目标。此外,鉴于BP神经网络易陷入局部极值、初始权值和阈值随机性强等缺陷,充分利用人工电场算法(AEFA)全局搜索能力强的特点,引入AEFA算法优化BP神经网络的初始权值与阈值,构建AEFA-BP用水量预测模型。较之单一BP神经网络,AEFA-BP组合模型在大部分时段的预测误差控制在3%以内,预测精度得到提高。2.供水管网水力模型分为微观模型和宏观模型,通过分析两者的原理、适用条件及应用范围,可知宏观模型建模简便,运算速度快,更适用于供水系统的实时优化调度,故以泵站的供水压力为预测目标,建立基于BP神经网络的供水管网宏观模型。通过实例检验,全部时段下的预测误差都低于4%,模拟结果能为优化调度提供数据支持。3.泵站优化调度作为本文的研究目的,建立了以水泵机组能耗最小为目标函数,以单泵供水能力、泵站供水量和压力、变频泵调速比为约束条件的数学模型。针对大多数泵站优化调度研究仅考虑水泵的消耗功率,而忽略了变频器和电机损耗对优化结果的影响,进而建立计及变频器和电机损耗的泵站优化调度模型。根据城市的用水量及供水压力变化规律,把一个调度周期(通常为24小时)划分为6个时段。最后该数学模型使用寻优能力较强的AEFA算法求解,各时段得到的优化调度方案能够有效降低水泵机组能耗。
陈攀[10](2020)在《基于PSO-ANN-LSSVM的城市短期供水量组合预测模型研究》文中研究表明城市短期供水量预测是城市供水系统优化调度的基础,可为水务公司的优化调度做出决策,提高水资源利用率,同时节约能耗。本文为进一步提高城市短期供水量预测的精度,利用收集某市水厂的实测数据(时间步长为15分钟)为研究对象,开展了基于PSO-ANN-LSSVM的城市短期供水量组合预测模型研究,主要研究成果及结论如下:(1)基于数据预处理技术及混沌理论对原供水量时间序列进行降噪处理和混沌特性判定。首先判断出原始时间序列中存在噪声,会严重干扰预测模型,影响预测结果的精确性,因此本文采用标准差数据降噪法进行一倍、二倍及三倍数据预处理,共计得到四组数据。然后利用互信息法及Cao法分别计算得到的最佳延迟时间及最优嵌入维数对降噪后的四组供水量时间序列进行相空间重构,并在此基础上对各预测模型进行模型的建立。最后采用定量分析法最大Lyapunov指数进行混沌特性判定,经计算各组供水量时间序列最大Lyapunov指数均大于零,表明四组供水量时间序列均具有混沌特性及可预测性。(2)基于神经网络、最小二乘支持向量机(LSSVM)及粒子群智能优化算法(PSO)对供水量实例进行预测分析。针对城市短期供水量非线性程度高、预测难度大的难题,本文利用非线性处理能力较强的BP、RBF神经网络以及LSSVM模型在相空间重构的基础上进行供水量预测。预测结果表明:(1)以上三种预测模型均能预测供水量整体趋势,但局部预测效果有较大提升空间;(2)适当的数据降噪处理可有效提升模型预测精度。考虑到BP、RBF神经网络预测精度受参数设置的限制,本文利用粒子群智能优化算法(PSO)对BP及RBF神经网络的参数进行优化,得到PSO-BP及PSO-RBF优化预测模型,并利用四组供水量实例进行模型验证及分析探讨。最终预测结果表明:(1)两种优化模型同样能够追踪四组供水量时间序列的整体变化趋势,且经PSO优化参数以及数据降噪后大幅提高了预测精度,降低了预测误差;(2)各组供水量时间序列中,PSO-BP神经网络的MAPE、MSE及R2三个评价指标较BP神经网络分别提升约5%、0.03及0.06;PSO-RBF神经网络的MAPE、MSE及R2三个评价指标较RBF神经网络分别提升约3%、0.02及0.03;(3)优化模型在局部预测效果上有了明显提升,且适当的数据降噪处理可有效提升模型预测精度。(3)基于PSO-BP、PSO-RBF优化预测模型及LSSVM模型,在组合预测方法上进行改进,提出一种新的PSO-ANN-LSSVM城市短期供水量串并联加权组合预测模型。针对单一预测模型存在精度低的问题,本文首先将PSO-BP及PSO-RBF优化模型分别与LSSVM模型采用串联组合方式进行单独预测,得到PSO-BP-LSSVM及PSO-RBF-LSSVM串联组合预测模型的预测结果,然后采用最优组合预测方法,利用固定权重将两者预测结果进行加权组合,最终得到串并联加权组合预测模型的预测结果。最终结果表明:(1)串并联加权组合预测模型的MAPE、MSE及R2三个评价指标较PSO-BP-LSSVM串联组合预测模型分别提升约0.9%、0.01及0.04,较PSO-RBF-LSSVM串联组合预测模型分别提升约0.5%、0.02及0.01;(2)相较于各单一模型(BP、RBF、LSSVM、PSO-BP、PSO-RBF)三个评价指标有大幅提升,其中MAPE提升幅度为4%~10%;MSE提升幅度为0.03~0.06;R2提升幅度为0.01~0.15;(3)其中一倍标准差降噪效果最优。
二、城市用水量短期预测方法的比较研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、城市用水量短期预测方法的比较研究(论文提纲范文)
(1)基于改进GM-LSSVR模型的郑州市用水量预测(论文提纲范文)
0 引言 |
1 研究方法 |
1.1 灰色关联分析法 |
1.2 HP滤波分解法 |
1.3 组合模型 |
1.3.1 GM(1,N)模型 |
1.3.2 最小二乘支持向量回归(LSSVR)模型 |
1.3.3 GM-LSSVR模型构建 |
1.4 模型评价指标 |
2 实例应用 |
2.1 研究区域与数据来源 |
2.2 用水量影响因素分析 |
2.3 模型预测结果与分析 |
2.3.1 用水量预测模型验证 |
2.3.2 用水量预测结果分析 |
3 结论 |
(2)城市供水管网压力优化调控的研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景和研究意义 |
1.1.1 课题研究背景 |
1.1.2 课题研究意义 |
1.2 国内外研究现状 |
1.2.1 供水量预测研究 |
1.2.2 供水管网压力模型的研究 |
1.2.3 供水管网压力优化调控的研究 |
1.3 本文的研究内容与组织结构 |
1.4 本章小结 |
第二章 相关理论知识 |
2.1 BP神经网络 |
2.1.1 人工神经网络 |
2.1.2 BP神经网络 |
2.2 GA-BP神经网络 |
2.2.1 遗传算法 |
2.2.2 GA-BP神经网络 |
2.3 本章小结 |
第三章 供水管网流量预测模型的研究 |
3.1 供水流量预测的方法 |
3.1.1 时间序列预测法 |
3.1.2 解释性预测法 |
3.1.3 系统预测方法 |
3.2 供水流量预测模型的建立 |
3.2.1 时间序列预测模型 |
3.2.2 解释性预测模型 |
3.3 用水量的预测的仿真结果与分析 |
3.4 本章小结 |
第四章 供水管网压力模型的研究 |
4.1 管网模型概述 |
4.1.1 管网微观模型 |
4.1.2 管网宏观模型 |
4.2 某市供水管网模型分析 |
4.2.1 某市供水管网系统情况 |
4.2.2 基于BP神经网络的城市供水管网压力模型的建立 |
4.2.3 供水系统压力预测的仿真结果与分析 |
4.3 本章小结 |
第五章 供水管网压力调控的研究 |
5.1 供水管网压力优化调控概述 |
5.1.1 基本状分析 |
5.1.2 相关技术在供水管网压力调控中的应用 |
5.2 管网中压力与流量关系的研究 |
5.3 压力优化控制的模型及仿真结果 |
5.3.1 基于BP神经网络的压力优化研究 |
5.3.2 基于Smooth函数平滑处理后的压力研究 |
5.3.3 结果对比分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
作者简介及读研期间主要科研成果 |
(3)基于GA-ELM的城市短期需水预测与误差修正方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 城市需水量预测研究现状 |
1.2.2 误差修正研究现状 |
1.3 城市需水预测中的关键问题 |
1.4 本研究内容和技术路线 |
1.5 本章小结 |
第2章 数据清洗及影响因素分析 |
2.1 城市日用水量数据 |
2.2 数据清洗 |
2.2.1 数据清洗方法 |
2.2.2 城市日用水量数据修复补充 |
2.3 影响因素分析 |
2.4 基于灰色关联的影响因素筛选 |
2.5 本章小结 |
第3章 基于GA-ELM的日需水量预测模型 |
3.1 极限学习机 |
3.1.1 经验风险最小化理论 |
3.1.2 单隐含层前馈神经网络 |
3.1.3 极限学习机 |
3.1.4 极限学习机流程 |
3.2 遗传算法 |
3.2.1 遗传算法原理 |
3.2.2 遗传算法的基本要素 |
3.2.3 遗传算法的特点及优点 |
3.2.4 遗传算法的基本流程 |
3.3 基于GA-ELM的城市日水量预测模型 |
3.3.1 遗传算法优化极限学习机的网络结构设计 |
3.3.2 遗传算法优化极限学习机的流程设计 |
3.4 多种预测模型方法验证 |
3.4.1 数据划分 |
3.4.2 不同预测模型的结果对比 |
3.5 本章小结 |
第4章 基于马尔可夫链的误差修正模型 |
4.1 城市需水量预测误差产生的原因分析 |
4.2 误差修正理论 |
4.3 基于马尔可夫链的误差修正模型 |
4.3.1 随机过程理论 |
4.3.2 马尔可夫链的基本理论 |
4.3.3 城市需水预测的马尔可夫适用性分析 |
4.3.4 概率分布及状态划分方法 |
4.3.5 马尔可夫性检验 |
4.4 城市用水量误差修正模型 |
4.5 本章小结 |
第5章 案例分析 |
5.1 实例区域概况及数据 |
5.1.1 北京市区域概况 |
5.1.2 数据处理 |
5.2 预测流程与结果讨论 |
5.2.1 状态划分 |
5.2.2 建立状态转移矩阵 |
5.2.3 制作预测表 |
5.3 结果分析 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和科研成果 |
致谢 |
作者简介 |
(4)基于小波组合模型的短期城市用水量预测(论文提纲范文)
0 引言 |
1 随机森林(Random forest,RF)算法 |
2 小波分解 |
3 基于小波组合模型的的用水负荷预测 |
4 实例分析 |
4.1 数据来源 |
4.2 数据处理 |
4.3 不同频率负荷分量的预测模型选择 |
4.3.1 低频分量与部分高频细节分量的预测模型选择 |
4.3.2 最高频细节分量的预测模型的选择 |
4.4 小波组合模型与其他预测模型对城市供水负荷预测实例 |
5 结语 |
(5)B市多水源供水系统一级分区和泵组优化调度控制漏失(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景 |
1.2 国内外研究现状 |
1.2.1 短期需水量预测 |
1.2.2 压力驱动漏失模拟 |
1.2.3 管网漏失控制措施 |
1.3 研究目的和意义 |
1.4 主要研究内容及技术路线 |
第2章 供水管网短期需水量预测 |
2.1 引言 |
2.2 DBSCAN识别异常用水量数据 |
2.3 XGBOOST预测管网需水量模型 |
2.4 微观水力模型修改 |
2.5 案例应用及分析 |
2.5.1 案例1 |
2.5.2 案例2 |
2.6 本章小结 |
第3章 供水管网压力驱动漏失水量模拟 |
3.1 供水管网水平衡分析 |
3.2 压力驱动漏失模拟 |
3.2.1 管道和节点漏失权重分配 |
3.2.2 用户节点漏失系数求解 |
3.2.3 确定水力校核允许误差范围 |
3.3 案例应用及分析 |
3.4 本章小结 |
第4章 多水源供水管网一级分区 |
4.1 供水管网分区技术 |
4.1.1 多水源管网潜在问题 |
4.1.2 供水管网三级分区技术 |
4.2 供水管网分区方法对比 |
4.2.1 最小功率耗散路径分区 |
4.2.2 物质浓度敏感性分析分区 |
4.3 案例应用及分析 |
4.3.1 案例基本情况及一级分区需求 |
4.3.2 一级分区结果评价 |
4.4 本章小结 |
第5章 多水源泵组多目标优化调度 |
5.1 引言 |
5.2 建立多目标优化模型 |
5.3 多目标进化算法 |
5.3.1 帕累托支配解 |
5.3.2 多目标进化算法MOEAs |
5.3.3 NSGA-II |
5.3.4 NSGA-III |
5.4 解集评价和决策方案比选 |
5.4.1 解集收敛性评价 |
5.4.2 解集多样性评价 |
5.4.3 解集广泛性评价 |
5.4.4 决策方案的比选 |
5.5 多水源泵组多目标优化调度 |
5.6 案例应用及分析 |
5.6.1 建立及求解优化模型 |
5.6.2 结果评价和方案比选 |
5.7 本章小结 |
结论 |
参考文献 |
附录 |
附录1 供水管网短期需水量预测部分源码 |
附录2 居民小区需水量预测结果表 |
附录3 B市需水量预测表 |
附录4 B市大用户节点时用水量数据(m3) |
附录5 B市大用户以外部分节点时用水量数据(m3) |
附录6 B市部分节点小时漏失水量数据(m3) |
附录7 供水管网一级分区部分源码 |
附录8 部分节点物质浓度对比表 |
附录9 部分节点最小功率耗散路径对比表 |
附录10 优化模型目标函数部分源码 |
攻读硕士学位期间发表的学术论文 |
致谢 |
(6)东北地区水—耕地—粮食关联研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.1.1 水-耕地-粮食安全是全球可持续发展急需解决的现实问题 |
1.1.2 我国水-耕地-粮食安全出现新的挑战 |
1.1.3 东北地区面临新一轮粮食生产及种植结构调整的压力较为突出 |
1.2 研究意义 |
1.2.1 为水土资源匹配以及水土粮的关联研究提供新的视角 |
1.2.2 为相关部门提供“控”与“调”的决策参考 |
1.2.3 有助于提高公众对灌溉定额及灌溉需求的认识 |
1.2.4 有助于强化深度学习在农业领域的运用 |
1.3 研究方案 |
1.3.1 研究区域 |
1.3.2 研究目标 |
1.3.3 主要内容 |
1.4 研究方法 |
1.4.1 多源信息复合 |
1.4.2 多模型与多指标综合 |
1.4.3 多研究尺度整合 |
1.4.4 总体研究与分类研究结合 |
1.5 技术路线 |
第二章 水-耕地-粮食的研究进展 |
2.1 耕地利用及粮食生产研究进展 |
2.1.1 耕地数量、质量和粮食生产的表征关系 |
2.1.2 耕地数量保障范畴与目标争议 |
2.1.3 耕地利用变化研究的两大类方向 |
2.1.4 耕地的可持续生产能力 |
2.2 水资源利用及粮食生产研究进展 |
2.2.1 水资源配置思想的转变 |
2.2.2 水资源投入与粮食生产的关系 |
2.2.3 粮食生产的水资源承载力 |
2.2.4 粮食作物虚拟水与水足迹 |
2.2.5 灌溉需水量与作物需水量 |
2.2.6 灌溉与雨养的产量差距 |
2.2.7 灌溉定额与种植结构 |
2.3 水土资源匹配及粮食生产研究进展 |
2.3.1 水土资源匹配的重要性 |
2.3.2 水土资源匹配的生态学与地理学解释 |
2.3.3 水土资源匹配测算 |
2.3.4 粮食结构调整的水土资源效应 |
2.4 总结评述 |
2.4.1 粮食结构调整对不同时空尺度的耕地利用的影响研究有待加强 |
2.4.2 粮食作物结构调整对水资源利用的影响有待加强 |
2.4.3 水土资源匹配的测度存在较大差异 |
2.4.4 水-耕地-粮食三者的关联关系有待进一步探讨 |
2.4.5 耕地、水、粮食的未来情景预测方法仍有改进与丰富的空间 |
第三章 理论基础与分析概述 |
3.1 概念界定 |
3.2 理论基础 |
3.2.1 自然资源经济学理论 |
3.2.2 农业经济学理论 |
3.2.3 资源地理学理论 |
3.3 分析模型 |
3.3.1 耕地利用与粮食空间分布分析模型 |
3.3.2 耕地-粮食关联分析模型 |
3.3.3 水-粮食关联分析模型 |
3.3.4 水-耕地-粮食关联分析模型 |
3.3.5 长短期记忆模型(LSTM) |
3.4 研究区概况 |
3.4.1 地形地貌 |
3.4.2 气候特征 |
3.4.3 土壤条件 |
3.5 数据来源 |
第四章 水-耕地-粮食时序变化特征 |
4.1 耕地变化特征 |
4.1.1 耕地总量 |
4.1.2 耕地利用结构 |
4.1.3 耕地灌溉面积 |
4.1.4 耕地质量等别 |
4.2 水资源变化特征 |
4.2.1 水资源总量 |
4.2.2 供水能力 |
4.2.3 水资源开发利用率 |
4.2.4 用水量变化 |
4.2.5 用水总量控制目标 |
4.2.6 农田灌溉用水 |
4.3 粮食作物生产特征 |
4.3.1 粮食生产 |
4.3.2 水稻生产 |
4.3.3 玉米生产 |
4.3.4 小麦生产 |
4.3.5 大豆生产 |
4.3.6 杂粮生产 |
4.4 章节小结 |
第五章 水-耕地-粮食空间分布及演变特征 |
5.1 耕地空间分布及演变特征 |
5.1.1 水田与旱地的空间分布 |
5.1.2 “水改田”与“旱改水”分布区域 |
5.1.3 新增耕地来源与分布区域 |
5.1.4 减少耕地去向与分布区域 |
5.2 水资源空间分布及演变特征 |
5.2.1 水资源总量空间分布 |
5.2.2 供水量空间分布 |
5.2.3 水资源开发利用等级分区评价 |
5.2.4 水资源总量与用水量的空间匹配分布 |
5.2.5 灌溉用水量空间分布变化 |
5.3 粮食作物空间分布及演变特征 |
5.3.1 粮食生产空间自相关分析 |
5.3.2 粮食生产重心移动特征 |
5.3.3 粮食生产空间分布 |
5.3.4 各粮食作物生产空间分布 |
5.3.5 粮食种植结构空间聚类 |
5.4 章节小结 |
第六章 粮食-耕地(LF)关联研究 |
6.1 粮食生产的耕地利用效应 |
6.1.1 耕地利用效应分解因素的描述性统计 |
6.1.2 耕地利用效应分解因素的时序差异 |
6.1.3 耕地利用效应分解因素的空间分异 |
6.1.4 耕地利用效应主导因素 |
6.2 粮食生产结构对虚拟耕地的影响 |
6.2.1 粮食虚拟耕地含量时序变化特征 |
6.2.2 粮食生产变化对虚拟耕地含量时序变化的影响 |
6.2.3 粮食虚拟耕地含量空间聚类 |
6.2.4 粮食虚拟耕地含量变化幅度的空间差异 |
6.2.5 粮食生产变化对虚拟耕地含量影响的空间差异 |
6.2.6 结构及单产变化对粮食虚拟耕地含量增减变化的影响 |
6.3 章节小结 |
第七章 粮食-水(WF)关联研究 |
7.1 粮食生产结构变化对综合灌溉定额影响 |
7.1.1 粮食作物综合灌溉定额时序变化 |
7.1.2 粮食种植结构对综合灌溉定额变化影响的阶段特征 |
7.1.3 粮食综合灌溉定额空间分布 |
7.1.4 粮食综合灌溉定额变化影响因素 |
7.2 粮食生产变化对灌溉需水量变化影响 |
7.2.1 粮食作物灌溉需水量时序变化 |
7.2.2 粮食作物灌溉需水量时序变化的影响因素 |
7.2.3 粮食生产变化对需水强度的影响 |
7.2.4 粮食作物灌溉需水量空间分布 |
7.2.5 粮食作物灌溉需水量变化影响因素空间特征 |
7.2.6 粮食作物需水强度主要影响因素 |
7.3 章节小结 |
第八章 水-耕地-粮食(WLF)关联研究 |
8.1 水土资源匹配研究 |
8.1.1 粮食生产可利用水资源 |
8.1.2 粮食生产可利用耕地资源 |
8.1.3 粮食生产水土资源匹配变化 |
8.2 水-耕地-粮食关联关系研究 |
8.2.1 不同情境下水-耕地-粮食关联关系时空变化 |
8.2.2 不同情境下水-耕地-粮食关联关系变化影响因素 |
8.3 章节小结 |
第九章 未来水-耕地-粮食(WLF)关联及调控 |
9.1 预测模型构建 |
9.1.1 LSTM模型构建 |
9.1.2 对比模型构建 |
9.1.3 模型评价指标 |
9.2 粮食生产的耕地利用情况预测 |
9.2.1 耕地总面积预测 |
9.2.2 耕地复种指数变化预测 |
9.2.3 粮食面积比例变化预测 |
9.3 粮食种植结构变化预测 |
9.3.1 水稻播种面积预测 |
9.3.2 玉米播种面积预测 |
9.3.3 大豆播种面积预测 |
9.3.4 其他粮食作物播种面积预测 |
9.3.5 粮食作物种植结构预测 |
9.4 粮食生产水资源利用情况预测 |
9.4.1 粮食综合灌溉定额预测 |
9.4.2 粮食灌溉用水量预测 |
9.4.3 农田灌溉用水效率预测 |
9.4.4 灌溉耕地面积预测 |
9.5 未来水-耕地-粮食关联关系预测 |
9.6 水-耕地-粮食关联调控策略 |
9.6.1 耕地资源保护与利用 |
9.6.2 灌溉水资源管理 |
9.6.3 灌溉用水效率优化 |
9.6.4 灌溉定额管理 |
第十章 结论与讨论 |
10.1 主要结论 |
10.2 创新之处 |
10.2.1 方法创新 |
10.2.2 内容创新 |
10.2.3 实践创新 |
10.3 不足与展望 |
参考文献 |
致谢 |
作者简历 |
(7)供水管网优化运维研究 ——以Z市供水管网为例(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 供水管网数据采集与监测研究 |
1.3.2 供水管网用水量预测研究 |
1.3.3 供水管网分析模型研究 |
1.3.4 供水管网优化调度研究 |
1.4 主要研究内容 |
1.5 研究技术路线 |
第二章 供水管网可视化与数据采集研究 |
2.1 供水管网三维可视化研究 |
2.1.1 BIM技术简介 |
2.1.2 BIM技术应用于供水管网运维的优势 |
2.1.3 BIM技术建立水厂泵站三维模型 |
2.2 物联网数据采集研究 |
2.2.1 监测点布局 |
2.2.2 NB-IoT技术优势 |
2.2.3 物联网数据采集设备 |
2.2.4 NB-IoT网络架构 |
2.3 本章小结 |
第三章 人工神经网络 |
3.1 人工神经网络概述 |
3.1.1 BP神经网络基本概念 |
3.1.2 BP神经网络结构组成 |
3.1.3 BP神经网络运行原理 |
3.1.4 BP神经网络应用特点 |
3.2 本章小结 |
第四章 用水量预测模型研究 |
4.1 常用用水量预测方法 |
4.2 基于移动平均法的用水量预测研究 |
4.3 基于BP神经网络的用水量预测研究 |
4.3.1 BP神经网络样本数据选择与预处理 |
4.3.2 BP神经网络模型结构 |
4.3.3 模型预测与结果分析 |
4.4 本章小结 |
第五章 管网分析模型研究 |
5.1 管网分析模型概述 |
5.1.1 微观模型概述 |
5.1.2 宏观模型概述 |
5.2 用水变化规律分析 |
5.3 管网宏观模型构建 |
5.3.1 管网宏观模型数学表达形式 |
5.3.2 管网宏观模型数据选择与预处理 |
5.3.3 BP神经网络模型结构 |
5.4 模型预测结果分析 |
5.4.1 模型预测结果 |
5.4.2 模型预测结果分析 |
5.5 本章小结 |
第六章 供水管网优化调度模型研究 |
6.1 粒子群算法与遗传算法 |
6.1.1 粒子群算法 |
6.1.2 遗传算法 |
6.2 一级优化调度模型研究 |
6.2.1 一级优化调度模型构建 |
6.2.2 基于粒子群算法求解一级优化调度模型 |
6.2.3 一级优化结果分析 |
6.3 二级优化调度模型研究 |
6.3.1 水泵特性曲线拟合 |
6.3.2 水泵运行工况分析 |
6.3.3 二级优化调度模型构建 |
6.3.4 基于遗传算法求解二级优化调度模型 |
6.3.5 二级优化结果分析 |
6.4 本章小结 |
结论与展望 |
参考文献 |
攻读硕士学位期间所发表的学术成果 |
致谢 |
(8)基于NB-IoT的智慧水务系统设计(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题来源与意义 |
1.2 国内外研究现状 |
1.2.1 智慧水务系统 |
1.2.2 水务云平台 |
1.2.3 用水量预测 |
1.3 研究内容与章节安排 |
第二章 基于NB-IoT的智慧水务系统总体方案设计 |
2.1 系统设计目标 |
2.2 系统总体架构设计 |
2.3 关键技术路线设计 |
2.3.1 水务云平台 |
2.3.2 用水量预测 |
2.4 本章小结 |
第三章 基于NB-IoT的智慧水务系统数据库设计 |
3.1 基于NB-IOT的智慧水务系统数据库架构设计 |
3.2 用户账户信息E-R图及数据表设计 |
3.2.1 用户账户模块E-R图设计 |
3.2.2 用户账户模块数据表设计 |
3.3 自来水厂信息E-R图及数据表设计 |
3.3.1 自来水厂信息E-R图设计 |
3.3.2 自来水厂信息数据表设计 |
3.3.3 水表制造厂信息数据表设计 |
3.4 管理员信息E-R图及数据表设计 |
3.4.1 管理员信息E-R图设计 |
3.4.2 管理员信息数据表设计 |
3.5 水表流量信息E-R图及数据表设计 |
3.5.1 水表基础信息E-R图设计 |
3.5.2 水表基础信息数据表设计 |
3.5.3 水表流量信息表E-R图设计 |
3.5.4 水表流量信息数据表设计 |
3.6 计费模块E-R图及数据表设计 |
3.6.1 水表价格信息E-R图设计 |
3.6.2 水表价格信息数据表设计 |
3.6.3 充值历史记录E-R图设计 |
3.6.4 充值历史记录数据表设计 |
3.7 本章小结 |
第四章 基于NB-IoT的智慧水务系统服务端设计 |
4.1 基于NB-IOT的智慧水务系统服务端整体架构设计 |
4.1.1 服务端整体架构 |
4.1.2 MVC框架 |
4.1.3 负载均衡技术 |
4.1.4 数据库读写分离技术 |
4.2 远程抄表模块设计 |
4.2.1 NB-IoT通信模块设计 |
4.2.2 基于NIO的非阻塞式通信 |
4.3 用户账户模块设计 |
4.3.1 用户系统分级管理 |
4.3.2 用户账户管理 |
4.3.3 异常账户管理 |
4.4 计费管理模块设计 |
4.4.1 营业厅收费服务系统 |
4.4.2 基于微信支付的微信公众号 |
4.5 系统安全模块设计 |
4.5.1 防火墙防御 |
4.5.2 SQL注入攻击防御 |
4.6 本章小结 |
第五章 基于LSTM的短期用水量预测研究 |
5.1 短期用水量预测算法设计分析 |
5.2 LSTM网络的建立 |
5.2.1 长短期记忆神经网络 |
5.2.2 注意力机制的LSTM网络 |
5.3 用水预测案例研究及分析 |
5.3.1 评估标准 |
5.3.2 实验数据及预处理 |
5.3.3 模型调参 |
5.3.4 试验结果与分析 |
5.4 本章小结 |
第六章 联调与测试 |
6.1 系统部署 |
6.2 问题与解决 |
6.3 系统功能测试 |
6.3.1 用户账户模块测试 |
6.3.2 充值管理模块测试 |
6.3.3 查询统计模块测试 |
6.3.4 价格管理模块测试 |
6.4 系统性能测试 |
6.4.1 系统并发能力测试 |
6.4.2 数据库性能测试 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 课题研究总结 |
7.2 课题研究展望 |
致谢 |
参考文献 |
研究生阶段研究成果及学术论文情况 |
(9)基于人工电场算法的城市供水泵站优化调度研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 课题的提出 |
1.1.2 课题研究的意义 |
1.2 国内外研究现状 |
1.2.1 用水量预测研究 |
1.2.2 供水管网模型研究 |
1.2.3 泵站优化调度研究 |
1.3 研究内容及技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
第二章 BP神经网络与人工电场算法 |
2.1 BP神经网络 |
2.1.1 BP神经网络的原理 |
2.1.2 BP神经网络的数学描述 |
2.1.3 BP神经网络的特点 |
2.2 人工电场算法 |
2.2.1 库仑定律 |
2.2.2 人工电场算法的数学模型 |
2.2.3 人工电场算法的实现 |
2.2.4 人工电场算法的性能 |
2.3 本章小结 |
第三章 城市用水量预测 |
3.1 常用的用水量预测方法 |
3.1.1 时间序列分析法 |
3.1.2 回归分析法 |
3.1.3 系统分析法 |
3.2 用水量预测工程实例 |
3.2.1 BP神经网络用水量预测模型 |
3.2.2 AEFA-BP用水量预测模型 |
3.3 本章小结 |
第四章 城市供水管网水力模型分析 |
4.1 水力模型 |
4.1.1 微观模型 |
4.1.2 宏观模型 |
4.2 供水管网水力模型工程实例 |
4.2.1 模型的建立 |
4.2.2 模型的求解 |
4.3 本章小结 |
第五章 城市供水泵站优化调度研究 |
5.1 水泵特性曲线拟合 |
5.2 水泵运行工况分析 |
5.3 优化调度数学模型 |
5.3.1 目标函数 |
5.3.2 约束条件 |
5.3.3 约束条件的处理 |
5.4 优化调度工程实例 |
5.4.1 分时段优化调度模型 |
5.4.2 优化调度模型的求解 |
5.5 本章小结 |
结论与展望 |
结论 |
展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(10)基于PSO-ANN-LSSVM的城市短期供水量组合预测模型研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 城市供水量预测方法及智能优化算法简介 |
1.3.1 人工神经网络 |
1.3.2 支持向量机模型 |
1.3.3 基于混沌理论的预测模型 |
1.3.4 整合自回归移动平均模型 |
1.3.5 组合预测模型 |
1.3.6 智能优化算法 |
1.3.7 城市供水量预测方法及智能优化算法归纳 |
1.4 模型预测精度评价指标 |
1.5 章节内容安排、技术路线及创新点 |
1.5.1 章节内容安排 |
1.5.2 技术路线 |
1.5.3 创新点 |
第二章 供水量时间序列可预测性分析 |
2.1 供水量数据预处理 |
2.2 混沌理论 |
2.2.1 相空间重构 |
2.2.2 混沌特性分析 |
2.3 本章小结 |
第三章 BP和RBF神经网络及粒子群算法优化模型 |
3.1 BP神经网络 |
3.1.1 BP神经网络结构 |
3.1.2 BP神经网络算法 |
3.1.3 BP神经网络优缺点 |
3.1.4 BP神经网络模型建立 |
3.1.5 BP神经网络预测结果及分析 |
3.2 RBF神经网络 |
3.2.1 RBF神经网络结构 |
3.2.2 RBF神经网络算法 |
3.2.3 RBF神经网络优缺点 |
3.2.4 RBF神经网络模型建立 |
3.2.5 RBF神经网络预测结果及分析 |
3.3 粒子群算法 |
3.3.1 粒子群算法(PSO)简介 |
3.3.2 粒子群算法优缺点 |
3.4 粒子群算法优化神经网络 |
3.4.1 优化流程 |
3.4.2 优化模型预测结果及分析 |
3.5 本章小结 |
第四章 最小二乘支持向量机 |
4.1 支持向量机 |
4.1.1 VC维 |
4.1.2 结构风险最小化 |
4.1.3 核函数方法 |
4.2 SVM回归预测算法原理 |
4.3 SVM的时间序列回归预测算法原理 |
4.4 最小二乘支持向量机回归预测算法 |
4.5 参数确定 |
4.5.1 参数对模型的影响 |
4.6 LSSVM预测结果及分析 |
4.7 本章小结 |
第五章 PSO-ANN-LSSVM组合预测模型研究 |
5.1 组合预测简介 |
5.1.1 组合预测方法分类 |
5.1.2 预测模型组合方式 |
5.2 组合预测模型建立 |
5.2.1 基础模型选择 |
5.2.2 组合预测模型算法原理 |
5.3 组合预测模型结果及分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 主要工作及结论 |
6.2 展望 |
致谢 |
参考文献 |
附录 |
A.攻读学位期间发表论文及参与的科研项目 |
四、城市用水量短期预测方法的比较研究(论文参考文献)
- [1]基于改进GM-LSSVR模型的郑州市用水量预测[J]. 李彦彬,闫文晶,张海涛,杜军凯. 中国农村水利水电, 2022(01)
- [2]城市供水管网压力优化调控的研究[D]. 汪永友. 安徽建筑大学, 2021(08)
- [3]基于GA-ELM的城市短期需水预测与误差修正方法研究[D]. 辛珂. 河北工程大学, 2020(04)
- [4]基于小波组合模型的短期城市用水量预测[J]. 刘志壮,吕谋,周国升. 给水排水, 2020(10)
- [5]B市多水源供水系统一级分区和泵组优化调度控制漏失[D]. 欧谌昊. 哈尔滨工业大学, 2020(01)
- [6]东北地区水—耕地—粮食关联研究[D]. 向雁. 中国农业科学院, 2020(01)
- [7]供水管网优化运维研究 ——以Z市供水管网为例[D]. 明亮. 河北建筑工程学院, 2020(02)
- [8]基于NB-IoT的智慧水务系统设计[D]. 周璇. 东南大学, 2020(01)
- [9]基于人工电场算法的城市供水泵站优化调度研究[D]. 叶桂旗. 长安大学, 2020(06)
- [10]基于PSO-ANN-LSSVM的城市短期供水量组合预测模型研究[D]. 陈攀. 昆明理工大学, 2020(05)