城市用水量预测的方法的研究.docVIP

城市用水量预测的方法的研究 　　摘要: 对目前常用的用水量预测方法进行了研究分类,选择其中几种典型的预测模型针对其特点和适用性进行了分析,并在此基础上提出了未来城市用水量预测的发展方向。 　　关键词:用水量 预测方法 发展趋势 　　 　　城市用水量通常包括居民生活用水,工业用水,消防用水及市政用水等。用水量变化收到人口、人居收入、工业总产值、产业结构及气候条件等诸多因素的影响。随着经济的发展,城市用水量急剧增长,水资源日益短缺,因而水资源的合理规划和用水系统的优化调度变得越来越重要。为供水系统运行管理提供重要依据的用水量预测也日益受到更为广泛的重视。 　　根据预测周期的长短,用水量预测可将需水量预测分为单周期预测和多周期预测。用水量预测的准确度如何直接影响到给水系统调度决策的可靠性和实用性。 　　 　　1 用水量预测方法概述 　　目前,城市用水量预测方法主要分为时间序列分析法、结构分析法和系统分析法[1] ,其中结构分析法和系统分析法又统称为模拟预测法[2]。各种方法都有其特定的适用环境,需根据用水量变化规律及特点选择合适的预测方法。 　　时间序列分析法[3]将系统看成一个“黑箱”,不考虑影响系统运行的气候气象等因素,预测过程只依赖于历史观测数据及其数据模式。常用的时间序列分析法包括指数平滑法、移动平均法、自回归移动平均模型及趋势外推法等[2]。 　　结构分析法从研究客观事物与影响因素的关系入手,分析影响预测对象的各种主要因素,建立预测对象与影响因素之间的关系模型。该方法主要以回归分析法为主,还包括指标分析法等。结构分析法可以得到较多周期的预测值,属于多周期预测方法,对用水量长期预测十分有效。 　　系统方法[2]主要包括灰色预测方法,人工神经网络法及系统动力学方法。其中系统动力学方法是在分析用水系统、收集多种用水数据后建立起来的,可以得到较多周期的预测值,属于多周期预测方法,而其余均为单周期预测方法。 　　 　　2 常见预测模型分析 　　2.1 自回归-移动平均模型 　　自回归-移动平均模型(ARMA)是时间序列分析方法中典型的预测模型,由自回归模型(AR)与移动平均模型(MA)结合起来建立得到的。它将预测对象随时间变化的序列加工成一个白噪声序列进行处理,具有预测速度快,预测精度高的特点。自回归-移动平均模型可对任何一个用水过程进行模拟,对时预测、日预测和年预测均有效。但作为时间序列方法的一种,由于所用数据的单一,它同样属于单周期预测方法,只能给出下一周期需水量的预测值。因此以它更适用于优化控制的短期预测。在此基础上发展而来的求和自回归移动平均模型(ARIMA)也适用于城市用水量预测。2008年,练庭宏等[4] 针对城市供水量的波动特点和预报要求,采用ARIMA时间序列季节模型预报并检验上海城区2007年月用水量 ,其预测精度达到理想范围,满足工程需求。 　　2.2 回归分析法 　　回归分析法也称为解释性预测,它通过对数据的统计分析和处理,寻找预测对象与影响因素之间的因果关系。回归分析方法包括简单回归模型、多变量回归模型、逐步回归模型等。由于从用水系统的内部结构和特点出发,考虑的影响用水量的因素相对更为全面、充分和客观,故回归分析法较适合于用水量中长期预测。而对于短期预测,用水量波动性很大,影响因素复杂,故不宜适用。此外,回归分析法对自变量的选择要求较高,对历史数据准确性要求也较高。回归分析法作为较为准确的预测方法,广泛应用于用水量预测中。2002年,张雅君等[5] [6]从多元回归的特点出发,分别对北京城市生活需水量及工业需水量的影响因素进行了分析,确定了最终预测方程,并应用预测方程对2010年北京城市生活和工业需水量进行了预测,具有较好的适用性。2007年,赵明[7]等将时间序列中的日用水量历史数据引入以温度等作为变量的回归分析模型,建立了日用水量非线性回归组合预测模型,并用4阶自回归模型对回归残差序列进行时间序列分析,进一步提高了预测精度。 　　2.2 灰色预测方法 　　灰色预测方法是建立在灰色系统理论之上的一种不严格的系统方法,它把受各种因素影响的需水量视为在一定范围内变化的与时间有关的灰色量,直接通过对原始数据处理后得到的生成序列中寻找系统的整体规律,并以此对未来需水量作出预测,该方法所需要的数据不要求太多,在数据缺乏时非常有效。GM(1,1)模型是灰色系统最常用的一种模型。它是由一个包含单变量的一阶微分方程构成。GM(1,1)模型实质是一个指数模型,其预测效果在很大程度上取决于原始数据的特点。因此,只适用数据序列呈指数递增的目标预测。用水量数据在某些时期表现出较强波动性时,不宜用GM(1,1)模型。此外,其预测周期不宜不长,否则会带来很大的系统误差。灰色预测方法用于城市用水量