基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

供水管网节点流量不确定性对漏损定位的影响

供水管网中的节点流量具有不确定性,为了研究节点流量不确定性对供水管网漏损定位能力的影响,建立供水管网节点流量分布在不同条件下的需求分布水力模型。一种是供水管网中各节点平均分配流入量的均匀模型,另一种是在供水管网各节点按需分配流入量的分配模型,比较两种需求分布模型的漏损定位性能。利用加权最小二乘算法完成供水管网水力模型的漏损定位,加权最小二乘算法具有模型精度高和计算效率高的优点,该方法通过计算供水管网中监测值与水力模型模拟值的差异,判断是否发生漏损,并能准确定位漏损节点。最后通过实例证明供水管网节点流量的不确定性对供水管网漏损定位性能有突出影响。     

基于遗传算法的供水管网需求乘数因子校核

水力模型已广泛应用于给水管网设计、分析与运行中。在所有水力模型中,需水量是导致模型输出最不确定的参数之一。因用水情况不确定,使得管网中的节点需水量变得异常复杂。在大多数实际管网中,用于校核节点需水量的监测设备数量有限,且小于未知量个数,使得节点需水量校核作为欠定问题,令节点需水量校准产生较大误差,并且传统遗传算法校核节点需水量的方法是假定所有节点的需求乘数因子一致,这也导致校核后的模型无法接近真实运行情况,因此提出在欠定条件下用遗传算法解决需求乘数因子的校核问题。通过对一个实际案例多次运行并取平均值作为结果进行验证,结果表明,遗传算法的校核结果不仅能够与被测位置的实际值相拟合,而且可以得到非测量位置的管道流量和节点水头,其中校核后的节点水头和管道流量误差较小,平均误差分别为1.78%、4.05%。该方法相比于传统校核方法具有更高精度,且更能反映出管网真实运行情况,同时还避免了传统校核方法中因遗传算法产生局部最优解而导致误差偏大的问题,对于大型管网模型校核也具有一定参考价值。