给水排水
給水排水
급수배수
2014年
11期
147-152
,共6页
平俊晖%王荣和%孙继龙%肖朝红
平俊暉%王榮和%孫繼龍%肖朝紅
평준휘%왕영화%손계룡%초조홍
供水管网%水压预测%数据驱动%支持向量机
供水管網%水壓預測%數據驅動%支持嚮量機
공수관망%수압예측%수거구동%지지향량궤
@@
随着SCADA系统的不断成熟,供水管网实时状态数据也越来越完整,充分利用这些实时数据对城市供水管网的测压点压力进行预测,是进行管网优化调度的基础.建立了供水管网测压点压力预测的支持向量机(Support Vector Machine,SVM)模型,利用实时数据进行求解,采用交叉验证的方法优化选择核函数和惩罚参数.实例表明,与BP神经网络相比,SVM模型的预测精度高、结果稳定,各个节点的预测误差均在0.2m以内.
隨著SCADA繫統的不斷成熟,供水管網實時狀態數據也越來越完整,充分利用這些實時數據對城市供水管網的測壓點壓力進行預測,是進行管網優化調度的基礎.建立瞭供水管網測壓點壓力預測的支持嚮量機(Support Vector Machine,SVM)模型,利用實時數據進行求解,採用交扠驗證的方法優化選擇覈函數和懲罰參數.實例錶明,與BP神經網絡相比,SVM模型的預測精度高、結果穩定,各箇節點的預測誤差均在0.2m以內.
수착SCADA계통적불단성숙,공수관망실시상태수거야월래월완정,충분이용저사실시수거대성시공수관망적측압점압력진행예측,시진행관망우화조도적기출.건립료공수관망측압점압력예측적지지향량궤(Support Vector Machine,SVM)모형,이용실시수거진행구해,채용교차험증적방법우화선택핵함수화징벌삼수.실례표명,여BP신경망락상비,SVM모형적예측정도고、결과은정,각개절점적예측오차균재0.2m이내.
