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R~2三个评价指标较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R~2三个评价指标较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R~2三个评价指标较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;R~2提升幅度为0.01～0.15;(3)其中一倍标准差降噪效果最优。