針對(duì)月徑流序列包含多種復(fù)雜頻率信息的特性,為提高預(yù)測(cè)精度,對(duì)上靜游站、汾河水庫站、寨上站和蘭村站1958-2000年月徑流序列資料進(jìn)行分析并預(yù)測(cè)。提出變模態(tài)分解（Variational Mode Decomposition,VMD）和最小二乘支持向量機(jī)（Least-Square Support Vector Machines,LSSVM）（VMD-LSSVM）組合模型,并與單一LSSVM模型、基于經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition,EMD）的EMD-LSSVM組合模型和基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分解（Complete Ensemble Empirical Mode Decomposition with adaptive noise,CEEMDAN）的CEEMDAN-LSSVM組合模型進(jìn)行預(yù)測(cè)結(jié)果對(duì)比,采用納什效率系數(shù)NS、均方根誤差RMSE、平均絕對(duì)誤差MAE和平均絕對(duì)百分比誤差MAPE 4個(gè)誤差指標(biāo)評(píng)定各模型的預(yù)測(cè)精度。結(jié)果表明:組合模型較單一模型預(yù)測(cè)效果好,其中以VMD-LSSVM模型精度最高,2個(gè)站點(diǎn)精度達(dá)到甲級(jí),MAE、MAPE和RMSE比CEEM... 

【文章來源】：中國(guó)農(nóng)村水利水電. 2020,(08)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

VMD-LSSVM模型預(yù)測(cè)流程圖

利用VMD法對(duì)4個(gè)水文站的月徑流資料進(jìn)行分解,各站原始徑流序列和其分解IMF分量的頻譜圖如圖2所示。原始徑流數(shù)據(jù)包含多頻率的徑流序列信息,呈現(xiàn)“雜亂無章”的特點(diǎn),很難找到其中蘊(yùn)含的變化規(guī)律。隨著頻率的增大,原始徑流序列的幅值變化出現(xiàn)多個(gè)峰值,代表在某段頻率周期中徑流序列出現(xiàn)了大幅度變化,相較其他的小幅變化這種變化能夠主導(dǎo)序列的趨勢(shì),這類峰值變化信息為主要頻率信息,包含主要頻率信息的分量為主要頻率分量。而VMD法分解出的各IMF分量能夠?qū)⒃夹蛄械亩鄠�(gè)頻率分解開來,并且這些預(yù)處理后的分量能夠自適應(yīng)的提取重要變化信息。蘭村站的IMF1、IMF3、IMF4、IMF6與其他站點(diǎn)的IMF1、IMF2、IMF4、IMF6分別包含了各主要頻率信息,剩余的IMF包含其他相關(guān)信息。各IMF分量在主要頻率信息的其余各處幅值基本為0,說明VMD可以在不影響重要信息的情況下自適應(yīng)地去除不利于模型預(yù)測(cè)的噪聲,在分解與提取的同時(shí)體現(xiàn)了優(yōu)秀的除噪效果,更突出了重要變化信息,使得原始數(shù)據(jù)變化過程易于讀取。2.2 預(yù)測(cè)結(jié)果分析

為對(duì)比模型預(yù)測(cè)效果,本文選擇4種模型進(jìn)行分別預(yù)測(cè),包括單一預(yù)測(cè)LSSVM模型、組合預(yù)測(cè)EMD-LSSVM模型、CEEMDAN-LSSVM模型以及VMD-LSSVM模型。各模型預(yù)測(cè)結(jié)果與原徑流數(shù)據(jù)的對(duì)比見圖3。由圖3可知:①在單一LSSVM預(yù)測(cè)模型下,4個(gè)站點(diǎn)的預(yù)測(cè)效果并不理想,只能夠顯示出大致的變化趨勢(shì),并且大部分預(yù)測(cè)數(shù)據(jù)比實(shí)測(cè)數(shù)據(jù)高60%左右,在4種模型中預(yù)測(cè)效果最差。其中最為明顯的是,上靜游站1999年6-10月與2000年7-9月預(yù)測(cè)值明顯遠(yuǎn)大于實(shí)測(cè)值。②組合模型EMD-LSSVM的預(yù)測(cè)效果相較單一預(yù)測(cè)模型更好,更接近實(shí)測(cè)值,但仍有部分?jǐn)?shù)據(jù)存在趨勢(shì)相反或誤差大于50%的情況。③在使用組合模型CEEMDAN-LSSVM時(shí),預(yù)測(cè)結(jié)果的變化趨勢(shì)已基本與實(shí)測(cè)序列相同,誤差相較EMD-LSSVM模型減少了約40%,在4個(gè)模型中預(yù)測(cè)效果僅次于VMD-LSSVM模型,僅有個(gè)別數(shù)據(jù)存在誤差較大的情況。這說明CEEMDAN比EMD減少了模態(tài)混疊的現(xiàn)象,使預(yù)測(cè)效果得到提高。④組合模型VMD-LSSVM的預(yù)測(cè)效果與實(shí)測(cè)徑流曲線擬合度最好,變化趨勢(shì)與原序列相同,且無極端值出現(xiàn),可以初步判斷,VMD分解方法較經(jīng)驗(yàn)?zāi)B(tài)系列方法能更好地應(yīng)對(duì)序列中包含的復(fù)雜頻率信息,且與LSSVM組合應(yīng)用效果更好。

【參考文獻(xiàn)】：
期刊論文
[1]基于小波支持向量機(jī)特征分類的日徑流組合預(yù)測(cè)——以宜昌三峽水庫為例[J]. 黃景光,吳巍,程璐瑤,于楠,陳波.  中國(guó)農(nóng)村水利水電. 2018(06)
[2]機(jī)器學(xué)習(xí)在徑流預(yù)測(cè)中的應(yīng)用研究[J]. 蘇輝東,賈仰文,倪廣恒,龔家國(guó),曹雪健,張明曦,牛存穩(wěn),張迪.  中國(guó)農(nóng)村水利水電. 2018(06)
[3]年徑流預(yù)測(cè)的最小二乘支持向量機(jī)-馬爾可夫鏈組合模型[J]. 周秀平,李天翔,王文圣.  水力發(fā)電學(xué)報(bào). 2013(04)
[4]基于多因子量化指標(biāo)的支持向量機(jī)徑流預(yù)測(cè)[J]. 張楠,夏自強(qiáng),江紅.  水利學(xué)報(bào). 2010(11)
[5]多元變量徑流預(yù)測(cè)的最小二乘支持向量機(jī)模型[J]. 李彥彬,尤鳳,黃強(qiáng),徐建新.  水力發(fā)電學(xué)報(bào). 2010(03)
[6]基于EMD和LS-SVM的中長(zhǎng)期徑流預(yù)報(bào)[J]. 錢曉燕,邵駿,袁鵬,黃艷.  水電能源科學(xué). 2010(04)
[7]基于EMD方法的混沌時(shí)間序列預(yù)測(cè)[J]. 楊永鋒,任興民,秦衛(wèi)陽,吳亞鋒,支希哲.  物理學(xué)報(bào). 2008(10)
[8]混沌時(shí)間序列支持向量機(jī)模型及其在徑流預(yù)測(cè)中應(yīng)用[J]. 于國(guó)榮,夏自強(qiáng).  水科學(xué)進(jìn)展. 2008(01)
[9]非線性時(shí)間序列的小波分頻預(yù)測(cè)[J]. 雷明,韓崇昭,郭文艷,文小琴.  物理學(xué)報(bào). 2005(05)
[10]基于小波分析的徑向基神經(jīng)網(wǎng)絡(luò)年徑流預(yù)測(cè)[J]. 蔣曉輝,劉昌明.  應(yīng)用科學(xué)學(xué)報(bào). 2004(03)



本文編號(hào)：3265306