針對月徑流序列包含多種復雜頻率信息的特性,為提高預測精度,對上靜游站、汾河水庫站、寨上站和蘭村站1958-2000年月徑流序列資料進行分析并預測。提出變模態(tài)分解（Variational Mode Decomposition,VMD）和最小二乘支持向量機（Least-Square Support Vector Machines,LSSVM）（VMD-LSSVM）組合模型,并與單一LSSVM模型、基于經(jīng)驗模態(tài)分解（Empirical Mode Decomposition,EMD）的EMD-LSSVM組合模型和基于完備總體經(jīng)驗模態(tài)分解（Complete Ensemble Empirical Mode Decomposition with adaptive noise,CEEMDAN）的CEEMDAN-LSSVM組合模型進行預測結(jié)果對比,采用納什效率系數(shù)NS、均方根誤差RMSE、平均絕對誤差MAE和平均絕對百分比誤差MAPE 4個誤差指標評定各模型的預測精度。結(jié)果表明:組合模型較單一模型預測效果好,其中以VMD-LSSVM模型精度最高,2個站點精度達到甲級,MAE、MAPE和RMSE比CEEM... 

【文章來源】：中國農(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模型預測流程圖

利用VMD法對4個水文站的月徑流資料進行分解,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,很難找到其中蘊含的變化規(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序列的趨勢,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�頻率分解開來,并且這些預處理后的分量能夠自適應的提取重要變化信息。蘭村站的IMF1、IMF3、IMF4、IMF6與其他站點的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地去除不利于模型預測的噪聲,在分解與提取的同時體現(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 預測結(jié)果分析

為對比模型預測效果,本文選擇4種模型進行分別預測,包括單一預測LSSVM模型、組合預測EMD-LSSVM模型、CEEMDAN-LSSVM模型以及VMD-LSSVM模型。各模型預測結(jié)果與原徑流數(shù)據(jù)的對比見圖3。由圖3可知:①在單一LSSVM預測模型下,4個站點的預測效果并不理想,只能夠顯示出大致的變化趨勢,并且大部分預測數(shù)據(jù)比實測數(shù)據(jù)高60%左右,在4種模型中預測效果最差。其中最為明顯的是,上靜游站1999年6-10月與2000年7-9月預測值明顯遠大于實測值。②組合模型EMD-LSSVM的預測效果相較單一預測模型更好,更接近實測值,但仍有部分數(shù)據(jù)存在趨勢相反或誤差大于50%的情況。③在使用組合模型CEEMDAN-LSSVM時,預測結(jié)果的變化趨勢已基本與實測序列相同,誤差相較EMD-LSSVM模型減少了約40%,在4個模型中預測效果僅次于VMD-LSSVM模型,僅有個別數(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,使預測效果得到提高。④組合模型VMD-LSSVM的預測效果與實測徑流曲線擬合度最好,變化趨勢與原序列相同,且無極端值出現(xiàn),可以初步判斷,VMD分解方法較經(jīng)驗模態(tài)系列方法能更好地應對序列中包含的復雜頻率信息,且與LSSVM組合應用效果更好。

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



本文編號：3265306