基于VMD-LSSVM的月径流预测方法研究
发布时间：2021-07-04 18:27
针对月径流序列包含多种复杂频率信息的特性,为提高预测精度,对上静游站、汾河水库站、寨上站和兰村站1958-2000年月径流序列资料进行分析并预测。提出变模态分解（Variational Mode Decomposition,VMD）和最小二乘支持向量机（Least-Square Support Vector Machines,LSSVM）（VMD-LSSVM）组合模型,并与单一LSSVM模型、基于经验模态分解（Empirical Mode Decomposition,EMD）的EMD-LSSVM组合模型和基于完备总体经验模态分解（Complete Ensemble Empirical Mode Decomposition with adaptive noise,CEEMDAN）的CEEMDAN-LSSVM组合模型进行预测结果对比,采用纳什效率系数NS、均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE 4个误差指标评定各模型的预测精度。结果表明:组合模型较单一模型预测效果好,其中以VMD-LSSVM模型精度最高,2个站点精度达到甲级,MAE、MAPE和RMSE比CEEM...
【文章来源】：中国农村水利水电. 2020,(08)北大核心
【文章页数】：6 页
【部分图文】：
VMD-LSSVM模型预测流程图
利用VMD法对4个水文站的月径流资料进行分解,各站原始径流序列和其分解IMF分量的频谱图如图2所示。原始径流数据包含多频率的径流序列信息,呈现“杂乱无章”的特点,很难找到其中蕴含的变化规律。随着频率的增大,原始径流序列的幅值变化出现多个峰值,代表在某段频率周期中径流序列出现了大幅度变化,相较其他的小幅变化这种变化能够主导序列的趋势,这类峰值变化信息为主要频率信息,包含主要频率信息的分量为主要频率分量。而VMD法分解出的各IMF分量能够将原始序列的多个频率分解开来,并且这些预处理后的分量能够自适应的提取重要变化信息。兰村站的IMF1、IMF3、IMF4、IMF6与其他站点的IMF1、IMF2、IMF4、IMF6分别包含了各主要频率信息,剩余的IMF包含其他相关信息。各IMF分量在主要频率信息的其余各处幅值基本为0,说明VMD可以在不影响重要信息的情况下自适应地去除不利于模型预测的噪声,在分解与提取的同时体现了优秀的除噪效果,更突出了重要变化信息,使得原始数据变化过程易于读取。2.2 预测结果分析
为对比模型预测效果,本文选择4种模型进行分别预测,包括单一预测LSSVM模型、组合预测EMD-LSSVM模型、CEEMDAN-LSSVM模型以及VMD-LSSVM模型。各模型预测结果与原径流数据的对比见图3。由图3可知:①在单一LSSVM预测模型下,4个站点的预测效果并不理想,只能够显示出大致的变化趋势,并且大部分预测数据比实测数据高60%左右,在4种模型中预测效果最差。其中最为明显的是,上静游站1999年6-10月与2000年7-9月预测值明显远大于实测值。②组合模型EMD-LSSVM的预测效果相较单一预测模型更好,更接近实测值,但仍有部分数据存在趋势相反或误差大于50%的情况。③在使用组合模型CEEMDAN-LSSVM时,预测结果的变化趋势已基本与实测序列相同,误差相较EMD-LSSVM模型减少了约40%,在4个模型中预测效果仅次于VMD-LSSVM模型,仅有个别数据存在误差较大的情况。这说明CEEMDAN比EMD减少了模态混叠的现象,使预测效果得到提高。④组合模型VMD-LSSVM的预测效果与实测径流曲线拟合度最好,变化趋势与原序列相同,且无极端值出现,可以初步判断,VMD分解方法较经验模态系列方法能更好地应对序列中包含的复杂频率信息,且与LSSVM组合应用效果更好。
【参考文献】：
期刊论文
[1]基于小波支持向量机特征分类的日径流组合预测——以宜昌三峡水库为例[J]. 黄景光,吴巍,程璐瑶,于楠,陈波. 中国农村水利水电. 2018(06)
[2]机器学习在径流预测中的应用研究[J]. 苏辉东,贾仰文,倪广恒,龚家国,曹雪健,张明曦,牛存稳,张迪. 中国农村水利水电. 2018(06)
[3]年径流预测的最小二乘支持向量机-马尔可夫链组合模型[J]. 周秀平,李天翔,王文圣. 水力发电学报. 2013(04)
[4]基于多因子量化指标的支持向量机径流预测[J]. 张楠,夏自强,江红. 水利学报. 2010(11)
[5]多元变量径流预测的最小二乘支持向量机模型[J]. 李彦彬,尤凤,黄强,徐建新. 水力发电学报. 2010(03)
[6]基于EMD和LS-SVM的中长期径流预报[J]. 钱晓燕,邵骏,袁鹏,黄艳. 水电能源科学. 2010(04)
[7]基于EMD方法的混沌时间序列预测[J]. 杨永锋,任兴民,秦卫阳,吴亚锋,支希哲. 物理学报. 2008(10)
[8]混沌时间序列支持向量机模型及其在径流预测中应用[J]. 于国荣,夏自强. 水科学进展. 2008(01)
[9]非线性时间序列的小波分频预测[J]. 雷明,韩崇昭,郭文艳,文小琴. 物理学报. 2005(05)
[10]基于小波分析的径向基神经网络年径流预测[J]. 蒋晓辉,刘昌明. 应用科学学报. 2004(03)
本文编号：3265306
【文章来源】：中国农村水利水电. 2020,(08)北大核心
【文章页数】：6 页
【部分图文】：
VMD-LSSVM模型预测流程图
利用VMD法对4个水文站的月径流资料进行分解,各站原始径流序列和其分解IMF分量的频谱图如图2所示。原始径流数据包含多频率的径流序列信息,呈现“杂乱无章”的特点,很难找到其中蕴含的变化规律。随着频率的增大,原始径流序列的幅值变化出现多个峰值,代表在某段频率周期中径流序列出现了大幅度变化,相较其他的小幅变化这种变化能够主导序列的趋势,这类峰值变化信息为主要频率信息,包含主要频率信息的分量为主要频率分量。而VMD法分解出的各IMF分量能够将原始序列的多个频率分解开来,并且这些预处理后的分量能够自适应的提取重要变化信息。兰村站的IMF1、IMF3、IMF4、IMF6与其他站点的IMF1、IMF2、IMF4、IMF6分别包含了各主要频率信息,剩余的IMF包含其他相关信息。各IMF分量在主要频率信息的其余各处幅值基本为0,说明VMD可以在不影响重要信息的情况下自适应地去除不利于模型预测的噪声,在分解与提取的同时体现了优秀的除噪效果,更突出了重要变化信息,使得原始数据变化过程易于读取。2.2 预测结果分析
为对比模型预测效果,本文选择4种模型进行分别预测,包括单一预测LSSVM模型、组合预测EMD-LSSVM模型、CEEMDAN-LSSVM模型以及VMD-LSSVM模型。各模型预测结果与原径流数据的对比见图3。由图3可知:①在单一LSSVM预测模型下,4个站点的预测效果并不理想,只能够显示出大致的变化趋势,并且大部分预测数据比实测数据高60%左右,在4种模型中预测效果最差。其中最为明显的是,上静游站1999年6-10月与2000年7-9月预测值明显远大于实测值。②组合模型EMD-LSSVM的预测效果相较单一预测模型更好,更接近实测值,但仍有部分数据存在趋势相反或误差大于50%的情况。③在使用组合模型CEEMDAN-LSSVM时,预测结果的变化趋势已基本与实测序列相同,误差相较EMD-LSSVM模型减少了约40%,在4个模型中预测效果仅次于VMD-LSSVM模型,仅有个别数据存在误差较大的情况。这说明CEEMDAN比EMD减少了模态混叠的现象,使预测效果得到提高。④组合模型VMD-LSSVM的预测效果与实测径流曲线拟合度最好,变化趋势与原序列相同,且无极端值出现,可以初步判断,VMD分解方法较经验模态系列方法能更好地应对序列中包含的复杂频率信息,且与LSSVM组合应用效果更好。
【参考文献】：
期刊论文
[1]基于小波支持向量机特征分类的日径流组合预测——以宜昌三峡水库为例[J]. 黄景光,吴巍,程璐瑶,于楠,陈波. 中国农村水利水电. 2018(06)
[2]机器学习在径流预测中的应用研究[J]. 苏辉东,贾仰文,倪广恒,龚家国,曹雪健,张明曦,牛存稳,张迪. 中国农村水利水电. 2018(06)
[3]年径流预测的最小二乘支持向量机-马尔可夫链组合模型[J]. 周秀平,李天翔,王文圣. 水力发电学报. 2013(04)
[4]基于多因子量化指标的支持向量机径流预测[J]. 张楠,夏自强,江红. 水利学报. 2010(11)
[5]多元变量径流预测的最小二乘支持向量机模型[J]. 李彦彬,尤凤,黄强,徐建新. 水力发电学报. 2010(03)
[6]基于EMD和LS-SVM的中长期径流预报[J]. 钱晓燕,邵骏,袁鹏,黄艳. 水电能源科学. 2010(04)
[7]基于EMD方法的混沌时间序列预测[J]. 杨永锋,任兴民,秦卫阳,吴亚锋,支希哲. 物理学报. 2008(10)
[8]混沌时间序列支持向量机模型及其在径流预测中应用[J]. 于国荣,夏自强. 水科学进展. 2008(01)
[9]非线性时间序列的小波分频预测[J]. 雷明,韩崇昭,郭文艳,文小琴. 物理学报. 2005(05)
[10]基于小波分析的径向基神经网络年径流预测[J]. 蒋晓辉,刘昌明. 应用科学学报. 2004(03)
本文编号：3265306
本文链接：https://www.wllwen.com/projectlw/dqwllw/3265306.html
最近更新
教材专著
