基于小波去噪和FA-SVM的中长期径流预报

发布时间：2022-01-21 11:14

　　为优化支持向量机（Support Vector Machine,SVM）模型参数,提高中长期径流预报精度,建立了基于FA-SVM的中长期径流预报模型。该模型以样本中训练期均方差最小为目标函数,利用萤火虫算法（Firefly Algorithm,FA）对支持向量机主要参数（惩罚系数C、核函数参数g和不敏感损失系数ε）进行了优化。以岷江上游的紫坪铺水库为例,运用小波去噪法对各月径流序列进行数据预处理后,利用FA-SVM模型与BP神经网络模型进行了中长期径流预报。结果表明:（1）运用小波阈值法能够较好地滤除各月径流序列的系统噪声和测量噪声;（2） FA-SVM模型中长期径流预测效果较好,预报精度等级均在丙级以上;（3） FA-SVM模型的预报效果优于BP神经网络模型。 

【文章来源】：人民长江. 2020,51(09)北大核心

【文章页数】：6 页

【部分图文】：

FA算法流程

表1 各月小波阈值去噪效果(1966年10月至2012年10月)Tab.1 Monthly wavelet threshold de-noising effect(1996.10～2012.10) 月份 SNR/% MSE r 月份 SNR/% MSE r 11 51.99 4.55 0.97 5 63.20 1.39 1.00 12 52.99 1.46 0.98 6 61.40 4.76 0.99 1 52.77 0.89 0.97 7 61.40 4.80 0.99 2 60.72 0.11 0.99 8 58.95 4.76 0.99 3 46.06 3.90 0.91 9 59.39 4.79 0.99 4 50.60 4.66 0.96 10 57.74 4.47 0.99由表1、图2可知:去噪后各月信噪比均在50 %左右,均方误差范围为(0,4.9),平滑度均在90 %以上。从信噪比、均方误差和平滑度3个指标综合分析,运用小波阈值法能够较好地滤除各月径流序列的系统噪声和测量噪声,重构后的径流序列精度较高;并且经消噪后的径流序列有效地保留了原始径流序列的峰谷特征。因此,本文通过基于小波阈值去噪法对径流序列进行预处理,能在一定程度上提高径流序列的有效性,从而提高模型径流预报精度。

式中:目标值Q为还原后本月坝址入库月径流量(1996年11月至2012年10月);预报因子Qlast1为还原后的上月坝址入库月径流量(1996年10月至2012年9月);预报因子Plast1为上游流域的上月面降水(1996年10月至2012年9月)。其中,该预报函数中使用的径流序列资料均为小波去噪后的径流序列;该上游流域面降水资料来源于《中国地面降水月值0.5 °×0.5 °格点数据集(V2.0)》中的格点降水数据,其格点分布情况如图3所示。2.3 模型建立

【参考文献】：
期刊论文
[1]基于偏互信息法遴选因子的长江中长期径流预报[J]. 麦紫君,曾小凡,周建中,叶磊,何奇芳.  人民长江. 2018(03)
[2]群智能算法优化支持向量机参数综述[J]. 李素,袁志高,王聪,陈天恩,郭兆春.  智能系统学报. 2018(01)
[3]基于小波消噪技术的投影寻踪自回归预报模型[J]. 魏鹏.  水力发电. 2017(08)
[4]紫坪铺水库入库径流年际变化特征分析[J]. 黎永红,薛晨.  四川水力发电. 2017(S2)
[5]一种基于改进萤火虫算法的三维Otsu阈值法[J]. 叶志伟,徐炜,赵伟,侯玉倩,杨娟.  中国体视学与图像分析. 2016(04)
[6]萤火虫算法的研究进展[J]. 程春英.  电子测试. 2015(13)
[7]基于GA-SVR的中长期径流预报[J]. 王宏伟,张鑫,邱俊楠,孙天青.  西北农林科技大学学报(自然科学版). 2012(02)
[8]基于PSO参数辨识SVM的中长期径流预测研究[J]. 叶碎高,彭勇,周惠成.  大连理工大学学报. 2011(01)
[9]基于小波消噪的混沌神经网络径流预报模型[J]. 王秀杰,练继建,费守明.  水力发电学报. 2008(05)
[10]支持向量机在中长期径流预报中的应用[J]. 林剑艺,程春田.  水利学报. 2006(06)

硕士论文
[1]基于深度学习的萤火虫算法研究及在中长期径流预报中的应用[D]. 谢智峰.南昌工程学院 2019
[2]数据归一化方法对提升SVM训练效率的研究[D]. 汤荣志.山东师范大学 2017
[3]基于小波的阈值去噪方法改进及其评价研究[D]. 陈佳.沈阳航空航天大学 2012



本文编号：3600155