基于獨(dú)立分量分析與小波神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)

吳焱

【摘 要】 對(duì)時(shí)間序列的預(yù)測(cè)是一項(xiàng)重要的數(shù)據(jù)挖掘技術(shù)。本文將獨(dú)立分量分析方法和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立一種ICA-WNN預(yù)測(cè)模型，并應(yīng)用于風(fēng)力發(fā)電功率時(shí)間序列預(yù)測(cè)。仿真結(jié)果表明所建模型具有較好的泛化性能，得到了較高的預(yù)測(cè)精度。

【關(guān)鍵詞】 小波神經(jīng)網(wǎng)絡(luò) 獨(dú)立分量分析 風(fēng)力發(fā)電功率 預(yù)測(cè)誤差

【Abstract】 The forecasting of time series is an important data mining technology. In this paper， an ICA - WNN forecast model is established to forecast wind power time series based on independent component analysis and wavelet neural network. The simulation results show that the model has better generalization performance， and obtains higher forecasting accuracy.

【Keywords】 wavelet neural network independent component analysis wind power forecasting error

0 引言

小波多分辨率分析方法近年來(lái)被應(yīng)用于時(shí)間序列預(yù)測(cè)。將小波函數(shù)代替BP神經(jīng)網(wǎng)絡(luò)中的激勵(lì)函數(shù)構(gòu)造成的小波神經(jīng)網(wǎng)絡(luò)能夠克服傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)固有的缺點(diǎn)，在更少的網(wǎng)絡(luò)節(jié)點(diǎn)情況下，能獲得比BP神經(jīng)網(wǎng)絡(luò)更高的預(yù)測(cè)精度，具有良好的應(yīng)用前景。獨(dú)立分量分析（Independent Component Analysis，ICA）是近年來(lái)發(fā)展起來(lái)的一種新的盲源分離方法。Fast ICA技術(shù)將多通道觀察信號(hào)按照統(tǒng)計(jì)獨(dú)立的原則，通過(guò)優(yōu)化算法分解為若干獨(dú)立分量，使變換后的各分量之間的統(tǒng)計(jì)依賴(lài)性最小。同時(shí)，這些獨(dú)立分量能夠突出原始數(shù)據(jù)的局部特征，有利于發(fā)掘數(shù)據(jù)的潛在規(guī)律。

本文將Fast ICA算法與小波神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)造一種新型時(shí)間序列預(yù)測(cè)模型。首先運(yùn)用Fast ICA算法將原始功率序列分解為若干個(gè)獨(dú)立分量，再利用小波神經(jīng)網(wǎng)絡(luò)對(duì)各獨(dú)立分量進(jìn)行分別預(yù)測(cè)，最后對(duì)各獨(dú)立分量的預(yù)測(cè)結(jié)果進(jìn)行疊加，得到最終的預(yù)測(cè)值。仿真結(jié)果表明，將該模型應(yīng)用于風(fēng)力發(fā)電功率預(yù)測(cè)能夠得到較高的預(yù)測(cè)精度。

3 ICA-WNN預(yù)測(cè)模型

將時(shí)間序列應(yīng)用FASTICA算法分解成為若干個(gè)獨(dú)立分量，包括低頻分量和高頻分量。然后用小波神經(jīng)網(wǎng)絡(luò)對(duì)各個(gè)獨(dú)立分量分別進(jìn)行預(yù)測(cè)，最后將預(yù)測(cè)的結(jié)果等權(quán)求和得到最終預(yù)測(cè)結(jié)果。其具體建模結(jié)構(gòu)如圖2所示。

4 算例分析

采用本文所提方法對(duì)我國(guó)某風(fēng)電場(chǎng)一臺(tái)90kW的風(fēng)力發(fā)電機(jī)組的發(fā)電功率進(jìn)行預(yù)測(cè)，原始數(shù)據(jù)為2002年5月至6月的1464小時(shí)的歷史功率數(shù)據(jù)，建立預(yù)測(cè)模型，其中前1384個(gè)數(shù)據(jù)用于獨(dú)立分量分解以及訓(xùn)練網(wǎng)絡(luò)，后80個(gè)數(shù)據(jù)用于檢驗(yàn)預(yù)測(cè)性能。

本文采用平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）來(lái)對(duì)預(yù)測(cè)效果進(jìn)行評(píng)價(jià)。

為進(jìn)一步說(shuō)明ICA-WNN網(wǎng)絡(luò)的預(yù)則性能，本文將ICA-WNN與WNN、RBF同時(shí)對(duì)另一風(fēng)電場(chǎng)的一臺(tái)風(fēng)電120KW的風(fēng)電機(jī)組發(fā)電功率進(jìn)行預(yù)測(cè)。

結(jié)果表明在這四種網(wǎng)絡(luò)模型中，ICA-WNN具有最好的學(xué)習(xí)、映射和泛化能力，其絕對(duì)誤差是機(jī)組額定功率的8.9%，均方根誤差是機(jī)組額定功率的10.4%，預(yù)測(cè)精度優(yōu)于WNN、RBF和BP網(wǎng)絡(luò)。

4 結(jié)語(yǔ)

本文構(gòu)建的Fast ICA及小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型作為一種新型數(shù)據(jù)挖掘方法，能夠更充分地提取隱含在數(shù)據(jù)序列中的信息，展現(xiàn)出數(shù)據(jù)內(nèi)在的演化規(guī)律。對(duì)風(fēng)力發(fā)電功率時(shí)間序列的預(yù)測(cè)結(jié)果表明，該方法時(shí)間序列具有較優(yōu)越的泛化性能和預(yù)測(cè)力。

參考文獻(xiàn)：

[1]楊秀媛，肖洋，陳樹(shù)勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25（11）：1-5.

[2]潘迪夫，劉輝，李燕飛.風(fēng)電場(chǎng)風(fēng)速短期多步預(yù)測(cè)改進(jìn)算法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2008，28（26）：87-91.

[3]李廣彪，張劍云.基于負(fù)熵最大化FastICA算法的雷達(dá)信號(hào)分選[J].艦船電子對(duì)抗，2005，28（3）：23-28.

[4]余英林，謝勝利，蔡漢添等.信號(hào)處理新方法導(dǎo)論[M].北京：清華大學(xué)出版社，2004.

[5]馬建倉(cāng)，牛奕龍，陳海洋.盲信號(hào)處理[M].北京：國(guó)防工業(yè)出版社，2006.

[6]史習(xí)智.盲信號(hào)處理-理論與實(shí)踐[M].上海：上海交通大學(xué)出版社，2011.

[7]Chen Z， Feng T J， Meng Q. The application of wavelet neural network in time series prediction and system modeling based on multiresolution learning. In： Proc of IEEE 1999 Intl Conf on Syst， Man and Cybern I. Tokyo， 1999. 423～425.endprint

【摘 要】 對(duì)時(shí)間序列的預(yù)測(cè)是一項(xiàng)重要的數(shù)據(jù)挖掘技術(shù)。本文將獨(dú)立分量分析方法和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立一種ICA-WNN預(yù)測(cè)模型，并應(yīng)用于風(fēng)力發(fā)電功率時(shí)間序列預(yù)測(cè)。仿真結(jié)果表明所建模型具有較好的泛化性能，得到了較高的預(yù)測(cè)精度。

【關(guān)鍵詞】 小波神經(jīng)網(wǎng)絡(luò) 獨(dú)立分量分析 風(fēng)力發(fā)電功率 預(yù)測(cè)誤差

【Abstract】 The forecasting of time series is an important data mining technology. In this paper， an ICA - WNN forecast model is established to forecast wind power time series based on independent component analysis and wavelet neural network. The simulation results show that the model has better generalization performance， and obtains higher forecasting accuracy.

【Keywords】 wavelet neural network independent component analysis wind power forecasting error

0 引言

小波多分辨率分析方法近年來(lái)被應(yīng)用于時(shí)間序列預(yù)測(cè)。將小波函數(shù)代替BP神經(jīng)網(wǎng)絡(luò)中的激勵(lì)函數(shù)構(gòu)造成的小波神經(jīng)網(wǎng)絡(luò)能夠克服傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)固有的缺點(diǎn)，在更少的網(wǎng)絡(luò)節(jié)點(diǎn)情況下，能獲得比BP神經(jīng)網(wǎng)絡(luò)更高的預(yù)測(cè)精度，具有良好的應(yīng)用前景。獨(dú)立分量分析（Independent Component Analysis，ICA）是近年來(lái)發(fā)展起來(lái)的一種新的盲源分離方法。Fast ICA技術(shù)將多通道觀察信號(hào)按照統(tǒng)計(jì)獨(dú)立的原則，通過(guò)優(yōu)化算法分解為若干獨(dú)立分量，使變換后的各分量之間的統(tǒng)計(jì)依賴(lài)性最小。同時(shí)，這些獨(dú)立分量能夠突出原始數(shù)據(jù)的局部特征，有利于發(fā)掘數(shù)據(jù)的潛在規(guī)律。

本文將Fast ICA算法與小波神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)造一種新型時(shí)間序列預(yù)測(cè)模型。首先運(yùn)用Fast ICA算法將原始功率序列分解為若干個(gè)獨(dú)立分量，再利用小波神經(jīng)網(wǎng)絡(luò)對(duì)各獨(dú)立分量進(jìn)行分別預(yù)測(cè)，最后對(duì)各獨(dú)立分量的預(yù)測(cè)結(jié)果進(jìn)行疊加，得到最終的預(yù)測(cè)值。仿真結(jié)果表明，將該模型應(yīng)用于風(fēng)力發(fā)電功率預(yù)測(cè)能夠得到較高的預(yù)測(cè)精度。

3 ICA-WNN預(yù)測(cè)模型

將時(shí)間序列應(yīng)用FASTICA算法分解成為若干個(gè)獨(dú)立分量，包括低頻分量和高頻分量。然后用小波神經(jīng)網(wǎng)絡(luò)對(duì)各個(gè)獨(dú)立分量分別進(jìn)行預(yù)測(cè)，最后將預(yù)測(cè)的結(jié)果等權(quán)求和得到最終預(yù)測(cè)結(jié)果。其具體建模結(jié)構(gòu)如圖2所示。

4 算例分析

采用本文所提方法對(duì)我國(guó)某風(fēng)電場(chǎng)一臺(tái)90kW的風(fēng)力發(fā)電機(jī)組的發(fā)電功率進(jìn)行預(yù)測(cè)，原始數(shù)據(jù)為2002年5月至6月的1464小時(shí)的歷史功率數(shù)據(jù)，建立預(yù)測(cè)模型，其中前1384個(gè)數(shù)據(jù)用于獨(dú)立分量分解以及訓(xùn)練網(wǎng)絡(luò)，后80個(gè)數(shù)據(jù)用于檢驗(yàn)預(yù)測(cè)性能。

本文采用平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）來(lái)對(duì)預(yù)測(cè)效果進(jìn)行評(píng)價(jià)。

為進(jìn)一步說(shuō)明ICA-WNN網(wǎng)絡(luò)的預(yù)則性能，本文將ICA-WNN與WNN、RBF同時(shí)對(duì)另一風(fēng)電場(chǎng)的一臺(tái)風(fēng)電120KW的風(fēng)電機(jī)組發(fā)電功率進(jìn)行預(yù)測(cè)。

結(jié)果表明在這四種網(wǎng)絡(luò)模型中，ICA-WNN具有最好的學(xué)習(xí)、映射和泛化能力，其絕對(duì)誤差是機(jī)組額定功率的8.9%，均方根誤差是機(jī)組額定功率的10.4%，預(yù)測(cè)精度優(yōu)于WNN、RBF和BP網(wǎng)絡(luò)。

4 結(jié)語(yǔ)

本文構(gòu)建的Fast ICA及小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型作為一種新型數(shù)據(jù)挖掘方法，能夠更充分地提取隱含在數(shù)據(jù)序列中的信息，展現(xiàn)出數(shù)據(jù)內(nèi)在的演化規(guī)律。對(duì)風(fēng)力發(fā)電功率時(shí)間序列的預(yù)測(cè)結(jié)果表明，該方法時(shí)間序列具有較優(yōu)越的泛化性能和預(yù)測(cè)力。

參考文獻(xiàn)：

[1]楊秀媛，肖洋，陳樹(shù)勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25（11）：1-5.

[2]潘迪夫，劉輝，李燕飛.風(fēng)電場(chǎng)風(fēng)速短期多步預(yù)測(cè)改進(jìn)算法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2008，28（26）：87-91.

[3]李廣彪，張劍云.基于負(fù)熵最大化FastICA算法的雷達(dá)信號(hào)分選[J].艦船電子對(duì)抗，2005，28（3）：23-28.

[4]余英林，謝勝利，蔡漢添等.信號(hào)處理新方法導(dǎo)論[M].北京：清華大學(xué)出版社，2004.

[5]馬建倉(cāng)，牛奕龍，陳海洋.盲信號(hào)處理[M].北京：國(guó)防工業(yè)出版社，2006.

[6]史習(xí)智.盲信號(hào)處理-理論與實(shí)踐[M].上海：上海交通大學(xué)出版社，2011.

[7]Chen Z， Feng T J， Meng Q. The application of wavelet neural network in time series prediction and system modeling based on multiresolution learning. In： Proc of IEEE 1999 Intl Conf on Syst， Man and Cybern I. Tokyo， 1999. 423～425.endprint

【摘 要】 對(duì)時(shí)間序列的預(yù)測(cè)是一項(xiàng)重要的數(shù)據(jù)挖掘技術(shù)。本文將獨(dú)立分量分析方法和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立一種ICA-WNN預(yù)測(cè)模型，并應(yīng)用于風(fēng)力發(fā)電功率時(shí)間序列預(yù)測(cè)。仿真結(jié)果表明所建模型具有較好的泛化性能，得到了較高的預(yù)測(cè)精度。

【關(guān)鍵詞】 小波神經(jīng)網(wǎng)絡(luò) 獨(dú)立分量分析 風(fēng)力發(fā)電功率 預(yù)測(cè)誤差

【Abstract】 The forecasting of time series is an important data mining technology. In this paper， an ICA - WNN forecast model is established to forecast wind power time series based on independent component analysis and wavelet neural network. The simulation results show that the model has better generalization performance， and obtains higher forecasting accuracy.

【Keywords】 wavelet neural network independent component analysis wind power forecasting error

0 引言

小波多分辨率分析方法近年來(lái)被應(yīng)用于時(shí)間序列預(yù)測(cè)。將小波函數(shù)代替BP神經(jīng)網(wǎng)絡(luò)中的激勵(lì)函數(shù)構(gòu)造成的小波神經(jīng)網(wǎng)絡(luò)能夠克服傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)固有的缺點(diǎn)，在更少的網(wǎng)絡(luò)節(jié)點(diǎn)情況下，能獲得比BP神經(jīng)網(wǎng)絡(luò)更高的預(yù)測(cè)精度，具有良好的應(yīng)用前景。獨(dú)立分量分析（Independent Component Analysis，ICA）是近年來(lái)發(fā)展起來(lái)的一種新的盲源分離方法。Fast ICA技術(shù)將多通道觀察信號(hào)按照統(tǒng)計(jì)獨(dú)立的原則，通過(guò)優(yōu)化算法分解為若干獨(dú)立分量，使變換后的各分量之間的統(tǒng)計(jì)依賴(lài)性最小。同時(shí)，這些獨(dú)立分量能夠突出原始數(shù)據(jù)的局部特征，有利于發(fā)掘數(shù)據(jù)的潛在規(guī)律。

本文將Fast ICA算法與小波神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)造一種新型時(shí)間序列預(yù)測(cè)模型。首先運(yùn)用Fast ICA算法將原始功率序列分解為若干個(gè)獨(dú)立分量，再利用小波神經(jīng)網(wǎng)絡(luò)對(duì)各獨(dú)立分量進(jìn)行分別預(yù)測(cè)，最后對(duì)各獨(dú)立分量的預(yù)測(cè)結(jié)果進(jìn)行疊加，得到最終的預(yù)測(cè)值。仿真結(jié)果表明，將該模型應(yīng)用于風(fēng)力發(fā)電功率預(yù)測(cè)能夠得到較高的預(yù)測(cè)精度。

3 ICA-WNN預(yù)測(cè)模型

將時(shí)間序列應(yīng)用FASTICA算法分解成為若干個(gè)獨(dú)立分量，包括低頻分量和高頻分量。然后用小波神經(jīng)網(wǎng)絡(luò)對(duì)各個(gè)獨(dú)立分量分別進(jìn)行預(yù)測(cè)，最后將預(yù)測(cè)的結(jié)果等權(quán)求和得到最終預(yù)測(cè)結(jié)果。其具體建模結(jié)構(gòu)如圖2所示。

4 算例分析

采用本文所提方法對(duì)我國(guó)某風(fēng)電場(chǎng)一臺(tái)90kW的風(fēng)力發(fā)電機(jī)組的發(fā)電功率進(jìn)行預(yù)測(cè)，原始數(shù)據(jù)為2002年5月至6月的1464小時(shí)的歷史功率數(shù)據(jù)，建立預(yù)測(cè)模型，其中前1384個(gè)數(shù)據(jù)用于獨(dú)立分量分解以及訓(xùn)練網(wǎng)絡(luò)，后80個(gè)數(shù)據(jù)用于檢驗(yàn)預(yù)測(cè)性能。

本文采用平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）來(lái)對(duì)預(yù)測(cè)效果進(jìn)行評(píng)價(jià)。

為進(jìn)一步說(shuō)明ICA-WNN網(wǎng)絡(luò)的預(yù)則性能，本文將ICA-WNN與WNN、RBF同時(shí)對(duì)另一風(fēng)電場(chǎng)的一臺(tái)風(fēng)電120KW的風(fēng)電機(jī)組發(fā)電功率進(jìn)行預(yù)測(cè)。

結(jié)果表明在這四種網(wǎng)絡(luò)模型中，ICA-WNN具有最好的學(xué)習(xí)、映射和泛化能力，其絕對(duì)誤差是機(jī)組額定功率的8.9%，均方根誤差是機(jī)組額定功率的10.4%，預(yù)測(cè)精度優(yōu)于WNN、RBF和BP網(wǎng)絡(luò)。

4 結(jié)語(yǔ)

本文構(gòu)建的Fast ICA及小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型作為一種新型數(shù)據(jù)挖掘方法，能夠更充分地提取隱含在數(shù)據(jù)序列中的信息，展現(xiàn)出數(shù)據(jù)內(nèi)在的演化規(guī)律。對(duì)風(fēng)力發(fā)電功率時(shí)間序列的預(yù)測(cè)結(jié)果表明，該方法時(shí)間序列具有較優(yōu)越的泛化性能和預(yù)測(cè)力。

參考文獻(xiàn)：

[1]楊秀媛，肖洋，陳樹(shù)勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25（11）：1-5.

[2]潘迪夫，劉輝，李燕飛.風(fēng)電場(chǎng)風(fēng)速短期多步預(yù)測(cè)改進(jìn)算法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2008，28（26）：87-91.

[3]李廣彪，張劍云.基于負(fù)熵最大化FastICA算法的雷達(dá)信號(hào)分選[J].艦船電子對(duì)抗，2005，28（3）：23-28.

[4]余英林，謝勝利，蔡漢添等.信號(hào)處理新方法導(dǎo)論[M].北京：清華大學(xué)出版社，2004.

[5]馬建倉(cāng)，牛奕龍，陳海洋.盲信號(hào)處理[M].北京：國(guó)防工業(yè)出版社，2006.

[6]史習(xí)智.盲信號(hào)處理-理論與實(shí)踐[M].上海：上海交通大學(xué)出版社，2011.

[7]Chen Z， Feng T J， Meng Q. The application of wavelet neural network in time series prediction and system modeling based on multiresolution learning. In： Proc of IEEE 1999 Intl Conf on Syst， Man and Cybern I. Tokyo， 1999. 423～425.endprint