黃景光,吳 巍,程璐瑤,于 楠,3,陳 波,3
(1.三峽大學(xué)電氣與新能源學(xué)院,湖北 宜昌 443002;2. 三峽大學(xué) 梯級水電站運行與控制湖北省重點實驗室,湖北 宜昌 443002;3. 三峽大學(xué) 新能源微電網(wǎng)湖北省協(xié)同創(chuàng)新中心,湖北 宜昌 443002)
河流徑流作為水文學(xué)一個重要的組成部分,主導(dǎo)著水文系統(tǒng)的變化,其受天文、氣象、地理等多因素影響,具有很強(qiáng)隨機(jī)性、非線性、突變性等復(fù)雜特性。而徑流預(yù)測是制定合理的水庫運行策略的重要依據(jù),直接影響水庫防洪設(shè)施設(shè)置、發(fā)電運行方式,通過合理的徑流預(yù)測可以大大提高工程綜合效益[1-4]。近年來,隨著計算機(jī)和數(shù)學(xué)方法的發(fā)展,以歷史徑流為基礎(chǔ)的徑流預(yù)測方法越來越多,其中ANN與SVM以及其組合方法成為目前研究熱點。根據(jù)水文特點,徑流預(yù)測通常采用BP神經(jīng)網(wǎng)絡(luò)模型,僅需三層結(jié)構(gòu)就能滿足一般水文預(yù)測需求,泛化和容錯能力強(qiáng),但收斂速度慢,容易陷入局部最優(yōu)[5-7]。由Vapnik等根據(jù)VC維理論與結(jié)構(gòu)風(fēng)險最小原理提出的SVM能夠很好地解決收斂速度慢、易陷入局部最優(yōu)等缺點,對于小樣本、高維度數(shù)據(jù)同樣有良好的處理能力[8]。
ANN和SVM已經(jīng)應(yīng)用于多個水文預(yù)測工程[9-13],但徑流與多種自然因素具有強(qiáng)相關(guān)性,其本身非線性強(qiáng),時間空間尺度上變化復(fù)雜,利用單一數(shù)學(xué)模型預(yù)測困難,誤差較大。水文序列含有多種頻率成分,不同頻率成分對預(yù)測精度有著一定影響,小波分析能對水文序列“由粗到細(xì)”展示其變化規(guī)律,同時能夠獲得不同頻率序列。因此,利用小波分析與其他數(shù)學(xué)方法建立耦合模型為徑流預(yù)測提供了一種新途徑。黃巧玲等[14]將小波分析與支持向量機(jī)結(jié)合建立WSVR回歸模型提高了徑流預(yù)測精度。Patil S K等[15]研究了多層感知器和模糊神經(jīng)網(wǎng)絡(luò)對徑流預(yù)測精度與穩(wěn)定性的影響。紀(jì)昌明等[16]將小波分解和投影尋蹤法建立耦合模型,提高了預(yù)測精度也增加穩(wěn)定性。王秀杰等[17]將小波分解的高低頻分量用ARMA模型預(yù)測,重構(gòu)后預(yù)測合格率提升至90%。
以上文獻(xiàn)均以單一方法對徑流序列進(jìn)行預(yù)測,未考慮徑流序列隨機(jī)程度對于預(yù)測方法的選擇性。本文將SVM分類器與小波分析技術(shù)組合提出一種基于徑流特征和小波高低頻能量譜分類的ARMA、ANN組合預(yù)測方法。在保證ARMA模型預(yù)測精度的前提上進(jìn)行特征分類,之后通過小波分解和SVM對預(yù)測周期內(nèi)不同類型序列采用不同預(yù)測方法預(yù)測,并對重構(gòu)后的徑流預(yù)測精度進(jìn)行分析。在風(fēng)電、光伏組合預(yù)測中,該方法已被證實能夠極大地提高預(yù)測精度[18,19]。本文以2013-2017年宜昌站徑流為例,驗證了本文預(yù)測方法的可行性和有效性。
河川徑流受極端天氣、氣候變暖、水利工程等影響,在一個水文年中汛期徑流有明顯增長趨勢,使徑流曲線呈強(qiáng)非線性,在非汛期變化平緩,在一些研究中通常對汛期和非汛期采用不同方法預(yù)測[14],但這樣通常忽略了汛期中“平穩(wěn)型”徑流和非汛期的“突變型”徑流(主要受極端天氣影響[2]),為此需對徑流序列進(jìn)行自適應(yīng)分類,避免誤分類情況發(fā)生。
在多數(shù)研究中,對于短時間變化較大的序列常常利用ANN進(jìn)行預(yù)測,其容錯效果好,預(yù)測誤差較?。悔呌谄椒€(wěn)的序列則采用ARMA模型進(jìn)行預(yù)測,其較于ANN在同等的預(yù)測精度下,計算量較小。因此對于某一徑流序列,在預(yù)測期內(nèi)將序列分為“平穩(wěn)”和“突變”兩種類型,“平穩(wěn)型”序列使用ARMA模型預(yù)測,“突變型”序列使用ANN預(yù)測[20],具體分類方法見3.2節(jié)。本文則通過小波分解與SVM建立組合分類器來完成這一過程。
基于以上原理設(shè)計的組合預(yù)測模型,其工作步驟如圖1所示。首先,通過3.1節(jié)方法對原始徑流序列提取高頻系數(shù)能量譜,通過3.2節(jié)方法確定序列特征類型,再將兩者作為樣本標(biāo)記和特征信息輸入至SVM分類器中來預(yù)測預(yù)測期內(nèi)序列的特征類型,實際中,預(yù)測期內(nèi)的徑流序列類型未知,但是可以通過歷史徑流數(shù)據(jù)對下一時段的序列類型進(jìn)行預(yù)測,SVM具有根據(jù)原特征信息對未來特征預(yù)測的能力,其分類預(yù)測方法具體見3.3節(jié)。
圖1 組合預(yù)測流程Fig.1 Combination forecasting process
本文分別選取汛期與非汛期徑流進(jìn)行預(yù)測效果對比,將原始徑流前95%作為訓(xùn)練集,后5%作為預(yù)測集,前95%的序列進(jìn)行小波分解得到小波系數(shù)的能量譜,之后將能量譜輸入至SVM分類器預(yù)測后5%的徑流曲線類型,最后根據(jù)預(yù)測期內(nèi)序列類型的不同選用對應(yīng)的預(yù)測方法預(yù)測。
對于f(x)滿足f(x)∈L2(R),L2(R)為R平方上可積函數(shù)構(gòu)成的函數(shù)空間,Ψ(t)為一個基小波或母小波,連續(xù)小波變換為:
(1)
對于離散信號f(nΔt),WΨf(a,b)變換形式為:
(2)
式中:Δt為采樣時間間隔;n為樣本序列,n=1,2,…,N;N為樣本容量。
在實際工程中,一般采用離散的時間序列,對于任意原始序列,可以使用Mallet算法進(jìn)行分解。Mallet算法是一種快速小波方法,分為分解和重構(gòu)兩類算法。
Mallet快速分解算法為:
(3)
Mallet重構(gòu)算法為:
cj=Hcj+1+Gdj+1j=J-1,J-2,…,0
(4)
式中:H、G分別為高低通濾波器;J為尺度數(shù)。
通過式(3)可以將一原始序列分解為aJ和d1,d2,…,dJ,aJ為原始信號的近似部分,dJ為原始信號的細(xì)節(jié)部分。
本文利用Mallet算法采用正交不對稱db4小波包函數(shù)對徑流序列進(jìn)行2層分解來獲取其近似和細(xì)節(jié)信號。分解尺度雖對預(yù)測結(jié)果影響不大,但尺度過大或過小會導(dǎo)致數(shù)據(jù)提取不完整,影響模型性能,因此分解尺度需在預(yù)測時進(jìn)行測試再逐一比較進(jìn)行選取?,F(xiàn)以長江宜昌站2016年實測日徑流作為樣本進(jìn)行分析。
圖2為徑流序列經(jīng)小波分解后的能量譜圖,從圖2可以看出在中間時段徑流序列變化頻率和幅度較大,序列產(chǎn)生“突變”,對應(yīng)時段的高頻信號能量譜有著明顯的陡增現(xiàn)象,該現(xiàn)象能夠很好地反映徑流的變化情況。因此,本文將徑流序列的能量譜作為SVM分類器的訓(xùn)練樣本特征以及訓(xùn)練完成后的輸入變量。
圖2 徑流序列及小波分解能量譜Fig.2 Runoff series and wavelet decomposition energy spectrum
徑流序列可以依據(jù)在一段時間內(nèi),其突變陡度(即導(dǎo)函數(shù))是否存在過零點,以及斜率變化范圍進(jìn)行劃分。若在這段時間內(nèi),曲線導(dǎo)函數(shù)不存在過零點,或斜率變換范圍不大,則認(rèn)為這段時間徑流序列屬于“平穩(wěn)”型,反之則屬于“突變”型。徑流特征分類的判決條件如下:
(5)
式中:sgn為符號函數(shù);sgn(smax)、sgn(smin)分別為徑流曲線導(dǎo)函數(shù)最大最小值;K為曲線類型,K=1,則曲線類型為“平穩(wěn)型”,此段曲線采用ARMA模型進(jìn)行預(yù)測,K=0,則為“突變型”,采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。d1、d2作為曲線類型的判別參數(shù),其物理意義為徑流序列變化程度與周圍環(huán)境對應(yīng)關(guān)系。
同時,d1、d2應(yīng)滿足ARMA在預(yù)測過程中平均誤差εave盡量小于20%,即:
(6)
式中:εave為ARMA平均預(yù)測誤差;εi、Ki分別為第i個預(yù)測周期的誤差和序列類型;n為本次預(yù)測總周期數(shù)。
對于式(6)采用遺傳算法求解,其適應(yīng)度函數(shù)為:
(7)
該特征類型作為SVM訓(xùn)練樣本標(biāo)記,不會因為遺傳算法求解時長而影響預(yù)測精度。對于d1、d2的數(shù)值選取,首先根據(jù)式(5)采用ARMA進(jìn)行預(yù)測,對預(yù)測誤差絕對值求和后,取平均得到式(6),最后通過求解式(7),可得到d1、d2。
利用歷史徑流數(shù)據(jù)建立SVM分類器,其具體結(jié)構(gòu)如圖3所示。首先,對一年中各日徑流利用3.1節(jié)方法進(jìn)行小波分解,并將小波分解系數(shù)能量譜作為SVM分類訓(xùn)練特征;之后,采用3.2節(jié)方法對各日徑流序列進(jìn)行分類,各分類類型作為SVM訓(xùn)練樣本標(biāo)記。進(jìn)行訓(xùn)練后,即可作為本模型所需的SVM分類器。
圖3 SVM分類器建立Fig.3 Establishment of SVM classifier
利用2016年1-6月和9-12月徑流數(shù)據(jù)對SVM分類器進(jìn)行訓(xùn)練,為提高預(yù)測精度,需對輸入數(shù)據(jù)進(jìn)行對數(shù)化和歸一化處理。圖4為SVM分類訓(xùn)練結(jié)果。
圖4 支持向量機(jī)分類Fig.4 Classification of support vector machine
利用2016年7月和8月徑流數(shù)據(jù)作為測試集來驗證SVM分類器的預(yù)測分類精度,分類號“0”和“1”分別代表“突變型”和“平穩(wěn)型”,驗證結(jié)果見表1。從表1可知,SVM在16至19時段發(fā)生誤判,分類準(zhǔn)確度為87%以上,說明SVM分類能通過小波能量譜對一定時序內(nèi)的徑流曲線進(jìn)行較為準(zhǔn)確的分類,同時SVM分類結(jié)果將作為選取不同徑流序列類型預(yù)測方法的依據(jù)。
表1 SVM判定分類結(jié)果Tab.1 SVM determines classification results
ARMA模型由自回歸模型(AR)和滑動平均模型(MA)混合構(gòu)成,其一般形式為:xt-φ1xt-1-K-φpxt-p=at-θ1at-1-K-θqat-q。用Bk表示k步推移算子,即Bkxt=xt-k,Bkat=at-k,Bkc=c,c為常數(shù)。并令:
φ(B)=1-φ1B-φ2B2-K-φpBp
(8)
θ(B)=1-θ1B-θ2B2-K-θpBp
(9)
則可簡記為:φ(B)xt=θ(B)at。該模型通常以ARMA(p,q)表示,計算公式如下:
(10)
式中:aj和p分別為AR的系數(shù)和階數(shù);bj和q分別為MA的系數(shù)和階數(shù);εt為滯后因子。
ARMA適用于當(dāng)前時序系統(tǒng)變化規(guī)律在未來的變化趨勢不變或變化較小的情況,在式(5)對徑流序列進(jìn)行判定,“平穩(wěn)型”徑流在某一時序內(nèi)具有單調(diào)遞增或遞減性質(zhì),且有較小的斜率變化,同時在遞增或遞減時幅度有一定變化,說明徑流具有隨機(jī)波動性。因此,該情況適合使用ARMA進(jìn)行時序分析,其一般步驟如圖5所示。
圖5 ARMA預(yù)測流程Fig.5 ARMA prediction process
對于式(5)判定的“突變型”徑流序列,在某一時序內(nèi)變化規(guī)律不明顯,無單調(diào)情況或斜率變化范圍較大,此時使用ARMA進(jìn)行預(yù)測誤差較大,而BP神經(jīng)網(wǎng)絡(luò)作為使用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一,其對強(qiáng)非線性數(shù)據(jù)具有高精度擬合的優(yōu)點[21],使用BP神經(jīng)網(wǎng)絡(luò)對“突變型”徑流序列預(yù)測效果更好。
以3.1節(jié)方法對“突變型”徑流采用db4小波分解成近似和細(xì)節(jié)信號,近似信號可看作在一定序列內(nèi)原始信號的大致變化規(guī)律,細(xì)節(jié)信號可看作對近似信號的隨機(jī)擾動。本文通過對2層小波分解的低頻和高頻信號采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測,后對預(yù)測信號進(jìn)行小波重構(gòu)獲得時域預(yù)測徑流,會比直接對時域徑流預(yù)測精度高,其一般預(yù)測步驟如圖6所示。
圖6 BP神經(jīng)網(wǎng)絡(luò)預(yù)測流程Fig.6 BP neural network prediction process
為更明確判別本文模型預(yù)測精度和有效性,本文選用平均絕對百分比誤差(Mean Absolute Percentage Error,MAPE)、均方根誤差(Root Mean Square Error,RMSE)、希爾不等式系數(shù)(Theil Inequality Coefficient,TIC)[22,23]對模型分析,其具體公式如下:
(11)
(12)
(13)
考慮數(shù)據(jù)的時效性本文采用長江宜昌站2013-2017年三峽入庫徑流作為研究數(shù)據(jù)(2017年數(shù)據(jù)為1-11月),其中2016年6、7月和2017年10、11月徑流作為預(yù)測數(shù)據(jù),以對比豐枯水期預(yù)測差異。通過Matlab 2014a與Libsvm-3.22工具箱來實現(xiàn)本文預(yù)測方法,并與ANN和ARMA單一預(yù)測模型作比較。小波分解將徑流時間序列分解為{a2(t),d2(t),d1(t)}高低頻序列,如圖7所示。
圖7 小波系數(shù)譜Fig.7 Wavelet coefficient spectrum
從圖7可看出2013-2017年三峽入庫徑流規(guī)律,豐水期為6-10月,枯水期為11-2月,小波分解的低頻系數(shù)與原始序列具有強(qiáng)相關(guān)性,高頻信號與原始序列相關(guān)性很差,在預(yù)測過程中高頻信號可視為無效序列不進(jìn)行預(yù)測,但本文也采用BP神經(jīng)網(wǎng)絡(luò)對高頻信號進(jìn)行預(yù)測以提高預(yù)測精度,同時,如3.1節(jié)所述,高頻信號能量譜(見圖2)也可以作為SVM分類器的特征樣本。
本文根據(jù)SBC準(zhǔn)則采用以5階自回歸-3階滑動平均系數(shù)的ARMA(5,3)作為ARMA預(yù)測模型。對于BP神經(jīng)網(wǎng)絡(luò),采用個輸入層節(jié)點數(shù)6,隱含層數(shù)10,輸出層數(shù)1的6-10-1三層結(jié)構(gòu)模型,訓(xùn)練算法為Bayesian-Regularization(該訓(xùn)練算法雖比Levenberg-Marquardt訓(xùn)練時間長,但預(yù)測精度更高,且由于日徑流預(yù)測時間較長,訓(xùn)練時間可以忽略不計)。經(jīng)3種方法預(yù)測后,結(jié)果如圖8~圖10所示。
圖8 ARMA預(yù)測結(jié)果Fig.8 Prediction result of ARMA
圖9 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果Fig.9 Prediction result of BP-ANN
從圖8和圖9可以看出,ARMA和ANN模型預(yù)測效果較為接近,為更好地評價模型預(yù)測的有效性,采用4.3節(jié)的評價函數(shù)模型誤差進(jìn)行統(tǒng)計,ARMA模型總擬合度誤差MAPE=6.51%,RMSE=2 153.9 ,TIC=7.51%;ANN模型總擬合度誤差MAPE=6.19%,RMSE=1770.5 ,TIC=5.87%。由于徑流序列隨機(jī)性較強(qiáng),ARMA對“突變型”序列預(yù)測誤差較大,因此總擬合誤差大于ANN擬合誤差,ANN雖對“突變型”序列預(yù)測效果優(yōu)于ARMA模型,但ANN模型需要不斷進(jìn)行訓(xùn)練尋求最優(yōu)預(yù)測值,預(yù)測時間較長。
從圖10可看出本文模型擬合度遠(yuǎn)高于ARMA和ANN模型,總擬合度誤差MAPE=1.30%,RMSE=276.4 ,TIC=0.91%。通過對徑流序列進(jìn)行小波分解和SVM特征分類,“平穩(wěn)型”序列采用ARMA模型預(yù)測,“突變型”序列采用ANN模型預(yù)測,比單一模型預(yù)測精度更高。
圖10 小波-SVM特征分類組合預(yù)測模型Fig.10 Combination forecasting model based on wavelet -SVM feature classification
2016年6、7月為三峽水庫豐水期,從圖11看出其徑流變化幅度較大,每隔2~3 d,曲線斜率在正負(fù)之間發(fā)生轉(zhuǎn)變,這是作為分類標(biāo)記的重要一部分信息,其預(yù)測后評價模型結(jié)果見表2。結(jié)合圖表信息可以看出,ARMA預(yù)測序列波動明顯,輸出不穩(wěn)定,預(yù)測誤差最大。BP神經(jīng)網(wǎng)絡(luò)相對于“突變”序列具有強(qiáng)容錯性,其預(yù)測誤差比ARMA平均少4%,但本文模型通過小波分解過濾掉細(xì)節(jié)信號,增加了近似信號的平滑程度,使特征分類準(zhǔn)確性提高,其預(yù)測誤差又比BP模型平均提高6%。
圖11 2016年6、7月預(yù)測徑流序列Fig.11 Prediction of runoff series in June and July 2016
預(yù)測方法MAPE/%RMSE/(m3·s-1)TIC/%ARMA12.325147.210.35ANN8.773167.46.38本文模型1.84548.51.10
2017年10、11月為三峽水庫枯水期,徑流序列斜率逐漸平穩(wěn),變化幅度降低(見圖12)。從12月預(yù)測徑流序列可以看出本文模型預(yù)測序列與原始序列最為接近,評價模型統(tǒng)計結(jié)果見表3。由于徑流序列變化程度降低,相比于豐水期,ARMA預(yù)測精度約提高3.5%,與BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度只相差0.9%,但本文預(yù)測模型在所有評價指標(biāo)仍遠(yuǎn)優(yōu)于前兩種模型,相對于ARMA和ANN模型,本文模型預(yù)測MAPE平均減少6%,RMSE減少1 900 ,TIC減少5.5%,且預(yù)測序列波動最為平滑,模型預(yù)測穩(wěn)定性最高。
圖12 2017年10、11月預(yù)測徑流序列Fig.12 Prediction of runoff series in October and November 2017
預(yù)測方法MAPE/%RMSE/(m3·s-1)TIC/%ARMA7.962661.57.45ANN7.072166.06.11本文模型1.12225.70.63
本文通過構(gòu)建徑流特征樣本模型、利用小波分解提取小波系數(shù)能量譜作為樣本標(biāo)記,采用SVM分類器將徑流序列分為“平穩(wěn)型”和“突變型”,根據(jù)不同徑流序列類型分別采樣ARMA和ANN模型預(yù)測,該模型顯著特點是利用小波分析的多尺度分解能力和SVM泛化分類的特點,實現(xiàn)徑流內(nèi)部特征分類預(yù)測的目的。以2013-2017年宜昌站日徑流為例,采用MAPE、RMSE、TIC3個性能指標(biāo)對模型進(jìn)行評價。結(jié)果表明,相對于以ARMA或ANN單一模型進(jìn)行預(yù)測,預(yù)測精度和穩(wěn)定性明顯提高。本文模型復(fù)雜度雖比單一模型要高,但日徑流預(yù)測時間較長,不會因時間長度和模型復(fù)雜度而影響預(yù)測精度。另外本文主要依賴于宜昌站歷史徑流,由于徑流受氣象、地質(zhì)等多方面因素影響,該方法不能完全反映徑流序列未來變化趨勢。下一步,將著重研究并結(jié)合流域因素對徑流影響的機(jī)理,進(jìn)一步提高預(yù)測精度和穩(wěn)定性。
□
參考文獻(xiàn):
[1] Antonetti M, Scherrer S, Kienzler P M, et al. Process-based hydrological modelling: the potential of a bottom-up approach for runoff predictions in ungauged catchments [J]. Hydrological Processes, 2017,31:2 902-2 920.
[2] 孟二浩,黃生志,黃 強(qiáng),等.融合大氣環(huán)流異常因子的徑流預(yù)報研究[J].水力發(fā)電學(xué)報,2017,36(8):34-42.
[3] 于瑞宏,張宇瑾,張笑欣,等.無測站流域徑流預(yù)測區(qū)域化方法研究進(jìn)展[J].水利學(xué)報,2016,47(12):1 528-1 539.
[4] 尹鑫衛(wèi),李曉玲,康燕霞,等.基于SCS-CN模型的溝壟微型集雨系統(tǒng)徑流預(yù)測[J].生態(tài)學(xué)雜志,2015,34(12):3 502-3 508.
[5] 劉國東,丁 晶.BP網(wǎng)絡(luò)用于水文預(yù)測的幾個問題探討[J].水利學(xué)報,1999,(1):65-70.
[6] Shoaib M, Shamseldin A Y, Melville B W, et al. A comparison between wavelet based static and dynamic neural network approaches for runoff prediction[J]. Journal of Hydrology, 2016,535:211-225.
[7] 周 婭,郭 萍,古今今.基于BP神經(jīng)網(wǎng)絡(luò)的概率徑流預(yù)測模型[J].水力發(fā)電學(xué)報,2014,33(2):45-50.
[8] Vapnik V N. The nature of statistical learning theory[M]. New York: Springer, 2000.
[9] 葉碎高,彭 勇,周惠成.基于PSO參數(shù)辨識SVM的中長期徑流預(yù)測研究[J].大連理工大學(xué)學(xué)報,2011,51(1):115-120.
[10] Meng X, Yin M, Ning L, et al. A threshold artificial neural network model for improving runoff prediction in a karst watershed[J]. Environmental Earth Sciences, 2015,74(6):1-10.
[11] 衛(wèi)太祥,馬光文,黃煒斌.基于懲罰加權(quán)支持向量機(jī)回歸的徑流預(yù)測模型[J].水力發(fā)電學(xué)報,2012,31(6):35-38.
[12] 聶 敏,劉志輝,劉 洋,等.基于PCA和BP神經(jīng)網(wǎng)絡(luò)的徑流預(yù)測[J].中國沙漠,2016,36(4):1 144-1 152.
[13] 李 嬌,姜明媛,孫文超,等.基于BP神經(jīng)網(wǎng)絡(luò)的泉州市山美水庫降雨徑流模擬研究[J].北京師范大學(xué)學(xué)報(自然科學(xué)版),2013,49(2):170-174.
[14] 黃巧玲,粟曉玲,楊家田.基于小波分解的日徑流支持向量機(jī)回歸預(yù)測模型[J].西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版),2016,44(4):211-217.
[15] Patil S K, Valunjkar S S. Utility of coactive neuro-fuzzy inference system for runoff prediction in comparison with multilayer perception[J]. International Journal of Engineering Research, 2016,5(1):156-160.
[16] 紀(jì)昌明,李榮波,張驗科.等.基于小波分解的投影尋蹤自回歸組合模型及其在年徑流預(yù)測中的應(yīng)用[J]. 水力發(fā)電學(xué)報,2015,34(7):27-35.
[17] 王秀杰,封桂敏,耿慶柱.小波分析組合模型在日徑流預(yù)測中的應(yīng)用研究[J].自然資源學(xué)報,2014,(5):885-893.
[18] Shi J, Liu Y, Yang Y, et al. Short-term wind power prediction based on wavelet transform-support vector machine and statistic characteristics analysis[C]∥ Industrial and Commercial Power Systems Technical Conference, IEEE, 2011:1 136-1 141.
[19] 高 陽,張碧玲,毛京麗,等.基于機(jī)器學(xué)習(xí)的自適應(yīng)光伏超短期出力預(yù)測模型[J].電網(wǎng)技術(shù),2015,39(2):307-311.
[20] Hartman E, Keeler J D, Kowalski J M. Layered neural networks with gaussian hidden units as universal approximations [J]. Neural Computation, 1990, 2(2):210-215.
[21] 王秀杰,練繼建,費守明.基于小波消噪的混沌神經(jīng)網(wǎng)絡(luò)徑流預(yù)報模型[J].水力發(fā)電學(xué)報,2008,27(5):37-40.
[22] 易丹輝.?dāng)?shù)據(jù)分析與EViews應(yīng)用[M].2版.北京:中國人民大學(xué)出版社,2014.
[23] 謝中華.MATLAB統(tǒng)計分析與應(yīng)用[M].北京:北京航空航天大學(xué)出版社,2010.