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

吳焱

【摘 要】 對時間序列的預(yù)測是一項重要的數(shù)據(jù)挖掘技術(shù)。本文將獨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)測模型，并應(yīng)用于風力發(fā)電功率時間序列預(yù)測。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)測精度。

【關(guān)鍵詞】 小波神經(jīng)網(wǎng)絡(luò) 獨立分量分析 風力發(fā)電功率 預(yù)測誤差

【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被應(yīng)用于時間序列預(yù)測。將小波函數(shù)代替BP神經(jīng)網(wǎng)絡(luò)中的激勵函數(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，在更少的網(wǎng)絡(luò)節(jié)點情況下，能獲得比BP神經(jīng)網(wǎng)絡(luò)更高的預(yù)測精度，具有良好的應(yīng)用前景。獨立分量分析（Independent Component Analysis，ICA）是近年來發(fā)展起來的一種新的盲源分離方法。Fast ICA技術(shù)將多通道觀察信號按照統(tǒng)計獨立的原則，通過優(yōu)化算法分解為若干獨立分量，使變換后的各分量之間的統(tǒng)計依賴性最小。同時，這些獨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)造一種新型時間序列預(yù)測模型。首先運用Fast ICA算法將原始功率序列分解為若干個獨立分量，再利用小波神經(jīng)網(wǎng)絡(luò)對各獨立分量進行分別預(yù)測，最后對各獨立分量的預(yù)測結(jié)果進行疊加，得到最終的預(yù)測值。仿真結(jié)果表明，將該模型應(yīng)用于風力發(fā)電功率預(yù)測能夠得到較高的預(yù)測精度。

3 ICA-WNN預(yù)測模型

將時間序列應(yīng)用FASTICA算法分解成為若干個獨立分量，包括低頻分量和高頻分量。然后用小波神經(jīng)網(wǎng)絡(luò)對各個獨立分量分別進行預(yù)測，最后將預(yù)測的結(jié)果等權(quán)求和得到最終預(yù)測結(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我國某風電場一臺90kW的風力發(fā)電機組的發(fā)電功率進行預(yù)測，原始數(shù)據(jù)為2002年5月至6月的1464小時的歷史功率數(shù)據(jù)，建立預(yù)測模型，其中前1384個數(shù)據(jù)用于獨立分量分解以及訓練網(wǎng)絡(luò)，后80個數(shù)據(jù)用于檢驗預(yù)測性能。

本文采用平均絕對誤差（MAE）和均方根誤差（RMSE）來對預(yù)測效果進行評價。

為進一步說明ICA-WNN網(wǎng)絡(luò)的預(yù)則性能，本文將ICA-WNN與WNN、RBF同時對另一風電場的一臺風電120KW的風電機組發(fā)電功率進行預(yù)測。

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

4 結(jié)語

本文構(gòu)建的Fast ICA及小波神經(jīng)網(wǎng)絡(luò)預(yù)測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。對風力發(fā)電功率時間序列的預(yù)測結(jié)果表明，該方法時間序列具有較優(yōu)越的泛化性能和預(yù)測力。

參考文獻：

[1]楊秀媛，肖洋，陳樹勇.風電場風速和發(fā)電功率預(yù)測研究[J].中國電機工程學報，2005，25（11）：1-5.

[2]潘迪夫，劉輝，李燕飛.風電場風速短期多步預(yù)測改進算法[J].中國電機工程學報，2008，28（26）：87-91.

[3]李廣彪，張劍云.基于負熵最大化FastICA算法的雷達信號分選[J].艦船電子對抗，2005，28（3）：23-28.

[4]余英林，謝勝利，蔡漢添等.信號處理新方法導論[M].北京：清華大學出版社，2004.

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

[6]史習智.盲信號處理-理論與實踐[M].上海：上海交通大學出版社，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】 對時間序列的預(yù)測是一項重要的數(shù)據(jù)挖掘技術(shù)。本文將獨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)測模型，并應(yīng)用于風力發(fā)電功率時間序列預(yù)測。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)測精度。

【關(guān)鍵詞】 小波神經(jīng)網(wǎng)絡(luò) 獨立分量分析 風力發(fā)電功率 預(yù)測誤差

【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被應(yīng)用于時間序列預(yù)測。將小波函數(shù)代替BP神經(jīng)網(wǎng)絡(luò)中的激勵函數(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，在更少的網(wǎng)絡(luò)節(jié)點情況下，能獲得比BP神經(jīng)網(wǎng)絡(luò)更高的預(yù)測精度，具有良好的應(yīng)用前景。獨立分量分析（Independent Component Analysis，ICA）是近年來發(fā)展起來的一種新的盲源分離方法。Fast ICA技術(shù)將多通道觀察信號按照統(tǒng)計獨立的原則，通過優(yōu)化算法分解為若干獨立分量，使變換后的各分量之間的統(tǒng)計依賴性最小。同時，這些獨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)造一種新型時間序列預(yù)測模型。首先運用Fast ICA算法將原始功率序列分解為若干個獨立分量，再利用小波神經(jīng)網(wǎng)絡(luò)對各獨立分量進行分別預(yù)測，最后對各獨立分量的預(yù)測結(jié)果進行疊加，得到最終的預(yù)測值。仿真結(jié)果表明，將該模型應(yīng)用于風力發(fā)電功率預(yù)測能夠得到較高的預(yù)測精度。

3 ICA-WNN預(yù)測模型

將時間序列應(yīng)用FASTICA算法分解成為若干個獨立分量，包括低頻分量和高頻分量。然后用小波神經(jīng)網(wǎng)絡(luò)對各個獨立分量分別進行預(yù)測，最后將預(yù)測的結(jié)果等權(quán)求和得到最終預(yù)測結(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我國某風電場一臺90kW的風力發(fā)電機組的發(fā)電功率進行預(yù)測，原始數(shù)據(jù)為2002年5月至6月的1464小時的歷史功率數(shù)據(jù)，建立預(yù)測模型，其中前1384個數(shù)據(jù)用于獨立分量分解以及訓練網(wǎng)絡(luò)，后80個數(shù)據(jù)用于檢驗預(yù)測性能。

本文采用平均絕對誤差（MAE）和均方根誤差（RMSE）來對預(yù)測效果進行評價。

為進一步說明ICA-WNN網(wǎng)絡(luò)的預(yù)則性能，本文將ICA-WNN與WNN、RBF同時對另一風電場的一臺風電120KW的風電機組發(fā)電功率進行預(yù)測。

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

4 結(jié)語

本文構(gòu)建的Fast ICA及小波神經(jīng)網(wǎng)絡(luò)預(yù)測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。對風力發(fā)電功率時間序列的預(yù)測結(jié)果表明，該方法時間序列具有較優(yōu)越的泛化性能和預(yù)測力。

參考文獻：

[1]楊秀媛，肖洋，陳樹勇.風電場風速和發(fā)電功率預(yù)測研究[J].中國電機工程學報，2005，25（11）：1-5.

[2]潘迪夫，劉輝，李燕飛.風電場風速短期多步預(yù)測改進算法[J].中國電機工程學報，2008，28（26）：87-91.

[3]李廣彪，張劍云.基于負熵最大化FastICA算法的雷達信號分選[J].艦船電子對抗，2005，28（3）：23-28.

[4]余英林，謝勝利，蔡漢添等.信號處理新方法導論[M].北京：清華大學出版社，2004.

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

[6]史習智.盲信號處理-理論與實踐[M].上海：上海交通大學出版社，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】 對時間序列的預(yù)測是一項重要的數(shù)據(jù)挖掘技術(shù)。本文將獨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)測模型，并應(yīng)用于風力發(fā)電功率時間序列預(yù)測。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)測精度。

【關(guān)鍵詞】 小波神經(jīng)網(wǎng)絡(luò) 獨立分量分析 風力發(fā)電功率 預(yù)測誤差

【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被應(yīng)用于時間序列預(yù)測。將小波函數(shù)代替BP神經(jīng)網(wǎng)絡(luò)中的激勵函數(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，在更少的網(wǎng)絡(luò)節(jié)點情況下，能獲得比BP神經(jīng)網(wǎng)絡(luò)更高的預(yù)測精度，具有良好的應(yīng)用前景。獨立分量分析（Independent Component Analysis，ICA）是近年來發(fā)展起來的一種新的盲源分離方法。Fast ICA技術(shù)將多通道觀察信號按照統(tǒng)計獨立的原則，通過優(yōu)化算法分解為若干獨立分量，使變換后的各分量之間的統(tǒng)計依賴性最小。同時，這些獨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)造一種新型時間序列預(yù)測模型。首先運用Fast ICA算法將原始功率序列分解為若干個獨立分量，再利用小波神經(jīng)網(wǎng)絡(luò)對各獨立分量進行分別預(yù)測，最后對各獨立分量的預(yù)測結(jié)果進行疊加，得到最終的預(yù)測值。仿真結(jié)果表明，將該模型應(yīng)用于風力發(fā)電功率預(yù)測能夠得到較高的預(yù)測精度。

3 ICA-WNN預(yù)測模型

將時間序列應(yīng)用FASTICA算法分解成為若干個獨立分量，包括低頻分量和高頻分量。然后用小波神經(jīng)網(wǎng)絡(luò)對各個獨立分量分別進行預(yù)測，最后將預(yù)測的結(jié)果等權(quán)求和得到最終預(yù)測結(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我國某風電場一臺90kW的風力發(fā)電機組的發(fā)電功率進行預(yù)測，原始數(shù)據(jù)為2002年5月至6月的1464小時的歷史功率數(shù)據(jù)，建立預(yù)測模型，其中前1384個數(shù)據(jù)用于獨立分量分解以及訓練網(wǎng)絡(luò)，后80個數(shù)據(jù)用于檢驗預(yù)測性能。

本文采用平均絕對誤差（MAE）和均方根誤差（RMSE）來對預(yù)測效果進行評價。

為進一步說明ICA-WNN網(wǎng)絡(luò)的預(yù)則性能，本文將ICA-WNN與WNN、RBF同時對另一風電場的一臺風電120KW的風電機組發(fā)電功率進行預(yù)測。

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

4 結(jié)語

本文構(gòu)建的Fast ICA及小波神經(jīng)網(wǎng)絡(luò)預(yù)測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。對風力發(fā)電功率時間序列的預(yù)測結(jié)果表明，該方法時間序列具有較優(yōu)越的泛化性能和預(yù)測力。

參考文獻：

[1]楊秀媛，肖洋，陳樹勇.風電場風速和發(fā)電功率預(yù)測研究[J].中國電機工程學報，2005，25（11）：1-5.

[2]潘迪夫，劉輝，李燕飛.風電場風速短期多步預(yù)測改進算法[J].中國電機工程學報，2008，28（26）：87-91.

[3]李廣彪，張劍云.基于負熵最大化FastICA算法的雷達信號分選[J].艦船電子對抗，2005，28（3）：23-28.

[4]余英林，謝勝利，蔡漢添等.信號處理新方法導論[M].北京：清華大學出版社，2004.

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

[6]史習智.盲信號處理-理論與實踐[M].上海：上海交通大學出版社，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