[发明专利]一种基于改进VMD-QR-ELM混合模型的水位预测方法

说明书

本发明公开了一种基于改进VMD‑QR‑ELM混合模型的水位预测方法，涉及水位预测技术领域。将正交三角矩阵分解(QR)应用到极限学习中，然后在此基础上构建QR型极限学习。然后通过极值拓延改进变分模态分解(VMD)，以解决VMD方法所存在的端点效应，最后将QR‑ELM与改进变分模态分解进行深入融合，并基于并行计算思想构建并行VMD‑QR‑ELM混合模型。基于并行VMD‑QR‑ELM的水位预测模型相比于传统极限学习模型(ELM)，精准度提高2.05倍，可信度提高1.56倍，对于串行模型其效率提高5.56倍。

技术领域

本发明涉及水位预测技术领域，特别是涉及一种基于改进VMD-QR-ELM混合模型的水位预测方法。

背景技术

水位作为水循环的关键环节，对其进行准确、高效的预测具有重要的意义。随着极端天气越来愈多，变化环境下的水位波动不断加大，给水位预报带来了新的挑战。

目前，以数据驱动为基础的水位预报模型主要分为时间序列分析和因果关系分析两种途径，如改进SCS-CN方法；利用GRU和LSTM网络进行短期水位预测；校准曲线数水位预测模型；利用Mann-Kendall法和小波分析法对水位数据进行分析；基于随机森林算法的水位预测方法；基于多元ANN小波方法的水位预测；基于人工神经网络的降雨水位预报模型。

尽管针对水位预测研究十分广泛，但仍存在以下问题：以因果关系分析为基础的预测模型存在主观因素干扰等问题。以时间序列分析为基础的预测模型，尤以神经网络为主的智能模型因为其复杂的网络结构导致模型效率下降，模型泛化能力差。

发明内容

本发明实施例提供了一种基于改进VMD-QR-ELM混合模型的水位预测方法，可以解决现有技术中存在的问题。

本发明提供了一种基于改进VMD-QR-ELM混合模型的水位预测方法，该方法包括以下步骤：

步骤1，获得水文站实时水位数据，做为输入数据，对输入数据进行变分模态分解VMD，得到若干本证模态分量IMF，将各个IMF分量分别拆分为训练集和测试集，

步骤2，将训练集和测试集输入极限学习机的输入层，计算得到输出数据，输出数据的表达式中含有广义逆矩阵；

步骤3，对所述广义逆矩阵进行正交三角分解QR，将求解得到的矩阵作为极限学习机的隐藏层输出权重矩阵，再次计算输出数据，即预测值，对预测值进行重组，得到输出序列。

优选地，步骤1中获得输入数据后，对输入数据进行清洗，对空数据、非数值型数据进行过滤，完成清洗后再进行VMD分解。

优选地，VMD分解的方法为：

(1)通过对每个模态进行希尔伯特变换以获得解析信号：

其中，δ(t)表示模态函数；

(2)对每个解析信号与预先估计中心频率进行融合，在每个基频带调制相应的模态频谱：

(3)计算上述模态频谱的解调信号梯度的平方L2范数，估计出各个模态信号的带宽，约束变分模型表达如下：

式中：u_k代表分解得到k个IMF分量；ω_k代表分量的中心频率，表示约束变量，x为输入数据；

引入二次惩罚因子α和Lagrange乘法算子λ(t)求取上述约束变分模型的最优解，拓展的Lagrange表达式如下：

利用交替方向乘子算法求上述增广Lagrange函数的最优解，输入数据x被分解成k个IMF分量。