[發明專利]一種基于小波變換的ARMA?RBF副產煤氣發生量組合預測方法

在審

• 申請號: 201710609626.6
• 申請日: 2017-07-25
• 公開（公告）號: CN107545321A
• 公開（公告）日: 2018-01-05
• 發明（設計）人: 郝勇生;閆雷;王培紅
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/18;G06K9/62;G06N3/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙)32204
• 代理人: 王安琪

1.一種基于小波變換的ARMA-RBF副產煤氣發生量組合預測方法，其特征在于，包括如下步驟：

(1)選擇合適的小波基和分解層數對采集的副產煤氣發生量序列數據進行小波分解；

(2)對上述小波分解得到的各分解序列數據進行重構；

(3)對上述重構后的分解序列分別選用自回歸滑動平均模型ARMA模型和徑向基神經網絡模型RBF神經網絡模型進行建模并預測；

(4)將上述各分解序列的預測值相加得到副產煤氣發生量序列的超短期預測值。

2.如權利要求1所述的基于小波變換的ARMA-RBF副產煤氣發生量組合預測方法，其特征在于，步驟(1)中，采用DBN小波對副產煤氣發生量的歷史數據序列進行分解，分別選取DB1、DB2、…、DB8小波對上述序列進行處理，從中選擇均方根誤差最小的小波基。

3.如權利要求1所述的基于小波變換的ARMA-RBF副產煤氣發生量組合預測方法，其特征在于，步驟(1)中，分解層數的確定方法為：分別選取一層至四層的分解層數對副產煤氣發生量的原始數據序列進行處理，從中選擇均方根誤差最小的分解層數。

4.如權利要求1所述的基于小波變換的ARMA-RBF副產煤氣發生量組合預測方法，其特征在于，步驟(3)中針對不同的重構后的分解序列選擇預測模型的方法為：對于高頻分解序列，采用ARMA模型建模；對于低頻分解序列，采用RBF神經網絡模型建模。

5.如權利要求4所述的基于小波變換的ARMA-RBF副產煤氣發生量組合預測方法，其特征在于，高頻分解序列{x_t}的ARMA模型建模具體包括如下步驟：

(1)差分處理；對{x_t}進行d階差分，保證序列是平穩的時間序列，得到平穩后的時間序列{x′_t}；

(2)模型識別；通過計算樣本的自相關和偏自相關函數判斷數據序列的模型類型，得到平穩后的副產煤氣發生量時間序列{x′_t}適用于ARMA模型來描述；

xt′=Σi=1pajxt-j′+Σk=0qbket-k]]>

式中：p、q、a_j、b_k為ARMA模型參數；e_t為白噪聲；

(3)模型定階；使用信息定階AIC準則來確定ARMA模型中的p、q值；參數估計，使用矩估計法分別對參數a_j、b_k進行估計，得到ARMA模型。

6.如權利要求4所述的基于小波變換的ARMA-RBF副產煤氣發生量組合預測方法，其特征在于，低頻分解序列{y_t}的RBF神經網絡模型建模具體包括如下步驟：

(1)關聯度分析；采用灰色關聯度分析方法確定副產煤氣發生量的主要影響因素；

(2)數據樣本構建；數據樣本中的變量應包含經上述關聯度分析確定的影響副產煤氣發生量的主要運行變量以及副產煤氣發生量，前者為輸入樣本，后者為輸出樣本，將數據樣本總量的三分之二作為訓練樣本，另三分之一作為預測樣本；

(3)數據歸一化；將上述構建的輸入和輸出樣本進行歸一化處理；

(4)模型參數確定；采用高斯核函數來確定RBF神經網絡的中心和高度，高斯核函數表達式為：

Ri(Y)=exp[-12(y-ciδi)],i=1,2,...,m]]>

式中：c_i為基函數中心；y為輸入變量；δ為函數的寬度參數；

通過計算歐式范數||y-c_i||，描述輸入向量y和基函數中心c_i之間的距離，找出最接近輸入樣本中心c_min；設計調整函數來學習并計算歐式范數，調整函數為：

c_min(j)＝c_min(j-1)+a(y(j)-c_min(j-1))

式中：a為學習訓練頻率；

對于t組中的第j組輸入向量，調整學習訓練頻率a來逼近歐式范數最小值；為了自適應選取中心，通過分析學習次數q以及歐式范圍的權益增效，引入對數型訓練因子來調整網絡訓練頻率，訓練因子為：

p_tr＝ln||y_i-1-c_i-1||-lnq

訓練因子p_tr越大，則a訓練頻率相應增大，訓練因子越小則訓練頻率降低；

(5)建立模型；根據確定的中心，利用線性變換求出輸出層權值w_is，即第i個隱單元到第s個輸出單元的權值，建立RBF神經網絡模型，如下式：

y^t=Σi=1pwisRi(Y).]]>