小波分解高、低频双自回归模型及其在水质监测中的应用 A wavelet autoregressive model and its application to water quality forecast.pdfVIP

第2期 水利水运工程学报 No．2 2014年4月 IIYD_n囤丑口慨ANDE螺瑚N口口ⅢqG Apr．2014 小波分解高、低频双自回归模型及其 在水质监测中的应用 陈吉江1，毛洪翔1，李鹏程2，夏国团1，章卫军2 (1．余姚市水利局，浙江余姚315400；2．宜水环境科技(上海)有限公司，上海200125) 摘要：针对一些水库水质监测数据序列不仅具有平稳性、周期性，而且具有显著的多尺度性的特点，在单一自 回归模型的基础上，利用多尺度小波分析的原理与方法对水质数据序列作预处理，进行分解与重构，并对重构 的不同尺度下的数据子序列分别建立高、低频自回归预测模型，最后叠加各尺度下的预测结果。将该方法应用 于梁辉水库4种水质指标的预测研究，结果表明与单一自回归模型相比，预测精度有明显提高。 关键词：水库；水质预测；平稳时间序列；小波分解；自回归 中图分类号：TV213．4；X832文献标志码：A 目前，水质预测主要利用监测的历史数据作为初始序列或训练数据，运用不同数学逻辑方法推算在各类 J、模糊理论模型HJ、 影响因素作用下未来水质数据的发展趋势…。方法有时间序列模型旧j、灰色理论模型13 回归模型和动态系统物元模型¨J，以及近年来得到应用的人工神经网络∞o等。其中，基于自回归的时间序 列模型，理论基础坚实，计算方法简便，在水质预测中受到普遍欢迎，得到广泛应用。基于自回归的水质预测 方法可以有多种型式，如①单一自回归模型，即对时间序列建立单一自回归方程进行预测；②小波分解+双 自回归，即预先对时间序列进行小波分解，然后对分解所得的高、低频序列分别建立各自的自回归方程，最后 以高、低频自回归方程计算值的叠加值作为预测值；③自回归+卡尔曼滤波，即对单一自回归模型求得的预 测值，采用卡尔曼滤波进行校正，作为最终预测值；④小波分解+双自回归+卡尔曼滤波，即对小波分解+双自 回归模型求得的预测值，采用卡尔曼滤波进行校正，作为最终预测值。进行水质预测时，为了尽量提高预测 的精度，要根据水库水质监测资料的实际情况，合理选择模型，这点至关重要。 一些水库的水质监测数据序列在频域上存在着明显的高频部分和低频部分。自回归预测模型的方法基 于时间序列的平稳假设，对数据的平稳性要求较高。如果把时间序列看做一种信号，通过将原始信号分离成 低频信号和高频信号，必然可以提高时间序列的平稳性，从而提高自回归预测模型的精度。因此，本文选择 上述第2种模型，对其原理、步骤及预测成果(以梁辉水库为例)进行介绍，并与单一自回归模型预测成果进 行比较。 1 小波分解高、低频双自回归模型原理 1．1小波分解原理 水质监测数据序列的预处理采用离散小波变换，多尺度离散小波变换能将原始信号(也就是原始水质 监测数据序列)进行不同时间分辨率上的分解。以分解层数n为例，其一般步骤为先将原始信号S分解为 低频部分c，和高频部分d。，然后对低频部分c。进一步分解为c：和d：，以此类推，逐层分解‘引。 收稿日期：2013—07—24 作者简介：陈吉江(1966一)，男，浙江余姚人，高级工程师，主要从事水利水电工程与水资源管理工作。 E-mail：nbyyoj@sina．tom 万方数据 水 利 水 运 工 程 学 报 2014年4月 分辨率的分析，妒为尺度函数，砂h为小波函数，Mallat算法的分解式如下： f吐=∑一“[竹+I．。(戈)]士『q+t=日q … h·2乩， 一 【域=∑一+1[竹叱。(x)] 层数)，c，和dj分别称为原始信号在分辨率为20的低频信号和高频信号。 为保证水质预测结果更加可靠，分解后还