集合经验模态分解主成分分析分解消噪下ぶС窒蛄炕组合模型预测.docVIP

集合经验模态分解主成分分析分解消噪下ぶС窒蛄炕组合模型预测 　　摘要 针对工业现场间歇性非平稳时间序列中的特征提取与状态预测问题，提出了一种基于集合经验模态分解（EEMD、主成分分析（PCA和支持向量机（SVM的预测新方法。首先，利用EEMD算法对间歇性非平稳时间序列进行多时间尺度分析，得到一组不同尺度的本征模函数（IMF分量；然后，基于“3σ”原则估计噪声能量，自适应确定累计贡献率，利用PCA算法去除IMF中存在的噪声，降低特征维数和冗余度；最后，在确定SVM关键参数的基础上，以主分量作为输入变量预测未来。实例测试效果显示：平均绝对误差（MAE、均方误差（MSE、平均绝对误差百分比（MAPE和均方误差百分比（MSPE分别为514.774，78.216，12.03%和1.862%。实验结果表明：风能场输出功率时间序列经过EEMD算法和PCA算法的进一步消去噪声处理，在抑制混频现象发生的同时降低了非平稳性，使得最后进行SVM预测的精度较未经PCA处理更高。 　　关键词 间歇性非平稳时间序列；集合经验模态分解；主成分分析；支持向量机；组合模型预测 　　中图分类号 TP391.6； TN911.72 　　文献标志码 A 　　0引言 　　一些具有复杂非线性动力系统特征的时间序列，不仅受到确定性规律的支配，而且还表现出时变性、随机性和模糊性等特点[1]。对其进行预测分析的通常做法是基于有序性以及前后期之间相互依赖关系的基本假设来识别其内部变化规律。平稳时间序列的常用分析方法是自回归移动平均（AutoRegression and Moving Average， ARMA模型；但是，在实际问题中，非线性和非平稳的时间序列更为常见；ARMA内在的线性本质难以准确表征响应变量与输入变量之间的高度非线性关系[2] 。目前已有的非平稳预测模型主要有持续法、Kalman滤波法、支持向量机（Support Vector Machine， SVM法、人工神经网络法等。上述方法本质上都是直接拟合自变量与因变量之间的“黑箱”，减少中间环节对预测结果的影响，取得了一定的效果；不过，由于过于依赖“黑箱”的性能，建立的模型对设定形式较为敏感，并且信息源也不广泛；再者，如果原始数据序列是间歇性时间序列或者遭受白噪声序列的污染，那么模型的预测精度也将大大降低[3]。因此，如何对上述情形下的原始数据序列进行复原以提高预测精度是当前非线性和非平稳数据序列研究的难点和热点问题。 　　快速傅氏变换（Fast Fourier Transformation， FFT算法实现了信号从时域到频域的变换，使得在时域内难以观察的现象和难以获取的规律能够在频域内十分清晰地显现出来；但是，FFT是在全局上将信号分解为不同的频率分量，得到的是信号的整体频谱，无法表述信号的时频部分特性，缺乏局部信息，而时频局部特性对于含时变的确定性非平稳信号而言又是非常本质和关键的[4]。小波分析作为一种去噪技术，能够基于不同的时间尺度把原始数据序列分解为不同的层次，具有良好的多尺度时域和频域的分析能力，在一定程度上对非平稳信号的时变性给予了恰当的描述，大大改进了FFT的不足；但是，小波分析需要事先给定小波的基函数与分解尺度，因此，只有当它们与原始信号相适应时，信号中所包含的尺度才能被较为完整地分离出来，否则会产生本身并不存在的虚假谐波，人为设置模型参数的主观色彩较为浓厚，没有从根本上摆脱FFT的局限[3]。经验模态分解（Empirical Mode Decomposition， EMD算法中的基函数与分解层次则是根据原始数据序列的本身特性通过迭代的方式自适应地获取，不需要预先设定它们，减少了人为因素对分解结果的影响，从根本上摆脱了FFT的局限性，弥补了小波变换容易产生较多虚假谐波（不存在原有物理意义的缺陷，得到的本征模函数（Intrinsic Mode Function， IMF也能够更好地反映出原始数据序列在不同尺度上波动的局部特征；但是，对于间歇性的非平稳时间序列，传统的EMD算法有时会存在模态混叠（混频现象，不能准确解析各IMF分量的真实物理意义，降低了预测模型对各IMF分量的适应性，影响到分解结果。集合经验模态分解（Ensemble Empirical Mode Decomposition， EEMD算法通过对原始数据序列加入零均值白噪声序列辅助分析以改进传统的EMD算法，结果含义与EMD一致，但是能够最大限度地保留原始数据序列的真实信息，并且在消除噪声的同时能够有效抑制模态混叠（混频现象的发生，分解出的IMF分量一般更精准，与实际也更相吻合[5]。 　　在信号去噪方面，主成分分析（Principal Component Analysis， PCA、部分重构去噪法、直接阈值去噪法和基