針對(duì)徑流序列不穩(wěn)定導(dǎo)致預(yù)測(cè)精度不高的問(wèn)題,提出一種基于變分模態(tài)分解（VMD）和蝗蟲優(yōu)化算法（GOA）優(yōu)化相關(guān)向量機(jī)（RVM）的組合徑流預(yù)測(cè)模型。首先對(duì)原始非平穩(wěn)的徑流序列采用VMD得到若干個(gè)相對(duì)穩(wěn)定的分量序列,再分別建立RVM預(yù)測(cè)模型,并采用GOA優(yōu)化RVM中核函數(shù)的參數(shù),最后累加所有分量的預(yù)測(cè)值得到徑流序列的預(yù)測(cè)值。實(shí)例結(jié)果發(fā)現(xiàn),較傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)及基于經(jīng)驗(yàn)?zāi)B(tài)分解的支持向量機(jī)等模型,該模型預(yù)測(cè)精度更高,預(yù)測(cè)結(jié)果能為水電站的經(jīng)濟(jì)運(yùn)行、水資源的有效利用等提供決策依據(jù)。 

【文章頁(yè)數(shù)】：5 頁(yè)

【文章目錄】：
1 引言
2 研究方法及模型建立
    2.1 變分模態(tài)分解(VMD)
    2.2 蝗蟲優(yōu)化算法(GOA)
        2.2.1 算法概述
        2.2.2 算法描述
    2.3 基于GOA優(yōu)化的RVM
    2.4 基于VMD和GOA-RVM的徑流預(yù)測(cè)組合模型
3 實(shí)例分析
    3.1 數(shù)據(jù)分解
    3.2 模型的輸入與輸出
    3.3 預(yù)測(cè)結(jié)果分析
4 結(jié)論



本文編號(hào)：3653245