基于emd的lssvm非平穩(wěn)脈動(dòng)風(fēng)速預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[OOOU 本發(fā)明設(shè)及一種采用經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD)與分類(lèi)重構(gòu)組合的PS0-LSSVM(粒子群 優(yōu)化的最小二乘支持向量機(jī)）的空間點(diǎn)非平穩(wěn)脈動(dòng)風(fēng)速預(yù)測(cè)方法，具體的說(shuō)是一種基于 EMD的LSSVM非平穩(wěn)脈動(dòng)風(fēng)速預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 對(duì)于大跨空間結(jié)構(gòu)、大跨度橋梁、（超）高層建筑結(jié)構(gòu)，高聳結(jié)構(gòu)（如拉線式跪桿、 電視塔、煙畫(huà)等）等建（構(gòu)）筑物，風(fēng)荷載是結(jié)構(gòu)抗風(fēng)設(shè)計(jì)的控制荷載之一。而進(jìn)行結(jié)構(gòu) 的抗風(fēng)分析首先要獲取風(fēng)荷載的樣本數(shù)據(jù)，目前確定風(fēng)荷載的主要手段有風(fēng)洞試驗(yàn)、現(xiàn)場(chǎng) 實(shí)測(cè)及數(shù)值模擬等。隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展和人們對(duì)隨機(jī)過(guò)程數(shù)值模擬技術(shù)的深入研 究，采用數(shù)值模擬方法得到風(fēng)速時(shí)程曲線可W考慮場(chǎng)地、風(fēng)譜特征、建筑物的特點(diǎn)等條件的 任意性，使模擬得到的荷載盡量接近結(jié)構(gòu)的實(shí)際風(fēng)力，同時(shí)可滿(mǎn)足某些統(tǒng)計(jì)特性的任意性， 且比實(shí)際記錄更具代表性，因而被廣泛應(yīng)用于實(shí)際工程中。
[0003] 非平穩(wěn)特性作為自然界中各種隨機(jī)荷載普遍存在的一種現(xiàn)象（如大氣邊界層端 流、雷暴強(qiáng)風(fēng)及地震等），其振幅和頻率都是隨時(shí)間變化的，因此在某些特定環(huán)境下對(duì)脈動(dòng) 風(fēng)進(jìn)行數(shù)值模擬時(shí)，風(fēng)的非平穩(wěn)性是必須要考慮的因素。特別是在下?lián)舯┝髦校蠢妆┨?氣中強(qiáng)烈的下沉氣流猛烈撞擊地面，并由撞擊點(diǎn)向四周沿地表傳播的極具突發(fā)性和破壞性 的一種強(qiáng)風(fēng)），其極強(qiáng)的非平穩(wěn)性很可能會(huì)對(duì)結(jié)構(gòu)產(chǎn)生更大的動(dòng)力響應(yīng)。大量實(shí)際測(cè)試數(shù)據(jù) 分析表明，強(qiáng)風(fēng)環(huán)境復(fù)雜地形下許多風(fēng)速記錄都不滿(mǎn)足此平穩(wěn)性要求。特別是在復(fù)雜地形 強(qiáng)風(fēng)環(huán)境下的非平穩(wěn)脈動(dòng)風(fēng)，采用平穩(wěn)風(fēng)速假定時(shí)，非平穩(wěn)數(shù)據(jù)需要舍棄，該會(huì)導(dǎo)致較大的 分析誤差，如端流強(qiáng)度值會(huì)被高估，進(jìn)而影響后續(xù)分析的準(zhǔn)確性。
[0004] 支持向量機(jī)（SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論提出的一種小樣本學(xué)習(xí)方法，遵循結(jié)構(gòu)風(fēng) 險(xiǎn)最小化原理，其基本思想是通過(guò)內(nèi)積函數(shù)（核函數(shù)）定義的非線性變換將輸入空間變換 到一個(gè)高維空間，在該個(gè)高維空間中尋找輸入變量和輸出變量之間的一種非線性關(guān)系。支 持向量機(jī)中核函數(shù)的選擇決定了模型的特性，局部核函數(shù)學(xué)習(xí)能力強(qiáng)、泛化性能弱，而全局 核函數(shù)泛化性能強(qiáng)、學(xué)習(xí)能力弱，結(jié)合全局核函數(shù)與局部核函數(shù)的優(yōu)點(diǎn)構(gòu)造組合核函數(shù)，可 W使支持向量機(jī)既有良好學(xué)習(xí)能力又具有較強(qiáng)的泛化能力。通過(guò)優(yōu)化方法調(diào)節(jié)組合核函數(shù) 的核參數(shù)和懲罰參數(shù)來(lái)調(diào)節(jié)支持向量機(jī)回歸分析精確度，將模擬生成的脈動(dòng)風(fēng)速作為學(xué)習(xí) 訓(xùn)練樣本，建立回歸模型對(duì)單點(diǎn)脈動(dòng)風(fēng)速進(jìn)行有效預(yù)測(cè)。

【發(fā)明內(nèi)容】

[000引本發(fā)明的目的在于提供一種基于EMD的LSSVM非平穩(wěn)脈動(dòng)風(fēng)速預(yù)測(cè)方法，其利用 TARMA(Time-Va巧ing Auto-Regressive and Moving Average,時(shí)變自回歸滑動(dòng)平均模型） 模擬生成非平穩(wěn)脈動(dòng)風(fēng)速樣本，基于經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD)與分類(lèi)重構(gòu)方法，建立最小二乘 支持向量機(jī)（LSSVM)的模型，采用粒子群（PS0)對(duì)模型參數(shù)優(yōu)化，根據(jù)上下空間點(diǎn)的非平穩(wěn) 風(fēng)速樣本，對(duì)中間空間點(diǎn)的非平穩(wěn)風(fēng)速進(jìn)行預(yù)測(cè)。同時(shí)計(jì)算實(shí)際風(fēng)速與預(yù)測(cè)風(fēng)速的平均誤 差（AE)、均方根誤差（MSE) W及相關(guān)系數(shù)佩評(píng)價(jià)本方法的有效性。
[0006] 根據(jù)上述發(fā)明構(gòu)思，本發(fā)明采用下述技術(shù)方案：本發(fā)明基于EMD的LSSVM非平穩(wěn)脈 動(dòng)風(fēng)速預(yù)測(cè)方法包括W下步驟：
[0007] 第一步：利用TARMA模型模擬生成垂直空間點(diǎn)非平穩(wěn)脈動(dòng)風(fēng)速樣本，將上下兩個(gè) 空間點(diǎn)的非平穩(wěn)脈動(dòng)風(fēng)速樣本進(jìn)行EMD處理，將其分解為一系列相對(duì)平穩(wěn)的分量；
[000引第二步：根據(jù)游程判定法，將波動(dòng)程度相近的分量重構(gòu)為高-中-低頻=個(gè)分量， 使所得分量特征信息集中且預(yù)測(cè)分量大幅減少；
[0009] 第=步；針對(duì)=個(gè)分量的特征分別建立相應(yīng)的預(yù)測(cè)模型，預(yù)測(cè)中間點(diǎn)的=個(gè)分量， 同時(shí)引入PSO優(yōu)化方法，確定最優(yōu)模型參數(shù)；利用PSO優(yōu)化后的LSSVM模型對(duì)S個(gè)分量進(jìn)行 學(xué)習(xí)預(yù)測(cè)；
[0010] 第四步；將預(yù)測(cè)的中間點(diǎn)；個(gè)分量進(jìn)行疊加得到中間點(diǎn)的非平穩(wěn)脈動(dòng)風(fēng)速，同時(shí) 將測(cè)試樣本和預(yù)測(cè)的非平穩(wěn)脈動(dòng)風(fēng)速結(jié)果對(duì)比，計(jì)算預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速的平均誤差、均 方根誤差W及相關(guān)系數(shù)。
[0011] 優(yōu)選地，上述第一步中，TARMA模型模擬m維非平穩(wěn)脈動(dòng)風(fēng)速表示為下式：
[0012]
[0013] 其中，U(t)為零均值非平穩(wěn)隨機(jī)過(guò)程向量，Ai(t)為時(shí)變自回歸系數(shù)矩陣，Bj.(t)為 時(shí)變滑動(dòng)回歸系數(shù)矩陣，P為自回歸階數(shù)，q為滑動(dòng)回歸階數(shù)，X(t)是方差為1、正態(tài)分布的 白噪聲序列。
[0014]優(yōu)選地，EMD分解非平穩(wěn)風(fēng)速時(shí)程U(t)表示成IMFs的和加上最終余量r"(t)，如 下式：
[0015]
[0016] 優(yōu)選地，對(duì)于PSO優(yōu)化方法，設(shè)置粒子群規(guī)模m= 30,隨機(jī)產(chǎn)生核參數(shù)的初始位置， 確定待優(yōu)化參數(shù)的范圍，并設(shè)置最大迭代速度；最終根據(jù)終止迭代次數(shù)或適應(yīng)度條件確定 最優(yōu)參數(shù)，建立PSO-LSSVM模型。
[0017] 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果；針對(duì)各空間點(diǎn)脈動(dòng)風(fēng)速的非線性 和非平穩(wěn)性，預(yù)測(cè)模型對(duì)于EMD分解與分類(lèi)重構(gòu)后的S個(gè)分量具有很好的學(xué)習(xí)能力（訓(xùn)練 誤差?。?。同時(shí)，采用PSO對(duì)LSSVM參數(shù)進(jìn)行優(yōu)化，確保非平穩(wěn)脈動(dòng)風(fēng)速預(yù)測(cè)的精確性。根 據(jù)運(yùn)行結(jié)果表明，基于EMD分解的PSO-LSSVM方法預(yù)測(cè)得到的非平穩(wěn)脈動(dòng)風(fēng)速與實(shí)際非平 穩(wěn)脈動(dòng)風(fēng)速吻合很好，可W作為空間點(diǎn)非平穩(wěn)脈動(dòng)風(fēng)速預(yù)測(cè)的一種有效方法。
【附圖說(shuō)明】
[001引圖1(a)和圖1(b)是下?lián)舯┝鞒ㄖ锓较蛞苿?dòng)不同階段的下?lián)舯┝髂Ｐ褪疽?圖；
[0019] 圖2 (a)、圖2化）、圖2 (C)、圖2 (d)是沿地面垂直方向10米、30米、50米、70米處 非平穩(wěn)脈動(dòng)風(fēng)速模擬樣本及EMD分解示意圖；
[0020] 圖3是基于EMD的LSSVM非平穩(wěn)脈動(dòng)風(fēng)速預(yù)測(cè)方法設(shè)計(jì)框架圖示意圖；
[002U圖4是基于PSO的LSSVM脈動(dòng)風(fēng)速預(yù)測(cè)方法流程圖；
[0022]圖5 (a)、圖5化）、圖5 (c)、圖5 (d)、圖5 (e)是20米處預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速幅值、 功率譜、自相關(guān)函數(shù)及互相關(guān)函數(shù)的對(duì)比示意圖；
[0023]圖6 (a)、圖6化）、圖6 (C)、圖6 (d)、圖6 (e)是40米處預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速幅值、 功率譜、自相關(guān)函數(shù)及互相關(guān)函數(shù)的對(duì)比示意圖；
[0024]圖7 (a)、圖7化）、圖7 (C)、圖7 (d)、圖7 (e)是60米處預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速幅值、 功率譜、自相關(guān)函數(shù)及互相關(guān)函數(shù)的對(duì)比示意圖。
【具體實(shí)施方式】
[0025] 本發(fā)明的構(gòu)思如下；先對(duì)上下空間點(diǎn)的非平穩(wěn)脈動(dòng)風(fēng)速進(jìn)行EMD分解，分解為一 系列相對(duì)平穩(wěn)的分量；然后利用游程判定法，將波動(dòng)程度相近的分量重構(gòu)為高-中-低頻= 個(gè)分量，并對(duì)該上下空間點(diǎn)的=個(gè)分量分別進(jìn)行預(yù)測(cè)中間點(diǎn)的=個(gè)分量，對(duì)=個(gè)分量預(yù)測(cè) 的方法分別采用PSO-LSSVM及ARIA模型；最后對(duì)中間點(diǎn)的S個(gè)分量進(jìn)行疊加得到最終的預(yù) 測(cè)風(fēng)速。
[0026] 本發(fā)明基于EMD的LSSVM非平穩(wěn)脈動(dòng)風(fēng)速預(yù)測(cè)方法包括如下步驟：
[0027] 第一步，利用TARMA模型模擬生成垂直空間點(diǎn)非平穩(wěn)脈動(dòng)風(fēng)速樣本，將上下兩個(gè) 空間點(diǎn)的非平穩(wěn)脈動(dòng)風(fēng)速樣本進(jìn)行EMD處理，將其分解為一系列相對(duì)平穩(wěn)的分量。
[002引所述第一步中，TARMA模型模擬m維非平穩(wěn)脈動(dòng)風(fēng)速表示為下式（1):
[0029]
[0030] 式中，U(t)為零均值非平穩(wěn)隨機(jī)過(guò)程向量，Ai(t)為時(shí)變自回歸系數(shù)矩陣，Bj.(t)為 時(shí)變滑動(dòng)回歸系數(shù)矩陣，P為自回歸階數(shù)，q為滑動(dòng)回歸階數(shù)，X(t)是方差為1、正態(tài)分布的 白噪聲序列。
[0031] 所述第一步中，EMD分解非平穩(wěn)風(fēng)速時(shí)程U(t)表示成IMFs (固有模態(tài)函數(shù)）的和 加上最終余量r"(t)，如下式（2):
[0032] (2)
[0033] 其中，Cj.(t)表示第j個(gè)IMF分量，n表示經(jīng)驗(yàn)?zāi)Ｊ椒纸獬蒊MF的數(shù)量，r"(t)表示 余量。
[0034]如采用圖2 (a)、圖2化）所示的下?lián)舯┝髂Ｐ蛯?duì)圖1所示的S個(gè)點(diǎn)進(jìn)行非平