亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于emd的lssvm非平穩(wěn)脈動風速預測方法_2

文檔序號:9235694閱讀:來源:國知局
穩(wěn)風速 模擬,經驗模式分解(Empirical Mode Decomposition)為Z = 10m,時變ARMA模型的自回 歸階數P = 4,滑動回歸階數q = 1。模擬點位于沿下?lián)舯┝饕苿臃较蚯揖嚯x下?lián)舯┝骼妆?中屯、3500m。下?lián)舯┝黠L速模型采用Oseguera和Bowles平均風速模型、Vicroy豎向分布 模型,豎向分布風速中最大風速Vmay=80m/s,所處高度位置Zm"=67m;風速場中某高度處 徑向最大風速Vf,m"= 47m/s,與下?lián)舯┝髦型?、水平距離rm"= 1000m,徑向長度比例系數Rf =700m ;雷暴強度隨時間變化用下式(3)表示;
[0035] C3)
[0036] 下?lián)舯┝髌揭扑俣萔d= 8m/s。上限截止頻率為2 3irad,N = 2'11,
同 時考慮下?lián)舯┝髯陨硪苿?,模擬時間間隔At = 0. 5s,模擬時長為1000s。
[0037] 對10m和50m、30m和70m處的非平穩(wěn)脈動風速進行EMD分解,得到各空間點的固 有模態(tài)函數(IM巧分量。如圖3、圖4。
[003引第二步,根據游程判定法,將波動程度相近的分量重構為高-中-低頻=個分量, 使所得分量特征信息集中且預測分量大幅減少。
[0039] 第二步中,游程判定法可描述為:設某分量所對應的時間序列為{Y(t)} (t = 1,2,...腳,均值為f,比K小的觀察值記為比f大的觀察值記為" + ",如此可得到一個 符號序列,其中,每段連續(xù)相同符號序列稱為一個游程。可見,游程總數的大小反映了該分 量的波動程度,故可根據游程數對分解所得分量進行分類,將其重構為高-中-低頻=個分 量。
[0040] 通過計算前面10m、30m、50m、70m處EMD分解后產生的IMF分量及剩余分量的游程 個數,結果詳見下表1、表2、表3、表4 :
[0041] 表1 Z = 10m處各分量的游程總數
[0042]
[0049] 考慮到本發(fā)明研究對象為W 0. 5秒為單位的分速,樣本數為2000,則選擇nl = 50 作為高頻分量的闊值(大于nl的為高頻分量),疊加作為高頻分量R1 ; W剩余分量的游程 數n2作為低頻分量的闊值(小于等于n2的為低頻分量),作為低頻分量R3 ;其余為中頻分 量,疊加作為中頻分量R2。顯然,經重構后,原始時間序列成為頻率從高到低排列且特征信 息集中的=個分量。
[0050] 第S步,針對上下空間點的S個分量的特征分別建立相應的預測模型,預測中間 點的S個分量,同時引入PSO優(yōu)化方法,確定最優(yōu)模型參數;利用PSO優(yōu)化后的LSSVM模型 對S個分量進行學習預測。具體來說,對于LSSVM模型同時引入PSO優(yōu)化方法進行參數優(yōu) 化,得到中間點預測風速的=個分量。
[0051] 所述第S步中,對于PSO優(yōu)化方法,設置粒子群規(guī)模m = 30,隨機產生核參數的初 始位置,確定待優(yōu)化參數的范圍,并設置最大迭代速度;最終根據終止迭代次數或適應度條 件確定最優(yōu)參數,建立組合核函數的PSO-LSSVM模型。
[0化2] 取模擬出的2000個時間點(1000s)的非平穩(wěn)脈動風速高頻分量作為樣本,將該些 樣本數據分成兩部分:取前1000個時間點巧00s)的數據作為學習訓練樣本,后1000個時 間點巧00s)的數據作為預測驗證樣本。對高中低頻分量進行PSO-LSSVM模型預測,具體參 數的設定為;種群規(guī)模M = 40,進化次數為300次;加速因子ci= 1. 5, C 2= 1. 7 ;初始慣性 權重和最大進化慣性權重分別取Wm"=0. 9,Wmh=0. 4。
[0053] 第四步:將預測的中間點=個分量進行疊加得到中間點的非平穩(wěn)脈動風速,同 時將測試樣本和預測的非平穩(wěn)脈動風速結果對比,計算預測風速與實際風速的平均誤差 (AE)、均方根誤差(RISE) W及相關系數(時,評價該方法的有效性。
[0054] 圖5 (a)、圖5化)、圖5(C)、圖5 (d)、圖5 (e)是20米處非平穩(wěn)預測風速與實際風速 幅值、功率譜、自相關函數及互相關函數的比較;圖6 (a)、圖6化)、圖6(C)、圖6 (d)、圖6 (e) 是40米處非平穩(wěn)預測風速與實際風速幅值、功率譜、自相關函數及互相關函數的比較;圖 7 (a)、圖7化)、圖7(C)、圖7 (d)、圖7 (e)是60米處非平穩(wěn)預測風速與實際風速幅值、功率 譜、自相關函數及互相關函數的比較。計算預測風速與實際風速的平均誤差(AE)、均方根誤 差(MSE) W及相關系數(時,評價本發(fā)明的有效性。
[0化5] 上面的步驟是基于Matl油平臺編制的基于EMD分解與分類重構組合的PSO-LSSVM 脈動風速預測方法的計算程序進行分析和驗證的,預測結果評價指標見表5。
[0化6] 表5預測結果各評價指標表 [0057]
[0化引 W上步驟可W參考圖4,直觀地給出了本發(fā)明的實施流程。分析結果顯示, EMD-PSO-LSSVM預測結果相關系數均大于0. 9 (相關系數大于0. 9說明有很強相關性);均 方誤差顯示組合和函數預測結果更好的收斂于實際風速。本發(fā)明可W利用已知的空間點非 平穩(wěn)脈動風速預測未知的空間點非平穩(wěn)脈動風速,對于LSSVM預測模型,采用PS0對其參數 進行優(yōu)化,使預測結果的準確度有進一步的提高,為非平穩(wěn)脈動風速預測提供一種精度更 高的方法。
【主權項】
1. 一種基于EMD的LSSVM非平穩(wěn)脈動風速預測方法,其特征在于,其包括以下步驟: 第一步:利用TARMA模型模擬生成垂直空間點非平穩(wěn)脈動風速樣本,將上下兩個空間 點的非平穩(wěn)脈動風速樣本進行EMD處理,將其分解為一系列相對平穩(wěn)的分量; 第二步:根據游程判定法,將波動程度相近的分量重構為高-中-低頻三個分量,使所 得分量特征信息集中且預測分量大幅減少; 第三步:針對三個分量的特征分別建立相應的預測模型,預測中間點的三個分量,同時 引入PSO優(yōu)化方法,確定最優(yōu)模型參數;利用PSO優(yōu)化后的LSSVM模型對三個分量進行學習 預測; 第四步:將預測的中間點三個分量進行疊加得到中間點的非平穩(wěn)脈動風速,同時將測 試樣本和預測的非平穩(wěn)脈動風速結果對比,計算預測風速與實際風速的平均誤差、均方根 誤差以及相關系數。2.根據權利要求1所述的基于EMD的LSSVM非平穩(wěn)脈動風速預測方法,其特征在于,所 述第一步中,TARMA模型模擬m維非平穩(wěn)脈動風速表示為下式:式中,IFK為零均值非平穩(wěn)隨機過程向量,為?為時變自回歸系數矩陣,*為時變 滑動回歸系數矩陣,P為自回歸階數,q為滑動回歸階數,**?是方差為1、正態(tài)分布的白噪 聲序列。3.根據權利要求2所述的基于EMD的LSSVM非平穩(wěn)脈動風速預測方法,其特征在于,所 述第一步中,EMD分解非平穩(wěn)風速時程_表示成MFs的和加上最終余量ra(〇,如下式:4.根據權利要求1所述的基于EMD的LSSVM非平穩(wěn)脈動風速預測方法,其特征在于,所 述第三步中,對于PS0優(yōu)化方法,設置粒子群規(guī)模m=30,隨機產生核參數的初始位置,確定 待優(yōu)化參數的范圍,并設置最大迭代速度;最終根據終止迭代次數或適應度條件確定最優(yōu) 參數,建立PS0-LSSVM模型。
【專利摘要】本發(fā)明提供一種基于EMD的LSSVM非平穩(wěn)脈動風速預測方法,其包括以下步驟:利用TARMA模型模擬生成垂直空間點非平穩(wěn)脈動風速樣本;利用游程判定法,將波動程度相近的分量重構為高-中-低頻三個分量;針對三個分量的特征分別建立相應的預測模型,預測中間點的三個分量。同時引入PSO優(yōu)化方法,確定最優(yōu)模型參數;利用PSO優(yōu)化后的LSSVM模型對三個分量進行學習預測;將預測的中間點三個分量進行疊加得到中間點的非平穩(wěn)脈動風速;將測試樣本和EMD-PSO-LSSVM預測的非平穩(wěn)脈動風速結果對比,計算預測風速與實際風速的平均誤差、均方根誤差以及相關系數。本發(fā)明確保非平穩(wěn)脈動風速預測的精確性。
【IPC分類】G06K9/62
【公開號】CN104951798
【申請?zhí)枴緾N201510315719
【發(fā)明人】李春祥, 何亮, 遲恩楠
【申請人】上海大學
【公開日】2015年9月30日
【申請日】2015年6月10日
當前第2頁1 2 
網友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1