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