首先,綜合運用小波包分解（wavelet packet decomposition,簡稱WPD）、樣本熵、單位根檢驗法和變分模態(tài)分解（variational mode decomposition,簡稱VMD）,提出利用混合深度分解（hybrid deep decomposition,簡稱HDD）對非平穩(wěn)非高斯過程進行處理,降低實測風速風壓復雜性,提升其可預測性;其次,根據Mercer定理構造了Morlet+Hermite（MH）線性組合核函數,使其具有局部多分辨性和全局泛化性的優(yōu)點,采用粒子群算法（particle swarm optimization,簡稱PSO）對MH核進行參數優(yōu)化,結合最小二乘支持向量機（least square support vector machine,簡稱LSSVM）建立HDD-MH-LSSVM多步預測模型;然后,將該模型與常用核函數構成的HDD-Poly-LSSVM,HDD-徑向基函數（radial basis function,簡稱RBF）-LSSVM多步預測模型以及極限學習機（extreme learning machine,簡稱ELM）多步預測模型... 

【文章來源】：振動.測試與診斷. 2020,40(04)北大核心

【文章頁數】：10 頁

【部分圖文】：

混合深度分解流程圖

為定量評價HDD-MH-LSSVM模型預測精度，采用圖形定性評價和指標定量評價兩種方式進行綜合比較。采用預測風壓時程圖、功率譜圖和自相關函數圖定性評價預測效果，預測曲線越接近真實曲線，說明預測效果越好。為了更直觀表征各模型產生誤差的情況，繪制預測風壓相對誤差圖和誤差分布情況。相對誤差圖是預測值與真實值直接相減產生，圖像越接近水平線，預測效果越好。誤差分布散點情況（如圖4(a）右上角）是以真實值為縱坐標，預測值為橫坐標，散點分布越集中于對角線，預測越準確。采用平均絕對誤差（mean absolute error，簡稱MAE）、平均絕對百分比誤差（mean absolute percentage error，簡稱MAPE）、均方根誤差（root mean square error，簡稱RMSE）和皮爾遜相關系數（Pearson correlation coefficient，簡稱R）定量評價預測精度。其中：MAE,MAPE及RMSE從誤差角度評價預測精度，值越小說明效果越好；R是從相關性角度評價預測效果，值越大代表預測效果越好。4個指標的計算公式分別為其中：yi,分別為風速、風壓真實值；N為樣本數量。

極端風主要是指諸如臺風、下擊暴流、龍卷風等非平穩(wěn)性強、破壞力大的風。圖3為德州理工大學瑞茜技術中心觀測到的全尺度下擊暴流風速數據。其采樣頻率為1Hz，總時長為30min，提取10號測點500s時長的風速作為模型驗證樣本1。對某大跨膜結構表面進行臺風風壓特性研究，其測點及樣本如圖4所示�，F有21個測點的上下風壓傳感器監(jiān)測到的上下膜表面風壓數據，其采樣頻率為2Hz，降采樣因子取2（符合奈奎斯特采樣定理），提取其中某一測點500s時長的風壓作為樣本2。樣本非平穩(wěn)非高斯性檢驗值如表2所示。運用ADF進行非平穩(wěn)性檢驗，高階統計矩進行非高斯性檢驗，如表2所示。ADF假設待檢驗的時間序列存在單位根，若檢驗值大于1%,5%和10%顯著性水平下的ADF臨界值，則不能拒絕原假設，表明待檢驗時間序列具有非平穩(wěn)性。一個隨機變量概率分布形式的對稱性和陡峭性，分別被稱為偏度（SK）和峰度（K）。偏度指概率密度曲線是否相對均值對稱，峰度指概率密度曲線是否相對高斯分布更為陡峭或平緩。滿足高斯分布的高階統計矩偏度和峰度分別為SK=3,K=0。

【參考文獻】：
期刊論文
[1]傳感器故障后多變量經驗小波變換多點預測[J]. 李春祥,張佳麗.  振動.測試與診斷. 2019(01)
[2]基于小波支持向量機的非高斯空間風壓內外插預測[J]. 李春祥,殷瀟.  上海交通大學學報. 2018(11)
[3]基于混合智能優(yōu)化LSSVM的非高斯脈動風速預測[J]. 李春祥,丁曉達,鄭曉芬.  振動與沖擊. 2017(20)
[4]基于核極限學習機的多變量非平穩(wěn)脈動風速預測[J]. 鄭曉芬,鐘旺,李春祥.  振動與沖擊. 2017(18)
[5]基于小波和乘法混合核函數LSSVM的順風向非高斯空間風壓預測[J]. 遲恩楠,李春祥,鄭曉芬.  振動與沖擊. 2017(09)
[6]沿海重要區(qū)域建筑結構防臺風災害綜合技術措施研究[J]. 焦英立,劉記軍.  建筑結構. 2009(S2)



本文編號：3030928