首先,綜合運(yùn)用小波包分解（wavelet packet decomposition,簡稱WPD）、樣本熵、單位根檢驗(yàn)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(jìn)行處理,降低實(shí)測風(fēng)速風(fēng)壓復(fù)雜性,提升其可預(yù)測性;其次,根據(jù)Mercer定理構(gòu)造了Morlet+Hermite（MH）線性組合核函數(shù),使其具有局部多分辨性和全局泛化性的優(yōu)點(diǎn),采用粒子群算法（particle swarm optimization,簡稱PSO）對MH核進(jìn)行參數(shù)優(yōu)化,結(jié)合最小二乘支持向量機(jī)（least square support vector machine,簡稱LSSVM）建立HDD-MH-LSSVM多步預(yù)測模型;然后,將該模型與常用核函數(shù)構(gòu)成的HDD-Poly-LSSVM,HDD-徑向基函數(shù)（radial basis function,簡稱RBF）-LSSVM多步預(yù)測模型以及極限學(xué)習(xí)機(jī)（extreme learning machine,簡稱ELM）多步預(yù)測模型... 

【文章來源】：振動(dòng).測試與診斷. 2020,40(04)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

混合深度分解流程圖

為定量評價(jià)HDD-MH-LSSVM模型預(yù)測精度，采用圖形定性評價(jià)和指標(biāo)定量評價(jià)兩種方式進(jìn)行綜合比較。采用預(yù)測風(fēng)壓時(shí)程圖、功率譜圖和自相關(guān)函數(shù)圖定性評價(jià)預(yù)測效果，預(yù)測曲線越接近真實(shí)曲線，說明預(yù)測效果越好。為了更直觀表征各模型產(chǎn)生誤差的情況，繪制預(yù)測風(fēng)壓相對誤差圖和誤差分布情況。相對誤差圖是預(yù)測值與真實(shí)值直接相減產(chǎn)生，圖像越接近水平線，預(yù)測效果越好。誤差分布散點(diǎn)情況（如圖4(a）右上角）是以真實(shí)值為縱坐標(biāo)，預(yù)測值為橫坐標(biāo)，散點(diǎn)分布越集中于對角線，預(yù)測越準(zhǔn)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(guān)系數(shù)（Pearson correlation coefficient，簡稱R）定量評價(jià)預(yù)測精度。其中：MAE,MAPE及RMSE從誤差角度評價(jià)預(yù)測精度，值越小說明效果越好；R是從相關(guān)性角度評價(jià)預(yù)測效果，值越大代表預(yù)測效果越好。4個(gè)指標(biāo)的計(jì)算公式分別為其中：yi,分別為風(fēng)速、風(fēng)壓真實(shí)值；N為樣本數(shù)量。

極端風(fēng)主要是指諸如臺風(fēng)、下?lián)舯┝鳌埦盹L(fēng)等非平穩(wěn)性強(qiáng)、破壞力大的風(fēng)。圖3為德州理工大學(xué)瑞茜技術(shù)中心觀測到的全尺度下?lián)舯┝黠L(fēng)速數(shù)據(jù)。其采樣頻率為1Hz，總時(shí)長為30min，提取10號測點(diǎn)500s時(shí)長的風(fēng)速作為模型驗(yàn)證樣本1。對某大跨膜結(jié)構(gòu)表面進(jìn)行臺風(fēng)風(fēng)壓特性研究，其測點(diǎn)及樣本如圖4所示�，F(xiàn)有21個(gè)測點(diǎn)的上下風(fēng)壓傳感器監(jiān)測到的上下膜表面風(fēng)壓數(shù)據(jù)，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(diǎn)500s時(shí)長的風(fēng)壓作為樣本2。樣本非平穩(wěn)非高斯性檢驗(yàn)值如表2所示。運(yùn)用ADF進(jìn)行非平穩(wěn)性檢驗(yàn)，高階統(tǒng)計(jì)矩進(jìn)行非高斯性檢驗(yàn)，如表2所示。ADF假設(shè)待檢驗(yàn)的時(shí)間序列存在單位根，若檢驗(yàn)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(shè)，表明待檢驗(yàn)時(shí)間序列具有非平穩(wěn)性。一個(gè)隨機(jī)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(tǒng)計(jì)矩偏度和峰度分別為SK=3,K=0。

【參考文獻(xiàn)】：
期刊論文
[1]傳感器故障后多變量經(jīng)驗(yàn)小波變換多點(diǎn)預(yù)測[J]. 李春祥,張佳麗.  振動(dòng).測試與診斷. 2019(01)
[2]基于小波支持向量機(jī)的非高斯空間風(fēng)壓內(nèi)外插預(yù)測[J]. 李春祥,殷瀟.  上海交通大學(xué)學(xué)報(bào). 2018(11)
[3]基于混合智能優(yōu)化LSSVM的非高斯脈動(dòng)風(fēng)速預(yù)測[J]. 李春祥,丁曉達(dá),鄭曉芬.  振動(dòng)與沖擊. 2017(20)
[4]基于核極限學(xué)習(xí)機(jī)的多變量非平穩(wěn)脈動(dòng)風(fēng)速預(yù)測[J]. 鄭曉芬,鐘旺,李春祥.  振動(dòng)與沖擊. 2017(18)
[5]基于小波和乘法混合核函數(shù)LSSVM的順風(fēng)向非高斯空間風(fēng)壓預(yù)測[J]. 遲恩楠,李春祥,鄭曉芬.  振動(dòng)與沖擊. 2017(09)
[6]沿海重要區(qū)域建筑結(jié)構(gòu)防臺風(fēng)災(zāi)害綜合技術(shù)措施研究[J]. 焦英立,劉記軍.  建筑結(jié)構(gòu). 2009(S2)



本文編號：3030928