基于深度分解的非平稳非高斯过程多步预测

发布时间：2021-02-12 13:23

　　首先,综合运用小波包分解（wavelet packet decomposition,简称WPD）、样本熵、单位根检验法和变分模态分解（variational mode decomposition,简称VMD）,提出利用混合深度分解（hybrid deep decomposition,简称HDD）对非平稳非高斯过程进行处理,降低实测风速风压复杂性,提升其可预测性;其次,根据Mercer定理构造了Morlet+Hermite（MH）线性组合核函数,使其具有局部多分辨性和全局泛化性的优点,采用粒子群算法（particle swarm optimization,简称PSO）对MH核进行参数优化,结合最小二乘支持向量机（least square support vector machine,简称LSSVM）建立HDD-MH-LSSVM多步预测模型;然后,将该模型与常用核函数构成的HDD-Poly-LSSVM,HDD-径向基函数（radial basis function,简称RBF）-LSSVM多步预测模型以及极限学习机（extreme learning machine,简称ELM）多步预测模型... 

【文章来源】：振动.测试与诊断. 2020,40(04)北大核心

【文章页数】：10 页

【部分图文】：

混合深度分解流程图

为定量评价HDD-MH-LSSVM模型预测精度，采用图形定性评价和指标定量评价两种方式进行综合比较。采用预测风压时程图、功率谱图和自相关函数图定性评价预测效果，预测曲线越接近真实曲线，说明预测效果越好。为了更直观表征各模型产生误差的情况，绘制预测风压相对误差图和误差分布情况。相对误差图是预测值与真实值直接相减产生，图像越接近水平线，预测效果越好。误差分布散点情况（如图4(a）右上角）是以真实值为纵坐标，预测值为横坐标，散点分布越集中于对角线，预测越准确。采用平均绝对误差（mean absolute error，简称MAE）、平均绝对百分比误差（mean absolute percentage error，简称MAPE）、均方根误差（root mean square error，简称RMSE）和皮尔逊相关系数（Pearson correlation coefficient，简称R）定量评价预测精度。其中：MAE,MAPE及RMSE从误差角度评价预测精度，值越小说明效果越好；R是从相关性角度评价预测效果，值越大代表预测效果越好。4个指标的计算公式分别为其中：yi,分别为风速、风压真实值；N为样本数量。

极端风主要是指诸如台风、下击暴流、龙卷风等非平稳性强、破坏力大的风。图3为德州理工大学瑞茜技术中心观测到的全尺度下击暴流风速数据。其采样频率为1Hz，总时长为30min，提取10号测点500s时长的风速作为模型验证样本1。对某大跨膜结构表面进行台风风压特性研究，其测点及样本如图4所示。现有21个测点的上下风压传感器监测到的上下膜表面风压数据，其采样频率为2Hz，降采样因子取2（符合奈奎斯特采样定理），提取其中某一测点500s时长的风压作为样本2。样本非平稳非高斯性检验值如表2所示。运用ADF进行非平稳性检验，高阶统计矩进行非高斯性检验，如表2所示。ADF假设待检验的时间序列存在单位根，若检验值大于1%,5%和10%显著性水平下的ADF临界值，则不能拒绝原假设，表明待检验时间序列具有非平稳性。一个随机变量概率分布形式的对称性和陡峭性，分别被称为偏度（SK）和峰度（K）。偏度指概率密度曲线是否相对均值对称，峰度指概率密度曲线是否相对高斯分布更为陡峭或平缓。满足高斯分布的高阶统计矩偏度和峰度分别为SK=3,K=0。

【参考文献】：
期刊论文
[1]传感器故障后多变量经验小波变换多点预测[J]. 李春祥,张佳丽.  振动.测试与诊断. 2019(01)
[2]基于小波支持向量机的非高斯空间风压内外插预测[J]. 李春祥,殷潇.  上海交通大学学报. 2018(11)
[3]基于混合智能优化LSSVM的非高斯脉动风速预测[J]. 李春祥,丁晓达,郑晓芬.  振动与冲击. 2017(20)
[4]基于核极限学习机的多变量非平稳脉动风速预测[J]. 郑晓芬,钟旺,李春祥.  振动与冲击. 2017(18)
[5]基于小波和乘法混合核函数LSSVM的顺风向非高斯空间风压预测[J]. 迟恩楠,李春祥,郑晓芬.  振动与冲击. 2017(09)
[6]沿海重要区域建筑结构防台风灾害综合技术措施研究[J]. 焦英立,刘记军.  建筑结构. 2009(S2)



本文编号：3030928