[发明专利]基于最优小波包变换的非平稳风速预测方法

说明书

技术领域

本发明涉及一种关于非平稳时间序列过程的预测方法，具体的说是一种基于最优小波包变换的非平稳风速预测方法。

背景技术

自然世界中靠近地面边界层的风速和风向具有随时间和空间随机变化的特征，例如由强（台）风引起的高层建筑上的风速以及一些阵风锋面上的瞬态阵风风速就是高斯非平稳过程。1938年，Wold提出了著名的Wold分解定理指出任何一个离散平稳过程都可以分解为不相关的确定性和随机性的两个平稳序列之和。Gramer将其推广到了非平稳序列，提出了Gramer分解定理：任何一个时间序列都可以分解为时变确定性趋势成分和平稳零均值随机成分的。在研究结构风荷载时，通常把风处理为在一定时距内不随时间变化的平均风速和随时间随机变化的脉动风速两部分，平均风速对结构产生静态响应，而脉动风速对结构产生动态响应。

对于时间序列的预测算法研究，除了常见的自回归预测模型（AutoRegressive，AR），智能控制算法中神经网络已经比较成熟，不过神经网络模型存在过学习和局部极值点的缺陷问题，且需要较大量的样本。Vapnik和Cortes于1995年首先提出的支持向量机（SupportVectorMachines，SVM）智能算法，是专门针对有限样本情况的机器学习方法，在函数拟合和回归方面的特有优势，采用结构风险最小化原则，将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性决策来实现原空间中的非线性决策函数，巧妙地解决了维数问题，具有小样本学习、全局寻优、泛化能力强的特点。

核函数的选取和优化，对支持向量机性能的提高产生很大的影响。采用一般的径向基（RBF）核函数具有信息丢失、处理时间过长、对边界处信号和多尺度信号预测精度不高等缺陷，而基于小波理论构造的核函数具有局部化、多层次、多分辨的优点，同时可以进行多尺度分析，可有效地提升支持向量机的推广能力，小波核函数替代传统核函数后的支持向量机称为小波支持向量机（WaveletSupportVectorMachines，WSVM）。

遗传算法（GeneticAlgorith，GA）作为一种新的全局优化搜索算法，能有效解决最优化问题，本质上是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，可用于复杂系统优化计算的搜索算法，具有鲁棒性、自适应性和全局优化性。SVM的模型参数和核函数参数的确定是影响预测精度的重要因素。在传统的SVM方法中，这两种参数的选择往往凭借经验采用Cross-Validation的方法，缺乏理论基础，影响SVR的学习效率和回归能力。本发明设计GA和WSVM相结合的模型，采用GA对WSVM模型的参数进行优化，大大降低了参数选择的人为因素，提高了WSVM的预测效果。

小波变换克服了短时傅里叶变换在处理信号时不能兼顾频率与时间分辨率的缺点，时间窗和频率窗都可以改变，能进行多分辨率分析。小波包变换则是小波包的推广，对于低频部分和高频部分都进行二次分解，可以聚焦到分析对象的任意细节，从而能提取更多的反映信号特征的信息。为了解决非平稳时间序列的预测问题，考虑到二进正交小波包分解对非平稳性时间序列的适应性，对高低频的分离效果及支持向量机较好的泛化能力，本发明提出一种基于最优小波包变换和遗传算法优化WSVM的非平稳风速预测方法，选择信息代价函数Shannon熵作为信息分解优劣的判断准则，采用二进小波包变换最优化地提取原始序列中的高频信息和低频信息，分别利用AR和WSVM方法对高频部分和低频部分进行建模预测，其中对于WSVM中的参数利用遗传算法优化选取，并将两部分预测值叠加得到结果，这样在充分拟合低频信息的同时，也避免对高频信息的过拟合，从而提高了非平稳时间序列的预测精度。

发明内容

本发明的目的在于提供一种基于最优小波包变换的非平稳风速预测方法，其根据Gramer定理和遗传算法优化WSVM，对于自然界中的非平稳风速可以分解为确定性的时变平均风速（低频部分）和零均值平稳随机脉动风速（高频部分）的叠加，可以分别对这两部分进行建模预测，叠加得到最终的预测结果，与单一化的预测方法（如BP神经网络）相比明显提高预测精度。

根据上述发明构思，本发明采用下述技术方案：一种基于最优小波包变换的非平稳风速预测方法，其特征在于，其包括如下步骤：

第一步，采用经过样条曲线插值改进的谐波合成法生成零均值的非平稳风速，通过调制函数调制得到时变的非平稳风速序列；