[发明专利]基于EEMD-ELM的非平稳脉动风速高精度预测方法

说明书

技术领域

本发明涉及一种采用集合经验模态分解(EEMD)与极限学习机(ELM)组合的单点非平稳脉动风速预测方法，具体的说是一种基于EEMD-ELM的非平稳脉动风速高精度预测方法。

背景技术

对于大跨空间结构、高层建筑结构，高耸结构等，风荷载是其抗风设计的控制荷载之一。而进行结构的抗风分析首先要获取风的样本数据，目前风工程的主要研究方法有理论分析、数值模拟、风洞试验以及现场实测等。随着计算机技术的飞速发展和人们对随机过程数值模拟技术的深入研究，采用数值模拟方法得到风速时程曲线可以考虑场地、风谱特征、建筑物特点等条件的任意性，使得到的模拟荷载尽量接近结构的实际风力，同时可满足某些统计特性的任意性，且比实际记录更具代表性，因而被广泛应用于实际工程中。

非平稳特性作为自然界中各种随机荷载普遍存在的一种现象，如：雷暴、强风、地震等，其振幅和频率都是随时间变化的，因此对脉动风进行数值模拟时，风的非平稳性是必须要考虑的因素。大量实际测试数据分析表明，许多风速记录都不满足平稳性要求，特别是在复杂地形强风环境下的非平稳脉动风，采用平稳风速假定时，会导致较大的分析误差。

经验模态分解(EmpiricalModeDecomposition，EMD)也称为筛选过程，其有两个作用：去除叠加波和使数据波形更加对称。在分解过程中，EMD提取出最高频率的振荡作为第一个IMF，然后接下来一步步分解出来的IMF的频率越来越低。集合经验模态分解(EnsembleEmpiricalModeDecomposition，EEMD)，其核心思想就是对每一个观测到的时间序列中的数据加入干扰项，使得含有不同噪声水平的数据的均值能更逼近真实值。因此，为了尽可能地得到数据信号的真实形态，在将具有有限振幅的白噪声序列加入到原始序列之后，再对得到的数据信号进行EMD分解，得到相应的IMF分量。

极限学习机(ExtremeLearningMachine，ELM)是一种新型的单隐层前馈神经网络(SLFNs)学习方法，该算法在随机选择输入层权值和隐层神经元阈值的前提下，仅通过一步计算即可求得网络输出权值，同传统神经网络相比，极限学习机极大地提高了网络的泛化能力和学习速度，具有较强的非线性拟合能力。极限学习机的基本思想为：训练前设置合适的隐层节点数，在执行过程中只需要为输入权值和隐层偏置随机赋值，整个过程一次完成，无需迭代，并且产生唯一的最优解。将模拟生成的脉动风速作为学习训练样本，建立ELM回归模型，就可以对对单点脉动风速进行有效预测。

发明内容

本发明的目的在于提供一种基于EEMD-ELM的非平稳脉动风速高精度预测方法，其利用时变自回归滑动平均模型(Time-VaryingAuto-RegressiveandMovingAverage，TARMA)模拟生成的非平稳脉动风速样本，基于集合经验模态分解与分类重构方法，建立极限学习机的模型，利用该模型对单点非平稳脉动风速进行预测。同时计算预测风速与模拟风速的平均绝对误差(MAE)、均方根误差(RMSE)以及相关系数(R)评价本方法的有效性。

根据上述发明构思，本发明采用下述技术方案：本发基于EEMD-ELM的非平稳脉动风速高精度预测方法包括以下步骤：

第一步：利用时变自回归滑动平均模型模型模拟生成非平稳脉动风速样本，将脉动风速样本分为训练集、测试集两部分，并采用矩阵实验室对样本归一化处理；

第二步：对该非平稳脉动风速样本的时间序列进行集合经验模态分解处理，将这一非平稳非线性的脉动风信号分解为一组稳态和线性的序列集，即固有模态函数；

第三步：对这组固有模态函数分量进行相空间重构，并根据它们各自的特征分别建立相应的极限学习机预测模型，对该点非平稳脉动风速时程进行学习预测；

第四步：将这组固有模态函数分量的预测结果进行叠加就可以得到该点的非平稳脉动风的预测风速，将这组固有模态函数分量的预测结果进行叠加就可以得到该点的非平稳脉动风的预测风速，然后将预测风速结果与模拟风速对比，从训练集和测试集两方面分别计算预测风速与模拟风速的平均绝对误差、均方根误差以及相关系数，评价本方法的有效性。

优选地，上述第一步中，时变自回归滑动平均模型模型模拟m维非平稳脉动风速表示为下式：