[发明专利]基于EMD-ELM的非平稳脉动风速预测方法

说明书

技术领域

本发明涉及一种采用经验模态分解(EMD)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EMD-ELM的非平稳脉动风速预测方法。

背景技术

对于大跨空间结构、大跨度桥梁、高层建筑结构，高耸结构，如拉线式桅杆、电视塔、烟囱等建筑物，风荷载是结构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荷载的样本数据，目前确定风工程的主要研究手段有理论分析、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、建筑物的特点等条件的任意性，使模拟得到的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：大气边界层湍流、雷暴强风及地震等。其振幅和频率都是随时间变化的，因此在某些特定环境下对脉动风进行数值模拟，风的非平稳性是必须要考虑的因素。特别是在下击暴流中，即雷暴天气中强烈的下沉气流猛烈撞击地面，并由撞击点向四周沿地表传播的极具突发性和破坏性的一种强风，其极强的非平稳性很可能会对结构产生更大的动力响应。大量实际测试数据分析表明，强风环境复杂地形下许多风速记录都不满足此平稳性要求。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，非平稳数据需要舍弃，这会导致较大的分析误差，如湍流强度值会被高估，进而影响后续分析的准确性。

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。其基本思想为：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，建立回归模型对单点脉动风速进行有效预测。

发明内容

本发明所要解决的技术问题是提供一种基于EMD-ELM的非平稳脉动风速预测方法，其利用时变自回归滑动平均模型(Time-VaryingAuto-RegressiveandMovingAverage，TARMA)模拟生成非平稳脉动风速样本，基于经验模态分解(EMD)与分类重构方法，建立极限学习机(ELM)的模型，利用该模型对单点非平稳脉动风速进行预测。同时计算实际风速与预测风速的平均误差(AE)、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：本发明基于EMD-ELM的非平稳脉动风速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Matlab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：对这一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：将这一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，同时将测试样本和预测的非平稳脉动风速结果对比，计算预测风速与实际风速的平均误差、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拟m维非平稳脉动风速表示为下式：