李春祥,裴楊從琪,殷 瀟
(上海大學(xué) 土木工程系,上海 200444)
風(fēng)荷載是高層、大跨結(jié)構(gòu)建筑的主要設(shè)計(jì)荷載,掌握風(fēng)場(chǎng)特性對(duì)于大跨結(jié)構(gòu)抗風(fēng)設(shè)計(jì)具有的重要意義.隨著統(tǒng)計(jì)理論與機(jī)器學(xué)習(xí)的快速發(fā)展,最小二乘支持向量機(jī)(Least Square Support Vector Machine,LSSVM)在解決小樣本、非線(xiàn)性及高維數(shù)問(wèn)題中表現(xiàn)出泛化能力強(qiáng)、訓(xùn)練速度快以及全局優(yōu)化等優(yōu)點(diǎn).因此,眾多學(xué)者采用該方法預(yù)測(cè)結(jié)構(gòu)風(fēng)場(chǎng)的數(shù)據(jù),利用已知的有限風(fēng)壓時(shí)程樣本的特征信息進(jìn)行訓(xùn)練學(xué)習(xí),再泛化外推獲得未知的風(fēng)壓時(shí)程樣本息[1-2].
現(xiàn)有的風(fēng)特性分析方法通常假定風(fēng)荷載為平穩(wěn)高斯隨機(jī)過(guò)程.而已有的實(shí)測(cè)資料表明,復(fù)雜地形條件或強(qiáng)風(fēng)場(chǎng)下,氣流容易發(fā)生較強(qiáng)的分離或旋渦運(yùn)動(dòng).因此,風(fēng)荷載通常表現(xiàn)出明顯的非平穩(wěn)性,結(jié)構(gòu)表面風(fēng)壓概率分布呈現(xiàn)出強(qiáng)烈的非高斯隨機(jī)特征[3-5].該情況下,采用平穩(wěn)高斯模型進(jìn)行抗風(fēng)設(shè)計(jì)將會(huì)導(dǎo)致較大的分析誤差.本文將經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)與LSSVM結(jié)合,將實(shí)測(cè)風(fēng)壓分解并通過(guò)具備良好時(shí)頻特性的小波變化(Wavelet Transform,WT)算法對(duì)分解所得的固有模態(tài)函數(shù)進(jìn)行去噪.將去噪后的固有模態(tài)函數(shù)及剩余分量輸入最小二乘支持向量機(jī)進(jìn)行訓(xùn)練學(xué)習(xí)并預(yù)測(cè)重構(gòu)出所需的風(fēng)壓時(shí)程.
經(jīng)驗(yàn)?zāi)B(tài)分解法是1種適用于非線(xiàn)性非平穩(wěn)信號(hào)的新型自適應(yīng)信號(hào)時(shí)頻處理方法.該方法將信號(hào)分解為少量滿(mǎn)足以下條件的固有模態(tài)函數(shù)(Intrinsic Mode Functions,IMF):① 在整個(gè)數(shù)據(jù)集中,極值點(diǎn)的個(gè)數(shù)與穿零點(diǎn)的個(gè)數(shù)相等或兩數(shù)最大差值為1;②在任一點(diǎn),由所有極大、極小值點(diǎn)形成的包絡(luò)均值為0.通過(guò)篩分過(guò)程將IMF分解,直至剩余分量(Rn)很小或?yàn)?個(gè)單調(diào)函數(shù).事實(shí)上,經(jīng)過(guò)多次篩分后,剩余分量周期大于樣本持時(shí),信號(hào)頻率較低,可視為時(shí)變平均風(fēng)壓成分,則非平穩(wěn)風(fēng)壓時(shí)程P(t)可表示為
(1)
式中:n為分解序列數(shù),N為總分解序列數(shù).
小波理論具備良好的時(shí)頻特性,在信號(hào)去噪中得到了廣泛應(yīng)用并取得了良好的效果[7-8].高斯白噪聲在時(shí)間域沒(méi)有連續(xù)性,因此經(jīng)過(guò)小波變換后表現(xiàn)出很強(qiáng)的隨機(jī)性,而有效信號(hào)經(jīng)小波分解后小波系數(shù)較大,選取1個(gè)合適的閥值,大于閥值的小波系數(shù)可認(rèn)為是有效信號(hào)產(chǎn)生的,應(yīng)予以保留,小于閥值的小波系數(shù)則認(rèn)為是噪聲產(chǎn)生的,將其置為0以達(dá)到去噪的目的.小波去噪的基本步驟包括信號(hào)的小波分解、高頻系數(shù)的閾值量化及信號(hào)的小波重構(gòu).本文選用db4小波母函數(shù)對(duì)各IMF信號(hào)進(jìn)行兩層分解并提取系數(shù),獲取各頻段閾值,并進(jìn)行軟閾值處理.
給定一組訓(xùn)練樣本集:T={(xi,yi)|xi∈Rn,yi∈R,i=1,2,…,N} ,其中xi為n維輸入向量的元素,yi為對(duì)應(yīng)的訓(xùn)練樣本輸出值,N為樣本數(shù).LSSVM利用非線(xiàn)性映射將樣本由輸入空間映射到高維特征空間,進(jìn)一步尋找特征空間的線(xiàn)性關(guān)系以實(shí)現(xiàn)輸入空間的非線(xiàn)性處理,其線(xiàn)性回歸方程為
y(x)=ωTφ(x)+b
(2)
式中:φ(x)為非線(xiàn)性變換映射函數(shù);ω為權(quán)向量;b為偏置量.基于SRM原則,LSSVM的目標(biāo)優(yōu)化函數(shù)可描述為
(3)
式中:γ為正則化參數(shù);ei為松弛因子,且式(3)滿(mǎn)足yi=ωTφ(xi)+b+ei.引入Lagrange乘數(shù)法求解函數(shù)的最小值:
(4)
式中:αi為L(zhǎng)agrange乘子.對(duì)(4)式求偏導(dǎo):
(5)
消除式(5)中的ω和ei得
(6)
(7)
由式(7)可知,核函數(shù)作為L(zhǎng)SSVM預(yù)測(cè)算法的核心,其類(lèi)型直接影響回歸模型的預(yù)測(cè)性能.因此,解決實(shí)際問(wèn)題時(shí),核函數(shù)的選取尤其重要.高斯核函數(shù)(Radial Basis Function,RBF)具備良好的學(xué)習(xí)性能,在模式識(shí)別及回歸預(yù)測(cè)等問(wèn)題中被廣泛運(yùn)用且取得了較好的效果[9-10],其表達(dá)式為
(8)
式中:σ為核寬度.
Hermite多項(xiàng)式滿(mǎn)足以下遞推條件:
(9)
對(duì)于給定的權(quán)函數(shù)ω(x)=e-x2,Hermite多項(xiàng)式序列為正交序列,即當(dāng)m≠n時(shí),有:
(10)
對(duì)于非零向量x,上限為k時(shí)的Hermite核函數(shù)為[11]
(11)
?X×XK(x,xi)f(x)f(xi)dxdxi=
(12)
式中:X為任意的積分區(qū)域.可見(jiàn),Hermite核函數(shù)為L(zhǎng)SSVM允許核函數(shù).
n過(guò)大時(shí),預(yù)測(cè)模型的計(jì)算量較大,由式(11)可得一階Hermite核函數(shù)為
K(x,xi)=1+4(x·xi)
(13)
可見(jiàn),一階Hermite核函數(shù)為全局核函數(shù),該函數(shù)的泛化能力強(qiáng)而學(xué)習(xí)性能較弱,因而將其與典型的局部RBF組合,使得組合核函數(shù)兼具局部核函數(shù)在小范圍內(nèi)的強(qiáng)擬合性與全局核函數(shù)在整個(gè)數(shù)據(jù)集中良好的外推能力,組合核函數(shù)為
K(x,xi)=
(14)
式中:g∈(0,1).
支持向量機(jī)核函數(shù)理論在完備的內(nèi)積空間中進(jìn)行討論,線(xiàn)性加法在希爾伯特空間屬于封閉運(yùn)算,根據(jù)Mercer核條件,核函數(shù)的線(xiàn)性組合仍為支持向量機(jī)允許核函數(shù).本文采用的3種核函數(shù)及核參數(shù)的范圍見(jiàn)表1.
表1 3種模型核函數(shù)及參數(shù)范圍Tab.1 Kernel function expressions and spans of parameters of three models
對(duì)膜結(jié)構(gòu)表面進(jìn)行風(fēng)壓實(shí)測(cè)研究,可為膜結(jié)構(gòu)設(shè)計(jì)提供依據(jù),同時(shí)確保了膜結(jié)構(gòu)體系的安全[12].現(xiàn)對(duì)某體育中心膜結(jié)構(gòu)的表面整體風(fēng)壓進(jìn)行風(fēng)振實(shí)測(cè)研究,膜表面風(fēng)壓測(cè)點(diǎn)布置如圖1所示,圖中紅圈內(nèi)風(fēng)壓測(cè)點(diǎn)三維布置詳圖如圖2所示.每個(gè)測(cè)點(diǎn)的上、下位置分別安裝了風(fēng)壓傳感器,以同步監(jiān)測(cè)膜上下表面的風(fēng)壓時(shí)程.風(fēng)壓數(shù)據(jù)采樣頻率為100 Hz,最大風(fēng)速為11.59 m/s,風(fēng)力等級(jí)達(dá)到6級(jí),屬于強(qiáng)風(fēng)級(jí)別.本文選取1、8和13測(cè)點(diǎn)實(shí)測(cè)風(fēng)壓數(shù)據(jù)穩(wěn)定后500 s 內(nèi)的 1 000 個(gè)數(shù)據(jù)點(diǎn)風(fēng)壓作為單點(diǎn)及空間點(diǎn)預(yù)測(cè)樣本數(shù)據(jù).實(shí)測(cè)風(fēng)壓與經(jīng)EMD分解及小波去噪重構(gòu)后的風(fēng)壓(p)信號(hào)如圖3所示.
由圖3可見(jiàn),EMD-WT方法保留了實(shí)測(cè)風(fēng)壓序列的基本特征,消除了陡峭的極值,使重構(gòu)后的風(fēng)壓序列穩(wěn)定性得到較大提升.運(yùn)用增廣的迪基-福勒(Augmented Dickey-Fuller,ADF)檢驗(yàn)法檢驗(yàn)時(shí)間序列的平穩(wěn)性.ADF檢驗(yàn)表中不同置信水平(一般為1%、5%、10%)的臨界值分別為-2.567、-1.941以及-1.616,若測(cè)點(diǎn)風(fēng)壓樣本ADF值大于上述臨界值,則表示該測(cè)點(diǎn)時(shí)間序列為非平穩(wěn)時(shí)間序列.
表2所示為1、8和13測(cè)點(diǎn)的ADF檢驗(yàn)值,可以看出,3個(gè)測(cè)點(diǎn)處風(fēng)壓樣本的檢驗(yàn)值均大于臨界值,均為非平穩(wěn)時(shí)間序列,結(jié)合偏度(S)及峰度(K)見(jiàn)表3.由表3可知,3測(cè)點(diǎn)處風(fēng)壓為典型的非平穩(wěn)非高斯時(shí)間序列.
文獻(xiàn)[13-14]首先將粒子群算法(Particle Swarm Optimization,PSO)應(yīng)用于人工模擬鳥(niǎo)群的覓食行為,通過(guò)協(xié)同和競(jìng)爭(zhēng)尋求粒子的最佳空間位置.采用粒子群算法對(duì)LSSVM正則化參數(shù)及表1中的核參數(shù)進(jìn)行參數(shù)尋優(yōu),γ∈[10-2,103],種群規(guī)模為30,最大迭代次數(shù)為150.以Hermite組合核函數(shù)為例進(jìn)行單點(diǎn)預(yù)測(cè)說(shuō)明,其流程如圖4所示.首先,運(yùn)用EMD將實(shí)測(cè)風(fēng)壓序列分解為一系列相對(duì)平穩(wěn)的固有模態(tài)函數(shù)和1個(gè)剩余分量;其次,使用小波變換對(duì)每個(gè)固有模態(tài)函數(shù)進(jìn)行去噪,將去噪后的固有模態(tài)函數(shù)及剩余分量作為樣本輸入,建立基于Hermit核函數(shù)及組合核的 PSO-LSSVM 的風(fēng)壓預(yù)測(cè)算法得到預(yù)測(cè)風(fēng)壓;最后,引入評(píng)價(jià)指標(biāo)進(jìn)行客觀評(píng)價(jià)分析.
圖1 風(fēng)壓測(cè)點(diǎn)布置平面圖Fig.1 Wind pressure measuring points
表2 測(cè)點(diǎn)處ADF檢驗(yàn)值Tab.2 Test value by ADF at measuring points
表3 測(cè)點(diǎn)處風(fēng)壓的峰度和偏度Tab.3 Skewness and kurtosis of wind pressure at measuring points
圖4 單點(diǎn)風(fēng)壓預(yù)測(cè)流程圖Fig.4 Flowchart of single point pressure prediction
圖5 1測(cè)點(diǎn)預(yù)測(cè)風(fēng)壓及實(shí)際風(fēng)壓時(shí)程圖對(duì)比Fig.5 Prediction of wind pressure and actual wind pressure time history diagram at Measuring Point 1
單點(diǎn)預(yù)測(cè)將EMD分解及小波去噪后的各IMF及Rn分為訓(xùn)練集和預(yù)測(cè)集2部分,嵌入維度取10,則訓(xùn)練集為490個(gè)10維向量,測(cè)試集為500個(gè)10維向量.將訓(xùn)練集輸入LSSVM,構(gòu)造出確定的輸入輸出關(guān)系,從而建立LSSVM風(fēng)壓預(yù)測(cè)模型.將預(yù)測(cè)模型應(yīng)用到預(yù)測(cè)集,分別使用3種預(yù)測(cè)模型對(duì)各IMF函數(shù)及Rn后250 s的風(fēng)壓時(shí)程進(jìn)行預(yù)測(cè),將各分量預(yù)測(cè)結(jié)果疊加,得到1測(cè)點(diǎn)風(fēng)壓序列的后250 s非平穩(wěn)風(fēng)壓,預(yù)測(cè)結(jié)果如圖5所示.可以看出,3種模型的單點(diǎn)風(fēng)壓預(yù)測(cè)結(jié)果較好,其中Hermite混合核模型較其余2種模型的單點(diǎn)風(fēng)壓預(yù)測(cè)結(jié)果與實(shí)際風(fēng)壓更為吻合,走向與實(shí)際風(fēng)壓一致;而Hermite-LSSVM 的預(yù)測(cè)風(fēng)壓吻合程度明顯優(yōu)于RBF-LSSVM 但較混合核模型仍有差距.此外,RBF核函數(shù)為典型的局部核函數(shù),具有較強(qiáng)的學(xué)習(xí)能力,但泛化能力差,易限于局部最優(yōu)解.因此,在風(fēng)壓脈動(dòng)性強(qiáng)的極值處,RBF-LSSVM的預(yù)測(cè)值與實(shí)際風(fēng)壓有較大誤差.Hermite核函數(shù)為全局核,在整個(gè)數(shù)據(jù)集內(nèi)具有良好的外推能力但對(duì)信號(hào)的局部擬合能力較弱,而組合核函數(shù)兼具全局核的泛化能力與局部核的學(xué)習(xí)能力,擬合性能更優(yōu).
圖6為1測(cè)點(diǎn)自相關(guān)函數(shù)對(duì)比圖.可以看出:組合核模型的脈動(dòng)風(fēng)壓與實(shí)際風(fēng)壓脈動(dòng)值的自相關(guān)性(M)比RBF-LSSVM與Hermite-LSSVM算法更高.圖7為1測(cè)點(diǎn)的脈動(dòng)風(fēng)壓功率譜(N)函數(shù)對(duì)比圖.可以看出,該實(shí)際風(fēng)壓中低頻成分幅值較大,同時(shí)混合核預(yù)測(cè)模型在低頻和高頻段與實(shí)際風(fēng)壓均更為接近,能更好地反映風(fēng)壓場(chǎng)能量分布,進(jìn)一步驗(yàn)證此模型的良好預(yù)測(cè)性能.
圖6 1測(cè)點(diǎn)預(yù)測(cè)風(fēng)壓及實(shí)際風(fēng)壓自相關(guān)函數(shù)對(duì)比Fig.6 Comparison of predicted wind pressure and actual wind pressure autocorrelation function at Mea-suring Point 1
圖7 1測(cè)點(diǎn)預(yù)測(cè)風(fēng)壓及實(shí)際風(fēng)壓功率譜對(duì)比Fig.7 Comparison of predicted wind pressure and actual wind pressure power spectrum at Measuring Point 1
圖8 3種預(yù)測(cè)算法的預(yù)測(cè)性能評(píng)價(jià)指標(biāo)對(duì)比Fig.8 Prediction performance indexes of three predicting algorithms
可以看出,Herinte+RBF-LSSVM模型的預(yù)測(cè)精度最高,性能最優(yōu),相較于RBF-LSSVM模型,其MAE和RMSE值分別降低51.6%和47.0%,MAPE和RMSPE值分別降低58.3%和56.3%;較Hermite-LSSVM模型,其MAE、RMSE、MAPE和RMSPE也有不同程度的降低.3種模型的R值均大于0.9且Herinte+RBF-LSSVM模型的R值最大,表明其預(yù)測(cè)風(fēng)壓與實(shí)際風(fēng)壓的相關(guān)性最強(qiáng).RBF-LSSVM、Hermite-LSSVM及Hermite+RBF-LSSVM 3種算法分別耗時(shí)273,324,358 s.未明顯延長(zhǎng)時(shí)間消耗的前提下,Hermite+RBF-LSSVM 模型的單點(diǎn)風(fēng)壓預(yù)測(cè)結(jié)果與實(shí)際風(fēng)壓之間誤差最小,相關(guān)系數(shù)最高,可實(shí)現(xiàn)對(duì)單點(diǎn)風(fēng)壓更高精度的預(yù)測(cè),為風(fēng)工程計(jì)算分析提供更準(zhǔn)確的風(fēng)壓時(shí)程.
為驗(yàn)證預(yù)測(cè)模型的魯棒性,對(duì)青島西海岸的青島澤潤(rùn)廣場(chǎng)超高層實(shí)測(cè)風(fēng)壓進(jìn)行預(yù)測(cè).該建筑距離海邊大約3 km,場(chǎng)地粗糙度為A類(lèi).主樓為28層辦公樓,建筑總高度為113 m.主樓結(jié)構(gòu)采用框架-剪力墻結(jié)構(gòu)體系,平面布置呈長(zhǎng)方形,長(zhǎng)和寬分別為43.6和21.3 m.
圖9 風(fēng)壓傳感器布置平面圖(mm)Fig.9 Layout plan of wind pressure sensor (mm)
對(duì)該建筑進(jìn)行了3面6點(diǎn)的風(fēng)壓現(xiàn)場(chǎng)實(shí)測(cè).為了獲得在強(qiáng)臺(tái)風(fēng)作用下超高層建筑的風(fēng)壓特性,6個(gè)風(fēng)壓傳感器(wps1-wps6)的布置如圖9所示,風(fēng)向切入夾角為α.6個(gè)風(fēng)壓傳感器模擬信號(hào)通過(guò)10 Hz低通抗混濾波器進(jìn)入A/D轉(zhuǎn)換采集卡,采用20 Hz采樣率進(jìn)行數(shù)據(jù)采集.
對(duì)6個(gè)測(cè)點(diǎn)時(shí)長(zhǎng)500 s的實(shí)測(cè)風(fēng)壓時(shí)間序列進(jìn)行降采樣,降采樣因子為10,利用3種預(yù)測(cè)模型分別預(yù)測(cè)6個(gè)測(cè)點(diǎn)時(shí)間采樣序列后250 s的風(fēng)壓.經(jīng)EMD分解及小波去噪重構(gòu)后的風(fēng)壓信號(hào)如圖10所示.表4為兩個(gè)測(cè)點(diǎn)處的ADF檢測(cè)值.可以看出,兩個(gè)測(cè)點(diǎn)處風(fēng)壓樣本檢驗(yàn)值均大于臨界值,故風(fēng)壓樣本時(shí)間序列為非平穩(wěn)時(shí)間序列.1,2測(cè)點(diǎn)的S及K值見(jiàn)表5.從表5可知,1,2測(cè)點(diǎn)風(fēng)壓樣本為典型的非平穩(wěn)非高斯隨機(jī)過(guò)程.
圖10 風(fēng)壓樣本時(shí)程圖Fig.10 Time history of wind pressure samples
圖11~13分別為Hermite+RBF-LSSVM 的風(fēng)壓時(shí)程曲線(xiàn)、自相關(guān)曲線(xiàn)及功率譜曲線(xiàn).可以看出,Hermite+RBF-LSSVM較其余兩種模型的預(yù)測(cè)結(jié)果更接近實(shí)測(cè)風(fēng)壓,與實(shí)測(cè)結(jié)果吻合度最高.
表6為3種預(yù)測(cè)算法的預(yù)測(cè)性能評(píng)價(jià)指標(biāo)對(duì)比,混合核模型預(yù)測(cè)精度最高,誤差最小,在不同測(cè)點(diǎn)處均保持較高的預(yù)測(cè)性能.
表4 測(cè)點(diǎn)處ADF檢驗(yàn)值Tab.4 Test value by ADF at measuring points
表5 測(cè)點(diǎn)處風(fēng)壓的峰度和偏度Tab.5 Skewness and kurtosis of wind pressure at measuring points
圖11 預(yù)測(cè)風(fēng)壓及實(shí)際風(fēng)壓時(shí)程圖對(duì)比Fig.11 Prediction of wind pressure and wind pressure time history diagram
圖12 預(yù)測(cè)風(fēng)壓及實(shí)際風(fēng)壓自相關(guān)函數(shù)對(duì)比Fig.12 Comparison of predicted wind pressure and actual wind pressure autocorrelation function
圖13 預(yù)測(cè)風(fēng)壓及實(shí)際風(fēng)壓功率譜對(duì)比Fig.13 Comparison of predicted wind pressure and actual wind pressure power spectrum
表6 3種預(yù)測(cè)算法的預(yù)測(cè)性能評(píng)價(jià)指標(biāo)對(duì)比Tab.6 Prediction performance indexes of three predicting algorithms
圖14 1測(cè)點(diǎn)的非平穩(wěn)風(fēng)壓分量重構(gòu)圖Fig.14 Figure of non-stationary wind pressure reconstruction at Measuring Point 1
表7 3個(gè)測(cè)點(diǎn)處各分量的游程總數(shù)Tab.7 Total number of runs for each intrinsic modal function at the three measuring points
圖15 空間點(diǎn)風(fēng)壓預(yù)測(cè)流程圖Fig.15 Flowchart of space point pressure prediction
將3個(gè)測(cè)點(diǎn)時(shí)間長(zhǎng)度為500 s的風(fēng)壓實(shí)測(cè)序列劃分為訓(xùn)練集和預(yù)測(cè)集,取風(fēng)壓實(shí)測(cè)序列前250 s為訓(xùn)練集,后250 s為預(yù)測(cè)集,利用訓(xùn)練樣本集進(jìn)行訓(xùn)練學(xué)習(xí),構(gòu)造出確定的輸入輸出關(guān)系,從而建立LSSVM風(fēng)壓預(yù)測(cè)模型,然后將預(yù)測(cè)模型應(yīng)用到預(yù)測(cè)集,將1,13測(cè)點(diǎn)高頻、中頻以及低頻風(fēng)壓數(shù)據(jù)分別作為輸入樣本,8測(cè)點(diǎn)風(fēng)壓數(shù)據(jù)作輸出,對(duì)測(cè)點(diǎn)處高、中、低頻時(shí)間采樣序列后250 s風(fēng)壓進(jìn)行預(yù)測(cè),同時(shí)給出RBF-LSSVM與Hermite-LSSVM的預(yù)測(cè)結(jié)果作為對(duì)比,預(yù)測(cè)結(jié)果如圖16所示.
圖19 3種預(yù)測(cè)算法的預(yù)測(cè)性能評(píng)價(jià)指標(biāo)對(duì)比Fig.19 Prediction performance indexes of three predicting algorithms
由圖16可知,組合核預(yù)測(cè)模型較其余兩種模型效果更好,在空間點(diǎn)預(yù)測(cè)重構(gòu)所得的非平穩(wěn)風(fēng)壓能與8測(cè)點(diǎn)處的實(shí)際風(fēng)壓更好地吻合.圖17為預(yù)測(cè)風(fēng)壓與實(shí)測(cè)風(fēng)壓自相關(guān)函數(shù)和互相關(guān)函數(shù)對(duì)比,圖中RBF-LSSVM的結(jié)果與實(shí)際風(fēng)壓的自相關(guān)性存在較大偏差,而組合核預(yù)測(cè)結(jié)果與實(shí)際風(fēng)壓的自相關(guān)性明顯更好.圖18為風(fēng)壓及實(shí)際風(fēng)壓的功率譜對(duì)比,可以看出,混合核模型的預(yù)測(cè)結(jié)果吻合程度明顯優(yōu)于其他兩種方法的吻合度.圖19中給出了3種模型的5種預(yù)測(cè)性能指標(biāo)對(duì)比.可以看出,Hermite+RBF-LSSVM模型在空間風(fēng)壓預(yù)測(cè)中精度最高,MAE、RMSE較RBF-LSSVM分別降低21.1%和25.6%,MAPE和RMSPE分別下降了39.2%和46.9%,較常用的RBF-LSSVM預(yù)測(cè)性能有較大提升.結(jié)合圖8和19可知,空間點(diǎn)風(fēng)壓預(yù)測(cè)效果弱于單點(diǎn)預(yù)測(cè),這是由于采用了不同測(cè)點(diǎn)處的風(fēng)壓使得樣本相關(guān)性減弱,預(yù)測(cè)精度降低.
圖16 預(yù)測(cè)風(fēng)壓及實(shí)際風(fēng)壓時(shí)程圖對(duì)比Fig.16 Prediction of wind pressure and wind pressure time history diagram
圖17 預(yù)測(cè)風(fēng)壓與實(shí)測(cè)風(fēng)壓自相關(guān)函數(shù)和互相關(guān)函數(shù)對(duì)比Fig.17 Comparison of predictive wind pressure and actual wind pressure autocorrelation function and cross-correlation function
圖18 預(yù)測(cè)風(fēng)壓及實(shí)際風(fēng)壓功率譜對(duì)比Fig.18 Comparison of predicted wind pressure and actual wind pressure power spectrum
本文運(yùn)用3種預(yù)測(cè)模型對(duì)實(shí)測(cè)非平穩(wěn)非高斯風(fēng)壓進(jìn)行了單點(diǎn)及空間點(diǎn)預(yù)測(cè).主要結(jié)論有:
(1)基于經(jīng)驗(yàn)?zāi)B(tài)分解和小波去噪重構(gòu)的EMD-WT-LSSVM方法對(duì)于非平穩(wěn)非高斯風(fēng)壓預(yù)測(cè)行之有效,在單點(diǎn)和空間點(diǎn)風(fēng)壓預(yù)測(cè)中均取得良好的效果;
(2)基于Hermite核函數(shù)與RBF核函數(shù)的組合核預(yù)測(cè)模型是一種穩(wěn)定高精度模型,其在單點(diǎn)和空間點(diǎn)預(yù)測(cè)結(jié)果均優(yōu)于Hermite-LSSVM及常用的RBF-LSSVM預(yù)測(cè)模型,處理非線(xiàn)性問(wèn)題的能力更強(qiáng),具備較高的工程應(yīng)用價(jià)值.