基于最优小波包变换的非平稳风速预测方法
【技术领域】
[0001] 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】
[0002] 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。
[0003] 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（Auto Regressive， 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 (Support Vector Machines，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。
[0004] 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（Wavelet Support Vector Machines，WSVM)。
[0005] 遗传算法（Genetic Algorith，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。
[0006] 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】
[0007] 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。
[0008] 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； 第二步，选用非对称的db类小波，利用小波包技术对信号进行分解，计算每一个分解 子节点的Shannon熵，通过比较低频子节点和高频子节点的Shannon熵值之和与分解前的 父节点熵值的大小，来决定是否继续分解；当子节点熵值之和小于父节点熵值时，则采纳此 分解，否则保留父节点；利用此方法得到非平稳风速序列的最优分解树，经过小波包重构得 到所需要的低频信号和高频信号； 第三步，对于第二步分解后的高频信号和低频信号，分两类算法预测：即对高频信号采 用自回归AR预测建模，对低频信号采用小波支持向量机预测建模，其中对于WSVM的模型参 数和核参数采用遗传算法优化选取； 第四步，将高频信号的预测数据与低频信号的预测数据进行叠加得出最终预测结果。 优选地，所述调制函数采用正弦函数。
[0009] 优选地，所述第一步的非平稳风速基于了风速谱理论，采用如下式：
式中
，.奪是脉动风的圆频率（rad/s)，:f.tlt^::是10米处的平均风速（m/s)， 夏是地面粗糙度系数。
[0010] 优洗地，所沐第二步中的Shannon
爐的表达式如下式：
[0011] 优选地，所述第三步中选择用Bubble小波核函数取代传统核函数，构成小波支持 向量机，Bubble小波核函数如下式
[0012] 优选地，所述第三步中WSVM的模型参数和核参数采用遗传算法进行全局最优选 取，其中是以平均相对误差作为GA的适应度函数。
[0013] 与现有技术相比，本发明具有如下的有益效果：数值试验结果表明，本发明的基于 最优小波包变换的非平稳风速预测方法相对于直接采用传统的BP神经网络算法具有更好 的预测精度，在充分拟合低频信号的同时，可以避免对高频信号的过拟合，证明了小波包最 优分解的有效性，以及遗传算法在小波支持向量机参数选择的优势，这对于解决工程实际 问题提供了一种有效的思路和方法。
【附图说明】
[0014] 图1是基于最优小波包变换的非平稳风速预测方法的设计流程详图； 图2是遗传算法的工作流程图； 图3是谐波合成法模拟生成的零均值非平稳风速序列的示意图； 图4是经正弦调制函数调制后模拟生成的时变非平稳风速序列的示意图； 图5是采用dblO小波进行小波包分解的最优分解树的示意图； 图6是最优小波包分解后的低频信号和高频信号时程曲线图； 图7是基于最优小波包变换、GA优化WSVM预测方法和BP神经网络预测方法对比图。
【具体实施方式】
[0015] 以下结合附图对本发明的实施进一步详细说明。
[0016] 本发明的构思是先利用谐波合成法生成一段零均值平稳风速，并使用正弦调制函 数调制得到非平稳风速序列，通过小波包变换对非平稳信号进行分解，并利用Shannon熵 准则，得到最优分解树，经过重构提取出原始信号的高频信息和低频信息，分别采用AR和 WSVM预测建模，叠加得到最终的预测结果。其中对于WSVM的预测，考虑到支持向量机的参 数选择对于最终结果影响很大，需要利用到遗传算法对参数选取进行优化。
[0017] 如图1所示，本发明基于最优小波包变换的非平稳风速预测方法包括如下步骤： 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U (t)，如 图3所示。通过调制函数(这里采用