[发明专利]基于粒子群优化反向传播神经网络的脉动风速预测方法

说明书

技术领域

本发明涉及一种采用粒子群优化算法优化神经网络学习算法对单点脉动风速进行预测，改进传统神经网络容易陷入局部极值，导致收敛速度慢的缺陷，具体的说是一种基于粒子群优化反向传播(BackPropagation，BP)神经网络的脉动风速预测方法。

背景技术

研究风荷载时，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，平均风速产生结构静态响应，而脉动风速产生动态响应。风作用在高层结构时，其正负风压对结构形成风荷载，同时钝体绕流还会引起结构抖振、旋涡脱落引起的横向振动和扭转振动。极端风荷载作用下产生的抖振和颤振会引起建筑物倒塌或严重破坏；动态位移超限易引起墙体开裂和附属构件破坏；大幅振动会造成居住和生活的不舒适；脉动风频繁作用也会使外墙面构件和附属物产生疲劳破坏。掌握完整的脉动风速时程资料对于结构设计、安全具有重要意义。

基于知识发现的风速智能模型预测方法不局限于用数学方程式描述预测自变量与预测因子之间的关系，而是根据预测方法本身的结构机制获取预测的“知识”和“经验”。这类方法具有自适应能力，可以较好的处理非线性、非确定性时间序列的预测问题。目前脉动风速建模预测的方法主要有时间序列分析法、神经网络、支持向量机等方法。然而这些方法都存在着理论或应用上的不足，如时问序列模型高阶模型参数估计难度大、低阶模型预测精度低；支持向量机(SVM)虽然通过核函数定义的非线性变换将输入空间变换到一个高维空间，在这个高维空间中寻找输入变量和输出变量之间的一种非线性关系，解决了“维数灾难”问题，但核函数的选择和参数优化决定了模型的特性；神经网络预测模型采用的是黑箱型的学习模式，能够识别复杂性、非线性的特性。该预测模型是利用大量的历史数据来训练神经网络，学习完成后得到输入与输出的一种映射关系。如果给定相应的输入，通过这种映射关系就可以获得到对应的输出即预测结果。神经网络预测模型也存在着不足，比如结构的设定较难，网络初始的权值和偏置是随机选取的，倘若这些参数的位置选择不当，则会导致网络的收敛速度慢、陷入局部最优。

随着智能优化算法的发展，神经网络的预测性能得到大大的提高。粒子群(PSO-BP)是一种并行随机搜索最优化方法，具有全局搜索能力，采用粒子群优化算法来确定神经网络初始权值和阈值，有利于神经网络网络很快收敛到全局最优解。

发明内容

本发明的目的在于提供一种基于粒子群优化反向传播神经网络的脉动风速预测方法，解决传统的传统神经网络容易陷入局部极值，导致收敛速度慢的问题。本发明利用自回归滑动平均(Auto-RegressiveandMovingAverage，ARMA)方法数值有限脉动风速作为样本数据，再建立粒子群优化算法反向传播(ParticleSwarmOptimization-BackPropagation，PSO-BP)神经网络预测模型，利用该模型预测所需后续时间的脉动风速，计算实际风速与预测风速的平均绝对误差(MAE)、均方根误差(RMSE)以及相关系数(R)来评价本方法的精度。

根据上述发明构思，本发明采用下述技术方案：本发明粒子群优化神经网络的脉动风速预测方法包括以下步骤：

第一步：利用自回归滑动平均模型模拟生成垂直空间点脉动风速样本，将每一个空间点的脉动风速样本分为训练集、测试集两部分，对其分别进行归一化处理；对数据归一化处理后，目的是为了取消各维数据之间的数量级差别，从而避免因为输入输出数据的数量级差别大而造成网络预测误差大的情况，取嵌入维数k＝10对进行样本数据进行相空间重构；确定单点脉动风速样本的自回归滑动平均模型各参数，自回归滑动平均模型的自回归阶数p＝4，滑动回归阶数q＝1；

第二步：取采样时间1000s的20m、50m脉动风速样本，嵌入维数k＝10，对样本数据进行相空间重构；给定训练样本N＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈Rⁿ,i＝1,…,N}、激励函数g(x)，设定神经网络模型输入节点m＝10、隐层节点p＝10、输出节点q＝1、网络训练次数epochs＝100、误差精度goal＝0.0001及学习率lr＝0.1；将1-790s脉动风速作为训练集，791-990s脉动风速作为测试集，归一化处理；