[发明专利]一种基于GA-WOA-GRNN网络的斜拉索短期覆冰厚度预测方法

说明书

一种基于GA‑WOA‑GRNN网络的斜拉索短期覆冰厚度预测方法，它包括以下步骤：步骤一：根据斜拉索覆冰的增长规律，选择拉索覆冰关联性较大的影响因素，确定样本数据的训练集和测试集；步骤二：对样本数据进行数据归一化处理；步骤三：将归一化后的数据利用交叉验证方法分成若干组，每组数据都作为GRNN预测模型的输入样本，将相对应的覆冰厚度值作为模型的输出值，构建GRNN模型训练样本矩阵；步骤四：使用GA‑WOA优化算法优化GRNN网络算法的光滑因子σ，以训练样本的输出值与实际值的均方差作为适应度函数，以期许得到最小误差预测模型；通过上述步骤进行斜拉索短期覆冰厚度的预测。

技术领域

本发明涉及桥梁结构防灾减灾及安全预警领域，具体涉及斜拉桥斜拉索覆冰厚度预测。

背景技术

随斜拉桥跨越能力大、结构轻盈、造型优美，是大跨度桥梁的重要桥型。在冬季湿冷的气温作用下，冬斜拉索表面极易出现覆冰现象，诱发不同模式的灾害。首先覆冰会改变拉索横断面的形状，形成不稳定的气动外形，从而产生大振幅的驰振现象，这种振动会引起拉索外部PE管开裂，导致斜拉索与锚固系统锈蚀破坏，影响桥梁结构的使用性能和安全。其次覆冰受到温度变化或者结构振动时，会发生冰凌坠落现象，严重威胁了桥面车辆和行人的安全。

目前，对于斜拉索冬季中长期覆冰预测，主要集中在斜拉索前期设计规划阶段，一般选取冬季易结冰区1-3个月的气象数据，通过对中长期气候条件的分析，得到未来可能达到的覆冰极值，以便于提升斜拉索抗冰灾能力；然而，覆冰增长过程本身是具有非静态、非时序性的特点，在运用中长期数据建模计算中，会使预测结果有着较大的误差，降低拉索抗冰能力的可靠度，很难应用于实际桥梁工程中。斜拉索冬季短期覆冰预测针对较短时间内的覆冰增长值，能够有效的挖掘特征因素对斜拉索覆冰增长的影响规律，提升未来24h内的覆冰预测精度，有效的指导工作人员值班安排，制定除冰方案，提升防灾减灾运行效率，减少不必要的经济损失。但是短期覆冰相比于中长期覆冰而言，缺少大量的样本数据，其统计分析模型计算结果与实际值误差较大，目前针对短期覆冰预测的方法主要是通过神经网络建模的方式，常见有BP神经网络和广义回归神经网络(GRNN)等，广义回归神经网络具有调节参数少、人为干扰低、非线性逼进能力强等优点，被广泛用于预测模型中；然而传统GRNN在求解过程中，空间复杂程度高，需要依靠大量样本性，这使得在处理短期覆冰时精度不高。

因此，为保证冬季易结冰区斜拉桥的安全运营，亟需建立一种预测精度高，泛化能力强的斜拉索短期覆冰预测模型，为斜拉索的抗冰减灾工作提供预警等决策支持。

发明内容

本发明的目的是为了建立一种预测精度高，泛化能力强的斜拉索短期覆冰预测模型，为斜拉索的抗冰减灾工作提供预警等决策的支持，以解决现有斜拉索冬季覆冰预测中，需要依靠大量样本，无法精确的对短期覆冰进行预测的技术问题；本发明还能解决遗传算法结构复杂以及鲸鱼算法容易陷入局部最优的问题，大幅提升了运算速度及实际的处理速度。

本发明的目的是采用下述技术方案实现的：

一种基于GA-WOA-GRNN网络的斜拉索短期覆冰厚度预测方法，它包括以下步骤：

步骤一、根据斜拉索覆冰的增长规律，选择拉索覆冰关联性较大的影响因素，确定样本数据的训练集和测试集。其中以覆冰厚度作为输出值Y，以倾角、湿度、温度、风速、降雨量等作为输入向量X；

步骤二、由于本文选取的监测数据往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性；

步骤三、将归一化后的数据利用交叉验证方法分成两组数据，每组数据都作为GRNN预测模型的输入样本，将相对应的覆冰厚度值作为模型的输出值，构建 GRNN模型训练样本矩阵；

步骤四、使用GA-WOA优化算法优化GRNN网络算法的光滑因子σ，以训练样本的输出值与实际值的均方差(MSE)作为适应度函数，以期许的得到最小误差预测模型；