[发明专利]一种基于混合智能算法对非高斯脉动风速预测方法

说明书

本发明公开了一种基于混合智能算法对非高斯脉动风速预测方法，包括以下步骤：利用JT变换和AR模型模拟生成大跨度球形屋盖结构空间点非高斯脉动风速样本，将每一个空间点的非高斯脉动风速分为训练集和测试集两部分，在每次模拟试验前进行归一化处理；分别推导基于布谷鸟和粒子群智能算法搜索核参数和惩罚因子组成的核参数组合；利用CS+PSO‑LSSVM学习机对非高斯脉动风速训练集样本变换成为核函数矩阵，映射到高纬度特征空间，接着输入样本数据通过非线性函数映射到高维特征空间，然后对混合智能算法优化后的核函数矩阵试验多种线性算法，得到非高斯脉动风速训练样本的非线性模型，并利用该非线性模型对非高斯脉动风速测试集样本进行预测。

技术领域

本发明属于风速预测的技术领域，尤其涉及一种基于混合智能算法对非高斯脉动风速预测方法。

背景技术

随着科学技术的快速发展，也在不断影响着建筑行业观念的转变和技术的革新，大跨度结构作为众多建筑结构中被广泛运用最多且其结构复杂，施工环境多变的特点，一直以来都受到各界人士的关注，海外学者都在努力追求大跨度结构轻质量、高柔度和低阻尼的目标。在结构风工程中面临的主要问题是由于结构跨度大和高柔度带来的风致动力响应，以及提高对风荷载设计和风致振动响应的估计预测与控制负荷程度。如今随着计算机科学的快速发展，人们也越来越频繁将两个学科交叉进行融合，而对大跨度结构进行数值模拟正是在当前时代背景和科学技术下的产物，采用数值模拟方法可以考虑不同风场环境、场地条件，建筑结构形式等特定条件下模拟最接近现场实际建筑结构表面风荷载时程曲线。

学术上认为服从正态分布的概率模型为高斯分布，反之，不符合正态分布的即是非高斯分布，也可以认为概率分布呈随机分布状态，一般认定在一定范围和时间段内的风荷载为不随时间变化的平均风以及随时间随机变化的脉动风两部分叠加而成，在研究实际流场建筑结构表面风荷载状况时，认为平均风会在结构表面产生结构静态风致响应，而脉动风速会产生结构动态风致响应。大跨度结构由于脉动风在其顶部存在正负风压区分布不均匀，剧烈时会引起的建筑结构抖动，表面风压旋涡脱落会引起变形振动，极端情况下会引起建筑物表面材料变形或坍塌等严重破坏；结构动态位移超过一定限值会引起建筑结构构件破坏；大幅度的表面振动会导致外部构件和附属物产生疲劳破坏。因此可见掌握完整的非高斯脉动风速时程资料可有效控制并预防由于脉动风造成的破坏，对建筑结构设计、建筑结构防灾减灾有着重要的意义。

最小二乘支持向量机(LSSVM)具有兼顾处理小样本优良的估计能力和计算精度的优势，还通过一组线性方程组取代了SVM的二次非线性方程组，同时将SVM的不等式约束转变为最小二乘支持向量机的线性等式约束，以此提高了对拟合问题的敏感度。同时LSSVM学习机希望可以从实际试验或者数值模拟得到的大量数据进行训练拟合，并拟合映射出一组输入和输出关系的代理模型。其基本原理可阐述为；对于复杂函数的估计和拟合，LSSVM通过将一组样本数据总数为N个的训练样本集，通过非线性变换函数将原始输入数据从原空间Rⁿ映射到高维特征空间中，而非线性变换函数将高维非线性目标函数转换为线性函数，结合布谷鸟智能算法与粒子群算法组成的混合算法对核函数其中参数优化，可以使最小二乘支持向量机既有良好学习能力又具有较强的泛化能力，通过混合智能算法调节核函数中核参数与惩罚参数来调节最小二乘支持向量机回归分析精确度，将模拟生成的非高斯脉动风速时程作为最小二乘支持向量机的训练样本，建立回归模型对大跨度球形屋盖结构架构单点非高斯脉动风速进行有效预测。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于混合智能算法对非高斯脉动风速预测方法，利用JT变换与AR模型数值模拟非高斯脉动风速样本数据，利用布谷鸟搜算算法(CS)对核参数进行优化，而粒子群算法(PSO)对惩罚因子进行优化得到完整的核函数参数组合，利用混合智能算法的CS+PSO-LSSVM模拟大跨度球形屋盖结构单点风速并预测，计算实际风速与预测风速适应性曲线，平均误差(AE)，均方根误差(RMSE)评价方法的有效性。

为了解决上述技术问题，本发明通过以下技术方案来实现：