[发明专利]基于最小二乘支持向量机的脉动风速预测方法

摘要

本发明提出了一种基于最小二乘支持向量机的脉动风速预测方法。本方法首先通过ARMA法数值模拟超高层建筑15个模拟点的脉动风速作为样本数据；通过内插学习训练，使用B样条核函数和径向基（RBF）核函数线性组合建立B‑RBF组合核函数，并基于B‑RBF组合核函数的LSSVM模型，进一步采用粒子群（PSO）优化算法来寻找模型最优参数使得模型的预测误差最小，从而采用寻优后的参数建立基于B‑RBF核函数的LSSVM模型；最后通过上下层的脉动风速样本预测出中间层的脉动风速，采用平均误差、平均绝对误差、均方根误差、相关系数作为评价指标，并与基于单一B样条（包括1次B样条、3次B样条以及5次B样条）核函数的LSSVM和单一RBF核函数的LSSVM模型的预测结果进行比较。

主权项

一种基于最小二乘支持向量机的脉动风速预测方法，其特征在于，基于采用B‑RBF组合核函数并采用粒子群法PSO优化的最小二乘支持向量机的机器学习方法，来预测脉动风速时程方法，通过已知的高度脉动风速样本数据的内插学习和训练，预测待模拟高度脉动风速时程；具体步骤如下：1)选择超高层建筑，确定数值模拟脉动风速所需要的参数：模拟的建筑高度和模拟风速点的各高度、该处10米高度的平均风速、表面粗糙度系数、地面粗糙度指数、模拟相关函数；2)通过ARMA法数值模拟生成的设定数量沿高度均匀分布的脉动风速时程，作为有限的原始脉动风速样本数据；并对风速功率谱密度、自相关函数及互相关函数的模拟值与相应目标值的吻合程度进行检验，以验证基于ARMA模型模拟超高层建筑风速时程的可行性；3)将B‑RBF组合核函数替代径向基核函数RBF加入LSSVM数据挖掘方法中，通过对已知高度区域内的脉动风速样本数据进行学习和训练，建立基于B‑RBF组合核函数的LSSVM脉动风速预测模型；4)通过输入间隔两层的样本数据到预测模型中，输出中间层相应时间的脉动风速，并采用平均绝对误差、均方根误差、相关系数作为评价指标，对结果进行分析，评估基于B‑RBF组合核函数的LSSVM的精确性。