基于小波變換和LS-SVM的船面風速風向估算方法

郭顏萍，胡　桐，漆隨平

（山東省海洋環境監測技術重點實驗室，山東省科學院海洋儀器儀表研究所，山東　青島　266001）

基于小波變換和LS-SVM的船面風速風向估算方法

郭顏萍，胡桐，漆隨平

（山東省海洋環境監測技術重點實驗室，山東省科學院海洋儀器儀表研究所，山東青島266001）

為了對錨泊狀態下未來0.5 h的船面風速和風向進行估算，提出了一種基于小波變換和最小二乘支持向量機的估算方法。首先對原始風速數據進行正交分解，得到X軸和Y軸風速；然后分別對X軸和Y軸風速進行小波分解，提取出低頻和高頻數據序列；其次利用最小二乘向量機方法，分別對低頻、高頻序列進行估算，分別將X軸和Y軸各序列估算結果進行疊加得到X軸和Y軸估算風速；最后利用矢量法則，同時實現了風速和風向未來0.5 h的估算。以試驗船在東海海域錨泊狀態下船舶氣象儀所測的風速風向數據進行建模與實例驗證分析，結果表明該方法具有較高的估算精度。

小波變換；最小二乘支持向量機；短時風速風向；估算方法；錨泊狀態

船舶因檢疫、候潮、候泊或避風等原因常需在錨地錨泊。船舶拋錨后，由于受風、流、浪等外力因素作用可能發生走錨，導致碰撞、觸礁、擱淺等事故的發生。為保障船舶錨泊安全，船員需要準確掌握船舶所在位置未來一段時間的風速風向，以便根據不同風級和風向，合理確定錨泊間距、正確選擇錨泊方式、及時調整出鏈長度［1］。目前大多數船舶主要通過電話、傳真、網絡等方式獲取氣象部門發布的海域大風預報信息，但其風場輸出數據的空間分辨率較低，難以準確預報船舶所在位置的風級和風向。考慮到船舶一般都裝有氣象觀測設備，該設備通過艙室外測風傳感器采集、艙室內主機計算，獲取風速風向實時觀測數據。如果能夠依據這些數據，估算出未來一段時間的風速風向，則便于船員在大風來臨前做好充分準備，采取預防措施和應急措施避免走錨，并在風勢減弱時及時起錨；動力定位船舶亦可提前做好預防和調整工作，將船舶位移降到最小，減少燃油損耗。

風力發電風電場風速估算研究起步較早，提出了多種短期風速估算方法，其中人工神經網絡［2-3］、卡爾曼濾波［4］、最小二乘支持向量機［5-7］、小波分析法［8］等方法較為常用。近年來混合估算優化研究發展極為迅速，因為單一建模方法常常造成同一性質誤差的累積，采用兩種或兩種以上方法能夠獲得更高的估算精度。另外，由于風速是不穩定的，受氣象狀況影響，會不間斷的、隨機性的發生變化，隨著估算時間的延長，風速變化的不確定性也將增加，估算出的誤差隨之增大，因此短時估算的時間段長度定在5～30 min較為合適。本文借鑒風電場風速估算領域提出的方法，將小波變換和最小二乘支持向量機有機結合，用于錨泊狀態下未來0.5 h船面風速的估算，并首次提出在風速估算值的基礎上進一步對風向作出估算。

1　建模理論

1.1小波分解與重構

1988年，法國學者S.Mallat根據多分辨率分析理論，提出了小波分解與重構的快速算法，稱為Mallat算法，它能將函數分解為近似分量和細節分量，近似分量代表低頻成分，反映原始信號變化的基本趨勢，細節分量描述信號的高頻成分，反映原始信號變化的隨機波動。設c0（n）為待分解離散信號，根據Mallat算法分解式子可表示為［8］：

式中：cj+1（k），dj+1（k）分別為第j+1層低頻系數和高頻系數；h，g分別為低頻和高頻分解濾波器。小波重構是分解的逆過程，重構式子可表示為：

1.2最小二乘支持向量機

1999年，SuyKens等人［9-10］提出了最小二乘支持向量機方法（簡稱LS-SVM），這種方法將誤差平方和的損失函數作為訓練集的經驗函數，求解過程簡化為解一組線性方程。其算法原理如下：

訓練數據樣本可以表示為：（x1，y1），（x2，y2），…，（xl，yl），其中yi是目標值，xi是輸入向量，利用式（3）來擬合樣本集，式中φ（x）為從原始空間到高維特征空間的非線性映射，ω為權矢量，b為偏置量。

利用結構風險最小化原則，LS-SVM法回歸問題可以描述為求解下面問題：

為了求解上述問題，用拉格朗日法將式（4）的優化問題變換到對偶空間：

式（6）中：αi（i=1，…，l）是拉格朗日乘子；λ為常數；依據優化條件：

可得：

式中：I=［1，2，…，l］T；Z=［φ（x1），φ（x2），…φ（xl）］T；α=［α1，α2，…αl］T，E為l×l單位矩陣；y=［y1，y2，…yl］T。

根據Mercer’s定理引入核函數K（xi，xj）=φ（xi）Tφ（xi），這里采用RBF核函數。求解式（8）方程組得到α和b，從而得到LS-SVM回歸函數：

1.3基于小波變換和LS-SVM的估算方法

實際環境中的風速時間序列既具有隨機波動性，又具有特殊的周期性，可以看作多個不同頻率分量的疊加，運用小波變換的多分辨分析特性將其投影到不同尺度上，各尺度上的子序列分別對應原始序列中不同的頻域分量。LS-SVM求解簡單、待定參數少、泛化性好，適合解決小樣本、非線性、高維數和局部極小點等實際問題［11］。在對風速時間序列進行頻域分解的基礎上，再結合各頻率分量特點進行LS-SVM訓練和估算，將有效提高估算精度。充分利用小波變換和LS-SVM兩者的優點，對錨泊狀態下的船面風速風向時間序列建立估算模型，算法具體流程如下：

（1）以大地為參考，分別取正東、正北方向為X、Y軸正方向，建立直角坐標系，將船面風速分別沿X軸、Y軸方向進行矢量分解，得到X軸風速序列Vx（t）和Y軸風速序列Vy（t）；

（2）對X軸風速序列Vx（t）進行小波分解，得到近似分量aj和細節分量di（i=1，2，…，j），然后分別利用這些分量構建訓練樣本和測試樣本，繼而運用LS-SVM算法建立估算模型，把輸入向量映射到一個高維特征空間中，得到各個分量的估算值（i=1，2，…j）；

（3）將步驟（2）中得到的各序列估算值進行疊加得到X軸風速序列的估算結果，即采用同樣的方法可以得到Y軸風速序列的估算結果

2　試驗驗證與分析

2.1小波變換

試驗使用的數據為船載氣象儀在東海海域每2 min記錄一次的平均風速風向數據序列。選取2015年3月15-17日3 d錨泊狀態下的實測數據作為數據來源。首先將全部觀測點的原始風速序列按照1.3中步驟（1）進行正交分解，得到X軸風速序列Vx（t）和Y軸風速序列Vy（t）；然后采用db4基本小波對Vx（t）進行兩級分解，對分解后得到的低頻逼近信號a2（k）（趨勢項）與各個高頻細節信號di（k）分別進行小波的單支重構；最后用同樣的方法處理Vy（t），Vx（t）和Vy（t）的小波變換結果分別見圖1和圖2。從圖中可以看出，小波分解后的各分量不僅信息更加集中明顯，而且保持了時域和頻域的局部特征［12］：A2-X和A2-Y的尺度分量主要表現了基本風速，分別反映了X軸和Y軸風速變化的大致趨勢，D1-X和D1-Y的小波分量主要表現了隨機分量，分別反映了X軸和Y軸風速變化的非線性和波動性，D2-X和D2-Y的小波分量分別表現了X軸和Y軸風速的周期變化分量和部分隨機分量。

圖1　X軸原始風速時間序列及兩層小波分解結果

圖2　Y軸原始風速時間序列及兩層小波分解結果

2.2樣本構建

對風速序列進行小波分解后，分別對得到的各子序列構建訓練和測試樣本。樣本構建方法相同：每個樣本由當前時刻前2 h內的60組風速風向數據作為輸入變量，由當前時刻順延0.5 h的風速風向數據作為輸出變量。例如，第一個樣本以0：00～2：00期間共60個觀測點的記錄數據作為輸入變量，以2：30這一時刻的記錄數據作為輸出變量；第二個樣本以0：02～2：02期間共60個觀測點的記錄數據作為輸入變量，以2：32這一時刻的記錄數據作為輸出變量，照此滑動順延得到2 145個數據樣本。從中選取1 425個作為訓練樣本，剩余的720個作為測試樣本。

2.3LS-SVM估算

樣本構建完成后，利用LS-SVM算法進行回歸訓練進而得到估算模型。核函數參數和正則化參數很大程度上決定了估算模型的學習能力和泛化能力，為使模型具有較好的估算效果，有必要對這兩個參數進行優化調整。這里采用RBF核函數。結合樣本，通過兩層網格搜素策略確定可能的參數組合，通過交叉驗證法選出最優參數值［13］。X軸各分量估算結果疊加后得到Y軸各分量估算結果疊加后得到通過求的平方和再開方，得到船面風速的估算值；通過對求反正切，然后結合兩者的正負確定估算值的象限分布，得到船面風向的估算值。船面風速、風向估算曲線分別如圖3～圖4所示。

圖4　錨泊狀態下船面風向估算結果

2.4誤差分析

評價估算結果時，采用均方根誤差來分析，計算公式為：

式中：σMSE為均方根誤差；M為估算樣本數；y（k）為序列的真實值；y?（k）為估算結果。從圖3和圖4中可以看出，風速、風向的估值曲線與實測曲線在趨勢走向和分布上基本一致，但估值變化相對實際略微滯后，且在風速、風向變化的拐點處誤差較大。通過計算發現：采用小波變換和LS-SVM相結合的方法進行估算時，風速、風向估算的均方根誤差分別為8.6%和12.7%。這表明小波變換和LS-SVM相結合的方法在短時風速、風向估算方面具有較高的準確性。

3　結論

采用基于小波變換和LS-SVM的算法，先將原始風速序列進行正交分解，再分別進行小波分解，然后利用最小二乘支持向量機分別對小波分解得到的低頻近似分量和高頻細節分量進行估算，最后將兩者的估算結果進行疊加得到未來0.5 h的估算風速。實驗數據驗證表明，該算法對錨泊狀態下短時船面風速風向估算具有較強的可行性。這里只是采取歷史風速風向數據進行估算，其實影響風速風向的主要因素還有氣溫、濕度、氣壓、降水等氣象數據，如果把以上因素作為輸入變量加入模型訓練，將有助于進一步改善估算精度。

［1］趙素平.LNG船舶錨泊安全研究［D］.武漢:武漢理工大學，2013.

［2］范高峰，王偉勝，劉純，等.基于人工神經網絡的風電功率預測［J］.中國電機工程學報，2008，28（34）:118-123.

［3］王德明，王莉，張廣明.基于遺傳BP神經網絡的短期風速預測模型［J］.浙江大學學報：工學版，2012，46（5），837-841，904.

［4］修春波，任曉，李艷晴，等.基于卡爾曼濾波的風速序列短期預測方法［J］.電工技術學報，2014，29（2）:253-259.

［5］S Sancho，G Emilio，MAngel，et al.Short Term Wind Speed Prediction Based on Evolutionary Support Vector Regression Algorithms［J］.Expert Systems with Applications，2011，38（4）:4052-4057，2011.

［6］栗然，陳倩，徐宏銳.考慮相關因素的最小二乘支持向量機風速預測方法［J］.電力系統保護與控制，2010，38（21）:146-151.

［7］汪曉東，張長江，張浩然，等.傳感器動態建模的最小二乘支持向量機方法［J］.儀器儀表學報，2006，27（7）:730-733.

［8］周松林，茆美琴，蘇建徽.基于小波分析與支持向量機的風速預測［J］.太陽能學報，2012，33（3）:452-456.

［9］Suykens J A K.Nonlinear Modeling and Support Vector Machines［C］//IEEE Instrumentation and Measurement Technology Conference，Budapest，Hungary，2001.

［10］黃永紅，宋心雷.基于貝葉LS-SVM的海洋生物酶發酵過程軟測量建模［J］.儀表技術與傳感器，2014（8）:92-94.

［11］王曉蘭，王明偉.基于小波分解和最小二乘支持向量機的短期風速預測［J］.電網技術，2010，34（1）:179-184.

［12］韓曉娟，曹慧，李勇，等.基于小波變換和LS-SVM的短期風速預測方法［J］.太陽能學報，2011，32（10）:1538-1542.

［13］郭輝，劉賀平，王玲.最小二乘支持向量機參數選擇方法及其應用研究［J］.系統仿真學報，2006，18（7）:2033-2036，2051.

Study on the Estimation Method for Wind Speed and Direction on Ship Surface Based on Wavelet Transform and Least Squares Support Vector Machine（LS-SVM）

GUO Yan-ping，HU Tong，QI Sui-ping
Shandong Provincial Key Laboratory of Ocean Environment Monitoring Technology，Institute of Oceanographic Instrumentation，Shandong Academy of Sciences，Qingdao 266001，Shandong Province，China

In order to estimate the wind speed and direction on ship surface in the next half hour under the anchoring condition，an estimation method is proposed in this paper based on wavelet transform and least squares support vector machine.Firstly，the X-axis and Y-axis wind speeds are obtained by orthogonal decomposition from the original wind data series.Then the low and high frequency data series are extracted by wavelet decomposition.Secondly，based on the theory of least squares support vector machines，the prediction is made for the low and high frequency series，and the wind estimation values of X-axis and Y-axis are obtained respectively by the superposition of the predicted results of all series.Finally，the estimation values of wind speed and direction in the next half hour are obtained simultaneously by using the vector algorithm.The proposed method is evaluated with the wind data measured by the ship-borne meteorological instrument on the anchoring ship in the East China Sea.The results show that this method has high estimation precision.

wavelet transform；least squares support vector machine；short-term wind speed and direction；estimation method；anchoring condition

TP273

A

1003-2029（2016）02-0066-05

10.3969/j.issn.1003-2029.2016.02.012

2015-12-04

山東省自主創新及成果轉化專項資助項目（2014CGZH1203）

郭顏萍（1978-），碩士，高級工程師，研究方向為海洋儀器儀表及船舶氣象技術。E-mail:lantian3999@163.com