基于AISSD與Prophet框架的橋梁結構風速預測研究

摘要 基于橋梁結構的風速監測數據開展時間序列分析，進而建立對應的風速預測模型以實現大風災害預警，對高速公路橋梁的行車安全具有重要意義。針對現有橋梁風速預測方法中存在的問題，提出一種基于自適應改進奇異譜分解（AISSD）與Prophet預測框架的橋梁風速預測方法。該方法首先利用AISSD將非平穩非線性的風速信號分解為多組具有不同周期規律的奇異譜分量（SSC），其次計算SSC分量的能量密度與平均周期乘積ET，并結合Wasserstein距離構造判定閾值來篩選代表特征信息的SSC分量，最后基于Prophet預測框架對SSC分量進行預測并重構。以西南地區某高速公路橋梁的實測風速數據對該方法效果開展驗證，并與自回歸滑動平均模型（ARMA）和最小二乘支持向量機（LSSVM）模型進行對比。結果表明：該方法可準確分析風速的波動規律和變化趨勢，與ARMA和LSSVM方法相比具有更高的計算效率，能夠有效提高預測精度，滿足在工程應用中快速預測風速的需求。

關鍵詞 橋梁工程；風速預測；奇異譜分解；能量密度與平均周期乘積；Wasserstein距離；Prophet預測框架

中圖分類號 U445.7⁺5 文獻標志碼 A

0引言

我國近年來開展了大規模高速公路的建設，西南地區地理環境較為復雜、山脈居多，高速公路在跨越山區峽谷時多采用大跨度橋梁的結構形式，而橋梁在施工及運營的過程中會不可避免地受到復雜風場的影響，不僅會影響施工安全和建設質量，同時為通車運營時期的車輛行駛帶來了極大的安全隱患［1］。懸索橋、斜拉橋等大跨度柔性體系結構在風荷載作用下易產生過大振動和變形，若在橋梁上產生風致車輛事故，不僅會造成人員傷亡、車輛破毀，同時會對橋梁結構造成損傷、中斷交通，產生重大社會影響和經濟損失［2］。綜上可知，為山區大跨度橋梁在強風荷載下的行車安全建立精確、高效、穩定的風速預警體系意義重大。

風速預警以風速的準確預測為關鍵，但受復雜地理環境的影響，風荷載具有非平穩非線性強、波動性大等特點，從而使風速預測的精確度難以保障。現有風速預測方法以神經網絡、統計法及混合模型為主，其中，基于信號分解前處理的混合模型應用較多［3］。在風速預測前通過分解算法進行信號分析，可提取風速序列的趨勢項和周期項，同時篩除冗余的環境噪聲分量，使預測效果更為精確［4］。目前應用較多的分解方法主要為經驗模態分解（EmpiricalModeDecomposition，EMD）和小波變換（WaveletTransform，WT）。Ruiz等［5］基于排列熵實現對EMD分解所得本征模態函數（IntrinsicModeFunction，IMF）中特征分量的篩選，之后利用人工神經網絡（ArtificialNeuralNetwork，ANN）實現風速預測，相比單獨ANN模型的精度更高。Pradhan等［6］將WT與遞歸小波神經網絡（RecurrentWaveletNeuralNetwork，RWNN）結合，在改善風速預測誤差的同時提高了計算效率。此外，對應的改進算法如集合經驗模態分解（EnsembleEmpiricalModeDecompo-sition，EEMD）［7］、互補集合經驗模態分解（Comple-mentaryEnsembleEmpiricalModeDecomposition，CEEMD）［8］，以及新興方法如經驗小波變換（EmpiricalWaveletTransform，EWT）等［9］都在風速預測中得到了廣泛應用。

組合預測模型在實際工程中得到應用的同時也面臨著諸多問題，例如：EMD缺乏完備的理論基礎，在分解過程中容易產生模態混疊，同時端點效應較為嚴重［10］；WT在小波基的選取上沒有統一標準，同時在分解過程中存在能量泄露［11］；EWT分解效果受信號中噪聲的制約，噪聲的強度會直接影響EWT中頻譜分割的精度，實際應用中往往會出現過分割現象，進而使Meyer濾波器濾出虛假噪聲分量［12］。

針對現有研究存在的不足，本文提出了一種基于改進的奇異譜分解和Prophet框架的橋梁風速預測模型。首先，基于自適應確定帶寬的改進奇異譜分解方法對風速數據進行分解；其次，基于正態分布估計的能量密度與平均周期乘積ET來確定閾值進而篩分特征分量；最后，以西南地區某高速公路橋梁的風速監測數據為研究對象，基于Prophet框架實現橋梁結構的風速預測。

1改進奇異譜分解

1.1奇異譜分解

1.2基于邊界檢測的改進奇異譜分解

1.2.1譜模型參數ξ初始值缺乏自適應性

1.2.2頻率混疊與噪聲的影響

1.3仿真信號驗證

1.3.1SSD效果

提取各噪聲水平合成信號在SSD分解過程中計算所得主峰帶寬，結果詳見圖3、表1。

1.3.2AISSD效果

提取各噪聲水平合成信號在AISSD分解過程中計算所得

1.3.3效果評價

2AISSD-Prophet風速預測模型

2.1Prophet模型

2.1.1增長函數g（t）

2.1.2周期項s（t）

2.1.3節假日項h（t）

2.2奇異譜分量判定系數

2.3AISSD-Prophet風速預測流程

原始風速信號具有典型的非線性、非平穩性特征，直接建立預測模型，精度往往較低。因此，本文提出一種基于AISSD-Prophet的風速組合預測方法，流程如圖7所示。步驟為：

步驟1：使用AISSD對原始風速信號進行分解，得到N個代表不同頻率成分的SSC分量。

步驟2：分別計算每個SSC分量能量密度與平均周期乘積ET值，得到閾值區間。

步驟3：基于特定的長度比例選擇訓練集和檢驗集，利用Prophet框架分別對SSC分量建立預測模型，得到預測集。

步驟4：將各SSC分量訓練集的預測結果進行線性疊加，進而得到最終風速預測值。

3現場實測驗證

3.1數據預處理

本文以2020年5月份西南地區某山區高速公路橋梁健康監測系統采集的風速數據為研究對象，通過分析對比以驗證所提模型的有效性。因風速數據采樣頻率為20Hz，數據體量較大，故基于研究需要對實測風速序列按每10min取平均值，以此作為新的研究序列。處理后的風速序列共計4464個點，將風速數據的前4000個點作為訓練樣本，后464個點則作為測試樣本，如圖8所示。

3.2評價指標

3.3AISSD-Prophet預測

3.4結果分析

3.4.1全局預測效果分析

將AISSD-Prophet模型預測結果與直接將原數風速數據輸入Prophet模型預測的結果進行對比，以驗證經AISSD前處理的Prophet預測模型效果，最終結果詳見圖11。

由圖11可知，經AISSD處理后，由于多余的非平穩非線性噪聲分量被篩分，AISSD-Prophet模型的預測結果相較Prophet模型更為精確，Prophet模型的預測值偏離原始風速較大。

3.4.2局部預測效果對比

4結論

本文提出了基于AISSD與Prophet框架的風速預測方法，可對長周期下的風速進行精度較高的預測，分別采用仿真信號及現場實測風速數據對本文提出的方法進行驗證，結論有：

（1）基于邊界檢測的改進奇異譜分解方法AISSD能夠高精度判別每次迭代分量的帶寬參數，可有效抑制頻率混疊現象的產生。

（2）基于能量密度與平均周期乘積ET指標、Wasserstein距離組合的判定系數能夠有效判別特征分量與噪聲分量，降低工程應用中對先驗知識的依賴性，避免人為確定參數造成的主觀影響。

（3）Prophet框架所分解的趨勢項及各項周期分量能夠提取數據序列在不同尺度下的特征規律，基于AISSD前處理的AISSD-Prophet預測模型具有更高的魯棒性和有效性，兩者結合可發揮各自優勢，減少預測誤差，滿足工程需求。

（4）通過4類預測模型的預測波形及誤差指標對比可知，AISSD-Prophet預測模型精度要優于Prophet、LSSVM、ARMA，在長周期預測時能夠維持較高的精度，具有更強的適應性。

參考文獻

［1］盛士剛.公路橋梁側風風致行車安全研究［D］.長春：吉林大學.

［2］韓萬水，陳艾榮.風環境下行駛于大跨度橋梁上的車輛安全評價及影響因素研究［J］.空氣動力學學報，2008，26（4）：466-472.

［3］陶齊宇，余傳錦，李永樂，等.基于經驗值分解及Elman神經網絡的橋址區風速預測［J］.災害學，2017，32（4）：85-89.

［4］宋曉東，顏永逸，秦順全，等.基于自適應核密度估計的橋梁短時風速預測方法［J］.橋梁建設，2020，50（5）：56-61.

［5］Ruiz-AguilarJJ，TuriasI，JGonzález-Enrique，etal.APermutationEntropy-BasedEMD–ANNForecastingEnsembleApproachforWindSpeedPrediction［J］.NeuralComputingandApplications，2020：1-23.

［6］Pradhan，Prangyaamp;Subudhi，Bidyadhar.（2019）.WindSpeedForecastingBasedonWaveletTransformationandRecurrentNeuralNetwork.InternationalJournalofNumericalModelling：ElectronicNetworks，DevicesandFields.33.10.1002/jnm.2670.

［7］KangA，TanQ，YuanX，etal.Short-TermWindSpeedPredictionUsingEEMD-LSSVMModel［J］.AdvancesinMeteorology，2017，2017：1-22.

［8］YichaoX，MinY，LongQ.Short-TermWindSpeedPredictionBasedonCEEMDDecom-positionAndOptimizationBPModel.2020.

［9］肖文萍.基于EWT和LSSVM的短期風速預測方法研究［D］.長春：吉林大學，2019.

［10］韓建平，錢炯，董小軍.采用鏡像延拓和RBF神經網絡處理EMD中端點效應［J］.振動.測試與診斷，2010（4）：414-417.

［11］張君，韓璞，董澤，等.基于小波變換的振動信號分析中能量泄漏的研究［J］.中國電機工程學報，2004（10）：238-243.

［12］祝文穎，馮志鵬.基于改進經驗小波變換的行星齒輪箱故障診斷［J］.儀器儀表學報，2016，37（10）：2193-2201.

［13］BonizziP，KarelJ，MesteO，etal.SIN-GULARSPECTRUMDECOMPOSITION：ANEWMETHODFORTIMESERIESDECOM-POSITION［J］.AdvancesinAdaptiveDataAnalysis，2014，6（4）：107-109.

［14］TaylorSJ，LethamB.2017.Forecastingatscale.PeerJPreprints5：e3190v2https：//doi.org/10.7287/peerj.preprints.3190v2

［15］金曈宇，葉小嶺，熊雄，等.高鐵沿線大風預測技術研究［J/OL］.鐵道科學與工程學報：1-8［2021-03-25］.https：//doi.org/10.19713/j.cnki.43-1423/u.T20200435.

［16］田田睿，董緒榮.小波分解與Prophet框架融合的電離層VTEC預報模型［J］.系統工程與電子技術，2021，43（3）：610-622.

［17］Wu，Z，Huang，N.E.Astudyofthecharac-teristicsofwhitenoiseusingtheempiricalmodedecompositionmethod［J］.ProceedingsoftheRoyalSocietyAMathematicalPhysicalamp;EngineeringSciences，2004，460（2046）：1597-1611.

［18］WuZ，HuangNE.ENSEMBLEEMPIRICALMODEDECOMPOSITION：ANOISE-ASSISTEDDATAANALYSISMETHOD［J］.AdvancesinAdaptiveDataAnalysis，2009，1（1）：1-41.

［19］王群，董文略，楊莉.基于Wasserstein距離和改進K-medoids聚類的風電/光伏經典場景集生成算法［J］.中國電機工程學報，2015（11）：2654-2661.

［20］花強，劉軼功，張峰，等.基于Wasserstein距離的雙向學習推理［J］.河北大學學報（自然科學版），2020，40（3）：109-117.