基于深度学习的多变量非平稳风速预测

Employing the non-stationary wind velocity database consisting of measured records and numerical simulations, the proposed project aims to form the deep learning based prediction algorithms on the multivariate (including the single variable) nonstationary wind velocity. The following five aspects are included in this project..(1) Aimed at the study object of the present project, the potential deep neural networks are proposed using two kinds of functional top-layers, collectively referred to as the DNN..(2) DNN based direct prediction algorithms (prediction ahead), referred to as the single variable direct DNN are established on the single variable nonstationary wind velocity..(3) Employing the empirical mode decomposition (EMD)/ ensemble empirical mode decomposition (EEMD) and wavelet packet transform (WPT), the hybrid prediction algorithms (prediction ahead) of EMD/EEMD-DNN and WPT-DNN, called the single variable hybrid DNN are established on the single variable nonstationary wind velocity..(4) DNN based direct prediction（spatial variable prediction）algorithms, called the multivariate direct DNN are developed on the multivariate nonstationary wind velocity..(5) By resorting to the multivariate empirical mode decomposition (MEMD) and WPT, the hybrid prediction（spatial variable prediction）algorithms of MEMD-DNN and WPT-DNN, called the multivariate hybrid DNN are developed on the multivariate nonstationary wind velocity.. Through their performance evaluation using three levels of performance indicators, the key technologies and technical guidelines are presented for both direct and hybrid DNN applications.

依据实测和模拟的非平稳风速数据库，发展基于深度学习的多变量（包括单变量）非平稳风速预测算法，具体为：.（1）针对本项目研究对象，提出有潜力的两种功能顶层的深度神经网络，统称为DNN。.（2）建立基于DNN的单变量非平稳风速直接预测（向前预测）算法，称为单变量直接DNN。.（3）使用经验模态分解（EMD）/集合经验模态分解（EEMD）和小波包变换（WPT），.建立单变量非平稳风速的EMD/EEMD-DNN和WPT-DNN混合预测（向前预测）算法，称为单变量混合DNN。.（4）建立基于DNN的多变量非平稳风速直接预测（空间变量预测）算法，称为多变量直接DNN。.（5）使用多变量经验模态分解（MEMD）和WPT，建立多变量非平稳风速的MEMD-DNN和WPT-DNN混合预测（空间变量预测）算法，称为多变量混合DNN。.经三个层面的性能评估，形成直接DNN和混合DNN应用的关键技术及其技术导则。

项目使用数值模拟和实测等多种验证数据，在多变量非平稳风速预测（包括重建和损失恢复）方向展开了研究，主要工作和成果及其科学意义如下：.（1）聚焦大尺度非平稳风速场模拟效率，提出了基于时频插值的多变量非平稳风速快速模拟方法。进一步建立了基于时频插值时变相干矩阵分解技术与矩阵对角线元素本征正交分解新方案协同的更高效模拟方法，为大尺度工程结构抗风设计需求提供了支撑。.（2）鉴于多变量经验模态分解（MEMD）可得到多组模态数目相同且频率匹配的固有模态函数，并保留数据间相关性，提出了基于MEMD的高精度极限学习机预测方法。协同使用小波包分解和变分模态分解，提出了混合深度分解（HDD）方法，进而建立了基于HDD的高精度和强通用性最小二乘支持向量机多步预测方法。这些多变量非平稳风速预测方法可为结构抗风、结构健康监测以及风资源优化配置提供支撑。 .（3）针对单观测点数据完全缺失情况，提出了基于克里金序列插值和统计特性修正的非平稳风场数据重建算法，实现了时间序列数据与概率密度函数的重建，且计算效率高。该重建算法弥补了传统算法在重建数据时忽略原始数据概率信息的不足。.（4）协同使用分位数回归—深度神经网络和核密度估计重建缺失数据极值的概率分布，进一步建立了基于克里金序列插值和统计特征二次修正的非平稳风场数据重建算法，实现对多个离散观测点和连续观测点同时发生数据缺失的重建，为解决工程中获取大量可靠非平稳实测数据难度大、成本高的难题提供一种可行方法。.（5）针对无线传感器信号传输损失的难题，提出了基于非平稳风速二次分解、卷积神经网络和克里金序列插值协同的随机损失数据恢复算法，进一步提出了基于迁移学习和非平稳模拟的损失数据恢复算法。通过下击暴流和台风风速实测数据的验证，发现基于非平稳模拟数据的预训练—微调策略可解决深度学习训练样本（实测数据）不足的难题。项目提出的数据恢复技术及调谐策略为提高结构健康监测的可靠性提供了可行途径。