CN115905809A - 一种基于svm技术的海上大风预报方法 - Google Patents
一种基于svm技术的海上大风预报方法 Download PDFInfo
- Publication number
- CN115905809A CN115905809A CN202211479455.7A CN202211479455A CN115905809A CN 115905809 A CN115905809 A CN 115905809A CN 202211479455 A CN202211479455 A CN 202211479455A CN 115905809 A CN115905809 A CN 115905809A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- forecasting
- speed data
- data
- svm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于SVM技术的海上大风预报方法，涉及海上大风预测领域，包括S1、历史风速变化数据采集，采集海上风速历史数据；S2、风速数据预处理，基于经验小波变化的自适应阈值处理对风速数据进行预处理；S3、建立预测模型，基于SVM技术建立预测模型；S4、实时监测预报，利用预测模型对海上大风进行预测；该基于SVM技术的海上大风预报方法，通过将去噪后的风速数据分成训练样本和测试样本，并基于SVM建立预测模型，利用训练样本进行预测模型的迭代训练以及利用测试样本进行预测模型检测，通过实时采集海上风速数据并形成测试集，将测试集输入预测模型以得到预测结果。
Description
技术领域
本发明涉及海上大风预测技术，具体涉及一种基于SVM技术的海上大风预报方法。
背景技术
由于海上观测资料的相对缺乏以及海上大风突发性强、阵性明显、瞬时性突出等特点，海上大风的预报依然是个难点和重点。在海上及沿海区域，其影响因素较多且复杂无规律，强烈的大气扰动甚至可形成海上风暴，海上大风会给航运、渔业及沿海城市带来影响，因此，及时预测海上大风的风速未来变化趋势是非常必要的。
风速预测的方法很多，成熟的有持续预测法、神经网络法、时间序列分析法、卡尔曼滤波法等，常规的风速预测方法是基于历史风速时间序列的一种延伸预测方法，在风速较稳定的区域，预测的效果较好，但当风速突变时，风速数据中混有一定噪声，导致预测效果明显降低。
发明内容
本发明的目的是提供一种基于SVM技术的海上大风预报方法，以解决现有技术中的上述不足之处。
为了实现上述目的，本发明提供如下技术方案：一种基于SVM技术的海上大风预报方法，包括S1、历史风速数据采集，采集海上风速历史数据；S2、风速数据预处理，基于经验小波变化的自适应阈值处理对风速数据进行预处理；S3、建立预测模型，基于SVM技术建立预测模型；S4、实时监测及预报，利用预测模型对海上大风进行预测。
进一步地，所述风速数据预处理通过载入风速历史数据并将其分解为不同分量，以及进行自适应阈值处理和重构信号以输出去噪的风速数据。
进一步地，所述去噪后的风速数据分成训练样本和测试样本，并基于SVM和CS算法建立预测模型，利用训练样本进行预测模型的迭代训练以及利用测试样本进行预测模型检测。
进一步地，所述风速历史数据采集为风电场每间隔指定时间采集的风速数据。
进一步地，所述经验小波变化的自适应阈值处理为通过正交小波变换将原始信号进行分解，利用分层阈值对采集的信号进行处理，以滤除噪声。
进一步地，所述重构包括对风速历史数据处理后的各分量进行逆变换，以最大限度恢复原信号数据。
进一步地，所述实时监测预报通过实时采集海上风速数据并形成测试集，将测试集输入预测模型以得到预测结果。
与现有技术相比，本发明提供的一种基于SVM技术的海上大风预报方法，具有以下有益效果：
1、该基于SVM技术的海上大风预报方法，通过将去噪后的风速数据分成训练样本和测试样本，并基于SVM建立预测模型，利用训练样本进行预测模型的迭代训练以及利用测试样本进行预测模型检测，通过实时采集海上风速数据并形成测试集，将测试集输入预测模型以得到预测结果。
2、该基于SVM技术的海上大风预报方法，通过正交小波变换将风速信息进行三层分解形成四个分量，利用分层阈值对采集的信号进行处理，以滤除噪声，重构包括对风速历史数据处理后的各分量进行逆变换，以最大限度恢复原信号数据，从而获得重构后的风速数据，通过自适应阈值处理方法去噪后有效地保护有效信号的振幅特征，进而提高预测模型的准确性。
3、该基于SVM技术的海上大风预报方法，通过CS算法用于对四个分量参数进行优化，以选出最优参数，形成新的训练样本以进行重新训练，进而建立风速预测模型，避免预测模型在进行迭代训练时参数选择的盲目性，进一步提升预测模型的预测精度以及预测模型的更新效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于SVM技术的海上大风预报方法原理框图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
实施例一：
请参阅图1，一种基于SVM技术的海上大风预报方法，具体包括以下步骤：
S1、历史风速数据采集，采集海上风速历史数据、及风速历史数据下对应的具体时间数据和风速历史数据下对应的具体空间坐标数据，风速历史数据采集为风电场每间隔指定时间采集的风速数据、时间数据和空间坐标数据；
S2、风速数据预处理，基于经验小波变化的自适应阈值处理对风速数据、时间数据和空间坐标数据进行预处理，风速数据、时间数据和空间坐标数据预处理通过载入风速历史数据、时间数据和空间坐标数据并将其分解为不同分量，其根据历史风速数据、时间数据和空间坐标数据包含的噪声信号特性，以及进行自适应阈值处理和重构信号以输出去噪的风速数据、时间数据和空间坐标数据，经验小波变化的自适应阈值处理为通过正交小波变换将风速信息进行三层分解形成四个分量，利用分层阈值对采集的信号进行处理，以滤除噪声，重构包括对风速历史数据、时间数据和空间坐标数据处理后的各分量进行逆变换，以最大限度恢复原信号数据，从而获得重构后的风速数据、时间数据和空间坐标数据，通过自适应阈值处理方法去噪后有效地保护有效信号的振幅特征；
S3、建立预测模型，基于SVM技术建立预测模型，去噪后的风速数据、时间数据和空间坐标数据分成训练样本和测试样本，并基于SVM建立预测模型，利用训练样本进行预测模型的迭代训练以及利用测试样本进行预测模型检测；
S4、实时监测及预报，利用预测模型对海上大风进行预测，实时监测预报通过实时采集海上风速数据、时间数据和空间坐标数据并形成测试集，将测试集输入预测模型以得到预测结果。
实施例二：
请参阅图1，本实施例在实施例一的基础上提供了一种技术方案：具体包括以下步骤：
S1、历史风速数据采集，采集海上风速历史数据，风速历史数据采集为风电场每间隔指定时间采集的风速数据；
S2、风速数据预处理，基于经验小波变化的自适应阈值处理对风速数据进行预处理，风速数据预处理通过载入风速历史数据并将其分解为不同分量，其根据历史风速数据包含的噪声信号特性，以及进行自适应阈值处理和重构信号以输出去噪的风速数据，经验小波变化的自适应阈值处理为通过正交小波变换将风速信息进行三层分解形成四个分量，利用分层阈值对采集的信号进行处理，以滤除噪声，重构包括对风速历史数据处理后的各分量进行逆变换，以最大限度恢复原信号数据，从而获得重构后的风速数据，通过自适应阈值处理方法去噪后有效地保护有效信号的振幅特征；
S3、建立预测模型，基于SVM技术建立预测模型，去噪后的风速数据分成训练样本和测试样本，并基于SVM和CS算法建立预测模型，利用训练样本进行预测模型的迭代训练以及利用测试样本进行预测模型检测，CS算法用于对四个分量参数进行优化，以选出最优参数，首先通过历史风速数据生成训练样本，进行初始化概率参数后随机产生n个鸟巢位置，且每个鸟巢位置对应一侧四维向量，然后计算每个鸟巢的目标函数至，并记录当前的最优位置后对鸟巢位置进行更新，从而计算新的鸟巢最优值，接着进行是否更新鸟巢的判断，将较差的鸟巢位置利用较好的鸟巢位置进行替换，进而较优的鸟巢位置，根据此较优的鸟巢位置判断所对应的目标函数值是否满足于风速预测精度的要求，若满足则停止搜索，输出目标函数值对应的最优鸟巢位置，反之继续寻找直至得到最优鸟巢位置，将最优鸟巢位置所对应的四个分量值作为SVM的最优参数，形成新的训练样本以进行重新训练，进而建立风速预测模型，避免预测模型在进行迭代训练时参数选择的盲目性，进一步提升预测模型的预测精度以及预测模型的更新效率；
S4、实时监测及预报，利用预测模型对海上大风进行预测，实时监测预报通过实时采集海上风速数据并形成测试集，将测试集输入预测模型以得到预测结果。
工作原理：使用时，首先进行预测模型的建立，通过采集海上风电场每间隔指定时间的历史风速变化数据，并进行风速数据预处理，基于经验小波变化的自适应阈值处理对风速数据进行预处理，风速数据预处理通过载入风速历史数据并将其分解为不同分量，其通过正交小波变换将风速信息进行三层分解形成四个分量,四个分量包括：近似分量、细节分量1、细节分量2和细节分量3，经过自适应阈值处理后的四个风速数据分量：近似分量、细节分量1、细节分量2和细节分量3进行重构，得到重构后的风速数据和噪声数据；近似分量为去除噪声后的风速数据、细节分量1为去除的噪声数据，利用分层阈值对采集的信号进行处理，以滤除噪声，对风速历史数据处理后的各分量进行逆变换，以最大限度恢复原信号数据，从而获得重构后的风速数据，通过自适应阈值处理方法去噪后有效地保护有效信号的振幅特征，接着基于SVM技术建立预测模型，将去噪后的风速数据分成训练样本和测试样本，并基于SVM和CS算法建立预测模型，利用训练样本进行预测模型的迭代训练，以及利用测试样本进行预测模型检测，通过CS算法对四个分量参数进行优化，以选出最优参数，首先通过历史风速数据生成训练样本，进行初始化概率参数后随机产生n个鸟巢位置，且每个鸟巢位置对应一侧四维向量，然后计算每个鸟巢的目标函数至，并记录当前的最优位置后对鸟巢位置进行更新，从而计算新的鸟巢最优值，接着进行是否更新鸟巢的判断，将较差的鸟巢位置利用较好的鸟巢位置进行替换，进而较优的鸟巢位置，根据此较优的鸟巢位置判断所对应的目标函数值是否满足于风速预测精度的要求，若满足则停止搜索，输出目标函数值对应的最优鸟巢位置，反之继续寻找直至得到最优鸟巢位置，将最优鸟巢位置所对应的四个分量值作为SVM的最优参数，形成新的训练样本以进行重新训练，进而建立风速预测模型，避免预测模型在进行迭代训练时参数选择的盲目性，进一步提升预测模型的预测精度以及预测模型的更新效率，最后利用预测模型对海上大风进行预测，通过实时监测预报通过实时采集海上风速数据并形成测试集，将测试集输入预测模型以得到预测结果；
综上所述，通过将去噪后的风速数据分成训练样本和测试样本，并基于SVM建立预测模型，利用训练样本进行预测模型的迭代训练以及利用测试样本进行预测模型检测，通过实时采集海上风速数据并形成测试集，将测试集输入预测模型以得到预测结果，通过正交小波变换将风速信息进行三层分解形成四个分量，利用分层阈值对采集的信号进行处理，以滤除噪声，重构包括对风速历史数据处理后的各分量进行逆变换，以最大限度恢复原信号数据，从而获得重构后的风速数据，通过自适应阈值处理方法去噪后有效地保护有效信号的振幅特征，进而提高预测模型的准确性，通过CS算法用于对四个分量参数进行优化，以选出最优参数，形成新的训练样本以进行重新训练，进而建立风速预测模型，避免预测模型在进行迭代训练时参数选择的盲目性，进一步提升预测模型的预测精度以及预测模型的更新效率。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
Claims (7)
1.一种基于SVM技术的海上大风预报方法，其特征在于，具体包括以下步骤：
S1、历史风速数据采集，采集海上风速历史数据；
S2、风速数据预处理，基于经验小波变化的自适应阈值处理对风速数据进行预处理；
S3、建立预测模型，基于SVM技术建立预测模型；
S4、监测及预报，利用预测模型对海上大风进行预测。
2.根据权利要求1所述的一种基于SVM技术的海上大风预报方法，其特征在于，所述风速数据预处理通过载入风速历史数据并将其分解为不同分量，以及进行自适应阈值处理和重构信号以输出去噪的风速数据。
3.根据权利要求2所述的一种基于SVM技术的海上大风预报方法，其特征在于，所述去噪后的风速数据分成训练样本和测试样本，并基于SVM和CS算法建立预测模型，利用训练样本进行预测模型的迭代训练以及利用测试样本进行预测模型检测。
4.根据权利要求1所述的一种基于SVM技术的海上大风预报方法，其特征在于，所述风速历史数据采集为风电场，每间隔指定时间采集的风速数据。
5.根据权利要求2所述的一种基于SVM技术的海上大风预报方法，其特征在于，所述经验小波变化的自适应阈值处理为通过正交小波变换将原始信号进行分解，利用分层阈值对采集的信号进行处理，以滤除噪声。
6.根据权利要求1所述的一种基于SVM技术的海上大风预报方法，其特征在于，所述重构包括对风速历史数据处理后的各分量进行逆变换，以最大限度恢复原信号数据。
7.根据权利要求1所述的一种基于SVM技术的海上大风预报方法，其特征在于，所述实时监测预报通过实时采集海上风速数据并形成测试集，将测试集输入预测模型以得到预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211479455.7A CN115905809A (zh) | 2022-11-24 | 2022-11-24 | 一种基于svm技术的海上大风预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211479455.7A CN115905809A (zh) | 2022-11-24 | 2022-11-24 | 一种基于svm技术的海上大风预报方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115905809A true CN115905809A (zh) | 2023-04-04 |
Family
ID=86472270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211479455.7A Pending CN115905809A (zh) | 2022-11-24 | 2022-11-24 | 一种基于svm技术的海上大风预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115905809A (zh) |
-
2022
- 2022-11-24 CN CN202211479455.7A patent/CN115905809A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Sea ice change detection in SAR images based on convolutional-wavelet neural networks | |
| CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
| CN114549925A (zh) | 一种基于深度学习的海浪有效波高时间序列预测方法 | |
| CN115359386A (zh) | 一种基于物联网的过洋性渔业安全捕捞方法、系统及介质 | |
| Lee et al. | A feature selection approach hybrid grey wolf and heap-based optimizer applied in bearing fault diagnosis | |
| CN112907107A (zh) | 一种基于多源信息融合的渔业事故应急处理系统及方法 | |
| CN115905809A (zh) | 一种基于svm技术的海上大风预报方法 | |
| CN116735206A (zh) | 基于吸引子和卷积神经网络的轴承摩擦状态识别方法 | |
| Tan et al. | Selective feature reinforcement network for robust remote fault diagnosis of wind turbine bearing under non-ideal sensor data | |
| CN111721528A (zh) | 基于cms系统大数据的风力发电机组齿轮箱故障预警方法 | |
| CN114862803A (zh) | 一种基于快速傅里叶卷积的工业图像异常检测方法 | |
| CN115255405B (zh) | 一种增材制造设备的智能控制方法及系统 | |
| Baorong et al. | Research of the infrared ship target recognition technology based on the complex background | |
| Yang et al. | Intelligent fault diagnosis of bearing based on stacked denoising autoencoders | |
| Ahmed et al. | Comparison of wavelet based denoising schemes for gear condition monitoring: An Artificial Neural Network based Approach | |
| Li et al. | Spatio-temporal vessel trajectory smoothing using empirical mode decomposition and wavelet transform | |
| CN113837141B (zh) | 一种抗驱鼠器干扰的信号提取方法及装置 | |
| Li et al. | Spatio-temporal vessel trajectory smoothing based on trajectory similarity and two-dimensional wavelet transform | |
| Liu et al. | Discrete Wavelet Transform‐based Approach of Real‐time Wave Filtering for Dynamic Positioning of Marine Vessels | |
| Han et al. | An intelligence fault diagnosis approach for rolling bearings based on non-local convolutional Neural Network | |
| Wen et al. | Overview of traditional denoising and deep learning-based denoising | |
| CN117708677A (zh) | 一种港口起重机传动装置的故障分类方法及系统 | |
| CN116050591A (zh) | 基于生成对抗网络gan的风力发电功率预测方法 | |
| Cui et al. | A NEW DENOISING PREPROCESSING APPROACH FOR IMAGE RECOGNITION BY IMPROVED HOPFIELD NEURAL NETWORK | |
| CN109886959B (zh) | 检测图像变化的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |