基于经验值分解及Elman神经网络的桥址区风速预测*

陶齐宇，余传锦，李永乐, 张明金，蒋劲松

(1.四川省交通运输厅公路规划勘察设计研究院，四川 成都 610041；2.西南交通大学 桥梁工程系，四川 成都 610031)

基于经验值分解及Elman神经网络的桥址区风速预测*

陶齐宇1，余传锦2，李永乐2, 张明金2，蒋劲松1

(1.四川省交通运输厅公路规划勘察设计研究院，四川 成都 610041；2.西南交通大学 桥梁工程系，四川 成都 610031)

准确的风速预测对于保障强风区的桥梁及行车安全是十分必要的。但因风速波动性大，非平稳性质强，准确预测较为困难。为提高预测精度，研究中采用EMD-Elman预测模型。将预测性能良好的Elman神经网网络融入经验值分解技术，以降低风速时程的非平稳性质。以大渡河大桥桥址区的实测风速作为算例验证。系统地研究了EMD-Elman模型的预测效果，并将其与Elman神经网络及被广泛采用的持续法和差分自回归移动平均模型进行对比。结果显示，融入经验值分解技术后，EMD-Elman模型预测性能有大幅提升；较Elman神经网络、持续法和差分自回归移动平均模型而言，EMD-Elman模型预测性能最为优越，可用于桥址区风速预测。

经验值分解；Elman神经网络；桥址区；风速；预测模型

近几年来，随着我国山区高速公路的大规模建设，风致车辆事故，尤其在桥上的事故明显增加。内陆强风区风环境恶劣，线路沿线桥梁主梁断面各异[1]、形式艰险，强风作用下车辆的安全隐患大大增加[2]。故针对强风作用下的车辆的行车安全建立可靠的大风预警系统的需求日益迫切。大风预警系统以风速的精准预测为基础核心。但由于风速波动性大，非平稳性质强，准确预测较为困难。预测方法主要包括了：统计法、智能算法及组合模型，其中以基于信号分解技术(小波分解[3-4]及经验值分解(EMD)[5]等)的组合模型运用最为广泛。由于EMD简单又易于接受，故被广泛采用。最近几年来，Liu等[6]将风速序列利用EMD进行分解后，再将所有的子序列利用差分自回归移动平均模型(ARIMA)进行预测并最后累加得到最后的预测值。Ren等[7]和Hong等[8]利用了EMD及BP神经网络提前1 h的风速进行预测。Fei[9]提出了EMD与多核相关向量拟合算法结合的风速预测方法。

以上对风速预测的研究基本是围绕于风电场，对桥址区风速的预测研究几乎空白。又考虑到Elman神经网络的预测性能优越，但其尚未在桥址区风速预测研究中被检验。鉴于此，结合EMD, 以EMD-Elman模型为基础，本文对大渡河大桥桥址区的风速预测展开深入研究，以对后期该桥址区的防灾减灾及预警系统的建立奠定坚实基础。

1 预测方法

1.1 经验值分解

经验值分解(EMD)被广泛运用于平稳和非平稳时间序列的处理。其核心思想就是将时间序列分成一系列本质模态函数。主要步骤包括了：

(1) 对于信号X(t), 求得其局部最大值及局部最小值的包络线平均值m1；

(2) 获取第一个分量h1∶h1=X(t)-m1；

(3) 对h1进行处理, 得到h1的上下限包络值m11，并得到h11=h1-m11；

(4) 重复这个过程k次，直到h1(k-1)-m1k=h1k满足本质模态函数要求；

(5) 将h1k记为c1，即得到第一个IMF分量(IMF1)，并获取序列的剩余部分：X(t)-c1=r1；

(6) 重复计算rj∶r1-c2=r2,....,rn-1-cn=rn，即可完成对X(t)的分解。

通过EMD，X(t)被分解成n个本质模态函数及一个趋势函数：

(1)

1.2 Elman神经网络

Elman神经网络(ENN)是一种简单的循环神经网络，它被广泛运用于实践序列的预测[8]。如图1所示，典型的ENN 结构主要分为4个部分，分别是，输入层、隐藏层、关联层及输出层。关联层储存了隐藏层的上一步输入并在下一步计算的时候再将其传入隐藏层。因此由于关联层的存在，较被广泛采用的BP神经网络[10-11]，ENN具有了处理时变数据的能力。

图1 在Matlab中ENN的典型结构

1.3 预测模型

针对桥址区的风速预测研究，本文采用EMD-Elman的风速预测混合模型。其预测流程图2所示。概括而言，可以分为3个步骤：

(1) 将获取的风速时程了利用EMD进行分解得到多个子序列(IMF1、IMF2、……、IMFn和Residue)；

(2) 针对(1)中得到所有子序列(IMF1、IMF2、……、IMFn及Residue)，建立n+1个Elman 神经网络模型；

(3) 将(3)中得到的所有子序列的预测值累加作为最后的预测结果。

图2 桥址区风速预测EMD-Elman模型流程图

2 桥址区概况

大渡河大桥距离泸定县城约5 km。大桥地处高山峡谷之间，桥面距离大渡河沟底约300 m，连接桥梁两端的均是陡峭的山脉。桥位处每天都会出现大风。与常规的季风或强对流天气出现的大风不同，是由于局部温差、局部地形和日照不均匀共同作用形成的局部小尺度大风[12]。

2.1 观测概要

为观测大渡河桥址区的大风，以便对桥址区风速预测展开研究，如图3所示，桥位处安装了1套四要素自动气象站(CAW600-RT)。该观测站点基本位于大桥纵向中心轴线上，在大桥上游约30 m处，大桥跨中偏离康定侧桥塔约100 m，风速、风向传感器的海拔高程为1 530 m，距离桥面设计高度78 m[13]。

图3 观测点布置 (单位：m)

3 算例验证

3.1 数据描述

本文采用了来自于四川省大渡桥桥址区的某一个月实际风速数据{X1t}和{X2t}作为研究对象。如图4所示，{X1t}和{X2t}均包括了1个月内的每小时风速。其中最后7 d，168个样本数据用来验证所建立的预测模型的性能，其余数据用做训练集。

3.2 误差指标

为验证模型性能，研究采用如表1中的3种误差指标，平均绝对误差(MAE)，平均相对误差(MAPE)，均方根误差(RMSE)，计算如表1所示。

表1 误差指标

图4 大渡河桥址区的某一个月内的实际风速时程{X1t}和{X2t}

3.3 预测结果及对比分析

将{X1t}利用EMD-Elman模型进行预测。为验证该模型的性能，被广泛采用的持续法，差分自回归移动平均模型(ARIMA)及单个Elman神经网络模型(ENN)，也用作对{X1t}的预测。图5为相关的预测结果。经计算，误差指标如表2所示。从表2可以看到：

(1) 在提前一步预测时，持续法、ARIMA及ENN的预测平均绝对误差MAE分别是1.66m/s、1.52 m/s及1.56 m/s，平均相对误差MAPE分别是37.3%、37.1%及37.4%，至于均方根误差RMSE情况类似。在提前两步与三步预测时，总体说来，这三个模型的预测误差指标均相差不大。因此持续法、ARIMA及ENN几个模型的预测能力相当。

图5 几种方法对{X1t}的预测结果

(2) 对比ENN与EMD-Elman模型，可以发现，在提前一步预测时，ENN的预测平均绝对误差MAE、平均相对误差MAPE及均方根误差RMSE分别是1.56 m/s、37.4%和2.14 m/s，对应的EMD-Elman模型的误差指标分别是，0.93m/s、20.6%和1.24 m/s；在提前两步与三步预测时，同样可以看到，EMD-Elman的各误差指标较ENN都有明显的减小，及其预测能力较ENN有很大的提升。所以将预测模型融入经验值分解技术后，预测能力有很大的提升。

(3) 对比不同方法在不同预测步长下的预测效果，可以看到，EMD-Elman较其他模型的预测误差均是最小。所以本文提出的方法EMD-Elman较本文采用的其余方法性能最优，可以在桥址区风速预测中应用。

3.4 进一步验证

同样的，分别利用持续法、ARIMA、ENN及EMD-Elman对{X2t}进行预测。预测结果及误差分析如图6和表3所示。可以看到：① 总体说来，持续法、ARIMA及ENN，这几个模型的预测能力仍是相当。② 对比ENN与EMD-Elman模型，可以发现将预测模型融入经验值分解技术后，预测能力确有很大的提升。③ EMD-Elman的预测性能仍是最优。

表2 对{X1t}利用持续法，ARIMA，ENN及EMD-Elman进行多步预测的误差

表3 对{X2t}利用持续法，ARIMA，ENN及EMD-Elman进行多步预测的误差

图6 几种方法对{X2t}的预测结果

4 结论

本文围绕着桥址区大风预警系统的建立，对桥址区风速预测展开研究。基于EMD-Elman预测模型，以大渡河大桥桥址区实际风速时程进行预测，并将其预测效果与被广泛采用的持续法、ARIMA及ENN进行对比，得到了以下结论：持续法、ARIMA及ENN几个模型的预测能力相当；预测模型融入经验值分解技术后，预测能力有很大的提升；较持续法、ARIMA及ENN而言，EMD-Elman性能最优，可以在桥址区风速预测中应用。

最后需要指出的是，本文的工作还需进一步加强，例如该组合模型对不同风速样本，更多预测步长的适用性，及如何提高单个模型的预测能力都是以后研究的重点。

[1] 汪斌，李永乐，郝超，等. 大跨度连续刚构桥钝化主梁气动特性数值分析[J]. 四川建筑科学研究, 2008, 34(5): 29-33.

[2] 刘艳, 阮慧华, 何清. 新疆拟建铁路沿线雪风灾分区和致灾性分析[J]. 灾害学, 2012, 27(2): 54-57.

[3] Akintascikaraoglu, Sanandaji B M, Kameshwarpoolla, et al. Exploiting sparsity of interconnections in spatio-temporal wind speed forecasting using wavelet transform[J]. Applied Energy. 2016, 165: 735-747.

[4] Kiplangat D C, Asokan K, Satheeshkumar K. Improved week-ahead predictions of wind speed using simple linear models with wavelet decomposition[J]. Renewable Energy. 2016, 93: 38-44.

[5] Rl S, Hshih H, Yi C N, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. 1998: 903-995.

[6] Huiliu, Qitian H, Feili Y. An EMD-recursive ARIMA method to predict wind speed for railway strong wind warning system[J]. Journal of Wind Engineering and Industrial Aerodynamics. 2015.

[7] Yeren, Suganthan P N, Narasimalusrikanth. A comparative study of empirical mode decomposition-based short-term wind speed forecasting methods[J]. IEEE Transactions on Sustainable Energy. 2015, 6(1): 236-244.

[8] Yihong Y, Hsuanyu T, Yunliu C. Hour-Ahead Wind Speed and Power Forecasting Using Empirical Mode Decomposition[J]. Energies. 2013, 6: 6137-6152.

[9] Weifei S. A hybrid model of EMD and multiple-kernel RVR algorithm for wind speed prediction[J]. International Journal of Electrical Power and Energy Systems. 2016.

[10] 叶小岭, 施珮, 匡亮. 基于粒子群优化 BP 神经网络的台风灾损预测模型研究[J]. 灾害学, 2013, 28(4): 11-15.

[11] 贺炳彦, 崔建军. 基于 BP 神经网络的地裂缝活动强度预测——以西安地裂缝为例[J]. 灾害学, 2010, 25(4): 38-42.

[12] 李永乐，张明金，徐昕宇，等. 高海拔高温差深切峡谷桥址区日常大风成因[J]. 西南交通大学学报, 2014(6): 935-941.

[13] 张明金，李永乐，唐浩俊，等. 高海拔高温差深切峡谷桥址区风特性现场实测[J]. 中国公路学报,2015(3): 60-65.

Abstract:It is necessary to make accurate wind speed forecasting to ensure safety of bridges and vehicles under strong wind. However, resulting from the great fluctuations and non-stationary of wind speeds, it is difficult to achieve precise predictions. To improve forecasting accuracy, EMD-Elman model is proposed, combined with Empirical Mode Decomposition (EMD) and Elman neural network, to reduce the non-stationary nature. Real wind speed series collected from the Dadu River bridge site are taken as the experiment subjects. The prediction performance of EMD-Elman model is systematically studied. It is compared with that of the Elman neural network, the persistence method and the autoregressive integrated moving average model, which are all generally used. The results show that the performance of EMD-Elman has a significant enhancement after EMD employed; compared with the others, EMD-Elman is the best and can be employed for wind speed forecasting for bridge sites.

Key words:empirical mode decomposition; elman neural network; bridge sites; wind speed forecasting model

Wind Speed Forecasting for Bridge Sites Based on Empirical Mode Decomposition and Elman Neural Network

TAO Qiyu1, YU Chuanjin2, LI Yongle2, ZHANG Mingjin2and JIANG Jinsong1

(1.InstituteofHighwayPlanningandDesignofSichuanProvincialDepartmentofCommunicationsandTransportation,Chengdu610041,China; 2.DepartmentofBridgeEngineering,SouthwestJiaotongUniversity,Chengdu610031,China)

陶齐宇，余传锦，李永乐,等. 基于经验值分解及Elman神经网络的桥址区风速预测[J]. 灾害学，2017，32(4)：85-89. [TAO Qiyu，YU Chuanjin，LI Yongle，et al. Wind Speed Forecasting for Bridge Sites Based on Empirical Mode Decomposition and Elman Neural Network[J]. Journal of Catastrophology，2017，32(4)：85-89.

10.3969/j.issn.1000-811X.2017.04.014.]

TU398; X43

A

1000-811X(2017)04-0085-05

2017-03-31

2017-05-24

交通运输部建设科技计划项目(2014318800240)；四川省创新研究团队(2015TD0004)

陶齐宇(1971-)，男，山东巨野人，博士，高级工程师，研究方向为大跨度桥梁设计理论及方法.E-mail：tqycyr1997@163.com

10.3969/j.issn.1000-811X.2017.04.014