基于PSOSVR波浪预测算法.docVIP

基于PSOSVR波浪预测算法 　　摘要：为了进行主动波浪补偿，克服大负载大惯量设备的控制滞后性，需要对波浪进行提前预测，又考虑到波浪运动的非线性因素，本文提出了一种基于粒子群（PSO，Particle Swarm Optimization）参数优化的支持向量回归（SVR，Support Vector Regression）的短期波浪预测算法。该算法以均方误差（MSE，Mean Squared Error）为判据，以PSO作为寻优算法对SVR算法参数进行寻优，得到最优预测模型后进行预测。仿真结果表明，相比于传统的时间序列预测算法自回归模型（AR，Auto Regressive），对于实际波浪的预测该方法有更高的预测精度。 　　关键词：支持向量回归；粒子群算法；主动波浪补偿 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）13-0229-03 　　1 引言 　　深海作业船只在海上的运动是一个非稳态过程，其运动不仅受到三维随机波浪的影响，还受到风、流载荷的影响。在这种情况下，作业船只在进行深海作业时处于摇晃状态，导致货物、船体之间发生碰撞，会造成严重的人生和财产安全事故[1]。为了避免这些情况的发生，近年来，越来越多的船只会在工作平台上安装波浪补偿装置来抵消波浪运动，使工作平台保持稳定。 　　由于海上工作平台的负载和惯量较大，会导致在进行主动波浪补偿时造成补偿运动延时，极大的影响补偿效果。在这种情况下，为了提高补偿精度，需要对波浪运动进行短期预测，提前预测出波浪运动趋势并进行控制补偿。此外，深海作业船只在海上作业时其载况经常发生变化，会引起其固有运动特性的变化，因此补偿系统是一个参数时刻变化的非线性系统。如何将上述多种影响因素综合考虑，建立较为准确和实用的短期波浪预报模型，是本文的研究内容。 　　目前常用的波浪预测模型有自回归模型（AR，Auto Regressive），自回归滑动平均模型（ARMA，Auto Regressive and Moving Average Model）和滑动平均模型（MA，Moving Average Model）等[2]。这些模型都基于对波浪的过去一段时间运动的观测，运用时间序列分析建立模型来实现预测。但是，这些预测方法只在线性系统中有好的效果，不适用于非线性系统。 　　国外专家Sidar和Dodin利用卡尔曼滤波来实时预测波浪运动，但是卡尔曼滤波预测法需要知道系统运动的精准状态运动数学式[3]。然而，当液压参数和环境改变了，状态等式是难以精准地给出。因此，尽管卡尔曼滤波能处理干扰并且计算简单，但在实际运用上很难达到理想效果。 　　近年来越来越多的国内外专家学者采用神经网络的方法探索自适应的平台运动极短期预报模型，实现对不同作业模式下的海洋平台运动的极短期波浪预报。但是，采用神经网络的方法来进行波浪预测时，很容易发生过匹配现象。此外，神经网络算法需要处理大量的采样数据，这样会导致计算复杂度的提高，增加计算时间，从而不能进行实时补偿[4]。 　　针对上述波浪预测的几个特性，在对比分析了众多国内外波浪预测相关应用文献后，本文采用一种新的方法来进行短期波浪预测，这种新的算法是“基于PSO的SVR波浪预测算法”。 　　2 PSO算法简介 　　PSO算法是一种寻优算法，采用速度-位置搜索模型进行寻优。算法中对于每一个参与寻优的粒子视为可主动运动的个体，所有的个体统称为群体；群体中第i个粒子在D维解空间的位置为Xi=（xi1，xi2，…，xiD）T，速度为Vi=（vi1，vi2，…，viD）T。当前时刻的个体极值记为Pibest，全局极值记为gbest。在每次迭代中，粒子跟踪个体极值、全局极值和自己前一时刻的状态来调整当前时刻的位置和速度[5]，迭代公式如下： 　　Vi（k+1） = w*Vi（k） + c1*rand（）*（Pibest-xi（k）） + c2*rand（）*（gbest-xi（k）） 　　（1） 　　Xi（k+1） = Xi（k） + Vi（k+1） （2） 　　其中，V（K），V（k+1），X（k），X（k+1）分别是粒子当前时刻，下一时刻的速度和位置；rand（）是[0，1]之?g的随机数；c1，c2是学习因子，通常取为2；w是权重因子，为加快收敛速度，其值应随算法迭代的进行而自动减小，一般定义为： 　　w = wmin + （itermax-iter）*（wmax-wmin）/itermax （3） 　　其中，wmax，wmin分别为最大、最小权重因子，一般情况下分别取为0.9，0.4；iter为当前迭代次数，itermax为总的迭代次数。 　　3 SVR算法简介 　　SVR算法是建立在支持向量机（SVM，Su