[发明专利]融合经验模态分解降噪和复杂网络分析的风场表征方法

说明书

技术领域

本发明涉及一种近地面风场类型表征方法。特别是涉及一种用于近地面风场信号的降噪和风场类型表征的融合经验模态分解降噪和复杂网络分析的风场表征方法。

背景技术

近地面风场类型是指在一定的天气条件和复杂地形约束下，近地面形成的特定的风场形式或模态。通过对风场类型进行表征，可以更好地揭示近地面风场的流动及演化规律。其将在气象、农业、能源、环保等多个领域具有广泛的应用价值。风场时间序列蕴含丰富的风场流动及演化信息，也是风场类型识别最便捷获取的原始数据。现有的风场类型识别方法大多通过对风场原始时间序列进行聚类处理实现，这种处理策略存在两方面的问题：1)未对原始风速时间序列进行降噪处理，目前风速信号测量大多采用杯式或螺旋桨式风速仪，这类风速仪体积较大且通过机械转动部件对风场信号进行测量，因此所获取的风场原始数据中必然存在一定的噪声，这给聚类分析结果准确性产生不利影响；2)大量的有关近地面风场时间序列的研究结果表明，近地面风速时间序列具有非平稳、非线性特性，而现有的聚类分析中关键的模式距离测度(如欧式距离、马式距离、皮尔逊相关距离等)一般只适用于分析线性、平稳信号，对于非平稳、非线性信号的测算结果误差很大，很难给出正确的分类结果。

由于受气压、温度和复杂地形等多个因素影响，导致近地面风场呈现出很强的非线性和不确定性，这给风场类型的表征带来极大的困难。此外，传感器测量过程中的噪声问题也对风场分类识别精度产生一定的影响。

目前风速信号测量大多采用杯式或螺旋桨式风速仪，这类风速仪体积较大且通过机械转动部件对风场信号进行测量，因此所获取的风场原始数据中必然存在一定的噪声，这直接影响后续风场信号表征的准确性，为此非常有必要对原始风场数据进行降噪处理。大量近地面风场时间序列的研究结果表明，近地面风速时间序列具有非平稳、非线性特性，由于传统的降噪处理很难区分噪声和非线性信号，因此在降噪过程无法保证最大限度的保留风场信号本原的非线性特性。

目前常规的非线性信号分析及表征方法有：关联维数(CorrelationDimension,D₂)；相互维数(MutualDimension,D_m)；李亚普诺夫指数(LyapunovExponent,L₁)；柯尔莫哥诺夫熵(KolmogorovEntropy,K₂)；近似熵等。这些方法受数据长度的影响较大，测算结果不稳定。

发明内容

本发明所要解决的技术问题是，提供一种可有效地提取出风场时间序列本原的非线性特征，并且具有较强降噪能力的融合经验模态分解降噪和复杂网络分析的风场表征方法。

本发明所采用的技术方案是：一种融合经验模态分解降噪和复杂网络分析的风场表征方法，包括如下步骤：

1)对输入的风场时间序列信号进行经验模态分解，得到一组阶次由低到高的本征模态函数信号；

2)对每个本征模态函数信号进行相空间重构，重构得到相空间中的状态向量序列{x(i)},i＝1,2,...,N，由此计算状态向量序列相应的自递归矩阵r_i,j：

r_i,j＝θ(ε-||x(i)-x(j)||)(1)

其中θ(x)是单位阶跃函数，当x大于等于0时，θ(x)＝1；当x小于0时，θ(x)＝0；x(i)和x(j)分别表示相空间中序号为i和j的状态向量；||·||表示欧式范数；ε为范数阈值，通过控制递归矩阵中的递归点密度为5％得到；

3)根据每个本征模态函数信号的自递归矩阵r_i,j计算相应的可预测性强度W：

其中，l是递归矩阵中的构成45°对角线的长度，p(l)是对角线长度l的概率分布密度函数，N是相空间重构后得到的状态向量个数，i，j为状态向量序号；

4)做出可预测性强度W与本征模态函数阶次变化的关系曲线，从中找到曲线的最小值；

5)以可预测性强度W最小值所对应的本征模态函数阶次s为分界点，去除阶次小于等于s的本征模态函数分量，将剩余的本征模态函数分量累加得到降噪处理信号；

6)将降噪处理信号再次进行相空间重构，得到相应的自递归矩阵R_b,c，去除自递归矩阵R_b,c的自环，得到复杂网络的连接矩阵A_b,c，并以复杂网络的连接矩阵A_b,c为依据构造风速时间序列复杂网络