一种基于遗传算法的风场特征统计分布模型建立方法技术

一种基于遗传算法的风场特征统计分布模型建立方法，实施流程如下：A.处理原始的风速风向数据；B.估计风速概率密度函数中的参数；C.估计风向概率密度函数中的参数；D.估计相关系数概率密度函数中的参数；E.风速风向联合分布函数。

【技术实现步骤摘要】

本专利技术涉及结构健康监测、结构风工程、统计数学建模等领域，具体为基于遗传算法进行风速风向联合分布参数估计和概率分布模型建立。
技术介绍
随着桥梁不断向更大跨径方向发展，考虑风对桥梁的作用已变得越来越重要。研究在桥址处各种可能的风场条件下，桥梁结构的静力效应和动力响应，可以为新建桥梁的设计、施工提供抗风方案。在研究风对桥梁的作用时，需要从桥梁的结构特性、风特性和风与结构相互作用三个方面着手进行考虑，而其中对近地自然风特性的分析是非常基础且重要的环节。桥梁所在地的近地风特性是进行桥梁抗风设计与验算的基本依据。在研究风对工程结构物的作用时，我们通常将本质上是随机的自然风分为两种成分:以平均速度表示的平均风和均值为零的脉动风。其中，平均风的风速是描述风荷载的主要参数，但是风速是随机变量，需要用概率论的方法进行统计，即风速概率模型，风速的概率分布对结构分析与设计密切相关。迄今为止，已有大量概率模型用于近似风速的分布，主要有Gumbel分布、Weibull分布、Gamma分布、对数正态分布等。上述概率分布均属于单峰模型，但实际风速的分布颇为复杂，采用单一的分布形式无法充分描述风速的多模态统计特性。有限混合分布函数是由一系列具有不同统计特性的分布函数加权叠加组成，通过估计有限混合分布函数中的未知分布参数能够模拟由不同统计特性组成的分布函数。除风速外，风向亦是描述风荷载的重要参数。同一地点不同方向上的平均风速基本是不均匀的，而大型结构物在不同方向上的尺度往往又有着明显的差异，特别是桥梁结构在沿桥梁轴线方向和垂直轴线方向上的尺度和刚度、振动性能等差别很大，因而有必要引进风向这个要素来研究风速风向的联合分布。然而，相对于风速而言，对于风向的研究目前十分缺乏，其困难主要源于以下两方面：一、气象台的风向记录多采用方位法而无具体数值；二、风向角是周期性变量。对于风向分布，可以使用三角函数拟合风向频度直方图建立风向角的连续概率密度函数。但是此方法并不能给出固定的概率分布模型。目前，最为常用的风向概率密度模型是VonMises分布和基于VonMises分布的混合模型。为了更好的研究风荷载的特征，需要同时考虑风速和风向这两个因素。而风速和风向的联合分布属于角度线性分布，可以把其建模方法大致分为以下两类：间接法和直接法。间接法是先得出其他变量的联合分布，然后再间接的获得风速风向的联合分布。如假设顺风向和横风向风速为相互独立的正态变量且两者标准差相等，将这两个变量的概率密度函数相乘，然后通过顺风向和横风向这两个方向上的风速与总风速风向的关系推导出联合分布。直接法是直接由风速和风向的边缘概率密度函数构造两者的联合分布，其中最简单方法的就是假定两变量相互独立，角度变量服从VonMises分布、风速变量服从正态分布的联合分布模型。然而，风速和风向并不是相互独立的，简单的相乘不能正确的得出风速风向的联合分布函数，那么风速风向联合分布可表示为两变量的边缘分布函数和两个变量相关系数分布函数的乘积。
技术实现思路
本专利技术要克服传统风速风向分布建模方法的不足，运用直接法提出一种基于遗传算法的风场特征统计分布建模方法。本专利技术所述的一种基于遗传算法的风场特征统计分布模型建立方法，由以下三部分组成：一、风速风向联合分布模型本专利技术使用直接法来构建风速风向联合分布模型，风速风向联合分布概率密度函数可以表示为fV,Θ(v,θ)＝2πg(γ)fV(v)fΘ(θ)。该函数是由风速和风向的边缘概率密度函数以及它们的相关系数函数组成，如下所示：(1)风速的概率密度函数fV(v)服从有限混合威尔布分布，其概率密度函数可以表示为： f V ( v ) = Σ l = 1 N w l α l β l ( v β l ) α l - 1 exp [ - ( v β l ) α l ] ]]>其中，N为组分个数，l为每个组分的标号，v为平均风的风速，βl为范围参数，αl为外形参数，wl为各组分混合权重，且满足： Σ l = 1 N w l = 1 ]]>且wl≥0(2)风向的概率密度函数fΘ(θ)服从VonMises分布，其概率密度函数可以表示为： f Θ ( θ ) = Σ j = 1 N ω j 2 πI 0 ( k j ) · exp [ k j c o s ( θ - μ j ) 本文档来自技高网...

【技术保护点】
一种基于遗传算法的风场特征统计分布模型建立方法，具体实施流程如下：A.处理原始风速风向数据；A1.以10分钟为一时距，求出十分钟内的风速和风向数据的平均值；A2.将风速和风向数据储存在excel或matlab文件中，风速存放在一列中，风向存放在一列中，并且同一时距内的风速和风向数据一一对应存在同一行；B.估计风速概率密度函数中的参数；B1.风速的范围在0m/s到20m/s之间。取一区间为[0，20]，其下限比最小数据稍小，其上限比最大数据稍大，将这一区间分为200个小区间RV，每个区间的间隔为0.1。那么样本落在区间RV的频率可表示为其中Kv为落入区间RV的样本数量，K为样本总量，ξ为区间RV的面积，为风速概率密度函数，xv为区间RV中心点的x坐标，β为范围参数，α为外形参数，wl为各组分混合权重；B2.种群规模取为200，最大进化代数为5000，共进行10次试验，取适应度值最大的搜索结果作为最终参数估计值。其适应度函数可以表示为FIT=1Σv=1V(qv-f(xv|w,α,β)ξqv)2]]>其中f(xv|w,α,β)为风速概率密度函数。当qv越接近f(xv|w,α,β)ξ时，适应度函数的值越大。使适应度函数的值达到最大的范围参数β，外形参数α，以及各组分混合权重w为参数的最优解；B3.利用所得的参数估计值计算不同组分个数下的AIC值和Δc以确定最佳组分个数，其中的组分个数从1开始直到AIC值与Δc不再显著变化为止。赤池信息准则AIC是一个基于似然函数值的模型选择准则，表示为AIC＝2M‑2ln(L)其中M为分布模型中未知参数的个数，表示增加参数的折扣，ln(L)为极大对数似然函数，用于衡量模型的拟合优度。距离测度Δc是从拟合优度假设检验衍生。Δc值可表示为Δc=Σv=1T(qv-hv)2qv,]]>其中T为区间划分个数，qv为拟合分布在区间Rv内的频率，hv为样本落入区间Rv内的概率。选择AIC值和Δc最小值对应的组分个数，确立最优的拟合模型；C.估计风向概率密度函数中的参数；C1.风向角度范围在0到2π之间。取区间为[0，2π]，将这一区间分为200个小区间RV，每个区间的间隔为0.1π。那么样本落在区间RV的频率可表示为其中Kv为落入区间RV的样本数量，K为样本总量，ξ为区间RV的面积，为风向概率密度函数，xθ为区间RV中心点的x坐标，kj为集中参数，μj为平均风向，wj为各组分混合权重；C2.种群规模取为200，最大进化代数为5000，共进行10次试验，取适应度值最大的搜索结果作为最终参数估计值。其适应度函数可以表示为FIT=1Σv=1V(qv-f(xθ|w,k,μ)ξqv)2]]>其中f(xθ|w,k,μ)为风向概率密度函数。当qv越接近f(xθ|w,k,μ)ξ时，适应度函数的值越大。使适应度函数的值达到最大的集中参数k，平均风向μ，以及各组分混合权重w为参数的最优解；C3.利用所得的参数估计值计算不同组分个数下的AIC值和Δc以确定最佳组分个数，其中的组分个数从1开始直到AIC值与Δc不再显著变化为止。赤池信息准则AIC是一个基于似然函数值的模型选择准则，表示为AIC＝2M‑2ln(L)其中M为分布模型中未知参数的个数，表示增加参数的折扣，ln(L)为极大对数似然函数，用于衡量模型的拟合优度。距离测度Δc是从拟合优度假设检验衍生。Δc值可表示为Δc=Σv=1T(qv-hv)2qv]]>其中T为区间划分个数，qv为拟合分布在区间Rv内的频率，hv为样本落入区间Rv内的概率。选择AIC值和Δc最小值对应的组分个数，确立最优的拟合模型；D.估计相关系数概率密度函数中的参数；D1.通过B和C两个步骤已经得出了风速和风向的概率密度函数，然后使用可以计算出每一个风速风向数据所对应的相关系数；D2.进行C1，C2，C3这三个步骤对相关系数数据进行处理；D3.得到相关系数概率密度函数中的最优的集中参数k，平均相关系数μ，以及各组分混合权重w；E.风速风向联合分布函数；E1.以上已经通过遗传算法计算出风速，风向，相关系数的概率密度函数，即可以得到风速风向概率密度函数fV,Θ(v,θ)＝2πg(γ)fV(v)fΘ(θ)。...

【技术特征摘要】
1.一种基于遗传算法的风场特征统计分布模型建立方法，具体实施流程如下：
A.处理原始风速风向数据；
A1.以10分钟为一时距，求出十分钟内的风速和风向数据的平均值；
A2.将风速和风向数据储存在excel或matlab文件中，风速存放在一列中，风向存放在
一列中，并且同一时距内的风速和风向数据一一对应存在同一行；
B.估计风速概率密度函数中的参数；
B1.风速的范围在0m/s到20m/s之间。取一区间为[0，20]，其下限比最小数据稍小，其上
限比最大数据稍大，将这一区间分为200个小区间RV，每个区间的间隔为0.1。那么样本落在
区间RV的频率可表示为其中Kv为落入区间RV的样本数量，K为样本
总量，ξ为区间RV的面积，为风速概率密度函数，xv为区间RV中心点的x坐标，β为范围参数，α为外形参数，wl为各组分混合权重；
B2.种群规模取为200，最大进化代数为5000，共进行10次试验，取适应度值最大的搜索
结果作为最终参数估计值。其适应度函数可以表示为
F I T = 1 Σ v = 1 V ( q v - f ( x v | w , α , β ) ξ q v ) 2 ]]>其中f(xv|w,α,β)为风速概率密度函数。当qv越接近f(xv|w,α,β)ξ时，适应度函数的值
越大。使适应度函数的值达到最大的范围参数β，外形参数α，以及各组分混合权重w为参数
的最优解；
B3.利用所得的参数估计值计算不同组分个数下的AIC值和Δc以确定最佳组分个数，其
中的组分个数从1开始直到AIC值与Δc不再显著变化为止。
赤池信息准则AIC是一个基于似然函数值的模型选择准则，表示为
AIC＝2M-2ln(L)
其中M为分布模型中未知参数的个数，表示增加参数的折扣，ln(L)为极大对数似然函
数，用于衡量模型的拟合优度。
距离测度Δc是从拟合优度假设检验衍生。Δc值可表示为
Δ c = Σ v = 1 T ( q v - h v ) 2 q v , ]]>其中T为区间划分个数，qv为拟合分布在区间Rv内的频率，hv为样本落入区间Rv内的概
率。选择AIC值和Δc最小值对应的组分个数，确立最优的拟合模型；
C.估计风向概率密度函数中的参数；
C1.风向角度范围在0到2π之...

【专利技术属性】
技术研发人员：叶肖伟，奚培森，苏有华，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33