高层建筑风压短期预测方法、异常数据补全方法及装置制造方法及图纸

本发明专利技术公开了一种高层建筑风压短期预测方法、异常数据补全方法及装置，包括采集高层建筑的历史风压数据，并采用经验模态分解算法将所述原始风压数据序列分解成多个IMF分量和一个RES分量；将分解得到的IMF分量输入BiGRU神经网络模型中进行迭代训练，优化模型参数，得到训练好的BiGRU神经网络模型；采集高层建筑的实时风压数据，将实时风压数据输入训练好的BiGRU神经网络模型中，通过BiGRU神经网络模型得到高层建筑的风压预测数据；本发明专利技术基于经验模态分解算法与BiGRU模型实现，将分解后的IMF分量输入到BiGRU深度神经网络模型中，风压预测数据的预测精度高，能够准确评估高层建筑的表面风压。的表面风压。的表面风压。

【技术实现步骤摘要】
高层建筑风压短期预测方法、异常数据补全方法及装置


[0001]本专利技术涉及建筑结构风压预测
，特别是涉及一种高层建筑风压短期风压预测方法、异常数据补全方法及装置。

技术介绍

[0002]风压传感器对于评估建筑物表面压力具有重要意义，但是，某些风压传感器在长期运行过程中会发生失效或者异常从而导致数据丢失，使得数据很难恢复。
[0003]目前基于人工智能方法对高层建筑缺失风压数据预测方法主要分为两种：一种是“浅层”机器学习方法，风压数据具有高度非线性和非平稳性，“浅层”的模型对风荷载的短期预测具有一定的局限性，无法处理海量的监测数据且准确率较低；另一种方法是传统的深度神经网络模型，具有普遍性、效率高等特点，但准确性有待进一步的提高。因此，有必要进一步提高传统深度神经网络模型的精度，开展既准确又实时的高层建筑风压预测工作。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于高层建筑风压短期预测方法、异常数据补全方法及装置，以解决现有技术中对高层建筑风压数据进行预测和补全时准确率低的问题。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高层建筑风压短期预测方法，其特征在于，包括以下步骤：S1：采集高层建筑的历史风压数据，并将该历史风压数据按时序整合成原始风压数据序列；S2：采用经验模态分解算法将所述原始风压数据序列分解成多个IMF分量和一个RES分量；S3：将分解得到的IMF分量输入BiGRU神经网络模型中进行迭代训练，优化模型参数，得到训练好的BiGRU神经网络模型；S4：采集高层建筑的实时风压数据，将实时风压数据输入训练好的BiGRU神经网络模型中，通过BiGRU神经网络模型得到高层建筑的风压预测数据。2.根据权利要求1所述的高层建筑风压短期预测方法，其特征在于，在所述步骤S2中，对该原始风压数据序列进行经验模态分解的具体步骤为：S201：筛选出原始风压数据序列中所有的极大值点和极小值点，对所述极大值点和极小值点分别进行拟合得到原始风压数据序列的上包络线和下包络线；S202：根据所述上包络线和下包络线计算所述原始风压数据序列的均值包络，并计算所述原始风压数据序列与均值包络之间的差值得到第一风压数据序列；S203：判断所述第一风压数据序列是否满足IMF分量成立的条件，若满足，则执行步骤S204，若不满足，则对第一风压数据序列重复执行步骤S201
‑
S202，直至重复m次后得到的第i个风压数据序列满足IMF分量成立的条件为止；S204：将第i个风压数据序列作为所述原始风压数据序列的第一个IMF分量，并将该第一个IMF分量从原始风压数据序列中分离得到第一剩余风压数据序列；S205：判断第一剩余风压数据序列是否为单调函数，若是，则完成分解，否则对该第一剩余风压数据序列重复执行步骤S201
‑
S204，直至重复n次得到的第j个剩余风压数据序列为单调函数为止，以分解得到n个IMF分量和一个RES分量。3.根据权利要求2所述的高层建筑风压短期预测方法，其特征在于，所述步骤S203中，IMF分量成立的条件为：在整个时程内，所述第一风压数据序列上极大值点和极小值点的个数与过零点的个数相等或最多相差一个；在整个时程内，所述第一风压数据序列上任意一点处的上包络线和下包络线的均值为零。4.根据权利要求1所述的高层建筑风压短期预测方法，其特征在于，在步骤S3中，所述BiGRU神经网络模型包括两个结构相同的GRU子模型，两个所述GRU子模型分别对输入的IMF分量沿时间正序和逆序进行处理，其训练过程为：S301：将步骤S2中分解得到的所有IMF分量分别输入两个GRU子模型中，分别计算两个GRU子模型的重置门和更新门；S302：分别计算两个GR...

【专利技术属性】
技术研发人员：陈增顺，华建民，袁晨峰，付军，张利凯，黄乐鹏，薛暄译，
申请(专利权)人：重庆大学，
类型：发明
国别省市：