CN107436975A - 一种平稳脉动风幅值谱的确定方法 - Google Patents

一种平稳脉动风幅值谱的确定方法 Download PDF

Info

Publication number
CN107436975A
CN107436975A CN201710596269.4A CN201710596269A CN107436975A CN 107436975 A CN107436975 A CN 107436975A CN 201710596269 A CN201710596269 A CN 201710596269A CN 107436975 A CN107436975 A CN 107436975A
Authority
CN
China
Prior art keywords
wind
amplitude
spectrum
fluctuating
fluctuating wind
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710596269.4A
Other languages
English (en)
Inventor
淡丹辉
王向杰
夏烨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201710596269.4A priority Critical patent/CN107436975A/zh
Publication of CN107436975A publication Critical patent/CN107436975A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Civil Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Architecture (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开一种平稳脉动风幅值谱的确定方法，包括风压传感器的监测设备与计算机配合，该方法对不同高度两点或多点众多实测脉动风速数据样本进行矢量分解，得到平面风速；随后对风速数据样本进行筛选，剔除异常数据；然后对正常数据样本进行计算，得到地面粗糙高度与地表剪切风速；再利用非参数高精度幅值相位谱估计法（APES）进行幅值计算；随后对计算结果进行统计，得到其均值、方差等统计特性；然后通过粒子群算法对风速数据进行风谱的参数拟合，得到场地的经验幅值谱模型。该方法简单可靠，所得的实测数据幅值谱估计准确可靠，据此拟合得到的经验幅值谱模型能全面反映场地风场随机特性。

Description

一种平稳脉动风幅值谱的确定方法
技术领域
本发明设计一种平稳脉动风幅值谱的确定方法，主要应用于结构风工程领域。
背景技术
结构风致响应分析是进行大跨桥梁结构以及高耸建筑结构设计的重要工作。风荷载是大跨度结构以及高耸结构的主要荷载之一，对风荷载特性的分析是此类结构风工程的基础性工作。风荷载的特性主要包括平均风特性（平均风速风向、风速随高度的变化规律）和脉动风特性（紊流强度、紊流积分尺度、幅值谱和功率谱密度函数等），其中，脉动风幅值谱是脉动风速时程的重要数字特征，能够准确反应脉动风中各频率成分所作的贡献大小以及当地脉动风速的概率信息，是进行脉动风模拟以及风致响应分析的基础，而且脉动风幅值谱不同于功率谱，还包含着当地脉动风的概率信息，也是进行结构可靠度分析的基础，因此脉动风幅值谱的选择将直接影响桥梁结构风致响应以及可靠性的分析结果。由于风场受地形、地貌影响极大，导致不同地区的风场特性存在较大差异，目前，国内规范均是给出脉动风功率谱的经验公式，很难准确确定当地的脉动风特性以及生成随机脉动风时程。因此需要研究具有概率意义的脉动风功率谱，从而得到准确的风荷载信息。
幅值谱，即风速时程在各频率上的分布。对幅值谱的计算，目前常用的方法为傅立叶变换以及由此基础上衍生而来的快速傅立叶变换等，但此种方法频率识别范围为，频率分辨率为，其分辨率受采样频率与采样点数限制，且不能得到任意频率处的幅值信息。因此傅立叶变换不能对平稳脉动风进行准确计算，迫切需要一种能够在频域具有较高分辨率的时频分析方法。
针对现有技术的不足，有必要提出新的技术方案。
发明内容
本发明的目的在于：提供一种平稳脉动风幅值谱的确定方法，使得到的脉动风幅值谱更加符合实际情况、能够更可靠应用于工程结构的抗风设计中。
本发明的目的通过以下方案实现：一种平稳脉动风幅值谱的确定方法，包括风压传感器的监测设备与计算机配合，利用非参数高精度幅值相位谱估计法（APES）和粒子群算法对风速数据进行风谱的参数拟合相结合的方法，确定平稳脉动风幅值谱，包括下述步骤：
第一步，首先利用风压传感器从不同高度两点或多点获取实测脉动风速数据样本，根据实测风速时程，确定采样频率f和样本时长T，对该实测脉动风速数据样本进行矢量分解，得到平面风速和脉动风速；
第二步，对风速数据样本进行筛选，将剔除了异常数据的正常风速数据样本进行计算，得到地面粗糙高度与地表剪切风速；
第三步，利用非参数高精度幅值相位谱估计法（APES）进行脉动风幅值计算，每个样本最终的脉动风速的幅值谱估计和相位估计如下，
第四步，对计算结果进行统计，得到其均值、方差的统计值；
第五步，通过粒子群算法对风速数据进行风谱的参数拟合，得到场地的经验幅值谱模型，其中，为待拟合参数；
1）经验脉动风幅值谱：
，
定义目标函数：
其中，为经验脉动风幅值谱中u * 与f随机变动时得到的均值与方差；
采用粒子群算法，在定义域内求得一组参数组合，使得取得最小值，所得结果即为经验脉动风幅值谱；
2）经验脉动风幅值均值谱：
定义经验脉动风幅值均值谱形式为：
，
其中，为的均值；
定义目标函数如下：
采用粒子群算法，在定义域内求得一组参数组合，使得取得最小值，所得结果即为经验脉动风幅值均值谱；
3）经验脉动风幅值标准差谱：
定义经验脉动风标准差谱形式为：
定义目标函数如下：
采用经验脉动风幅值谱或者经验脉动风幅值均值谱与经验脉动风幅值标准差谱的组合，既可生成随机脉动风幅值谱。
具体的，本发明所述的平稳脉动风幅值谱的确定方法，包括以下步骤：
1.根据实测风速时程，确定采样频率f和样本时长T，将数据划分为众多待计算样本；
2.对每个样本不同高度风速数据进行矢量分解，主风速、平面风速以及水平平均风向角：
其中，代表水平面内以及竖向的平均风速，下表i代表第i个样本。
3.筛选风速数据样本，剔除异常数据样本，原则为：
1）主风速大于6m/s;
2）原始风速数据中超过64m/s的数据点小于50个；
3）高处的主风速、平面风速均大于低处数值。
4.计算第三步得到的符合要求的平稳风样本对应的地面粗糙度以及地面剪切风速；
其中，代表第j个平稳风样本高度为、处的平面主风速。
5.得到平稳风数据样本的水平面脉动风速时程：
。
6.采用APES算法计算脉动风的幅值谱，具体步骤为：
对于监测得到的脉动风的时间序列可表示为N个观测数据。每一条观测数据可表示为如下形式：
其中，为噪声。
构造观测数据的阶Hankel阵：
这里，，；M为用户参数，也可称为FIR滤波器长度，；。
定义如下符号：
。
令：
最终可得到脉动风幅值谱的估计：
其中，
可以给出每个样本最终的脉动风速的幅值谱估计和相位估计如下，
。
7.计算所有样本脉动风谱的统计参数，得到其均值与标准差
。
8.确定所要拟合的风谱类型：
根据不同高度处平均风谱的特点确定所对应的风谱表现形式。
风谱的统一表达式如下为：
为平均地面剪切风速。
当时，对应于Von Karman功率谱的幅值谱形式，为涡旋整体长度，为10米高度处的平均风速，可根据第四步统计结果得出；
当时，对应于Davenport功率谱的幅值谱形式；
当时，对应于Simiu 功率谱的幅值谱形式，为高度为z处的平均风俗；
其中，为待拟合参数。
9.采用粒子群算法对脉动风谱进行参数拟合：
1）经验脉动风幅值谱
定义目标函数：
其中，为经验脉动风幅值谱中随机变动时得到的均值与方差。
采用粒子群算法，在定义域内求得一组参数组合，使得取得最小值，所得结果即为经验脉动风幅值谱。
2）经验脉动风幅值均值谱
定义经验脉动风幅值均值谱形式为：
其中，的均值。
定义目标函数如下：
采用粒子群算法，在定义域内求得一组参数组合，使得取得最小值，所得结果即为经验脉动风幅值均值谱。
3）经验脉动风幅值标准差谱
定义经验脉动风标准差谱形式为：
定义目标函数如下：
采用粒子群算法，在定义域内求得一组参数组合，使得取得最小值，所得结果即为经验脉动风幅值均值谱。
10.采用的组合，既可生成随机脉动风幅值谱。
本发明的优越性在于：该方法简单可靠，所得的实测数据幅值谱估计准确可靠，据此拟合得到的经验幅值谱模型能全面反映场地风场随机特性。
附图说明
图1为本发明的流程图。
具体实施方式
下面通过一个最佳实例，对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。一种平稳脉动风幅值谱的确定方法，包括风压传感器的监测设备与计算机配合，对实测数据输入计算机内进行运算，其确定的方法包括：
1.根据实测风速时程，确定采样频率f和样本时长T，将数据划分为众多待计算样本。
2.对每个样本不同高度风速数据进行矢量分解，主风速、平面风速以及水平平均风向角；
其中，代表水平面内以及竖向的平均风速，下表i代表第i个样本。
3.筛选风速数据样本，剔除异常数据样本，原则为：
1）主风速大于6m/s;
2）原始风速数据中超过64m/s的数据点小于50个；
3）高处的主风速、平面风速均大于低处数值。
4.计算第三步得到的符合要求的平稳风样本对应的地面粗糙度以及地面剪切风速；
其中，代表第j个平稳风样本高度为、处的平面主风速。
5.得到平稳风数据样本的水平面脉动风速时程：
。
6.采用APES算法计算脉动风的幅值谱，具体步骤为：
对于监测得到的脉动风的时间序列可表示为N个观测数据。每一条观测数据可表示为如下形式：
其中，为噪声。
构造观测数据的阶Hankel阵：
这里，；M为用户参数，也可称为FIR滤波器长度，。
定义如下符号：
。
令：
最终可得到脉动风幅值谱的估计：
其中，，
可以给出每个样本最终的脉动风速的幅值谱估计和相位估计如下，
7.计算所有样本脉动风谱的统计参数，得到其均值与标准差。
8.确定所要拟合的风谱类型：
根据不同高度处平均风谱的特点确定所对应的风谱表现形式。
风谱的统一表达式如下为：
为平均地面剪切风速。
当时，对应于Von Karman功率谱的幅值谱形式，涡旋整体长度，为10米高度处的平均风速，可根据第四步统计结果得出；
当时，对应于Davenport功率谱的幅值谱形式；
当时，对应于Simiu 功率谱的幅值谱形式，为高度为z处的平均风俗。
其中，为待拟合参数。
9.采用粒子群算法对脉动风谱进行参数拟合：
1）经验脉动风幅值谱
定义目标函数
其中，为经验脉动风幅值谱中随机变动时得到的均值与方差。
采用粒子群算法，在定义域内求得一组参数组合，使得取得最小值，所得结果即为经验脉动风幅值谱。
2）经验脉动风幅值均值谱
定义经验脉动风幅值均值谱形式为：
其中，的均值。
定义目标函数如下：
采用粒子群算法，在定义域内求得一组参数组合，使得取得最小值，所得结果即为经验脉动风幅值均值谱。
3）经验脉动风幅值标准差谱
定义经验脉动风标准差谱形式为：
定义目标函数如下：
采用粒子群算法，在定义域内求得一组参数组合，使得取得最小值，所得结果即为经验脉动风幅值均值谱。
10.采用的组合，既可生成随即脉动风幅值谱。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明的限定。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (8)

1.一种平稳脉动风幅值谱的确定方法，包括风压传感器的监测设备与计算机配合，其特征在于：利用非参数高精度幅值相位谱估计法（APES）和粒子群算法对风速数据进行风谱的参数拟合相结合的方法，确定平稳脉动风幅值谱，包括下述步骤：
第一步，首先利用风压传感器从不同高度两点或多点获取实测脉动风速数据样本，根据实测风速时程，确定采样频率f和样本时长T，对该实测脉动风速数据样本进行矢量分解，得到平面风速和脉动风速；
第二步，对风速数据样本进行筛选，将剔除了异常数据的正常风速数据样本进行计算，得到地面粗糙高度与地表剪切风速；
第三步，利用非参数高精度幅值相位谱估计法（APES）进行脉动风幅值计算，每个样本最终的脉动风速的幅值谱估计和相位估计如下，
；
第四步，对计算结果进行统计，得到其均值、方差的统计值；
第五步，通过粒子群算法对风速数据进行风谱的参数拟合，得到场地的经验幅值谱模型，其中，为待拟合参数；
1）经验脉动风幅值谱：
定义目标函数：
其中，为经验脉动风幅值谱中u * 与f随机变动时得到的均值与方差；
采用粒子群算法，在定义域内求得一组参数组合，使得取得最小值，所得结果即为经验脉动风幅值谱；
2）经验脉动风幅值均值谱：
定义经验脉动风幅值均值谱形式为：
其中，为的均值；
定义目标函数如下：
采用粒子群算法，在定义域内求得一组参数组合，使得取得最小值，所得结果即为经验脉动风幅值均值谱；
3）经验脉动风幅值标准差谱：
定义经验脉动风标准差谱形式为：
定义目标函数如下：
采用经验脉动风幅值谱或者经验脉动风幅值均值谱与经验脉动风幅值标准差谱的组合，既可生成随机脉动风幅值谱。
2.根据权利要求1所述的一种平稳脉动风幅值谱的确定方法，其特征在于：确定采样频率f和样本时长T后，将数据采用矢量分解法，对每个不同高度风速样本数据进行矢量分解，主风速、平面风速以及水平平均风向角：
其中，代表第i个样本的水平面内以及竖向的平均风速。
3.根据权利要求1或2所述的一种平稳脉动风幅值谱的确定方法，其特征在于，将剔除了异常数据的正常风速数据样本按下述公式进行计算，得到地面粗糙高度Z oj 与地表剪切风速：
其中，u p j (Z 1 )、u p j (Z 2 )代表第j个平稳风样本高度为Z1、Z2处的平面主风速。
4.根据权利要求3所述的一种平稳脉动风幅值谱的确定方法，其特征在于，剔除异常数据样本的原则为：
1）主风速大于6m/s；
2）原始风速数据中超过64m/s的数据点小于50个；
3）高处的主风速、平面风速均大于低处数值。
5.根据权利要求1或2所述的一种平稳脉动风幅值谱的确定方法，其特征在于，
得到平稳风样本的水平面脉动风速时程为：
。
6.根据权利要求1所述的一种平稳脉动风幅值谱的确定方法，其特征在于，采用APES算法计算脉动风的幅值谱，具体步骤为：
对于监测得到的脉动风的时间序列表示为N个观测数据：，每一条观测数据表示为如下形式：
，其中，为噪声；
构造观测数据的阶Hankel阵：
这里，，；M为用户参数，或称为FIR滤波器长度，M满足；
定义如下符号：
令：
最终可得到脉动风幅值谱的估计：
其中，，
给出每个样本最终的脉动风速的幅值谱估计和相位估计。
7.根据权利要求1所述的一种平稳脉动风幅值谱的确定方法，其特征在于，计算所有样本脉动风谱的统计参数，得到其均值与方差。
8.根据权利要求1所述的一种平稳脉动风幅值谱的确定方法，其特征在于，确定要拟合的风谱类型：
根据不同高度处平均风谱的特点确定所对应的风谱表现形式：
风谱的统一表达式如下为：
为平均地面剪切风速；
当时，对应于Von Karman功率谱的幅值谱形式，为涡旋整体长度，为10米高度处的平均风速，可根据第四步统计结果得出；
当时，对应于Davenport功率谱的幅值谱形式；
当时，对应于Simiu功率谱的幅值谱形式，为高度为z处的平均风速。
CN201710596269.4A 2017-07-20 2017-07-20 一种平稳脉动风幅值谱的确定方法 Pending CN107436975A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710596269.4A CN107436975A (zh) 2017-07-20 2017-07-20 一种平稳脉动风幅值谱的确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710596269.4A CN107436975A (zh) 2017-07-20 2017-07-20 一种平稳脉动风幅值谱的确定方法

Publications (1)

Publication Number Publication Date
CN107436975A true CN107436975A (zh) 2017-12-05

Family

ID=60459710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710596269.4A Pending CN107436975A (zh) 2017-07-20 2017-07-20 一种平稳脉动风幅值谱的确定方法

Country Status (1)

Country Link
CN (1) CN107436975A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101476988A (zh) * 2009-01-05 2009-07-08 东南大学 风谱模型的精细模拟方法
US20150185270A1 (en) * 2012-12-28 2015-07-02 State Grid Corporation Of China Method for recognizing transformer partial discharge pattern based on singular value decomposition algorithm

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101476988A (zh) * 2009-01-05 2009-07-08 东南大学 风谱模型的精细模拟方法
US20150185270A1 (en) * 2012-12-28 2015-07-02 State Grid Corporation Of China Method for recognizing transformer partial discharge pattern based on singular value decomposition algorithm

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DAN DANHUI .ETC.: ""Study and Design Optimization of Fiber Bragg Grating Based Wind Pressure Sensor"" *
闵志华;孙利民;淡丹辉;: "台风下斜拉桥风致振动和动力特性分析" *

Similar Documents

Publication Publication Date Title
Fenerci et al. Site-specific data-driven probabilistic wind field modeling for the wind-induced response prediction of cable-supported bridges
Ji et al. Designing a rule-based hourly rainfall prediction model
CN104931040B (zh) 基于机器学习的北斗ⅱ代导航系统电力铁塔变形监测设备安装和调试方法
CN112834193B (zh) 一种基于三维图的运营桥梁振动和健康状态异常预警方法
CN109238455B (zh) 一种基于图论的旋转机械振动信号监测方法及系统
CN110414102A (zh) 海上风力发电结构疲劳分析方法
CN109885854A (zh) 基于arma模型的颤振边界实时预测系统及预测方法
Zonno et al. Automated long-term dynamic monitoring using hierarchical clustering and adaptive modal tracking: validation and applications
CN108520125A (zh) 一种预测刀具磨损状态的方法及系统
CN102023010A (zh) 基于mems的小波域多传感器信息融合系统及融合方法
CN106953854A (zh) 一种基于svm机器学习的暗网流量识别模型的建立方法
CN107784165A (zh) 基于光伏电站的地表温度场多尺度资料同化方法
Lira et al. Uncertainties in the estimate of wind energy production
CN104112062A (zh) 基于插值方法的风资源分布的获取方法
Peng et al. Characteristics of the drag coefficient in the roughness sublayer over a complex urban surface
CN115577587A (zh) 一种历史建筑健康状态监测方法及系统
CN106407955B (zh) 一种电力系统低频振荡模式在线辨识方法
CN116861544B (zh) 一种基于边云协同的建筑异常振动源定位方法及相关设备
CN113343541A (zh) 长大跨桥梁的涡激振动预警方法、装置及终端
CN113313291A (zh) 一种基于初值扰动的电网风灾集合预报以及验证方法
CN107436975A (zh) 一种平稳脉动风幅值谱的确定方法
CN108021774B (zh) 数据处理方法以及装置
Steinkohl et al. Extreme value analysis of multivariate high-frequency wind speed data
JP5946742B2 (ja) 自然エネルギー型分散電源群の合計出力の変動推定方法、変動推定装置及び変動推定プログラム
CN115034276A (zh) 大流量喷头的雾滴分布检测方法、装置及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171205

WD01 Invention patent application deemed withdrawn after publication