CN114266091B - 改进的超越阈值的极值估计方法、装置、设备和存储介质 - Google Patents

Abstract

本发明实施例提供一种改进的超越阈值极值估计方法、装置、设备和存储介质，涉及结构风工程研究技术领域。其中，这种极值估计方法包含S1、获取风压系数的初始数据、S4、根据初始数据，提取独立峰值数据、S5、根据独立峰值数据，获取最佳阈值的高概率阈值范围、S6、根据变点理论，从高概率阈值范围中，获取最佳阈值、S7、根据最佳阈值，拟合广义帕累托分布，获得风压系数的极值。通过变点理论实现了最佳阈值的自动选取，能够用较少的原始样本，获得较小的偏差，具有很好的实际意义。

Description

改进的超越阈值的极值估计方法、装置、设备和存储介质

技术领域

本发明涉及结构风工程研究技术领域，具体而言，涉及一种改进的超越阈值极值估计方法、装置、设备和存储介质。

背景技术

极值风压系数是确定围护结构设计风荷载的一个重要参数。常用的极值风压系数估计方法为区组最大极值方法(Block Maximum，BM)。区组最大极值方法将每一区组的最大峰值用于拟合极值分布，忽略区组的第二大，第三大的数据，致使数据使用率低，尤其在样本较少或数据丢失的情况下，该方法难以给出准确的极值估计。

为克服这一不足，超越阈值极值估计方法(Peak Over Threshold，POT) 被引入风工程研究。超越阈值(POT)方法可充分利用区组的峰值数据，解决数据样本较少的问题。在POT极值估计方法中，阈值选取至关重要，它是极值稳定性和偏差之间的平衡艺术。在现有的结构风工程研究中，最佳阈值的确定通常都具有一定的主观性，选择的阈值不唯一，使得极值估计结果不确定性较大。

在先技术中的，超越阈值(POT)极值估计方法中，通常存在阈值自动选取困难，与区组最大极值方法比较时对应关系不明确的不足。

有鉴于此，申请人在研究了现有的技术后特提出本申请。

发明内容

本发明提供了一种改进的超越阈值极值估计方法、装置、设备和存储介质，以改善上述技术问题。

第一方面、

本发明实施例提供了一种改进的超越阈值的极值估计方法，其包含步骤 S1、S4、S5、S6、和S7。

S1、获取风压系数的初始数据。

S4、根据初始数据，提取独立峰值数据。

S5、根据独立峰值数据，获取最佳阈值的高概率阈值范围。

S6、根据变点理论，从高概率阈值范围中，获取最佳阈值。

S7、根据最佳阈值，拟合广义帕累托分布，获得风压系数的极值。

在一个可选的实施例中，在步骤S4之前还包括步骤S2和步骤S3。

S2、判断初始数据是否为负压区数据。

S3、当判断到初始数据为负压区数据时，对初始数据取反号。

在一个可选的实施例中，步骤S4具体包括：

S41、获取初始数据的平均值。

S42、根据平均值，采用均值超越法，获取初始数据中的独立峰值数据。

在一个可选的实施例中，步骤S5具体包括：

S51、根据独立峰值数据，获取起始点和间隔，并根据起始点和间隔，获取多个候选阈值。

S52、根据独立峰值数据，计算各个候选阈值对应的形状参数差值比，并根据形状参数差值比，获取阈值范围。其中，形状参数差值比的计算模型H_j为：

其中，ξ_i为第i个候选阈值对应的形状参数,ξ_i+1为第i+1个候选阈值对应的形状参数,ξ_max为所有候选阈值对应的形状参数中的最大值，ξ_min为所有候选阈值对应的形状参数中的最小值，n为候选阈值的数量。

在一个可选的实施例中，起始点为独立峰值数据中的风压系数的最小值。

在一个可选的实施例中，间隔为固定相邻阈值间隔。其中，固定相邻阈值间隔为独立峰值数据的阈值范围的1％至2％。

在一个可选的实施例中，步骤S6具体包括：

S61、基于变点理论，根据局部比较法，从阈值范围中获取最佳阈值。其中，局部比较法的计算模型Y_i为：

Y_i＝σ²(ξ_i,…,ξ_i+d-1)-σ²(ξ_i-d,…,ξ_i-1)

i＝d+1,d+2,…,n-d+1

其中，σ²(ξ_i-d,…,ξ_i-1)为第i个候选阈值的前d个候选阈值对应的形状参数的方差，σ²(ξ_i,…,ξ_i+d-1)为第i个候选阈值开始的d个候选阈值对应的形状参数的方差，ξ_i+d-1为第i+d-1个候选阈值对应的形状参数，ξ_i-1为第i-1个候选阈值对应的形状参数，ξ_i-d为第i-d个候选阈值对应的形状参数。

在一个可选的实施例中，步骤S7具体包括：

S71、根据最佳阈值，从独立峰值数据中，获取超过最佳阈值的超阈值风压系数。

S72、将超阈值风压系数拟合为广义帕累托分布，并根据拟合得到的广义帕累托分布，获取风压系数的极值。

第二方面、

本发明实施例提供了一种改进的超越阈值的极值估计装置，其包含：

初始模块，用于获取风压系数的初始数据。

提取模块，用于根据初始数据，提取独立峰值数据。

范围模块，用于根据独立峰值数据，获取最佳阈值的高概率阈值范围。

阈值模块，用于根据变点理论，从高概率阈值范围中，获取最佳阈值。

极值模块，用于根据最佳阈值，拟合广义帕累托分布，获得风压系数的极值。

第三方面、

本发明实施例提供了一种改进的超越阈值的极值估计设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如第一方面所说的改进的超越阈值的极值估计方法。

第四方面、

本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面所说的改进的超越阈值的极值估计方法。

通过采用上述技术方案，本发明可以取得以下技术效果：

通过变点理论实现了最佳阈值的自动选取，能够用较少的原始样本，获得较小的偏差，具有很好的实际意义。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是改进的超越阈值的极值估计方法的流程示意图。

图2是高层建筑标准模型的风向角定义图。

图3是高层建筑标准模型的测点布置示意图。

图4是风压系数的初始数据的波形图。

图5是风压系数的独立峰值数据的散点图。

图6是初始数据的自相关函数图。

图7是独立峰值数据的自相关函数图。

图8是独立峰值数据的泊松点过程拟合图。

图9是阈值取值范围的折线图。

图10是高概率阈值范围的折线图。

图11是不同样本大小(1至200组)的改进的超越阈值极值方法的估计偏差。

图12是不同样本大小(1至10组)的改进的超越阈值极值方法的估计偏差。

图13是另一改进的超越阈值的极值估计方法的流程示意图。

图14是改进的超越阈值的极值估计装置的结构示意图。

图15是另一改进的超越阈值的极值估计装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。

下面结合附图与具体实施方式对本发明作进一步详细描述：

实施例一：

请参阅图1至图10，本发明第一实施例提供一种改进的超越阈值的极值估计方法，其可由极值估计设备来执行。特别的，由极值估计设备中的一个或多个处理器来执行，以实现步骤S1、S4、S5、S6、和S7。

S1、获取风压系数的初始数据。

所述极值估计设备可以是便携笔记本计算机、台式机计算机、服务器、智能手机或者平板电脑等具有计算性能的电子设备。

如图2和图3所示，初始数据采用高层建筑标准模型(CAARC)进行刚性模型测压风洞进行试验获得。建筑足尺尺寸长×宽×高为45.72m×30.48m ×182.88m，模型缩尺比为1:400，对应模型尺寸为114mm×76mm×457mm。试验风场按《建筑结构荷载规范》(GB50009-2012)中的D类地貌模拟，风场缩尺比为1：400，试验中参考高度45cm处风速为10.2m/s。模型立面定义为E、N、W、S四个面，共布置308个测压点，试验风向角定义及具体测点布置分别如图2和图3所示。在0°、45°两个典型风向角下，对所有测点独立重复采样200次，单次采样时长为30s，采样频率为330Hz。

测点的风压系数时程C_p,i(t)定义为：

其中，P_i(t)测点i在时刻t的风压，P₀为静压，ρ为空气密度，U_hUh为建筑顶部高度处风速，为建筑顶部高度处的动压。

S4、根据初始数据，提取独立峰值数据。

保证样本独立同分布是使用极值概率分布拟合的前提。通过从初始数据中提取独立峰值数据能够保证样本独立分布。在先技术中，有多种提取独立同分布数据的方法，如Simiu、全涌、Dat Duthinh等人都提出过不同的独立峰值提取方法。

优选的，在本实施例采用Dat Duthinh法(也称为均值超越法)提取独立峰值样本数据。步骤S4具体包括：

S41、获取初始数据的平均值。

S42、根据平均值，采用均值超越法，获取初始数据中的独立峰值数据。

具体的，Dat Duthinh法需设定一个阈值作为分界线，在原始时程与此阈值线的上、下交叉点之间的数据中，选取最大值作为独立数据。Dat Duthinh 将此阈值指定为平均值，将平均值以下的值舍去，平均值以上的值将与平均值交叉的上交叉点与下交叉点作为起始值与终止值进行分组，每个组提取极值，组成独立峰值。

图4和图5分别给出某典型测点风压系数的原始数据和基于Dat Duthinh 法提取的独立峰值数据。该测点经Dat Duthinh法提取后的样本容量由10000 减小至2261。

为检验上述典型测点提取得到的独立数据是否已消除自相关性，本文对其自相关函数进行了考察。图6和图7分别为典型测点的原始样本数据和使用Dat Duthinh法提取得到的独立峰值数据的自相关函数图。可以看出，典型测点的原始风压系数的自相关性较强，当时间间隔大于3s后，其自相关函数幅值降至0.2以下；而相比之下，使用Dat Duthinh法提取得到的独立峰值数据自相关性显著下降，其自相关函数幅值基本在-0.05～0.05之间波动。

图8给出了对提取峰值样本进行泊松点过程拟合后的结果，拟合性能良好，这进一步说明了Dat Duthinh法能有效去除样本相关性。

S5、根据独立峰值数据，获取最佳阈值的高概率阈值范围。

具体的，步骤S5具体包括：

S51、根据独立峰值数据，获取起始点和间隔，并根据起始点和间隔，获取多个候选阈值。

S52、根据独立峰值数据，计算各个候选阈值对应的形状参数差值比，并根据形状参数差值比，获取阈值范围。其中，形状参数差值比的计算模型H_j为：

其中，ξ_i为第i个候选阈值对应的形状参数,ξ_i+1为第i+1个候选阈值对应的形状参数,ξ_max为所有候选阈值对应的形状参数中的最大值，ξ_min为所有候选阈值对应的形状参数中的最小值，n为候选阈值的数量。

需要说明的是，改进阈值选取方法的首要任务就是确定一个高概率存在最佳阈值的阈值范围，在此过程中，需要考虑以下三点：

1、阈值范围的起始点。原始阈值范围需要尽可能包含所有风压系数，同时还要符合GPD的适用范围，基于此原则，本文起点选择风压系数的最小值，终点选择保证样本数据量不少于5的值。

2、候选阈值的间隔。相邻阈值一般采用两种方式定义，一是固定每次剔除数据的个数，二是固定相邻阈值间隔。

由于数据在高值时对于GPD拟合影响较大，而选用固定每次剔除的数据个数时，会将数据对于GPD拟合影响视为相同，因此本文采用固定相邻阈值间隔的方式。

阈值间隔对于阈值选取起着至关重要的作用，阈值间隔过大会忽略隐藏在阈值间隔中的合适阈值，阈值间隔过小则使计算时间大幅增加，并且阈值增加可能并没有剔除数据。

因此当数据量足够大，建议将阈值间隔定义为阈值范围的1％-2％，在此建议范围内，为了简便，本文将阈值间隔定为0.02，保证每次有数据剔除。

3、衡量相邻阈值求取的形状参数差值变化。采用相邻形状参数差值比 Hi(将由超阈值拟合的Pareto分布形状参数最大差值作为分母，相邻阈值形状参数的差值作为分子)来判断，如上式所示。

最佳阈值一般存在于形状参数趋于稳定区间内，因此具体的判断标准是差值比围绕零值波动，并且绝对值越小越好，这样的区间会有高概率存在最佳阈值。

图9给出了典型测点形状参数差值比随阈值取值变化的情况，可以看出，将阈值取值范围划分为4段，形状参数差值比大致呈现单调递增、零值附近小幅波动和零值附近大幅波动三种情况，且可以很好得进行区分，这说明将阈值范围划分为四段是可取的。

在第一区段内，差分值除少数点外均为正值，整体呈单调递增趋势；第二区段和第三区段类似，极少数点偏离零值较远，整体趋势呈现出在零值附近小幅波动；而在第四区段内，虽然整体也在零值附近波动，但幅度过大。基于上述判断标准，第二区段和第三区段符合最佳阈值的存在条件，因此，本文选取这两个区段的合并区间做为合适阈值范围。

S6、根据变点理论，从高概率阈值范围中，获取最佳阈值。

得到有高概率存在最佳阈值的合适阈值范围后，结合变点理论—局部比较法选择变点(阈值)，此方法根据潜在变点附近局部小区段的统计量在各个局部内的变化作为判断标准，并取变化最显著的点作为变点。具体的，步骤 S6具体包括：

S61、基于变点理论，根据局部比较法，从阈值范围中获取最佳阈值。

可以理解的是，判断一组数据是否为宽平稳状态，可以根据数据的二阶距是否变化来当做标准。因此，本发明选择局部小区段形状参数的二阶中心距(方差)作为统计量，判断变点(阈值)的位置，变点的具体计算在如上式所示。对于在不同阈值情况下超阈值的形状参数ξ₁,…,ξ_n，取阈值i，考察阈值i附近的局部小区段形状参数的方差变化。此时给定一个自然数d，将 i左右各d个样本数据的方差做差值，可得局部比较法的计算模型Y_i：

Y_i＝σ²(ξ_i,…,ξ_i+d-1)-σ²(ξ_i-d,…,ξ_i-1)

i＝d+1,d+2,…,n-d+1

其中，σ²(ξ_i-d,…,ξ_i-1)为第i个候选阈值的前d个候选阈值对应的形状参数的方差，σ²(ξ_i,…,ξ_i+d-1)为第i个候选阈值开始的d个候选阈值对应的形状参数的方差，ξ_i+d-1为第i+d-1个候选阈值对应的形状参数，ξ_i-1为第i-1个候选阈值对应的形状参数，ξ_i-d为第i-d个候选阈值对应的形状参数。

若i不是变点或者距变点的距离大于d，则两边的方差较为接近，Y_i的值接近0值；若i是变点或者距变点的距离小于d，则两边的方差会有所不同， Y_i的值则偏离0值；取Y_i最大的点作为变点，即阈值。

使用变点理论中的局部比较法，根据形状参数方差在各个局部的变化来选择变点，阈值i左右两段的方差变化，将反映距变点的距离。

优选的，在本实施例中，取3个形状参数的小段即d为3作为局部区段，如图10所示即为典型测点在合适阈值范围内局部小区段形状参数方差变化的百分比，可以看出，该测点形状参数方差在阈值取值为1.61和1.93处变化较大，而在其他数值处变化较为平稳。故本文最终选取方差变化最大的值 1.61作为变点，也即典型测点的最佳阈值。

S7、根据最佳阈值，拟合广义帕累托分布，获得风压系数的极值。

可以理解的，根据步骤S6中确定的最佳阈值，可确定出广义帕累托分布 (GPD)概率模型相应的参数，如表1所示。对超阈值样本进行GPD拟合，即可确定POT极值。

表1最佳阈值对应的GPD参数值

测点	阈值	形状参数	位置参数	尺度参数	样本容量
						Tap 29	1.61	0.1645	1.61	0.3084	95

在上述实施例的基础上，本发明一可选实施例中，步骤S7具体包括：

S71、根据最佳阈值，从独立峰值数据中，获取超过最佳阈值的超阈值风压系数。

S72、将超阈值风压系数拟合为广义帕累托分布，并根据拟合得到的广义帕累托分布，获取风压系数的极值。

在改进的POT方法极值分析过程中，基于变点理论确定的阈值以及超阈值样本，在GPD拟合及形状参数稳健性中展现出良好的性能。

图11和图12，别给出了四个典型测点(编号分别29、11、120、191) 和所有测点在不同样本大小下基于改进的超越阈值基线估计方法(改进POT 方法)估计的风压系数极值与传统的BM方法计算的标准极值之间的偏差。

可以看出，对于典型测点而言，当样本量不小于10组时，偏差可降至 5％以下；而对于所有测点，样本量不小于3时，即可实现改进POT极值与BM 标准极值间的平均偏差低于5％。

可以理解的是：

本发明实施例通过变点理论实现了超越阈值基线估计方法的阈值的自动选取。基于均值超越的独立峰值提取方法能有效去除样本相关性，得到较多的独立峰值样本，且其泊松点过程拟合性能较好。基于变点方法能实现最佳阈值的自动选取，由此构建的改进POT方法估计的极值与BM方法标准极值偏差较小，仅需3个原始时程样本(试验时间3×30s＝90s)即可达到小于5％的偏差。与常用的极值估计方法相比，本文提出的改进POT极值方法对风压系数样本大小的敏感性和对样本非高斯特征的适应性较好，其准确性与稳定性明显优于改进Gumbel法与独立风暴法，亦可用于极值风速估计。

如图13所示，在上述实施例的基础上，本发明一可选实施例中，在步骤 S4之前还包括步骤S2和步骤S3。

S2、判断初始数据是否为负压区数据。

S3、当判断到初始数据为负压区数据时，对初始数据取反号。

可以理解的是，本文的极值概率模型均基于极大值的极值概率模型，而在结构风工程中，既有以吸力作用为主的极小值风压系数、也有以压力作用为主的极大值风压系数。在本文的POT极值估计中，如遇极小值风压系数计算，即其独立峰值均为负风压系数，则首先需将测点风压系数均乘以-1，进行符号反转，再利用本文的模型进行极值估计。

实施例二、

请参阅图14，本发明实施例提供了一种改进的超越阈值的极值估计装置，其包含：

初始模块1，用于获取风压系数的初始数据。

提取模块4，用于根据初始数据，提取独立峰值数据。

范围模块5，用于根据独立峰值数据，获取最佳阈值的高概率阈值范围。

阈值模块6，用于根据变点理论，从高概率阈值范围中，获取最佳阈值。

极值模块7，用于根据最佳阈值，拟合广义帕累托分布，获得风压系数的极值。

请参阅图15，在上述实施例的基础上，本发明一可选实施例中，极值估计装置还包括：

负压模块2，用于判断初始数据是否为负压区数据。

反号模块3，用于当判断到初始数据为负压区数据时，对初始数据取反号。

在上述实施例的基础上，本发明一可选实施例中，提取模块44具体包括：

均值单元，用于获取初始数据的平均值。

峰值单元，用于根据平均值，采用均值超越法，获取初始数据中的独立峰值数据。

在上述实施例的基础上，本发明一可选实施例中，范围模块5具体包括：

阈值单元，用于根据独立峰值数据，获取起始点和间隔，并根据起始点和间隔，获取多个候选阈值。

范围单元，用于根据独立峰值数据，计算各个候选阈值对应的形状参数差值比，并根据形状参数差值比，获取阈值范围。其中，形状参数差值比的计算模型H_j为：

其中，ξ_i为第i个候选阈值对应的形状参数,ξ_i+1为第i+1个候选阈值对应的形状参数,ξ_max为所有候选阈值对应的形状参数中的最大值，ξ_min为所有候选阈值对应的形状参数中的最小值，n为候选阈值的数量。

在上述实施例的基础上，本发明一可选实施例中，起始点为独立峰值数据中的风压系数的最小值。

在上述实施例的基础上，本发明一可选实施例中，间隔为固定相邻阈值间隔。其中，固定相邻阈值间隔为独立峰值数据的阈值范围的1％至2％。

在上述实施例的基础上，本发明一可选实施例中，阈值模块6具体用于：

基于变点理论，根据局部比较法，从阈值范围中获取最佳阈值。其中，局部比较法的计算模型Y_i为：

Y_i＝σ²(ξ_i,…,ξ_i+d-1)-σ²(ξ_i-d,…,ξ_i-1)

i＝d+1,d+2,…,n-d+1

其中，σ²(ξ_i-d,…,ξ_i-1)为第i个候选阈值的前d个候选阈值对应的形状参数的方差，σ²(ξ_i,…,ξ_i+d-1)为第i个候选阈值开始的d个候选阈值对应的形状参数的方差，ξ_i+d-1为第i+d-1个候选阈值对应的形状参数，ξ_i-1为第i-1个候选阈值对应的形状参数，ξ_i-d为第i-d个候选阈值对应的形状参数。

在一个可选的实施例中，极值模块7具体包括：

系数单元，用于根据最佳阈值，从独立峰值数据中，获取超过最佳阈值的超阈值风压系数。

极值单元，用于将超阈值风压系数拟合为广义帕累托分布，并根据拟合得到的广义帕累托分布，获取风压系数的极值。

实施例三、

本发明实施例提供了一种改进的超越阈值的极值估计设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如实施例一所说的改进的超越阈值的极值估计方法。

实施例四、

本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如实施例一所说的改进的超越阈值的极值估计方法。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/ 或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种改进的超越阈值的极值估计方法，其特征在于，包含：

获取风压系数的初始数据；

根据所述初始数据，提取独立峰值数据；

根据所述独立峰值数据，获取最佳阈值的高概率阈值范围；

根据变点理论，从所述高概率阈值范围中，获取所述最佳阈值；

根据所述最佳阈值，拟合广义帕累托分布，获得所述风压系数的极值；

所述根据所述独立峰值数据，获取最佳阈值的高概率阈值范围，具体包括：

根据所述独立峰值数据，获取起始点和间隔，并根据所述起始点和间隔，获取多个候选阈值；

根据所述独立峰值数据，计算各个所述候选阈值对应的形状参数差值比，并根据所述形状参数差值比，获取阈值范围；其中，所述形状参数差值比的计算模型为：

式中，为第/>个候选阈值对应的形状参数,/>为第/>个候选阈值对应的形状参数,/>为所有候选阈值对应的形状参数中的最大值，/>为所有候选阈值对应的形状参数中的最小值，/>为候选阈值的数量；

所述根据变点理论，从所述高概率阈值范围中，获取所述最佳阈值，具体包括：

基于所述变点理论，根据局部比较法，从所述阈值范围中获取所述最佳阈值；其中，所述局部比较法的计算模型为：

式中，为第/>个候选阈值的前/>个候选阈值对应的形状参数的方差，为第/>个候选阈值开始的/>个候选阈值对应的形状参数的方差，/>为第/>个候选阈值对应的形状参数，/>为第/>个候选阈值对应的形状参数，/>为第/>个候选阈值对应的形状参数。

2.根据权利要求1所述的改进的超越阈值的极值估计方法，其特征在于，在所述根据所述初始数据提取独立峰值数据之前，还包括：

判断所述初始数据是否为负压区数据；

当判断到所述初始数据为负压区数据时，对所述初始数据取反号。

3.根据权利要求1所述的改进的超越阈值的极值估计方法，其特征在于，所述根据所述初始数据，提取独立峰值数据，具体包括：

获取所述初始数据的平均值；

根据所述平均值，采用均值超越法，获取所述初始数据中的所述独立峰值数据。

4.根据权利要求1所述的改进的超越阈值的极值估计方法，其特征在于，

所述起始点为所述独立峰值数据中的风压系数的最小值；

所述间隔为固定相邻阈值间隔；其中，所述固定相邻阈值间隔为所述独立峰值数据的阈值范围的1%至2%。

5.根据权利要求1所述的改进的超越阈值的极值估计方法，其特征在于，所述根据所述最佳阈值，拟合广义帕累托分布，获得所述风压系数的极值，具体包括：

根据所述最佳阈值，从所述独立峰值数据中，获取超过所述最佳阈值的超阈值风压系数；

将所述超阈值风压系数拟合为广义帕累托分布，并根据拟合得到的所述广义帕累托分布，获取所述风压系数的极值。

6.一种改进的超越阈值的极值估计装置，其特征在于，包含：

初始模块，用于获取风压系数的初始数据；

提取模块，用于根据所述初始数据，提取独立峰值数据；

范围模块，用于根据所述独立峰值数据，获取最佳阈值的高概率阈值范围；

阈值模块，用于根据变点理论，从所述高概率阈值范围中，获取所述最佳阈值；

极值模块，用于根据所述最佳阈值，拟合广义帕累托分布，获得所述风压系数的极值；

所述范围模块，具体包括：

阈值单元，用于根据所述独立峰值数据，获取起始点和间隔，并根据所述起始点和间隔，获取多个候选阈值；

范围单元，用于根据所述独立峰值数据，计算各个所述候选阈值对应的形状参数差值比，并根据所述形状参数差值比，获取阈值范围；其中，所述形状参数差值比的计算模型为：

其中，为第/>个候选阈值对应的形状参数,/>为第/>个候选阈值对应的形状参数,/>为所有候选阈值对应的形状参数中的最大值，/>为所有候选阈值对应的形状参数中的最小值，/>为候选阈值的数量；

所述阈值模块，具体用于：基于所述变点理论，根据局部比较法，从所述阈值范围中获取所述最佳阈值；其中，所述局部比较法的计算模型为：

式中，为第/>个候选阈值的前/>个候选阈值对应的形状参数的方差，为第/>个候选阈值开始的/>个候选阈值对应的形状参数的方差，/>为第/>个候选阈值对应的形状参数，/>为第/>个候选阈值对应的形状参数，/>为第/>个候选阈值对应的形状参数。

7.一种改进的超越阈值的极值估计设备，其特征在于，包括处理器、存储器，以及存储在所述存储器内的计算机程序；所述计算机程序能够被所述处理器执行，以实现如权利要求1至5任意一项所说的改进的超越阈值的极值估计方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5任意一项所说的改进的超越阈值的极值估计方法。