CN117993294A - 一种平稳非高斯风场的模拟方法及系统 - Google Patents
一种平稳非高斯风场的模拟方法及系统 Download PDFInfo
- Publication number
- CN117993294A CN117993294A CN202410160592.7A CN202410160592A CN117993294A CN 117993294 A CN117993294 A CN 117993294A CN 202410160592 A CN202410160592 A CN 202410160592A CN 117993294 A CN117993294 A CN 117993294A
- Authority
- CN
- China
- Prior art keywords
- gaussian
- white noise
- function
- moment
- wind field
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 136
- 238000004088 simulation Methods 0.000 title claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 63
- 238000013519 translation Methods 0.000 claims abstract description 19
- 230000001186 cumulative effect Effects 0.000 claims abstract description 17
- 238000005315 distribution function Methods 0.000 claims abstract description 17
- 230000003595 spectral effect Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 10
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002902 bimodal effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种平稳非高斯风场的模拟方法及系统，涉及单点非高斯风场过程模拟技术领域。包括根据目标功率谱密度建立自回归模型，确定自回归模型参数和模型输入输出之间边缘矩的关系，获得非高斯白色噪声的矩，利用最大熵方法重构非高斯白色噪声信号，获得概率密度函数和累积概率分布函数，利用累积概率分布函数获得平移函数，采用平移函数模拟非高斯白色噪声过程，获得非高斯白色噪声样本，将非高斯白色噪声样本输入自回归模型，得到目标非高斯过程输出样本，建立非高斯风场模拟。本发明有助于模拟更高精度的非高斯性较强风场。
Description
技术领域
本发明涉及单点非高斯风场过程模拟技术领域，尤其涉及一种平稳非高斯风场的模拟方法及系统。
背景技术
由于山区风场的复杂性，学者采用了多种手段开展研究，其中包括理论建模、数值模拟、风洞试验和现场实测等。相比而言，现场实测是最为直观和可靠的风场监测方法，其不仅可以获取平均风速分布，还可以得到结构动力响应更为关注的脉动风速时程。自20世纪50年代以来，气象学领域的学者们一直在研究山区风特性。然而，研究主要集中于山区风的平均风特性，或者丘陵等微地形的影响。
随后，风工程界学者也开展了一系列山区风实测研究。Holmes等研究了陡坡山体的风场特性，结果表明现场实测结果与风洞试验结果较为吻合。国内学者朱乐东等对坝陵河大桥桥址处的深切峡谷风场展开实测研究，结果表明该处风场特性不同于平坦地形下的结果，其湍流强度具有较高的随机性。黄国庆等分析了某偏远山区峡谷风场特性，研究指出该处风场特性与设计规范规定结果差异明显。综上所述，山区地形的复杂性会显著改变近地层流动风风速在垂直方向的分布以及湍流结构，导致山区风特性与平坦、开阔地区风特性差异显著，如平均风剖面难以用简单的指数规律或者对数规律描述，脉动风特性与设计规范推荐结果也存在明显差别。目前针对山区非高斯脉动风特性研究较少，与之对应的风场数学模型未见报道。因此，有必要开展山区非高斯风场模拟研究。
目前，许多学者已经解决了非高斯风场或过程模拟问题，并提出了一些方法，如时间序列法，Karhunen-Loeve展开法，相关失真法，和高阶谱表示方法。Grigoriu(1998)提出的相关函数偏离方法在概念上的直接性在这些方法中引起了更多的关注，并在进行非高斯过程模拟时得到了广泛的应用。
这种基于矩的平移函数可以是显式的，从而便于非高斯模拟。基于CDF和矩的相关失真方法都需要生成一个潜在的高斯过程，然后基于平移函数将其转换为非高斯过程。为了在相关失真方法中直接生成非高斯过程而不需要非高斯和高斯之间的任何转换关系，Li和Li(2012)已经提出了一种时间序列方法来基于时间序列模型模拟单变量非高斯过程，即，自回归(AR)模型和自回归滑动平均(ARMA)模型。在此方法中，输入过程(即，非高斯白色噪声)的前四个时刻作为输出过程(即，目标过程)的函数的时间序列模型中首次拟合线性回归技术。基于输入过程的前四阶矩，他们使用Johnson变换模型(JTM)来产生非高斯白色噪声，然后通过时间序列模型将其过滤成目标非高斯过程。然而，Li和Li(2012)提出的用于开发输入和输出过程的前四阶矩之间的关系的方法需要大量的计算，并且只能适用于单变量模拟。此外，该方法提供的结果不是解析的，而是近似的。因此，Ma和Xu(2019)推导了用于多变量模拟的输入和输出过程的前四阶矩之间的关系，并且还使用JTM和AR模型作为主要模拟工具来生成目标非高斯过程。然而，由于JTM的精度有限，这些时间序列模拟方法对具有强非高斯特性的过程表现不佳。而且，这些方法不能再现具有双峰分布的硬化过程的双峰特征。
因此，提出一种平稳非高斯风场的模拟方法及系统，来解决现有技术时间序列模拟方法表现不佳的问题，是本领域技术人员亟须解决的问题。
发明内容
有鉴于此，本发明提供了一种平稳非高斯风场的模拟方法及系统，可以达到数据获取精确、节约人力的效果。
为了实现上述目的，本发明采用如下技术方案：
一种平稳非高斯风场的模拟方法及系统，包括以下步骤：
模型构建步骤：根据目标功率谱密度建立自回归模型；
矩获取步骤：根据自回归模型确定自回归模型参数和模型输入输出之间边缘矩的关系，获得非高斯白色噪声的矩；
函数计算步骤：利用最大熵方法重构非高斯白色噪声信号，获得概率密度函数和累积概率分布函数；
样本获取步骤：利用累积概率分布函数获得平移函数，采用平移函数模拟非高斯白色噪声过程，获得非高斯白色噪声样本；
风场模拟步骤：将非高斯白色噪声样本输入自回归模型，得到目标非高斯过程输出样本，建立非高斯风场模拟。
上述的方法，可选的，模型构建步骤中，自回归模型包括：
其中，x(n)是在时间n处的输出随机过程，p是自回归模型的阶数，ak是第k个(k＝1,…p)模型参数，w(n)是均值为零的高斯白色噪声输入。
上述的方法，可选的，自回归参数包括：R(γ)a＝Rl；
其中，R(γ)是p×p阶自相关函数矩阵；
矩获取步骤中过边缘矩之间的扭曲关系确定输入，即非高斯白噪声的矩。
上述的方法，可选的，函数计算步骤中，计算边缘概率密度函数采用：
其中，λ0,λ1,…,λm为拉格朗日乘子，w为随机变量。
上述的方法，可选的，函数计算步骤中，采用收敛机制来确定矩阶，包括：
||Hm-Hm-2||/||Hm||≤εH；
其中，Hm为信息熵，εH为相对误差的精度值。
上述的方法，可选的，样本获取步骤中，通过传递函数将高斯白噪声转换为非高斯白噪声过程；具体计算过程包括：
w(n)＝g[y(n)]＝FW -1{ΦG[y(n)]}，
其中，g(·)是平移函数；ΦG(·)和FW(·)分别是高斯和非高斯白色噪声过程的累积概率分布函数；FW -1是FW的反函数。
一种平稳非高斯风场的模拟系统，应用于上述任一项所述的一种平稳非高斯风场的模拟方法，包括依次连接的模型构建模块、矩获取模块、函数计算模块、样本获取模块和风场模拟模块；
模型构建模块：根据目标功率谱密度建立自回归模型；
矩获取模块：根据自回归模型确定自回归模型参数和模型输入输出之间边缘矩的关系，获得非高斯白色噪声的矩；
函数计算模块：利用最大熵方法重构非高斯白色噪声信号，获得概率密度函数和累积概率分布函数；
样本获取模块：利用累积概率分布函数获得平移函数，采用平移函数模拟非高斯白色噪声过程，获得非高斯白色噪声样本；
风场模拟模块：将非高斯白色噪声样本输入自回归模型，得到目标非高斯过程输出样本，建立非高斯风场模拟。
经由上述的技术方案可知，与现有技术相比，本发明提供了一种平稳非高斯风场的模拟方法及系统，具有以下有益效果：本发明提供的基于自回归和最大熵的平稳非高斯风场模拟方法，适用于只有目标风速统计矩和目标功率谱的情况下的单变量平稳非高斯风场模拟问题，与传统的基于矩的模拟方法(如JTM)相比，本方法能够给出更好的模拟精度，特别是对于非高斯性较强的风场。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明公开的一种平稳非高斯风场的模拟方法流程图；
图2(a)为本实施例公开的基于JTM的方法和提出的方法在测点1处的风速时程比较示意图；
图2(b)为本实施例公开的基于JTM的方法和提出的方法在测点2处的风速时程比较示意图；
图2(c)为本实施例公开的基于JTM的方法和提出的方法在测点3处的风速时程比较示意图；
图3(a)为本实施例公开的测点1相应单变量非高斯风速的功率谱密度示意图；
图3(b)为本实施例公开的测点1相应单变量非高斯风速的功率谱密度示意图；
图3(c)为本实施例公开的测点1相应单变量非高斯风速的功率谱密度示意图；
图4(a)为本实施例公开的测点1模拟单变量非高斯风速的概率密度函数法向纵坐标示意图；
图4(b)为本实施例公开的测点1模拟单变量非高斯风速的概率密度函数对数坐标示意图；
图4(c)为本实施例公开的测点2模拟单变量非高斯风速的概率密度函数示意图；
图4(d)为本实施例公开的测点3法向纵坐标模拟单变量非高斯风速的概率密度函数示意图；
图5为本发明公开的一种平稳非高斯风场的模拟系统框图。
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。
在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，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。
参照图1所示，本发明公开了一种平稳非高斯风场的模拟方法及系统，包括以下步骤：
模型构建步骤：根据目标功率谱密度建立自回归模型；
矩获取步骤：根据自回归模型确定自回归模型参数和模型输入输出之间边缘矩的关系，获得非高斯白色噪声的矩；
函数计算步骤：利用最大熵方法重构非高斯白色噪声信号，获得概率密度函数和累积概率分布函数；
样本获取步骤：利用累积概率分布函数获得平移函数，采用平移函数模拟非高斯白色噪声过程，获得非高斯白色噪声样本；
风场模拟步骤：将非高斯白色噪声样本输入自回归模型，得到目标非高斯过程输出样本，建立非高斯风场模拟。
进一步的，模型构建步骤中，自回归模型包括：
其中，x(n)是在时间n处的输出随机过程，p是自回归模型的阶数，ak是第k个(k＝1,…p)模型参数，w(n)是均值为零的高斯白色噪声输入。
进一步的，自回归参数包括：
R(γ)a＝Rl (2)；
其中，R(γ)是p×p阶自相关函数矩阵；
矩获取步骤中过边缘矩之间的扭曲关系确定输入即非高斯白噪声的矩。
具体的，(2)中，
a＝[a1 a2 … ap]T；Rl＝[Rx(1) Rx(2) … Rx(p)]T；R(γ)是p×p阶自相关函数矩阵，可以写成块矩阵的形式，如下所示：
其中，Rx(γ)＝E[x(n)x(n-γ)]是随机过程x(n)的自相关函数，可以根据实际风速时程数据计算，其中γ是时间步长滞后。
对于目标功率谱密度(PSD)中的低频谐波，其值的大小对仿真精度有很大影响，因此其值的确定至关重要。因此，一种简单方法可以用于确定p的适当值，首先，在零附近确定一个合适的范围，在该范围内的ACF可以被认为对PSD值几乎没有影响。一般来说，范围可以设置为±ασx 2，其中σx 2是x(n)的方差。α可以根据经验设置。第二，自回归模型中的p可以被认为是使γ位于指定范围内的Rx(γ)的最小值。
进一步的，矩获取步骤中，自回归模型的输出过程也可以表示为：
其中h(i)是系统的单位脉冲响应。
基于等式(4)，可以分析力矩畸变关系。根据这些研究，前六个矩的矩失真关系可以由下式给出：
rw,1＝0 (5)
rw,2＝rx,2/A (6)
其中，相应的参数如下：
当确定输入与输出之间边缘矩的扭曲关系后，输入非高斯白色噪声过程的原始矩可以由下式给出：
Uw,i＝E(wi)＝rw,iσw i (21)，
式中，σw是输入过程的标准偏差，可通过公式计算如下：
进一步的，函数计算步骤中，计算边缘概率密度函数采用：
其中，λ0,λ1,…,λm为拉格朗日乘子，w为随机变量。
具体的，通过输入与输出之间矩的关系，根据目标输出过程的前六阶矩可以得到输入即非高斯白噪声的前六阶矩，其相应的fW可以用最大熵法(MEM)通过如下优化问题开发：
其中，H是w(n)的信息熵；fw(w)表示w(n)概率密度函数；w表示随机变量；i表示原点矩的阶数；m表示第m阶；
通过将欧拉-拉格朗日方程引入方程(23)，则概率密度函数可以近似为：
其中λ0和λk(i＝1,2,…,m)是拉格朗日乘子，可以通过以下凸无约束优化问题确定：
进一步的，函数计算步骤中，采用收敛机制来确定矩阶，包括：
||Hm-Hm-2||/||Hm||≤εH；
其中，Hm为信息熵，εH为相对误差的精度值。
具体的，εH建议为10-5；通常，需要知道最大熵分布的积分范围，以确保方(26)自动收敛。在本实施例中，积分的下限和上限是以下关于兴趣点C的方程的真实解：
mi是线性偏移的时刻；确定积分边界过程背后的数学理论相对复杂，因此为了简洁起见，此处省略了其他细节。一旦积分极限确定，方程(24)中的拉格朗日乘子λ0和λk(i＝1,2,…,m)就可以通过牛顿方法和改进的Gram-Schmidt算法得到。
进一步的，样本获取步骤中，通过传递函数将高斯白噪声转换为非高斯白噪声过程；具体计算过程包括：
w(n)＝g[y(n)]＝FW -1{ΦG[y(n)]}，
其中，g(·)是平移函数；ΦG(·)和FW(·)分别是高斯和非高斯白色噪声过程的累积概率分布函数；FW -1是FW的反函数。
具体的，FW -1可以通过下式计算
其中，fW是非高斯白噪声w(n)的概率密度函数(概率密度函数)。
通常，不能给出y(n)作为w(n)函数的显式表达式，这使得非高斯模拟相对不方便。为了更直接、更方便地模拟非高斯过程，可以使用HPM和JTM等几种基于矩的模型作为平移函数。通过使用这些模型，其参数只能由目标非高斯过程的前四个矩(平均值、标准差、偏度、峰度)确定，非高斯过程可以显式表示为潜在标准高斯过程的函数。然而，这些基于矩的模型在具有强非高斯特征的模拟过程中表现不佳，这可以归因于前四个矩不能很好地反映该非高斯过程的概率特征。而且，对于一些非高斯过程(例如，双正态变量)，其概率分布不能由其前四个矩很好地表示。因此，可根据最大熵方法，采用目标高阶矩(例如，6阶矩)来确定fW。
一种平稳非高斯风场的模拟系统，应用于上述任一项所述的一种平稳非高斯风场的模拟方法，参照图5所示，包括依次连接的模型构建模块、矩获取模块、函数计算模块、样本获取模块和风场模拟模块；
模型构建模块：根据目标功率谱密度建立自回归模型；
矩获取模块：根据自回归模型确定自回归模型参数和模型输入输出之间边缘矩的关系，获得非高斯白色噪声的矩；
函数计算模块：利用最大熵方法重构非高斯白色噪声信号，获得概率密度函数和累积概率分布函数；
样本获取模块：利用累积概率分布函数获得平移函数，采用平移函数模拟非高斯白色噪声过程，获得非高斯白色噪声样本；
风场模拟模块：将非高斯白色噪声样本输入自回归模型，得到目标非高斯过程输出样本，建立非高斯风场模拟。
进一步的，一种平稳非高斯风场的模拟系统还包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
在一个具体实施例中：
为了验证本发明的有效性，考虑了三个数值算例。参照图2(a)、图2(b)和图2(c)所示，测点1、测点1和测点3处的风速用作单变量非高斯模拟的示例。同样，这些标准化的风速的前十个原点矩阵分别如表1-3所示。结果表明，测点3处的风速分别位于JTM的SU系统中，表现出强烈的非高斯性，在测点1和2处的风速位于JTM中的SB系统中，表现出较弱的非高斯性。
表1.测点1处目标和模拟风速过程的统计矩
表2.测点2处目标和模拟风速过程的统计矩
表3.测点3处目标和模拟风速过程的统计矩
从给出的表1-3中的数据，可以得到非高斯白噪声的前六阶矩。使用JTM和提出的方法，模拟了100个标准化风速时程的样本，这些样本的自功前六阶边缘矩和率谱密度很容易地估计，可以看出本文提出的方法比基于JTM方法的模拟精度更高。提供三个测点处模拟风速的时程图和自功率谱密度的集合平均值及PDF的集合平均值，参照图3(a)、图3(b)和图3(c)所示。这表明两种方法得到自功率谱密度都非常接近目标值。参照图4(a)、图4(b)、图4(c)和图4(d)所示，比较了JTM和提出方法模拟样本的概率密度函数(PDF)。可以看出具有强非高斯性的风速，JTM通常低估了概率密度函数正尾部的值而本文提出的方法模拟的样本所估计出的PDF与目标吻合良好
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种平稳非高斯风场的模拟方法，其特征在于，包括以下步骤：
模型构建步骤：根据目标功率谱密度建立自回归模型；
矩获取步骤：根据自回归模型确定自回归模型参数和模型输入输出之间边缘矩的关系，获得非高斯白色噪声的矩；
函数计算步骤：利用最大熵方法重构非高斯白色噪声信号，获得概率密度函数和累积概率分布函数；
样本获取步骤：利用累积概率分布函数获得平移函数，采用平移函数模拟非高斯白色噪声过程，获得非高斯白色噪声样本；
风场模拟步骤：将非高斯白色噪声样本输入自回归模型，得到目标非高斯过程输出样本，建立非高斯风场模拟。
2.根据权利要求1所述的一种平稳非高斯风场的模拟方法，其特征在于，
模型构建步骤中，自回归模型包括：
其中，x(n)是在时间n处的输出随机过程，p是自回归模型的阶数，ak是第k个(k＝1,…p)模型参数，w(n)是均值为零的高斯白色噪声输入。
3.根据权利要求1所述的一种平稳非高斯风场的模拟方法，其特征在于，
自回归参数包括：R(γ)a＝Rl；
其中，R(γ)是p×p阶自相关函数矩阵；
矩获取步骤中过边缘矩之间的扭曲关系确定输入，即非高斯白噪声的矩。
4.根据权利要求1所述的一种平稳非高斯风场的模拟方法，其特征在于，
函数计算步骤中，计算边缘概率密度函数采用：
其中，λ0，λ1，…，λm为拉格朗日乘子，w为随机变量。
5.根据权利要求1所述的一种平稳非高斯风场的模拟方法，其特征在于，
函数计算步骤中，采用收敛机制来确定矩阶，包括：
||Hm-Hm-2||/||Hm||≤εH；
其中，Hm为信息熵，εH为相对误差的精度值。
6.根据权利要求1所述的一种平稳非高斯风场的模拟方法，其特征在于，
样本获取步骤中，通过传递函数将高斯白噪声转换为非高斯白噪声过程；具体计算过程包括：
w(n)＝g[y(n)]＝FW -1{ΦG[y(n)]}，
其中，g(·)是平移函数；ΦG(·)和FW(·)分别是高斯和非高斯白色噪声过程的累积概率分布函数；FW -1是FW的反函数。
7.一种平稳非高斯风场的模拟系统，其特征在于，应用于上述权利要求1-6任一项所述的一种平稳非高斯风场的模拟方法，包括依次连接的模型构建模块、矩获取模块、函数计算模块、样本获取模块和风场模拟模块；
模型构建模块：根据目标功率谱密度建立自回归模型；
矩获取模块：根据自回归模型确定自回归模型参数和模型输入输出之间边缘矩的关系，获得非高斯白色噪声的矩；
函数计算模块：利用最大熵方法重构非高斯白色噪声信号，获得概率密度函数和累积概率分布函数；
样本获取模块：利用累积概率分布函数获得平移函数，采用平移函数模拟非高斯白色噪声过程，获得非高斯白色噪声样本；
风场模拟模块：将非高斯白色噪声样本输入自回归模型，得到目标非高斯过程输出样本，建立非高斯风场模拟。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410160592.7A CN117993294A (zh) | 2024-02-04 | 2024-02-04 | 一种平稳非高斯风场的模拟方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410160592.7A CN117993294A (zh) | 2024-02-04 | 2024-02-04 | 一种平稳非高斯风场的模拟方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117993294A true CN117993294A (zh) | 2024-05-07 |
Family
ID=90898958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410160592.7A Pending CN117993294A (zh) | 2024-02-04 | 2024-02-04 | 一种平稳非高斯风场的模拟方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117993294A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112749476A (zh) * | 2020-11-26 | 2021-05-04 | 重庆交通大学 | 基于Piecewise-Johnson变换的非高斯风压模拟方法及系统和存储介质 |
| CN113468784A (zh) * | 2021-06-25 | 2021-10-01 | 深圳大学 | 桥梁非平稳非高斯随机风场模拟方法、装置、设备及介质 |
| CN113609700A (zh) * | 2021-08-18 | 2021-11-05 | 重庆交通大学 | 一种山区桥梁完全非平稳风场的模拟方法 |
| US20230130156A1 (en) * | 2021-10-27 | 2023-04-27 | Xanadu Quantum Technologies Inc. | System and method to design photonic circuits for preparing gaussian and non-gaussian states |
-
2024
- 2024-02-04 CN CN202410160592.7A patent/CN117993294A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112749476A (zh) * | 2020-11-26 | 2021-05-04 | 重庆交通大学 | 基于Piecewise-Johnson变换的非高斯风压模拟方法及系统和存储介质 |
| CN113468784A (zh) * | 2021-06-25 | 2021-10-01 | 深圳大学 | 桥梁非平稳非高斯随机风场模拟方法、装置、设备及介质 |
| CN113609700A (zh) * | 2021-08-18 | 2021-11-05 | 重庆交通大学 | 一种山区桥梁完全非平稳风场的模拟方法 |
| US20230130156A1 (en) * | 2021-10-27 | 2023-04-27 | Xanadu Quantum Technologies Inc. | System and method to design photonic circuits for preparing gaussian and non-gaussian states |
Non-Patent Citations (2)
| Title |
|---|
| 吴凤波;黄国庆;刘敏;彭留留;: "非高斯风压极值估计:基于矩的转换过程法的抽样误差对比研究", 振动与冲击, no. 18, 28 September 2020 (2020-09-28) * |
| 吴筑海, 周岱, 符旭晨, 辛庆胜: "大跨结构风模拟及其小波分析", 振动与冲击, no. 04, 30 December 2004 (2004-12-30) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
| CN111259481B (zh) | 一种整合空间信息的建筑室内光环境设计评价方法及装置 | |
| Lojowska et al. | Advantages of ARMA-GARCH wind speed time series modeling | |
| CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
| Munkhammar et al. | An N-state Markov-chain mixture distribution model of the clear-sky index | |
| CN110321518B (zh) | 一种判定水文时间序列趋势类型的方法 | |
| Solari et al. | Dynamic response of structures to thunderstorm outflows: Response spectrum technique vs time-domain analysis | |
| CN104091077B (zh) | 一种风电场光伏电站联合出力模拟方法 | |
| Quan et al. | Probabilistic solar irradiance transposition models | |
| CN114201924B (zh) | 基于迁移学习的太阳辐照度预测方法及预测系统 | |
| Chen et al. | Prediction of wind pressures on tall buildings using wavelet neural network | |
| CN103353295B (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
| CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
| CN111275238B (zh) | 基于每时晴空指数的大规模电站光伏出力序列生成方法 | |
| CN110084403B (zh) | 架空导线载流量的多时段联合概率密度预测方法及系统 | |
| Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
| CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
| Khaled et al. | Assessing aerodynamic loads on low-rise buildings considering Reynolds number and turbulence effects: a review | |
| CN114583767A (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
| Chen | A comprehensive statistical analysis for residuals of wind speed and direction from numerical weather prediction for wind energy | |
| Turbelin et al. | Wavelet cross-correlation analysis of wind speed series generated by ANN based models | |
| Hove et al. | Mapping wind power density for Zimbabwe: a suitable Weibull-parameter calculation method | |
| CN117993294A (zh) | 一种平稳非高斯风场的模拟方法及系统 | |
| CN115936236A (zh) | 一种卷烟厂能耗预测方法、系统、设备及介质 | |
| Wu | Estimation of turbulence effects on wind-induced suctions on the roof of a low-rise building |
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 |