[发明专利]高层建筑风压短期预测方法、异常数据补全方法及装置

权利要求书

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GRU子模型的候选激活状态，并根据候选激活状态、重置门和更新门计算得到对应GRU子模型的隐藏层输出；

S303：将计算得到的两个GRU子模型的隐藏层输出融合得到所述BiGRU神经网络模型的预测值；

S304：将步骤S303中得到BiGRU神经网络模型的预测值反向传递至BiGRU神经网络模型中进行迭代训练，直至所述BiGRU神经网络模型的损失函数趋于稳定时，完成训练，得到训练好的BiGRU神经网络模型。

5.根据权利要求4所述的高层建筑风压短期预测方法，其特征在于，在步骤S303中，所述BiGRU神经网络模型的预测值H_t的计算公式为：

其中：为t时刻GRU子模型前向传播的隐藏层输出；为t时刻另一GRU子模型后向传播的隐藏层输出；α_t,β_t分别为t时刻两个GRU子模型前向传播和后向传播的隐藏层输出的权重；b_t为t时刻BiGRU神经网络模型隐藏层状态所对应的偏置量。

6.根据权利要求4所述的高层建筑风压短期预测方法，其特征在于，在步骤S304中，所述损失函数采用均方误差函数，其表达式为：

其中：x_t为t时刻输入BiGRU神经网络模型的IMF分量，y_t为待预测高层建筑在t时刻的风压预测数据，N为模型训练时迭代的次数。