[发明专利]高层建筑长期风压缺失数据补全方法及装置

权利要求书

1.一种高层建筑长期风压缺失数据补全方法，其特征在于，包括以下步骤：

S1：采集高层建筑的风压数据，确定缺失数据测点，选择缺失数据测点的历史风压数据以及每一缺失数据测点对应的周围数据测点的测得的周围风压数据，并将所述历史风压数据及其周围风压数据分别按时序整合成风压数据序列矩阵；

S2：采用经验模态分解算法将所述风压数据序列矩阵分解为IMF分量和RES分量，得到EMD分解数据样本；

S3：将EMD分解数据样本和缺失数据测点测得的历史风压数据输入CNN-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CNN-BiGRU神经网络模型；

S4：采集高层建筑的实时风压数据，当实时风压数据缺失时，将数据缺失之前的风压数据及其周围风压数据输入训练好的CNN-BiGRU神经网络模型中，通过CNN-BiGRU神经网络模型预测得到风压预测数据，利用该风压预测数据对缺失数据进行补全。

2.根据权利要求1所述的高层建筑长期风压缺失数据补全方法，其特征在于，在所述步骤S2中，所述风压数据序列矩阵中包括有历史风压数据序列及其周围风压数据序列，所述历史风压数据序列及其周围风压数据序列记为原始风压数据序列，分别对各原始风压数据序列矩阵进行经验模态分解，其具体步骤为：

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p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p个IMF分量和一个RES分量。

3.根据权利要求2所述的高层建筑长期风压缺失数据补全方法，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所述的高层建筑长期风压缺失数据补全方法，其特征在于，所述步骤S3包括以下步骤：

S301：构建包含有CNN网络和BiGRU网络的CNN-BiGRU神经网络模型，并将步骤S2中得到EMD分解数据样本和缺失数据测点测得的历史风压数据输入构建好的CNN-BiGRU神经网络模型中；

S302：所述CNN网络基于风压数据序列矩阵和缺失数据测点提取周围风压数据与缺失数据测点之间的空间相关性特征序列；

S303：所述BiGRU网络以所述CNN网络提取到的空间相关性特征序列作为输入，进一步提取风压数据序列矩阵和缺失数据测点之间的时间前后依赖度特征，输出风压预测数据；

S304：将风压预测数据反向传递至CNN-BiGRU神经网络模型中进行迭代训练，直至CNN-BiGRU神经网络模型的损失函数趋于稳定或达到最大迭代次数时，完成训练，得到训练好的CNN-BiGRU神经网络模型。

5.根据权利要求4所述的高层建筑长期风压缺失数据补全方法，其特征在于，在步骤S302中，所述CNN网络包括一层卷积层和一层池化层，所述卷积层通过卷积运算综合学习风压数据序列矩阵中各历史风压数据序列的局部特征，以获取全局特征，所述池化层消除冗余特征信息，以提取周围风压数据与缺失数据测点之间的空间相关性特征序列。