[发明专利]高层建筑长期风压缺失数据补全方法及装置

说明书

本发明公开了一种高层建筑长期风压缺失数据补全方法及装置，包括采集高层建筑的风压数据，确定缺失数据测点、历史风压数据以及周围风压数据，并将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；采用经验模态分解算法将所述风压数据序列矩阵进行分解得到EMD分解数据样本；将EMD分解数据样本和缺失数据测点输入CNN‑BiGRU神经网络模型中进行模型训练；当实时风压数据缺失时，通过CNN‑BiGRU神经网络模型预测得到的风压预测数据对缺失数据进行补全；本发明基于EMD算法与CNN‑BiGRU模型实现，使得风压预测数据的预测精度高，能够准确评估高层建筑的表面风压。

技术领域

本发明涉及建筑结构风压预测技术领域，特别是涉及一种高层建筑长期风压缺失数据补全方法及装置。

背景技术

风压传感器对于评估建筑物表面压力具有重要意义，但是，某些风压传感器在长期运行过程中会发生大规模的风压数据失效或者异常从而导致建筑物表面风压在较长期间内大规模的数据丢失，并且这些数据难以恢复。

目前，基于人工智能方法对高层建筑缺失风压数据预测方法主要分为两种：一种是“浅层”机器学习方法，风压数据具有高度非线性和非平稳性，“浅层”的模型对风荷载的短期预测具有一定的局限性，无法处理海量的监测数据且准确率较低；另一种方法是传统的神经网络模型，具有普遍性、效率高等特点，但准确性有待进一步的提高。因此，有必要进一步提高传统神经网络模型的精度，开展既准确又实时的高层建筑风压预测工作。

发明内容

有鉴于此，本发明的目的在于提供一种高层建筑长期风压缺失数据补全方法及装置，以解决现有技术中高层建筑表面风压数据大规模缺失后难以准确预测、补全的问题。

为达到上述目的，本发明的一方面提供一种高层建筑长期风压缺失数据补全方法，具体包括以下步骤：

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进行分解为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。

进一步的，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；