CN111862538B - 一种大跨度拱桥施工期大风预警方法及*** - Google Patents
一种大跨度拱桥施工期大风预警方法及*** Download PDFInfo
- Publication number
- CN111862538B CN111862538B CN202010768209.8A CN202010768209A CN111862538B CN 111862538 B CN111862538 B CN 111862538B CN 202010768209 A CN202010768209 A CN 202010768209A CN 111862538 B CN111862538 B CN 111862538B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- sequence
- prediction
- wind
- short
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000010276 construction Methods 0.000 title claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012935 Averaging Methods 0.000 claims abstract description 10
- 238000001583 randomness test Methods 0.000 claims abstract description 8
- 230000008030 elimination Effects 0.000 claims abstract description 5
- 238000003379 elimination reaction Methods 0.000 claims abstract description 5
- 230000006798 recombination Effects 0.000 claims abstract description 5
- 238000005215 recombination Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims description 53
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 241001123248 Arma Species 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000003908 quality control method Methods 0.000 abstract description 6
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- PHTXVQQRWJXYPP-UHFFFAOYSA-N ethyltrifluoromethylaminoindane Chemical compound C1=C(C(F)(F)F)C=C2CC(NCC)CC2=C1 PHTXVQQRWJXYPP-UHFFFAOYSA-N 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Emergency Management (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Bridges Or Land Bridges (AREA)
Abstract
本发明公开了一种大跨度拱桥施工期大风预警方法及***，包括提取预设时间的历史风速序列，对所述历史风速序列进行质量控制，包括插值处理与异常值剔除，同时进行平均化处理得到相应的预测风速序列；采用改进的VMD方法对预测风速序列进行多尺度分解、特征选取、重新组合，形成包含虚假成分的预测序列和可预测序列；基于ARIMA‑GARCH模型进行建模，得到确定性风速预测值和风速残差序列；对所述风速残差序列进行纯随机性检验迭代自相关性评估，得到风速概率预测区间。本发明的预测结果表明本方法具有精度高、区间带宽窄等优点，具有95％置信度的上包络值可为桥梁施工期风灾辅助决策、防灾减灾提供更为可靠的参考依据。
Description
技术领域
本发明涉及大跨度拱桥施工技术领域，特别涉及一种大跨度拱桥施工期大风预警方法及***。
背景技术
近年来，随着铁路建设向中西部地区快速发展，越来越多的艰险山区高铁亟待修建。与沿海及平原地区不同，山区地形山高谷深、层峦叠嶂，风场环境更受局部地形地貌的控制，导致气候多变，大气边界层内的空气流动异常复杂。在我国南疆、青藏、贵州等地区大风袭击铁路、公路引发灾害的报道屡见不鲜。尤其是峡谷垭口区域，具有风速大、阵风强烈、紊流度高、突发性强等特点，将严重威胁铁路施工和运营的安全。例如，2016年5月19日飓风突袭贵州坝陵河大桥，最大瞬时风速值达到32.7m/s，导致桥下线缆被强风吹至桥面，桥上灯杆倒塌，交通中断。
山区雷暴风、近海台风等非良态风荷载具有风速高、阵风强烈、突发性强等显著特点，易对桥梁结构产生灾害性破坏。由于大跨桥梁在施工期间尚未形成最终的结构体系，结构刚度较小，对风荷载的作用非常敏感。尽管目前大跨径桥梁修建期常采用抗风缆、抗风支座等措施，并规定六级强风及以上恶劣天气不准施工作业。然而，日常天气预报无法考虑山区桥址局地效应的影响，不能给提供桥位处准确的风速信息，更无法给工程建设提供未来风速的变化趋势，因此，拱桥、斜拉桥、悬索桥等大跨径桥梁仍将面临严峻的风致灾害风险。为实现“提前预警，提前判断”的目的，风速超前预测方法研究将为施工期风灾辅助决策、防灾减灾提供依据。
为了实现大风灾害天气的监测预警从定性到定量的转变，从主观到客观的转变，发展一种适用于大跨度拱桥施工期大风监测预警方法及***具有重要的工程价值。
发明内容
本发明的目的在于克服现有技术中所存在的缺少对大风进行监测预警、无法预测风致灾害风险的缺陷，提供一种大跨度拱桥施工期大风预警方法及***。
为了实现上述发明目的，本发明提供了以下技术方案：
一种大跨度拱桥施工期大风预警方法，包括：
步骤1：由安装在所述大跨度拱桥预定位置处的风速监测设备实时监测风速序列；步骤2：在监测到的实时风速序列中提取不少于十天的历史风速序列，对所提取的历史风速序列进行插值处理与异常值剔除，对所述历史风速序列进行平均化处理，得到平均时距为10min的超短时风速预测序列和平均时距为1h的短时风速预测序列；
步骤3：对步骤2所得的平均时距为10min的超短时风速预测序列进行多尺度分解、特征选取、重新组合，形成干扰预测精度的风速序列c1(t)与可预测风速序列c2(t)；
步骤4：基于ARIMA-GARCH模型分别对所述干扰预测精度的风速序列c1(t)与可预测风速序列c2(t)进行建模，通过递归计算得到所述短时风速预测序列对应的确定性风速预测值和预测残差序列；
步骤5：基于纯随机性检验对所述预测残差序列进行自相关性迭代运算，挖掘所述风速残差值中蕴含的不确定信息，采用非参数自适应核密度估计方法根据所述不确定信息计算风速概率预测区间，并输出与所述超短时风速预测序列对应的超短时预测结果，所述预测结果包括：确定性风速预测值以及所述风速概率预测区间；
步骤6：对步骤2所得平均时距为1h的短时风速预测序列进行步骤3～步骤5的计算，求解所述短时风速预测序列对应的短时预测结果；
步骤7：提取所述历史风速序列1h内10min平均风速最大值和1h平均风速，通过y1＝a1x1和y2＝a2x2+b的函数拟合所述1h内10min平均风速最大值与1h平均风速大小间的关系，选取拟合系数a1和a2中的较大值为修正系数，并根据所述修正系数调整所述短时风速预测序列的预测结果；
其中，y1、y2表示1h内10min平均风速最大值；x1、x2表示1h平均风速；a1、a2表示拟合系数，b为常数项；
步骤8：将步骤5、步骤7输出的超短时预测结果与短时预测结果与预设的多级风速阈值进行比较，并根据比较结果输出对应的预警指令。
优选的，所述步骤1包括：
将风速监测设备安装固定于辅助所述大跨度拱桥施工的两个临时缆索塔架上的三层预定位置处，所述两个临时缆索塔架分别位于所述大跨度拱桥的两侧；其中，在每个所述临时缆索塔架的拱圈轮廓高度处安装三维超声风速仪，在每个所述临时缆索塔架的最高点与最低点安装二维机械式风速仪。
优选的，所述步骤2包括：
步骤201：判断所提取的历史风速序列是否存在数据缺失，若存在，则进入步骤202；若否，则直接进入步骤203；
步骤202：依据同侧同风向优先原则，采用相关性插补法补全其缺失的风速序列段，待补全所述缺失的风速序列段后进入步骤203；
步骤203：采用多倍截断标准差的方法剔除所提取的历史风速序列的普通异常点，利用所述普通异常点前后风速点的均值进行校正；并判断是否还存在无法利用所述多倍截断标准差的方法识别得到的异常点，若不存在，则进入步骤208，若存在，表明序列中存在极端异常值，则进入步骤204；
步骤204：对步骤203校正后的历史风速序列进行一次差分运算，判断序列相邻两个风速点的乘积是否大于预定的阈值；若是，则为所述极端异常点，利用所述极端异常点的前后风速点的均值进行校订；若否，表明序列中存在连续的极端异常点，则进入步骤205；
步骤205：按照数据奇偶位置顺序对所述历史风速序列进行k次抽取，得到2k组数据，k为进行奇偶抽取的次数；
步骤206：分别计算所述2k组数据的均值和方差，根据计算所得的均值和方差，采用莱特准则剔除相应的极端异常值，并利用所述极端异常点的前后风速点的均值进行校订；
步骤207：对2k组数据按照所述数据奇偶位置顺序进行合并，得到异常值剔除与校订后的所述历史风速序列；
步骤208：对所述历史风速序列进行平均化处理，得到平均时距为10min的超短时风速预测序列和平均时距为1h的短时风速预测序列。
优选的，所述步骤3包括：
步骤301：采用改进的VMD方法对所述风速预测序列进行多尺度分解，得到其对应的多个分解子分量；
步骤302：基于样本熵方法对所述风速预测序列及其对应的多个分解子分量进行复杂性度量；
步骤303：基于Kullback-Leibler散度方法对所述风速预测序列及其对应的多个分解子分量进行相关性度量；
步骤304：分别计算多个分解子分量占所述风速预测序列的能量比：
式中，i、j为变量；r为分解子分量数目；n为数据点个数；ai为第i阶分解子分量的幅值；
步骤305：根据步骤302～步骤304的复杂性度量结果、相关性度量结果、能量比计算结果形成所述干扰预测精度的预测风速序列c1(t)与可预测风速序列c2(t)。
优选的，所述步骤4包括：
步骤401：基于ARIMA-GARCH模型对所述干扰预测精度的预测风速序列c1(t)进行建模，得到其对应的确定性风速预测值
和残差序列ε1(t)；以及，基于ARIMA-GARCH模型对所述可预测风速序列c2(t)进行建模，得到其对应的确定性风速预测值
和残差序列ε2(t)；
步骤402：将所述风速预测值
与所述风速预测值
进行组合，得到确定性风速预测值
将所述残差序列ε1(t)与残差序列ε2(t)进行组合，得到预测残差序列ε(t)。
优选的，所述步骤5包括：
步骤501：采用ARMA模型拟合所述预测残差序列ε(t)，得到拟合残差序列ξ(t)；
步骤502：利用Ljun-Box Q统计量检验模型检验所述拟合残差序列ξ(t)是否存在序列自相关性；若是，则更新所述预测残差序列ε(t)等于所述拟合残差序列ξ(t)，并返回步骤501；若否，表明所述拟合残差序列ξ(t)不存在自相关性，残差序列ξ(t)即为所述不确定信息，则输出所述拟合残差序列ξ(t)至步骤503；
步骤503：采用非参数自适应核密度估计方法根据所述拟合残差序列ξ(t)计算风速概率密度分布函数，并通过积分运算获得预测标准差
步骤504：基于所述确定性风速预测值
和所述预测标准差
求解所述风速概率预测区间。
在本发明进一步的实施例中，还提供一种用于实施上述大跨度拱桥施工期大风预警方法的大跨度拱桥施工期大风预警***，包括：现场级设备和中心***；
其中，所述现场级设备包括：风速监测设备、现场监控单元、远程传输DTU设备以及现场报警装置；所述现场监控单元能够在所述***断电或通讯中断后对所述现场级设备进行恢复重置；
所述风速监测设备安装于所述大跨度拱桥的预定位置处，用于采集实时风速序列并传输其采集到的实时风速序列至所述现场监控单元；所述现场监控单元通过所述远程传输DTU设备与所述中心***通信连接，以传输所述实时风速序列至中心***；
所述中心***包括：云服务器以及远程客户端；其中，所述云服务器用于根据所述实时风速序列，求解超短时预测结果与短时预测结果，并与所述远程客户端通信连接，以实时传输所述超短时预测结果与短时预测结果至所述远程客户端；
并且所述云服务器还用于根据求解得到确定性风速预测值以及风速预测区间向所述现场监控单元传输相应的预警等级；所述现场监控单元根据接收到的预警等级向所述现场报警装置传输预警指令。
优选的，所述现场报警装置包括多级风速报警装置以及手持终端装置；
其中，所述多级风速报警装置包括五级LED电路；所述多级风速报警装置用于根据所述预警指令触发所述五级LED电路中的一级电路导通，闪烁该级电路对应颜色的LED报警灯；
所述手持终端装置能够根据所述预警指令为高空施工人员提供相应的报警提示信息。
与现有技术相比，本发明的有益效果：
1、本发明的大跨度拱桥施工期大风预警方法，通过对历史风速序列进行缺失数据插补、异常值剔除，以得到质量更高的历史风速序列，对质量控制后的历史风速序列进行分解、特征选取、重新组合，采用基于ARIMA-GARCH模型对重新组合后的风速序列进行建模，得到确定性风速预测值，并通过对风速残差序列进行纯随机性检验，得到具有置信度水准的风速概率预测区间，以实现对风速的精准预测；在本发明的风速预测算法中，将特征选取作为前处理可排除影响预测精度的虚假分量并提高计算效率，将纯随机性检验作为后处理可准确提取风速序列中蕴含的不确定信息，可有效提高模型精度、简化概率预测模型的复杂性。并且本发明利用短时预测结果对未来1h时刻附近的风速大小进行预判，并逐步根据每隔10min的预测结果进行细化，能够实现对预警风速起风时刻与停风时刻的精准定位。通过本发明得到的预测结果显示本方法具有精度高、区间带宽窄等优点，95％置信度的上包络值可为桥梁施工期风灾辅助决策、防灾减灾提供更为可靠的参考依据。
2、本发明提出了解决实测风速数据中由于降雨和传感器元件不稳定造成的普通异常点、孤立的极端异常点、多个连续极端异常值的判别、剔除及校订方法，能够获得高质量的历史风速序列，可提高预测结果的准确性。
3、本发明无需搭建固定风速监测设备的测风塔，充分利用拱桥施工过程中的临时结构，将监测设备安装于辅助拱桥施工的临时缆索塔架上，能够显著降低成本。
附图说明：
图1是本发明示例性实施例的适用于大跨度拱桥施工期大风监测预报预警方法流程图。
图2是本发明示例性实施例的实测历史风速曲线。
图3是本发明示例性实施例所述的大宁河大桥总体布置图。
图4是本发明示例性实施例所述的索塔结构及监测仪器布置。
图5是本发明示例性实施例的对历史风速序列进行极端异常值剔除、校正步骤流程图。
图6是本发明示例性实施例所述的超前10min预测结果。
图7是本发明示例性实施例所述的1h平均风速与1h内最大10min平均风速拟合。
图8是本发明示例性实施例所述的超前1h预测结果。
图9是本发明示例性实施例大跨度拱桥施工期大风监测预警***结构框图。
图10是本发明示例性实施例所述的***供电和通信方案。
图11是本发明示例性实施例所述多级风速报警装置电路原理图。
附图标记：
1-大跨度拱桥一侧的临时缆索塔架；2-大跨度拱桥另一侧的临时缆索塔架。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
图1示出了本发明示例性实施例的一种大跨度拱桥施工期大风预警方法，包括：
步骤1：由安装在所述大跨度拱桥预定位置处的风速监测设备实时监测风速序列；(如图2所示)；
具体的，将风速监测设备安装固定于辅助所述大跨度拱桥施工的两个临时缆索塔架上的三层预定位置处，所述两个临时缆索塔架分别位于所述大跨度拱桥的两侧；在本实施例中，大跨度拱桥指代跨度为100m以上的拱桥。以如图3所示的郑万高铁巫山大宁河大桥为主跨282m混凝土拱桥为例，桥址区地形陡峭，位于典型的“两山夹一河”区域。当气流流经桥址范围时，易诱发“狭管效应”，并且风速大小与当地气象站有很大的差异。大宁河大桥施工复杂，与成桥状态相比，在施工期间尚未形成最终的结构体系，结构刚度较小，对强风荷载非常敏感，容易诱发安全事故。因此，为对大宁河大桥施工期提供安全保障，建立指导大跨桥梁吊装施工的强风监测预警***十分必要。利用郑州与万州侧两岸缆索吊、拱顶、桥面等位置处的“测风传感器集群”，实现桥址区风速风向全天候实时监测。进一步的，如图3、图4所示，由于拱顶位置处的脉动风速数据对于临时结构(塔吊，塔架，缆索***等)的抗风安全评估非常关键，所以该位置处安装三维超声风速仪，且风速可以进行三向正交分解；由于缆索吊用于拱肋、节段梁的吊装，主要关注瞬时风速和平均风速的大小，另外考虑到整体的经济性，在缆索吊的最低点和最高点位置处安装二维机械式风速仪。桥位关键监测点位置示意，共计3处关键位置，分别为：关键位置1：拱顶高度处；关键位置2：缆索吊最低点；关键位置3：缆索吊最高点。本发明无需搭建固定风速监测设备的测风塔，充分利用拱桥施工过程中的临时结构，将监测设备安装于辅助拱桥施工的临时缆索塔架上。
步骤2：在监测到的实时风速序列中提取不少于十天的历史风速序列，对所提取的历史风速序列进行插值处理与异常值剔除，对所述历史风速序列进行平均化处理，得到平均时距为10min的超短时风速预测序列和平均时距为1h的短时风速预测序列。
具体的，首先判断所提取的历史风速序列是否存在数据缺失，若存在，则进入步骤202；若否，则直接进入步骤203，即进入质量控制的下一环节异常值剔除；
步骤202：依据同侧同风向优先原则，采用相关性插补法补全其缺失的风速序列段，待补全所述缺失的风速序列段后进入步骤203；其中，同侧同风向优先原则表示优先利用同侧临时索塔的预定位置处的风速监测数据进行相关性插补，若同一侧的数据均存在缺失，再利用拱桥另一侧索塔的风速数据进行补全。
在现场监测时，电源不稳定脉冲或风速仪感应元件的不稳定工作会造成一些风速异常监测值，为此，我们从软件和硬件两方面进行质量控制：通过长期实测风速样本的统计，异常值可分为普通异常值和极端异常值两类。其中，普通异常值可采用多倍截断标准差的方法进行处理，一般取为2倍标准差。首先剔除普通异常值，即步骤203：采用多倍截断标准差的方法剔除所提取的历史风速序列的普通异常点，利用所述普通异常点前后风速点的均值进行校正；并判断是否还存在无法利用所述多倍截断标准差的方法识别得到的异常点，若不存在，则进入步骤208，对历史风速序列进行平均化处理，若存在，表明序列中存在极端异常值，则进入步骤204；
进一步的，极端异常值包括单个“野点”、多个连续“野点”两类，首先采用差分法找到其中的单个“野点”即孤立极端异常点，具体为步骤204：对步骤203校正后的历史风速序列进行一次差分运算，判断序列中相邻两个风速点的乘积是否大于预定的阈值(阈值设置为-1000)；若是，则为所述极端异常点，利用所述极端异常点的前后风速点的均值进行校订；若否，表明序列中存在连续的极端异常点，则进入步骤205，进行步骤205～步骤207的连续“野点”处理。
具体的，该连续极端异常点的处理过程如图5所示，假设原始风速序列U＝{u1，u2，...，un}(n为数据点个数)。进行步骤205：提取预设时间的历史风速序列，并按照数据奇偶位置顺序进行k次抽取，得到2k组数据。即奇偶序列抽取：将风速时程数据u1，u2，...，un(n为数据点个数)按照奇偶位置分成两组，记为U1-Odd(奇数序列)和U1-Even(偶数序列)，简记为U1-O和U1-E；再次将序列U1-O和U1-E按照其中数据的奇偶位置不同分别分成两组，记为U2-OO、U2-OE和U2-EO、U2-EE；以此类推，可将原始风速数据分成2k组，k为抽取的次数。接着执行步骤206：分别计算所述2k组数据的均值和方差，根据计算所得的均值和方差采用莱特准则判别每组数据中是否存在异常数据点，若存在，则剔除该组数据中的异常点，从而得到经过异常值筛选的2k组数据；假定n为偶数，并且对数据u1，u2，...，un(n为数据点个数)进行了一次分组，则可以得到U1-O和U1-E两组数据，对U1-O和U1-E求解均值和标准差。同理，如果n为奇数，则U1-O和U1-E两组数据中仅数据个数发生改变。依此类推，如果将U分k次，变成2k组数据，对每组数据均进行均值与方差统计计算，再利用莱特准则进行判别，即可剔除每组数据中存在的“野点”，最后进入步骤207：当对2k组数据进行上述三个步骤处理后，需要将各组数据按照奇偶顺序合并，组成完整的原始风速数据。即对2k组数据按照数据奇偶位置顺序进行合并，得到质量控制后的历史风速序列。
在对历史风速序列进行质量控制后，对于时间长度不少于十天的历史风速序列做平均化处理，以进行预测，即步骤208：对所述历史风速序列进行平均化处理，得到平均时距为10min的超短时风速预测序列和平均时距为1h的短时风速预测序列。以十天的历史风速序列为例，对其进行平均时距为1h平均化处理，即将历史风速序列中每小时的数据做一个平均值来采样，相应的，处理后能够采样得到10*24个数据点，构成短时风速预测序列。对其进行平均时距为10min平均化处理，每小时的数据做一个平均值来采样，相应的，处理后能够采样得到10*24*6个数据点。
步骤3：对步骤2所得的平均时距为10min的超短时风速预测序列进行多尺度分解、特征选取、重新组合，形成干扰预测精度的风速序列c1(t)与可预测风速序列c2(t)；
具体的，采用改进的VMD方法对所述历史风速序列进行多尺度分解，得到多个风速分量；以及，采用深度特征选取方法选取分量进行重新组合，得到干扰预测精度的风速序列c1(t)与可预测风速序列c2(t)；
由于VMD方法需要预先假定分解数目r，不合理的分解数目对风速预测精度影响较大，改进的VMD方法则根据重构残差与历史风速序列的相关性进行确定。例如，r的取值范围一般为2～12，以r取2时，重构残差与历史风速序列的相关系数R2为参考值，依次计算不同分解数目所对应的Ri(i＝3，4，...，12)，当满足Ri≤0.1R2时，可确定最优分解数目。
具体的，不同于“分解-预测-重构”的一般预测流程，为了排除影响预测精度的虚假分量并提高计算效率，研究中在“分解”与“预测”流程之间增加了“特征选取”步骤，作为前处理，目的是将原始风速样本，即待处理的超短时风速预测序列的原始序列，将其分解后的r阶分量(U(t)＝c1(t)+,...,+cr(t)，r取值一般为2～12)重新进行组合，形成仅包含c1(t)和c2(t)两组序列，即，U(t)＝c1(t)+c2(t)。特征选取的方法包括样本熵、Kullback-Leibler散度、能量比大小。其中，样本熵用于对原始风速及其各分解分量的复杂性进行度量，将度量指标高于原始风速的分量归入c1(t)；Kullback-Leibler散度结合能量大小指标用于对各分解分量与原始风速间的相关性进行度量，将相关性和能量比较小的分量归入c1(t)。其中，可利用下式分别计算多个分解子分量占所述风速预测序列的能量比：
式中，i、j为变量；r为分解子分量数目；n为数据点个数；ai为第i阶分解子分量的幅值。
最终，根据上述复杂性度量结果、相关性度量结果、能量比计算结果形成所述干扰预测精度的预测风速序列c1(t)与可预测风速序列c2(t)。其中，将复杂度高于原始超短时风速预测序列的分量、相关性较小、能量比计算较小的分量组合成c1(t)序列(包括影响预测精度的虚假成分以及原始风速中不可预测的信息)，其余分量组合为c2(t)，即为原始超短时风速预测序列剔除c1(t)后可预测的风速序列。本实施例中设定相关性小于10％的分量为相关性较小分量，能量比小于5％的分量为能量比较小的分量。
步骤3：基于ARIMA-GARCH模型分别对所述干扰预测精度的风速序列c1(t)与可预测风速序列c2(t)进行建模，通过递归计算得到所述短时风速预测序列对应的确定性风速预测值和预测残差序列；
具体的，当预警***发布风速预警信息，为了给施工单位执行应急措施提供充足时间，在保证预测精度的前提下，要求预测模型算法简单，运行稳定，计算效率高。由于时间序列预测模型具有上述优点(如ARMA模型，ARIMA模型等)。此外，时间序列预测模型的预测残差也可能存在自回归异方差性。因此，进一步采用GARCH模型捕捉此部分信息，以提高确定性风速的预测精度。
采用ARIMA(p,q)-GARCH(m,l)对风速U(t)进行建模，其中均值方程表示为：
φ(B)(1-B)dU(t)＝θ(B)ε(t)
ε(t)＝σ(t)μ(t)
方差方程表示为：
式中：d为差分阶数；φ(B)和θ(B)代表p阶AR(p)多项式，q阶MA(q)多项式，分别表示为
θ(B)＝1+b1B+b2B2+,...,+bpBp；a＝[a1,a2,...,ap]T为AR模型的参数向量；b＝[b1,b2,...,bq]T为MA模型的参数向量；ε(t)为零均值的异方差序列(也称为残差序列)，其时变标准差为σ(t)；μ(t)为均值0、方差1的独立同分布随机变量；ηi、λj、γ为GARCH模型参数，i＝1,2,...,m,j＝1,2,...,l，m和l为GARCH模型阶数；B为向后移位算子，B[U(t)]＝U(t-1)。利用上式，可获得超前L步确定性风速的预测值。基于ARIMA-GARCH模型对所述干扰预测精度的预测风速序列c1(t)以及所述可预测风速序列c2(t)进行建模，将计算得到的风速预测值
与风速预测值
进行组合，即可得到确定性风速预测值
将残差序列ε1(t)与残差序列ε2(t)进行组合，得到预测残差序列ε(t)。
步骤5：基于纯随机性检验对所述预测残差序列进行自相关性迭代运算，挖掘所述风速残差值中蕴含的不确定信息(即所述拟合残差序列)，采用非参数自适应核密度估计方法根据所述不确定信息计算风速概率预测区间，并输出与所述超短时风速预测序列对应的超短时预测结果，所述预测结果包括：确定性风速预测值以及所述风速概率预测区间；
其中，步骤5包括：步骤501：采用ARMA模型拟合所述残差序列ε(t)；步骤502：利用Ljun-Box Q统计量检验模型拟合残差是否存在序列自相关性；若是，则更新所述预测残差序列ε(t)等于所述拟合残差序列ξ(t)，并返回步骤501；若否，表明所述拟合残差序列ξ(t)不存在自相关性，则输出所述拟合残差序列ξ(t)至步骤503；步骤503：采用非参数自适应核密度估计方法根据所述拟合残差序列ξ(t)计算风速概率密度分布函数，并通过积分运算获得预测标准差
步骤504：基于所述确定性风速预测值
和所述预测标准差
求解具有95％置信度的风速概率预测区间
由此输出如图6所示的所述确定性风速预测值(一般预测为10min后的预测值)以及所述风速概率预测区间。
具体的，随机性是具有某一概率事件表现的不确定性，为了挖掘风速序列中蕴含的不确定信息，提出一种纯随机性检验的循环迭代方法：(1)采用ARMA模型拟合残差序列ε(t)，并利用Ljun-Box Q统计量检验模型拟合残差是否存在序列自相关性；(2)当残差序列存在自相关性，表明残差中还存在可预测的信息，则更新残差序列ε(t)，重复步骤(1)；(3)当残差序列不存在自相关性，表明可预测信息已被完全挖掘，停止循环迭代。基于数据驱动的非参数核密度估计无需针对风速的概率分布形式进行先验判断，无论对于高斯分布还是非高斯分布(多模态)均具有较好的精度和适用性。更为重要的是，由于残差序列纯随机性检验后不存在自相关性，可简化风速概率预测方法，即无需复杂的多变量核密度估计模型，而采用单变量核密度估计模型对残差随机序列ξ(t)进行概率预测，其核密度估计模型表示为：
式中，h为带宽，优化其值可提高概率密度函数估计结果准确性；K(·)为高斯核密度函数。
对于超前L步风速预测的均值、方差，定义为：
可见，上述随机性检验与非参数自适应核密度估计作为后处理，一方面，将针对确定性预测结果进行误差修正，从而提高风速预测精度；另一方面，将进一步获得未来风速大小的概率区间结果。需要说明，由于带宽h取值对概率密度结果影响较大，研究中采用自适应的核密度估计方法。
在本发明进一步的实施例中，还包括步骤6：对步骤2所得平均时距为1h的短时风速预测序列进行步骤3～步骤5的计算，求解所述短时风速预测序列对应的短时预测结果；即短时风速预测序列对应的确定性风速预测值以及所述风速概率预测区间。进一步的，本发明还设置有相应的软件，进行10min与1h时距风速转换以及瞬时风速预测。由于我国抗风设计规范规定平均时距取值10min，仍需要修正上述1h平均时距的预测结果。如图7所示，分析1h内10min平均风速最大值与1h平均风速大小间的关系，并通过形如y1＝a1x1或y2＝a2x2+b的线性拟合，选择a1与a2中的较大值作为1h内10min平均风速最大值与1h平均风速的比值，其中，y1、y2表示1h内10min平均风速最大值；x1、x2表示1h平均风速；a1、a2表示拟合系数，b为常数项。修正得到如图8所示的1h的确定性风速预测值及其风速概率预测区间。
据此，本发明利用短时预测结果对未来1h时刻附近的风速大小进行预判，并逐步根据每隔10min的预测结果进行细化，能够实现对预警风速起风时刻与停风时刻的精准定位。
进一步的，还包括步骤8：将步骤5、步骤7输出的超短时预测结果与短时预测结果与预设的多级风速阈值进行比较，并根据比较结果输出对应的预警指令。其中，多级风速阈值为结合不同风速范围陆上地物征象进行选定的，共IV级风速预警阈值，包括：风速IV级预警阈值为>＝10.8m/s(强风，蓝色)；III级预警阈值为>＝13.9m/s(疾风，黄色)；II级预警阈值为>＝17.2m/s(大风，橙色)；I级预警阈值为>＝20.8m/s(烈风，红色)。
在本发明进一步的实施例中，我们将本发明所提供的预测方法与模型与其它方法相比，发现本发明所提供的方法具有较好的预测精度，覆盖率，较窄的区间带宽等优点。表1列出了不同预测方法平均绝对误差、平均相对误差、均方根误差评估指标的对比结果。表2列出了本发明所提供的预测方法与其他预测方法概率区间预测结果评估指标的对比结果。由表1可知，对于风速确定性结果，本发明方法的预测精度较高，且优于其它方法。由表2可知，以区间带宽为例，本发明方法较GARCH模型与多变量核密度估计方法，分别减小了26.9％和53.4％。
表1不同预测模型确定性结果评估
表2不同预测模型概率区间结果评估(置信度95％)
实施例2
在本发明进一步的实施例中，如图9、图10所示，还提供一种用于实施上述大跨度拱桥施工期大风预警方法的预警***包括：
现场级设备和中心***；其中，所述现场级设备包括：风速监测设备、现场监控单元、远程传输DTU设备以及现场报警装置；所述现场监控单元能够在所述***断电或通讯中断时对所述现场级设备进行恢复重置；
所述风速监测设备安装于所述大跨度拱桥的预定位置处，用于采集实时风速序列并传输其采集到的实时风速序列至所述现场监控单元；所述现场监控单元通过所述远程传输DTU设备与所述中心***通信连接，以传输所述实时风速序列至中心***；
所述中心***包括：云服务器以及远程客户端；其中，所述云服务器用于根据所述实时风速序列，求解超短时预测结果与短时预测结果，并与所述远程客户端通信连接，以实时传输所述超短时预测结果与短时预测结果至所述远程客户端；
并且所述云服务器还用于根据求解得到确定性风速预测值以及风速预测区间向所述现场监控单元传输相应的预警等级；所述现场监控单元根据接收到的预警等级向所述现场报警装置传输预警指令。
其中，风速传感器安装在从缆索钢塔柱伸出来的支架上，并设置角钢支撑稳定悬臂支架。支架材料采用镀锌管与塔架连接牢固。大宁河桥两端缆索塔架附近均有运营商基站，无线信号覆盖良好，因此监测数据传输方式采用运营商的4G通信网络实现数据无线回传。
进一步，还通过硬件进行风速序列质量监测，具体为在现场监控单元中，采用的边缘网关是由ARM处理器搭载嵌入式操作***的方案。操作***的启动周期一般在十几秒，有的甚至在一分钟以上。为保证程序在运行时遇到问题(如断电、信号中断等)时***可自恢复，能够保证***稳定运行。看门狗须具备的最简单功能是监测由微处理器产生的一个定期“心跳(Heartbeat)”信号，以及在心跳异常时发出一个错误信号。心跳监测可作为两种不同的用途：首先，在经过已在软件执行的功能检查之后，微控制器(MCU)应该只是生成心跳，以确保软件的正常工作；第二，如果***的实时响应已受到损害，心跳应该要能显示出来，并由微处理器提供脉冲信号来喂狗，允许看门狗进行检测，看门狗会透过应用处理器的重置来恢复***。
进一步的，所述现场报警装置包括多级风速报警装置以及手持终端装置；其中，所述多级风速报警装置包括五级LED电路；所述多级风速报警装置用于根据所述预警指令触发所述五级LED电路中的一级电路导通，闪烁该级电路对应颜色的LED报警灯；如图11所示，多级风速报警装置中通过现场监控单元与所述中心服务器(云服务器)连接，以接收云服务器进行阈值比较后输出的预警指令。而多级风速报警装置设置有5个不同颜色的LED报警警示灯，当中心***的云服务器判断当前预测结果属于某级风等级时，会通过相应的接口触发该级报警灯电路上的开关导通，从而点亮相应的LED灯进行警示，同时并伴有一定强度的警示声，***将自动发布预警信息，快速启动施工人员、施工机具、施工临时构件的防风紧急预案。例如，服务器接收到的当前风速预测结果为11.2m/s，服务器会根据阈值判断当前预测风属于IV级强风，从而通过相应的端口触发蓝色LED灯的导通，并发出警示声。而所述手持终端装置则能够根据所述预警指令为高空施工人员提供相应的报警提示信息，主要为图文、语音提示报警信息，以便于保证高空施工人员的安全。
Claims (7)
1.一种大跨度拱桥施工期大风预警方法，其特征在于，包括：
步骤1：由安装在所述大跨度拱桥预定位置处的风速监测设备实时监测风速序列；
步骤2：在监测到的实时风速序列中提取不少于十天的历史风速序列，对所提取的历史风速序列进行插值处理与异常点剔除，对所述历史风速序列进行平均化处理，得到平均时距为10min的超短时风速预测序列和平均时距为1h的短时风速预测序列；
步骤3：对步骤2所得的平均时距为10min的超短时风速预测序列进行多尺度分解、特征选取、重新组合，形成干扰预测精度的风速序列
与可预测风速序列
；
步骤4：基于ARIMA-GARCH模型分别对所述干扰预测精度的风速序列
与可预测风速序列
进行建模，通过递归计算得到所述短时风速预测序列对应的确定性风速预测值和预测残差序列；
步骤5：基于纯随机性检验对所述预测残差序列进行自相关性迭代运算，挖掘所述预测残差序列中蕴含的不确定信息，采用非参数自适应核密度估计方法根据所述不确定信息计算风速概率预测区间，并输出与所述超短时风速预测序列对应的超短时预测结果，所述预测结果包括：确定性风速预测值以及所述风速概率预测区间；
步骤6：对步骤2所得平均时距为1h的短时风速预测序列进行步骤3~步骤5的计算，求解所述短时风速预测序列对应的短时预测结果；
步骤7：提取所述历史风速序列对应的每小时内6个10min平均风速的最大值和每小时平均风速，通过
和
的函数分别拟合每小时内6个10min平均风速的最大值与每小时平均风速大小间的关系，选取拟合系数a 1 和a 2 中的较大值为修正系数，并根据所述修正系数调整所述短时风速预测序列的预测结果；
其中，y 1、y 2表示每小时内6个10min平均风速的最大值；x 1、x 2表示每小时平均风速；a 1 、a 2 表示拟合系数，b为常数项；
步骤8：将步骤5、步骤7输出的超短时预测结果与短时预测结果与预设的多级风速阈值进行比较，并根据比较结果输出对应的预警指令。
2.如权利要求1所述的方法，其特征在于，所述步骤1包括：
将风速监测设备安装固定于辅助所述大跨度拱桥施工的两个临时缆索塔架上的三层预定位置处，所述两个临时缆索塔架分别位于所述大跨度拱桥的两侧；其中，在每个所述临时缆索塔架的拱圈轮廓高度处安装三维超声风速仪，在每个所述临时缆索塔架的最高点与最低点安装二维机械式风速仪。
3.如权利要求1所述的方法，其特征在于，所述步骤3包括：
步骤301：采用改进的VMD方法对所述风速预测序列进行多尺度分解，得到其对应的多个分解子分量；
步骤302：基于样本熵方法对所述风速预测序列及其对应的多个分解子分量进行复杂性度量；
步骤303：基于Kullback-Leibler散度方法对所述风速预测序列及其对应的多个分解子分量进行相关性度量；
步骤304：分别计算多个分解子分量占所述风速预测序列的能量比：
式中，i、j为变量；r为分解子分量数目；n为数据点个数；a i 为第i阶分解子分量的幅值；
步骤305：根据步骤302~步骤304的复杂性度量结果、相关性度量结果、能量比计算结果形成所述干扰预测精度的预测风速序列
与可预测风速序列
。
4.如权利要求1所述的方法，其特征在于，所述步骤4包括：
步骤401：基于ARIMA-GARCH模型对所述干扰预测精度的预测风速序列
进行建模，得到其对应的确定性风速预测值
和残差序列
；以及，基于ARIMA-GARCH模型对所述可预测风速序列
进行建模，得到其对应的确定性风速预测值
和残差序列
；
步骤402：将所述风速预测值
与所述风速预测值
进行组合，得到确定性风速预测值
；将所述残差序列
与残差序列
进行组合，得到预测残差序列
。
5.如权利要求4所述的方法，其特征在于，所述步骤5包括：
步骤501：采用ARMA模型拟合所述预测残差序列
，得到拟合残差序列
；
步骤502：利用Ljun-Box Q统计量检验模型检验所述拟合残差序列
是否存在序列自相关性；若是，则更新所述预测残差序列
等于所述拟合残差序列
，并返回步骤501；若否，表明所述拟合残差序列
不存在自相关性，则输出所述拟合残差序列
至步骤503；
步骤503：采用非参数自适应核密度估计方法根据所述拟合残差序列
计算风速概率密度分布函数，并通过积分运算获得预测标准差
；
步骤504：基于所述确定性风速预测值
和所述预测标准差
求解所述风速概率预测区间。
6.一种用于实施如权利要求1-5任一所述大跨度拱桥施工期大风预警方法的大跨度拱桥施工期大风预警***，包括：现场级设备和中心***；
其中，所述现场级设备包括：风速监测设备、现场监控单元、远程传输DTU设备以及现场报警装置；所述现场监控单元能够在所述***断电或通讯中断后对所述现场级设备进行恢复重置；
所述风速监测设备安装于所述大跨度拱桥的预定位置处，用于采集实时风速序列并传输其采集到的实时风速序列至所述现场监控单元；所述现场监控单元通过所述远程传输DTU设备与所述中心***通信连接，以传输所述实时风速序列至中心***；
所述中心***包括：云服务器以及远程客户端；其中，所述云服务器用于根据所述实时风速序列，求解超短时预测结果与短时预测结果，并与所述远程客户端通信连接，以实时传输所述超短时预测结果与短时预测结果至所述远程客户端；
并且所述云服务器还用于根据求解得到确定性风速预测值以及风速预测区间向所述现场监控单元传输相应的预警等级；所述现场监控单元根据接收到的预警等级向所述现场报警装置传输预警指令。
7.如权利要求6所述的***，其特征在于，所述现场报警装置包括多级风速报警装置以及手持终端装置；
其中，所述多级风速报警装置包括五级LED电路；所述多级风速报警装置用于根据所述预警指令触发所述五级LED电路中的一级电路导通，闪烁该级电路对应颜色的LED报警灯；
所述手持终端装置能够根据所述预警指令为高空施工人员提供相应的报警提示信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010768209.8A CN111862538B (zh) | 2020-08-03 | 2020-08-03 | 一种大跨度拱桥施工期大风预警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010768209.8A CN111862538B (zh) | 2020-08-03 | 2020-08-03 | 一种大跨度拱桥施工期大风预警方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111862538A CN111862538A (zh) | 2020-10-30 |
| CN111862538B true CN111862538B (zh) | 2021-11-23 |
Family
ID=72953032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010768209.8A Active CN111862538B (zh) | 2020-08-03 | 2020-08-03 | 一种大跨度拱桥施工期大风预警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111862538B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132365B (zh) * | 2020-11-24 | 2021-04-16 | 中国电力科学研究院有限公司 | 一种基于多尺度特征的预报风速订正方法和*** |
| CN113406938A (zh) * | 2021-06-29 | 2021-09-17 | 中铁八局集团第一工程有限公司 | 建筑施工的智能化管理方法 |
| CN113743738A (zh) * | 2021-08-11 | 2021-12-03 | 湖北省食品质量安全监督检验研究院 | 食品安全风险等级区间预测的方法和装置 |
| CN114384565B (zh) * | 2022-03-24 | 2022-05-31 | 南京市计量监督检测院 | 一种基于vmd迭代分解的动态定位坐标序列异常值识别方法 |
| CN115277791B (zh) * | 2022-09-26 | 2023-01-03 | 邹城市美安电子科技有限公司 | 一种基于数字孪生的建设工程现场检测管理*** |
| CN115876964B (zh) * | 2023-01-31 | 2024-01-23 | 北方工业大学 | 一种城市街区气候环境与碳排放移动监测预警方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611243A (zh) * | 2016-12-02 | 2017-05-03 | 华北电力大学（保定） | 一种基于garch模型的风速预测残差修正方法 |
| CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
| CN108345961A (zh) * | 2018-01-30 | 2018-07-31 | 上海电力学院 | 风电场群出力预测与分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9858311B2 (en) * | 2014-03-31 | 2018-01-02 | EMC IP Holding Company LLC | Heteroscedastic data compression using ARIMA-GARCH model estimation |
-
2020
- 2020-08-03 CN CN202010768209.8A patent/CN111862538B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611243A (zh) * | 2016-12-02 | 2017-05-03 | 华北电力大学（保定） | 一种基于garch模型的风速预测残差修正方法 |
| CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
| CN108345961A (zh) * | 2018-01-30 | 2018-07-31 | 上海电力学院 | 风电场群出力预测与分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 强弱非平稳风速对大跨桥梁抖振响应影响研究;苏延文 等;《铁道工程学报》;20191231(第12期);第41-47页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111862538A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111862538B (zh) | 一种大跨度拱桥施工期大风预警方法及*** | |
| US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
| CN109655298B (zh) | 一种大跨度金属屋面的故障实时预警方法及装置 | |
| CN102629294B (zh) | 台风引发输电线路故障的概率评估方法 | |
| Fu et al. | Failure analysis of a transmission line considering the joint probability distribution of wind speed and rain intensity | |
| CN102590651B (zh) | 基于雷电实测数据的输电线路故障概率评估方法 | |
| Pyayt et al. | Machine learning methods for environmental monitoring and flood protection | |
| CN107180270A (zh) | 客流预测方法及*** | |
| CN106022953A (zh) | 电网设施暴雨风险评估方法 | |
| CN109784559B (zh) | 一种台风路径预测信息下的输电杆塔累积损伤故障概率计算方法 | |
| CN117057616A (zh) | 基于数字孪生的水利监测方法及*** | |
| CN111612315A (zh) | 一种新型电网灾害性大风预警方法 | |
| Martin et al. | Analysis and modelling of time series of surface wind speed and direction | |
| CN111325947A (zh) | 一种基于长短期记忆网络的风暴潮洪涝预警方法和*** | |
| CN111401529A (zh) | 一种基于遥感技术的河流生态流量监管方法 | |
| CN111311027A (zh) | 一种用于输电线路的风速预测方法 | |
| CN106327071A (zh) | 电力通信风险分析方法和*** | |
| CN112037582A (zh) | 一种基于风险预测的跨海桥梁船撞预警方法 | |
| CN115909664A (zh) | 基于bim的河道安全预警方法、装置及设备 | |
| CN107403004B (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
| CN107944188A (zh) | 基于气象站实测数据的台风近地面风眼半径辨识方法 | |
| CN114548601A (zh) | 基于bp神经网络的配电网极端灾害下停电预测方法及*** | |
| CN114912355A (zh) | 输电线路短期覆冰预测方法、装置和存储介质 | |
| CN117150430A (zh) | 基于多源异构数据融合的高铁沿线大风预测算法 | |
| Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |