煤矿井塔结构在脉动风荷载作用下的响应分析

文章简述了风荷载特性与脉动风荷载的风速时程自回归(autoregressive,简称AR)数值模拟方法,模拟了给定风速功率谱的风速时程序列,并验证其与目标谱的一致性,从而得到作用在结构模型各节点上的脉动风荷载时程样本。以某煤矿井塔结构为例,用有限元分析软件SAP2000建立其有限元模型,并用Matlab获取了井塔结构迎风面各节点上的风荷载时程信号作为动力输入。利用SAP2000软件对结构进行模态分析,并基于时程分析方法计算结构在脉动风荷载作用下的风振响应。结果表明,AR模型能有效地模拟具有空间时间相关性的节点脉动风速时程,可为结构的安全性设计或结构的改造提供参考和依据。     

基于多维AR模型的桥梁随机风场模拟

基于自然风特性,通过考虑结构节点间风速时程的空间相关性,采用多维AR模型模拟主梁和桥墩节点随机脉动风速时程,利用FPE准则和AIC准则确定模型阶数,并对模拟过程中的自回归顺序、功率谱密度等问题进行研究.对兰新二线铁路白杨河大桥采用多维AR模型模拟各节点的脉动风速时程,结果表明:当AR模型阶数为4时,模拟功率谱与目标功率谱吻合较好;当自回归顺序颠倒时,模拟功率谱明显偏离目标功率谱.     

风力发电塔架脉动风速时程模拟及其受力分析

简述了应用谐波合成法中的自回归模型(AR)模拟出给定风速功率谱的风速时程序列,并验证了其与目标谱(Davenport谱)的一致性,进而得到作用在各节点的脉动风荷载时程样本的方法.本文采用线性滤波法,建立了脉动风速时程的AR模型,编辑出脉动风速时程模拟程序,对某风力发电塔架进行脉动时程分析,验证了该脉动风速时程模拟的可行性与有效性,并根据所模拟的脉动风对风电塔架进行了受力分析,分别对气动推力与脉动风对塔架顶部位移所产生的影响以及其筒体应力分布规律与大小进行了研究.     

两类建筑结构脉动风场的数值模拟

基于随机模拟理论的谱解法以及快速傅里叶变换（FFT）技术,运用MATLAB语言编程模拟两类典型结构物周围的脉动风场,并给出部分节点的脉动风速时程曲线.模拟的过程中考虑结构不同点的空间相关性,并采用多种方法验证本程序和数值模拟结果的正确性.FFT技术能大大提高程序运算速度,而传统的谱解法又能保证模拟的精度,使得脉动风速的数值模拟结果能满足工程分析的需要.     

高耸结构随机风荷载的数值模拟

风荷载是高耸结构设计计算的主要控制荷载,在随机风荷载作用下结构的动力响应直接影响结构的安全性和可靠性,因而高耸结构的风荷载数值模拟是非常重要的.针对脉动风风速的频谱特性和高耸结构风荷载的空间相关性,文章提出了一种新的高耸结构脉动风荷载的数值模拟方法.脉动风速的频谱特性用线性滤波器逼近,首先通过求解脉动风速自相关系数的Toeplitz方程得出该滤波器的控制参数初步近似值,再通过迭代进行优化,以Gauss白噪声作为输入,经过该滤波器滤波,即可生成具有所需功率谱的脉动风风速时程.考虑风荷载的空间相关性,最终给出了高耸结构脉动风荷载的时程.详细介绍了上述算法的理论和数值模拟方法,并讨论了滤波器阶数以及迭代算法控制精度的影响.结合电视塔结构,给出了具体的算例.     

考虑风与结构耦合作用的张弦梁结构风振响应分析

基于自回归(AR)模型考虑空间相关性,对张弦梁结构的随机脉动风进行数值模拟;利用有限元软件AN-SYS,考虑风速与结构速度的耦合作用,以材料阻尼模拟气动阻尼对结构进行风振响应分析,求得结构时程响应曲线;脉动风速样本的功率谱与目标功率谱比较结果吻合良好,表明所采用的随机过程模拟理论可靠,风速时程数据的计算机仿真程序有效;同时探讨参数变化对结构风振响应的影响.     

风作用下电梯试验塔的动力时程分析

以电梯试验塔的主体结构为研究背景,根据风的相关理论采用时域分析法中的线性滤波法,借助编程软件MATLAB进行编程模拟得到具有随机性的脉动风速时程曲线,从而得到风荷载时程.然后利用有限元软件Ansys对结构进行建模,将具有空间相关性的时程风荷载加到模型上,得到结构的时程位移,得出结论.     

大型风力机塔架在脉动风下的动力响应特性研究

采用Kaimal脉动风功率谱,考虑脉动风的空间相关性,采用AR模型模拟风电场脉动风速时程,并验证脉动风速谱与目标谱的一致性;通过有限元方法计算风力机塔架结构在风载荷作用下的动力响应特性。计算结果表明:AR模型对实际风场风速进行有效模拟,考虑脉动风的影响,塔架的风振响应显著增加;随着风速的增加,塔架的振动也随之增加,这为风力机塔架的风致响应分析和抗风研究提供了实用方法。     

高层建筑风场的脉动风速时程模拟

采用经过FFT算法改进的谐波叠加法(WAWS)及自回归(AR)模型的线性滤波法对实际工程进行脉动风速时程模拟.对2种算法所模拟的风速时程进行分析,结果显示了风速功率谱及相关函数的特性,分析结果说明AR模型中模型阶次及时间步长对风速时程产生较大影响.根据结构的有限元动力分析,采用能量相等的原则,即使结构固有频率段内的目标谱和模拟谱能量相等,对风速时程进行修正,使模拟风速时程更趋合理.     

基于随机Fourier谱的风场仿真

研究了由随机Fourier谱生成具有特定场地风荷载统计特性的样本函数的问题．首先对随机风场模型进行了描述，然后利用谐波合成的方法，在对互随机Fourier谱矩阵进行Cholesky分解的基础上，通过一组余弦函数的和对随机脉动风速场进行了模拟．最后，结合一20层平面框架结构纵向风速场的仿真问题进行了数值仿真研究．算例表明，所提算法可以准确地模拟给定场地特性的脉动风速时程．     

风电场风速时间序列的复杂动力学特性分析

利用混沌理论对风电场风速数据进行了相空间重构,首先由C-C方法计算出嵌入维数和延迟时间,然后采用G-P算法计算出吸引子关联维数,最后用小数据量改进算法得出风速时间序列的最大Lyapunov指数,由计算结果发现风电场风速时间序列具有混沌特性,为利用混沌预测方法进一步提高风速预测精度提供参考.     

基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法

为实现风电场风速的超前多步高精度预测,提出一种基于小波分析法与滚动式时间序列法混合建模的优化算法。该优化算法引入小波分析法对风电场实测非平稳风速序列进行分解重构计算,将非平稳性原始风速序列转化为多层较平稳分解风速序列,利用对传统时间序列分析法改进后的滚动式时间序列法对各分解层风速序列建立非平稳时序预测模型,并通过模型方程实现超前多步滚动式预测计算。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统时间序列分析法对应超前1步、3步、5步的预测精度分别提高了54.22%,26.44%和19.38%,其预测的平均相对误差分别为1.14%,3.06%和4.41%;优化算法具有较强的细分与自学习能力。     

基于相空间重构的神经网络短期风速预测

针对风速具有较强的混沌特性,预测难度较大,提出了一种基于相空间重构的神经网络短期风速预测方法:对数据进行小波降噪,运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数,对样本空间进行重构,使新的样本能够表征原始时间序列动态特性,更能反映风速变化特性。在此基础上运用BP神经网络进行短期风速预测。实验结果表明短期风速预测精度得到提高。     

脉动风作用下塔架结构的风振响应分析

 简述了应用线性滤波法中的自回归模型(AR)模拟出给定风速功率谱的风速时程序列,并验证其与目标谱(Davenport谱)的一致性,再通过规范公式推导脉动风载与风速之间的关系,从而得到作用在各节点的脉动风荷载时程样本。以某42m高的通信塔架为原型进行了模拟计算分析,用有限元分析软件ANSYS建立其有限元模型,并用Matlab获取了塔架迎风面各节点上的风荷载时程信号作为动力输入。利用ANSYS对结构进行了模态分析,结果显示结构的前几阶振动均是平面振动,第3阶振动开始出现扭转模态和局部振动模态;同时,基于ANSYS时程分析方法计算了结构在脉动风载作用下的风振响应。结果表明,在仅考虑脉动风作用的情况下,本塔架结构顶部的水平位移低于规范规定的位移限值,但塔架截面变化拐点处的弦杆在风载作用过程中会产生较大应力,在塔架设计中予以注意。     

基于改进经验模态分解和支持向量机的短期风速组合预测

为更精确地进行风速预测,提出一种利用带自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法和蝙蝠算法(bat algorithm,BA)优化支持向量机(support vector machine,SVM)的组合短期风速预测方法。首先用CEEMDAN对原始风速时间序列进行分解,得到一系列不同频率的子序列;其次,使用BA-SVM组合模型预测对分解后的各个子序列分别进行预测;最后,将各子序列的预测结果叠加得到风速预测值。仿真结果表明,该模型提高了预测精度,减小了误差。     

基于风速预测的双馈风力发电机组变桨距协调控制

在分析风能的特性、风速区域划分以及大型风力发电机组常用控制方法的基础上,指出当前控制中存在的滞后、大惯性等问题.针对这些问题,提出基于风速预测的新型变桨距协调控制方法,在高于额定风速的情况下,加入风速预测环节,从而克服风速测量滞后、桨距角调节惯性大等问题.这种控制方法将小波变换嵌入时间序列法中,用于建立ARMA模型进行风速预测,然后将预测的风速送入控制环节,具有较好的动态控制性能.最后,通过实例仿真验证了该设计方法的有效性.     

基于ARIMA模型的风电场短期风速预测

目前,风力发电的并网规模越来越大,但是鉴于风力发电特有的间歇性和随机性的特点,难免会对电力系统的稳定运行和电能质量造成巨大影响,也就限制了风电的发展速度与规模。对风力发电场的风速进行中、长、短期的预测可以在一定程度上有效的解决该问题,依据风速序列的自相关性以及时序性,本文提出了一种基于时间序列分析的风电场短期风速预测ARIMA模型,重点讨论了建模的过程、模型的识别、模型的定阶和模型参数的估计。最后结合风电场实际,对比于持续法预测给出了相应的预测结果和误差分析,验证了所提出的ARIMA模型用于风电场风速预测的可行性。     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

Wind Speed Prediction by a Hybrid Model Based on Wavelet Transform Technique

It is difficult to predict wind speed series accurately due to the instability and randomness of the wind speed series. In order to predict wind speed, authors propose a hybrid model which combines the wavelet transform technique(WTT), the exponential smoothing(ES) method and the back propagation neural network(BPNN), and is termed as WTT-ES-BPNN. Firstly, WTT is applied to the raw wind speed series for removing the useless information. Secondly, the hybrid model integrating the ES method and the BPNN is used to forecast the de-noising data. Finally, the prediction of raw wind speed series is caught. Real data sets of daily mean wind speed in Hebei Province are used to evaluate the forecasting accuracy of the proposed model. Numerical results indicate that the WTT-ES-BPNN is an effective way to improve the accuracy of wind speed prediction.     

联想神经网络的风速序列预测分析

为了提高风速序列预测的可靠性,针对具有混沌特性的风速序列,构造了一种用于风速序列预测的联想网络。以风速序列的波动性作为相似性测度准则,构造联想网络的存储样本模式,根据存储模式中蕴含的关联信息完成网络的无监督学习,从而完成具有自相似性的风速序列的一步或多步预测分析。与传统前向型神经网络相比,该网络预测机理明确,预测结果唯一,且可一次给出多步预测结果。仿真实验结果表明,该网络的具有良好预测性能,适用于风速序列的动态预测。