基于深度强化学习调控的非平稳风速模拟

摘要：

提出一种深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法和广义S变换(generalized s transform,GST)的新型混合模拟方法(DDPG-GST).首先,采用经验模态分解(empirical mode decomposition,EMD)技术将原始数据分解为非平稳脉动风速分量与趋势分量,运用GST提取出非平稳脉动风速分量的时频特征,构建广义S变换时频功率谱矩阵;然后,对矩阵进行Cholesky分解,得到非平稳脉动风速模拟值;接着,将非平稳脉动风速模拟值载入DDPG网络进行调控,进而生成最优模拟值;最后,将非平稳脉动风速的模拟值与趋势分量叠加得到总风速时程模拟值.结果表明:与GST模拟方法相比,DDPG-GST方法的模拟值可以精准保留时域内非平稳脉动风速的能量特征,由DDPG-GST得到的GST系数幅值在时频域内的能量分布更接近目标值;同时,DDPG-GST方法的平均功率谱值更接近目标值.基于深度强化学习调控的非平稳风速模拟是一种高精度数据驱动模拟方法.

关键词：非平稳风速模拟、深度强化学习、S变换、调控

所属期刊栏目：30

分类号：TU311(建筑结构)

资助基金：国家自然科学基金52108460

在线出版日期：2024-08-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：451-465