固定式風場監測設備

台北縣淡水鎮中央電台微波鐵塔，所在位置屬於海邊地形及鄉鎮郊區，如圖 3- 1 所示。在電台的西方，北方及南方有數百公尺的河岸與海岸線，東方距離 1 公里範圍內之地形並沒明顯的高度變化，在更遠距離以外則有著 40~50m 高度變 化，半徑 1 公里周圍內有著平均樓層高為 6~7 樓之住宅大樓及 2~4m 高度之樹 木。因此將此地況初步判定為介於 B 地況(郊區鄉鎮地況)與 C 地況(開闊地況)之 間之地況。

圖 3- 1 淡水中央電台周圍建築物(圓圈處電台位置) 資料來源：Google Maps

壹、儀器特性與佈置

位於淡水海邊的中央廣播電臺為高約 100 公尺之微波接收鐵塔。依中央氣象 局氣象資料確認該地址常年季風風向及颱風來襲時風向，多為北風或東北風，因 此安裝風速風向計之角度調整為對準北方，以減少鐵架對於風速風向計產生較大 的干擾。本計畫分別於 100、80、60、40、20 公尺處，各安裝一組二維風速風向 計。其相關位置如圖 3- 2，儀器基本特性如表 3- 1 所示。

圖 3- 2 淡水中央電台儀器裝置示意圖 資料來源：自行攝影與儀器使用手冊

表 3- 1 超音波風速計儀器基本特性

品名 說明

二維超音波 風速計

1. 廠牌及型號：GILL INSTRUMENT, WINDSONIC 2. 輸出訊號：風向及風速

3. 量測風速範圍：0~60m/s 4. 量測角度範圍：0~360 度 5. 電流輸出：4~20 mA 6. 電壓輸出：0〜5 V 7. 採樣頻率：1、2、4Hz

資料來源：二維超音波風速計使用手冊

為了減少風速計受到鐵塔本身的干擾，特製做一支架讓風速計能儘量遠離鐵 塔的干擾，且不因颱風或是較大風速之下而產生搖晃的現象。緊接著，將儀器的 線路從不同高度的位置拉到室內數據採樣擷取系統，線路儘量閃開大哥大基地台 與微波塔等儀器的干擾。因為中央電台每天都有固定時間發射微波訊號，所以接 地工作顯得相當重要，否則量測出來的風速風向的數據是無法使用的。風速計安 裝之前必須經過風洞風速的率定，與長時間進行數據擷取分析（建議 3 天以上）， 以確保數據採樣擷取系統、風速計之電源供應器與輸出訊號之電流轉電壓的機箱 都是正常狀況。最後將整個設備放置中央電台監測的位置並測試數據是否良好。

數據採樣擷取系統用於當訊號由風速風向計接收後，經線路傳送達至電腦 前，需經由此一系統將訊號進行 A/D 轉換，甚至濾波、加強等前處理，使訊號 清晰明瞭盡量地摒除雜訊。且建議該數據採樣擷取系統應加裝避雷電容器，避免 天候不佳線路受雷電影響產生巨大壓差造成儀器損壞。目前市面上設計擷取系統 之接收訊號頻道數可擴充至幾十甚至幾百條頻道。然以實場監測系統所需之數目 約為十六道即可。此頻道數最後應由監測標的物特性決定之。數據採樣擷取系統

價格差異甚大，一套性能良好的十六頻道數據採樣擷取系統單價約為三十至四十 20、40、60、80、100 公尺不同高程高程裝設。可形成一高度為 100 公尺的風速 剖面及風向分布。風速為一能量集中在低頻區域且頗為寬頻的分布，採樣頻率為

風向。在計算由實場監測所得之數據時，首先計算該小段記錄時間（十分鐘）的 平均風向，根據此平均風向，將瞬時水平向風速分解為 u、v 二方向。其次計算 記錄時間長度的 u 方向平均風速（十分鐘平均風速），v 方向的平均風速應接近 於零。以瞬時風速減去平均風速值即為擾動風速值。如此，每筆十分鐘資料可得 一組風速垂直分佈。

由於颱風行進、轉向、強度改變等各種因素，風速與風向可能在短時間內呈 現劇烈的改變。然而，建築物耐風設計的現行理論架構於風力為一定常性隨機數 列(stationary random process)，分析歷時約為一小時。因此，作為耐風設計規範 的風速資料必須排除自然風場中的非定常(non-stationary)特性。本計畫擬使用 EMD(Empirical mode decomposition)作為濾除極低頻風速變化所產生非定常性現 象的方法。Xu 曾使用此一方法，針對實場監測所求的數據，先行進行定常性的 判斷與否，接著考慮使用 EMD 來進行過濾訊號中含有非定常性的內隱模態，然 後再依據傳統頻率域分析方法，進行一連串之分析比較。

利用方程式(12) 求出擾動風速後，可將擾動風速視為一隨機歷時資料。針 對此隨機歷時資料進行數據定常性的評 估。若數據經由評估後屬於定常性 (stationary) 則可依傳統頻率域分析方法，將時間歷時經由 FFT 後轉換為頻率域 做頻譜分析，觀 看此風速歷時之特性。 然 而經過判斷後若數據為非定常性 (non-stationary) ， 根 據 Xu (Xu,2004) 建 議 ， 可 以 將 此 非 定 常 性 歷 時 經 由 EMD(Empirical mode decomposition)分解後求得定常性歷時，繼而以 FFT 作頻譜 分析，得知該風速歷時的特性。詳細流程如圖 3- 3。

圖 3- 3 數據分析流程 資料來源：自行研究

參考以下簡單闡述以 Reverse arrangement distribution（Bendat, Julius S.,2000）

判別數據穩定與否之程序。

在測試一組樣本記錄資料的穩定性之前會有幾個基本的假設：

第一、假設在任何一筆給定資料隨機過程中會適當反映出非定常性的特性；

第二、假設任何一筆給定資料紀錄對於其低頻的部份要夠長。

有了以上的假設後，將樣本的時間歷時記錄分成 N 等分區間,每個區間歷時 進行方程式(13)與(14)、(15)的判斷，可得下列各值：

A1 ＝ 10 A6 ＝ 3 A11 ＝ 3 A16 ＝ 3

A2 ＝ 15 A7 ＝ 1 A12 ＝ 3 A17 ＝ 2 A3 ＝ 1 A8 ＝ 7 A13 ＝ 3 A18 ＝ 0 A4 ＝ 15 A9 ＝ 2 A14 ＝ 3 A19 ＝ 1 A5 ＝ 1 A10 ＝ 3 A15 ＝ 3 A20 ＝ 86

令α 為 5，查表 3- 2 可得。故該隨機數據屬於定常性。判斷數據定常與否後，

即根據結果進行數據分析，求得欲知的風場風速特性。諸如平均風速垂直剖面、

紊流強度分布、紊流尺度、頻譜特性等。

EMD(Empirical mode decomposition)為一求取訊號各個模態之方法。一隨機 訊號可能包含某些模態，而 EMD 即為擷取出此隨機訊號內隱模態函數的過程。

經由模擬訊號極值包絡線，摒除訊號低頻之平均值曲線，進而過濾掉極低頻的風 速變化產生的非定常性現象。說明如下：

一個適合使用於分析非定常性訊號的新處理方式，稱之為經驗模態分解法。

使用這個訊號處理的方式可以將任何複雜的訊號，分解成有限個內隱模態函數

（Intrinsic Mode Functions，IMF）的分量，如圖 3- 4 所示。然而在介紹這個訊號 處理的方法之前，必須要先瞭解一下何謂內隱模態函數（IMF）。所謂內隱模態 函數必須滿足下列兩條件：

一、 在整組分析資料當中，其局部極值的個數與零交點（Zero Crossing）

的個數必須相等或最多相差一個。

二、 由局部最大值（Local Maxima）所定義的包絡線（Envelope）與局 部最小值（Local Minima）所定義的包絡線，在任何點的平均值必 須為零。

以下說明如何使用 EMD 法來作為訊號的分解，將之分解成每一分量都是 IMF。將一組欲分析的原始訊號，如圖 3- 5 所示，分成局部最大值與局部最小值 兩部分，將所有局部最大值的部分以三次 Spline 曲線（Cubic Spline）內插，構 成上包絡線（Upper Envelope）。同樣的，將局部最小值部分以三次 Spline 曲線內

插，構成下包絡線（Lower Envelope）。如此，所有資料點都將包含於上包絡線

（Symmetric），以滿足 IMF 的要求。所以經過第二次篩過程可以表示為：

11 連續的篩過程所得之結果的標準差（Standard Deviation，SD，這裡指的標準差並

非一般痛記所定義的標準差，而是定義了兩個連續篩過程的相對誤差）來達到我 成為一單調函數（Monotonic Function）或是一個趨勢性的定值。透過 EMD 法我 們可以將原始訊號 f(t)分解成n個 IMF 分量與一個剩餘訊號r 。利用這個訊號處_n 理方法，我們可以將受雜訊影響的訊號，由最高頻的部分逐次往下分解，藉由拿 掉高頻的部分將雜訊影響訊號的部分濾除，此即為經驗模態分析法。

表 3- 2 定常性機率分佈表(Reverse arrangement distribution probability)

N α

0.99 0.975 0.95 0.05 0.025 0.01

10 9 11 13 31 33 35

12 16 18 21 44 47 49

資料來源：Bendat,Julius S.,“Random data:analysis and measurement” ,2000 ,p105~108

0 5 10 1 5 2 0 25 30 35 40 45 50

0 5 10 15 20 25 30 35 40 45 50

IMF-1 component decomposition

Time(sec)

Velocity(m/s)

Original Curve Upper Curve Lower Curve Mean Curve

圖 3- 6 第一次篩過程(a)

15 IMF-1 c om ponent dec omposit ion

Time(sec)

Velocity(m/s)

Original C urve Upper C urv e Lo wer C urv e Mean Curve

圖 3- 7 第一次篩過程(b)

h1 component

Time(sec)

Original Curve Upper Curve Lower Curve Mean Curve

圖 3- 9 第二次篩過程 資料來源：自行研究

0 5 10 15 20 25 30 35 40 45 50

光達(LiDAR, Light Detection And Ranging) 是採用雷射光進行風向、風速之 遠距觀測的方法。依照使用者之不同需求，光達可以提供不同類型的掃描策略(如