CN113032882B - 风振响应模型生成方法、设备、装置及介质 - Google Patents

Abstract

本发明公开一种风振响应模型生成方法、设备、装置及介质，其中，风振响应模型生成方法包括获取当前高架塔的三维模型；分离三维模型得到塔身模型和线路模型；根据塔身模型确定高架塔的第一风振响应参数，根据线路模型确定输电线路的第二风振响应参数；将第一风振响应参数和第二风振响应参数输入训练完成的深度学习模型，得到三维模型对应的风振响应模型。通过分别得到塔身模型和线路模型各自的风振响应参数，由训练完成的深度学习模型基于两种风振响应系数输出对应当前高架塔的风振响应模型，可以准确地评估高架塔的结构振动效应，提高高架塔的结构安全性能。

Description

风振响应模型生成方法、设备、装置及介质

技术领域

本发明涉及电力技术领域，尤其涉及一种不同塔型在大气边界层风作用下的风振响应模型生成方法、设备、装置及介质。

背景技术

随着电网的普及，常通过高架塔将输电线路连接到不同的地区。高架塔在不同的建筑地点需要考虑环境因素带来的影响，以保证高架塔的稳定。

目前高架塔的施工方案需要考虑不同塔型在大气边界层风作用下的风振响应，然而高架塔上架设有多条输电线路，输电线路对高架塔的稳定性存在一定的影响，但是设计初期对于高架塔上架设输电线路的模型并没有详细的风振响应研究，导致部分高架塔存在一定的结构安全问题。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种风振响应模型生成方法，通过深度学习模型自动得到在大气边界层内不同塔型结合输电线路的风振响应模型，为高架塔的建设提供数据支撑，减少高架塔在风振响应方面的结构问题。

第一方面，本发明实施例提供了一种风振响应模型生成方法，包括：

获取当前高架塔的三维模型，所述高架塔上架设有若干条输电线路且所述高架塔处于大气边界层内；

提取所述三维模型的特征点；

根据特征点的走向方式划分归属于高架塔的第一特征点和归属于输电线路的第二特征点；

根据所述第一特征点确定所述塔身模型，根据所述第二特征点确定所述线路模型分离所述三维模型得到塔身模型和线路模型；

根据所述塔身模型上的第一特征点匹配塔身数据库，确定所述高架塔的塔型；在所述塔身数据库中提取与所述塔型对应的第一风振响应参数；

根据所述线路模型上的第二特征点匹配线路数据库，确定所述输电线路的排布方式；在所述线路数据库中提取与所述排布方式对应的第二风振响应参数；

将所述第一风振响应参数和所述第二风振响应参数输入训练完成的深度学习模型，得到所述三维模型对应的风振响应模型。

本发明实施例第一方面提供的风振响应模型生成方法，至少具有如下有益效果：为了得到输电线路对塔身稳定性的影响，对当前高架塔的三维模型进行划分，得到塔身模型和线路模型，并分别得到塔身模型和线路模型各自的风振响应参数，由训练完成的深度学习模型基于两种风振响应系数输出对应当前高架塔的风振响应模型，由于将输电线路的影响考虑进当前高架塔的风振响应模型，因此基于所得到的风振响应模型可以准确地评估高架塔的结构振动效应，提高高架塔的结构安全性能。

在一些实施例中，所述获取当前高架塔的三维模型，包括：

获取当前高架塔的激光点云数据，所述激光点云数据由激光雷达设备扫描所述高架塔得到；

根据所述激光点云数据合成所述高架塔的三维模型。

在一些实施例中，所述深度学习模型的训练方式包括：

在塔身数据库中随机选取若干种塔型，在线路数据库中随机选取若干种线路排布方式；

将所选取的若干种塔型和若干种线路排布方式随机组合，得到训练集；

根据所述训练集和已建立的风振响应模型作为验证集得到深度学习模型。

在一些实施例中，所述根据所述训练集和已建立的风振响应模型作为验证集得到深度学习模型，包括：

提取所述已建立的风振响应模型中的风振响应参数；

将提取得到的风振响应参数与所述训练集匹配，并将风振响应参数作为所述深度学习模型的输入参数。

第二方面，本发明实施例还提供了一种风振响应模型生成的设备，包括：

获取模块，用于获取当前高架塔的三维模型，所述高架塔上架设有若干条输电线路且所述高架塔处于大气边界层内；

分离模块，用于提取所述三维模型的特征点；根据特征点的走向方式划分归属于高架塔的第一特征点和归属于输电线路的第二特征点；根据所述第一特征点确定所述塔身模型，根据所述第二特征点确定所述线路模型；

参数确定模块，用于根据所述塔身模型上的第一特征点匹配塔身数据库，确定所述高架塔的塔型；在所述塔身数据库中提取与所述塔型对应的第一风振响应参数；根据所述线路模型上的第二特征点匹配线路数据库，确定所述输电线路的排布方式；在所述线路数据库中提取与所述排布方式对应的第二风振响应参数；

输出模块，用于将所述第一风振响应参数和所述第二风振响应参数输入训练完成的深度学习模型，得到所述三维模型对应的风振响应模型。

第三方面，本发明实施例还提供了一种风振响应模型生成装置，包括至少一个处理器和用于与所述至少一个处理器通信连接的存储器；所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的风振响应模型生成方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行前述第一方面所述的风振响应模型生成方法。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的示例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1是本发明实施例提供的风振响应模型生成方法的整体方法流程图；

图2是本发明实施例提供的获取三维模型的方法流程图；

图3是本发明实施例提供的分离得到塔身模型和线路模型的方法流程图；

图4是本发明实施例提供的得到第一风振响应参数的方法流程图；

图5是本发明实施例提供的得到第二风振响应参数的方法流程图；

图6是本发明实施例提供的深度学习模型的训练方法流程图；

图7是本发明实施例提供的调整深度学习模型输入参数的方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

目前建成的高架塔受到大气边界层风的影响，需要考虑风振对结构的影响。其中脉动风是随机荷载，它引起结构的振动，对高架塔的安全性能影响较大，业界往往通过加大风荷载来提高高架塔在大气边界层的结构强度。但是目前加大风荷载的手段往往只是考虑塔身的风振响应，没有考虑高架塔上输电线路对风振响应的影响，因此当前的高架塔风振响应安全评估方式有待改进。

基于此，本发明实施例提供了一种不同塔型在大气边界层风作用下的风振响应模型生成方法，通过高架塔及高架塔上输电线路的三维模型确定两者的风振响应参数，根据这两个风振响应参数由训练好的深度学习模型输出合适的风振响应模型。

下面结合附图，对本发明实施例作进一步阐述。

参照图1，本发明实施例提供了一种不同塔型在大气边界层风作用下的风振响应模型生成方法，包括但不限于以下步骤S100、步骤S200、步骤S300和步骤S400。

步骤S100，获取当前高架塔的三维模型，高架塔上架设有若干条输电线路且高架塔处于大气边界层内。

对于目前建成的高架塔，通过扫描等方式构建高架塔的三维模型，也可以对于未建成的高架塔，通过三维文件等方式获得高架塔的三维模型。由于本发明实施例研究的对象是架设有输电线路的高架塔，因此三维模型中除了包括塔身模型，还包括塔身模型上的线路模型。

步骤S200，分离三维模型得到塔身模型和线路模型。

由于目前对高架塔的风振研究都是针对高架塔本身的，并没有考虑线路的影响，为了降低研究难度，避免从零开始研究塔线一体模型，本发明实施例对三维模型进行分解，将其分离成塔身模型和线路模型。这样就可以在目前对塔身风振响应研究的基础上进一步扩展到塔线一体模型的风振响应研究。至于线路模型，由于大气边界层内脉动风是引起结构振动的主要影响因素，因此可以基于采用随机振动理论对其振动进行分析，本领域技术人员可以根据随机振动理论自行分析输电线路的风振响应，在此不展开详述。

步骤S300，根据塔身模型确定高架塔的第一风振响应参数，根据线路模型确定输电线路的第二风振响应参数。

对于塔身模型，具有对应结构的第一风振响应参数，对于线路模型，具有对应排布方式的第二风振响应参数，两种风振响应参数并不能通用，因此需要分别获取。可以理解的是，第一风振响应参数和第二风振响应参数都可以包含有若干个参数，这个参数用于描述对象在脉动风作用下的振动。另外，第一风振响应系数和第二风振响应系统的获取可以通过现有的研究模型获得，也可以基于现有算法直接计算得到，本发明实施例中不做限定。

步骤S400，将第一风振响应参数和第二风振响应参数输入训练完成的深度学习模型，得到三维模型对应的风振响应模型。

训练完成的深度学习模型可以基于上述两种风振响应参数直接输出风振响应模型，该风振响应模型与架设有线路的高架塔相匹配，通过评估该风振响应模型，可以准确得到高架塔在实际应用中的风振响应，从而便于对高架塔的结构和输电线路的排布方式进行优化，提高高架塔的结构安全性能。至于深度学习模型的训练方式，将在下面详细进行说明，可以理解的是，步骤S400中并不限定深度学习的训练方法，本领域技术人员可以根据现有的深度学习算法进行择优选取。

总之，通过步骤S100至步骤S400，对三维模型分离得到塔身模型和线路模型，再经深度学习模型可以得到架设有输电线路的高架塔的风振响应模型，基于该风振响应模型能便于对高架塔的实际应用场景进行准确研究，提高高架塔的安全性能。

基于上述步骤S100至步骤S300，下面对具体的实现方案进行详细说明。

参照图2，在步骤S100中，对于现有已建成的高架塔的三维模型，可以按照以下步骤获取：

步骤S110，获取当前高架塔的激光点云数据，激光点云数据由激光雷达设备扫描高架塔得到；

步骤S120，根据激光点云数据合成高架塔的三维模型。

为了提高风振响应模型的准确性，可以通过提高高架塔的三维模型的精确度来实现，在本实施例中，通过激光雷达设备扫描已建成的高架塔，由扫描得到的激光点云数据生成高架塔的三维模型。这些三维模型除了用于本发明的风振响应模型生成，还可以生成供电管理机构的数据库，便于供电管理机构基于模型对现网进行数字化管控。可以理解的是，激光雷达设备除了扫描用的雷达，还可以包括其他传感设备，例如湿度传感器、光照传感器等，都能用于提高三维模型的精确度。对于根据激光点云数据进行建模的方式，可以通过不同的算法实现，例如，在建模过程中通过特定的算法对点云数据进行特征提取，以便于建模，如基于某一数学分布规律的KNN—DPC算法融合神经网络以得到具有较高有效性和准确性的识别系统，利用线路的点云数据采用空间聚类的方法得到每一根线路的点云，根据线路点云的走向拟合曲线方程(通常是抛物线方程)，根据曲线方程和线路点云在空间中的分布确定各条线路的相对空间坐标，构成相对坐标集，在相对坐标集上采用KNN-DPC算法识别和分离线路，最后采用相应的分配策略分配样本点，采用的分配策略可以是，将核心样本点分配至距离其最近且密度比它大的样本所在的类簇，核心样本点为除类簇中心外所选取的表示线路核心点云的样本点，对于其他未分配的样本点采用另一种分配策略，按照KNN的算法模式进行分配。

参照图3，步骤S200中，对于分离三维模型得到塔身模型和线路模型的方式，具体可以有多种，本发明实施例可以通过以下步骤实现：

步骤S210，提取三维模型的特征点；

步骤S220，根据特征点的走向方式划分归属于高架塔的第一特征点和归属于输电线路的第二特征点；

步骤S230，根据第一特征点确定塔身模型，根据第二特征点确定线路模型。

对于三维模型可以通过采样特征点的方式确定模型上不同数据点分布，例如通过塔身的数据点走向和输电线路的数据点走线的不同，划分出塔身模型和线路模型，这些数据点的走向可以作为特征值，如线路模型的数据点走向是连续曲线走向的，而塔身模型的数据点走线是多个方向的直线，由此选出对应的特征点，分离得到两部分模型。

参照图4，对于步骤S300中第一风振响应参数的获取可以通过以下步骤实现：

步骤S310，根据塔身模型上的第一特征点匹配塔身数据库，确定高架塔的塔型；

步骤S320，在塔身数据库中提取与塔型对应的第一风振响应参数。

基于第一特征点分离得到的塔身模型，可以通过查找塔身数据库的方式匹配得到高架塔的塔型，本发明实施例中，塔型表示的是高架塔的结构形式，不同结构形式的高架塔具有不同的用途，其对应的风振响应参数也不相同，因此在匹配到高架塔的塔型后，就可以根据该塔型提取得到对应的第一风振响应参数。

参照图5，对于步骤S300中第二风振响应参数的获取可以通过以下步骤实现：

步骤S330，根据线路模型上的第二特征点匹配线路数据库，确定输电线路的排布方式；

步骤S340，在线路数据库中提取与排布方式对应的第二风振响应参数。

同样地，基于第二特征点分离得到的线路模型，可以通过查找线路数据库的方式匹配得到输电线路的排布方式，本发明实施例中，排布方式表示的是输电线路在空间上的分布，不同的排布方式具有不同风振响应系数，例如多条弯曲的输电导线并排分布，对于每条输电导线对塔身的拉力存在一定差异，因此即使在脉动风造成相同振动的场景下，输电线路对高架塔的拉力也不相同，况且脉动风的随机性导致任意两条输电线路上的振动也不相同。基于输电线路的排布方式，匹配线路数据库，即可提取得到对应的第二风振响应参数。

可以理解的是，上述塔身数据库和线路数据库中的各个模型类型都设置有相应的风振响应参数，从而才能在匹配到塔型和排布方式之后提取得到风振响应参数。塔身数据库和线路数据库中的风振响应参数可以是通过现有结构分析得到，也可以通过人为设定对应的风振响应参数得到，在此不做限定。

参照图6，对于步骤S400中深度学习模型的训练方式，可以参照以下步骤实现：

步骤S410，在塔身数据库中随机选取若干种塔型，在线路数据库中随机选取若干种线路排布方式；

步骤S420，将所选取的若干种塔型和若干种线路排布方式随机组合，得到训练集；

步骤S430，根据训练集和已建立的风振响应模型作为验证集得到深度学习模型。

未经训练的深度学习模型，需要输入训练集和验证集来进行深度学习。在本发明实施例中，训练集由现有数据库中的模型给出，由于目前数据库只有单纯对塔身进行风振研究的塔身数据库，或只有单纯对线路排布方式进行风振研究的线路数据库，因此需要将塔身数据库和线路数据库两个数据库中的数据应用起来，具体来说，随机组合两个数据库中的模型得到组合后的多个训练用模型，将这些训练用模型作为训练集输入到深度学习模型，然后验证集采用已有的架设有输电线路的高架塔的风振响应模型，同样输入到深度学习模型，从而得到训练完成的深度学习模型。

参照图7，可以理解的是，本发明实施例对于验证集对深度学习模型的影响，具体可以参见如下步骤：

步骤S431，提取已建立的风振响应模型中的风振响应参数；

步骤S432，将提取得到的风振响应参数与训练集匹配，并将风振响应参数作为深度学习模型的输入参数。

对于已建立的风振响应模型，提取其中的风振响应参数，根据风振响应参数进行训练和验证；另一方面，在训练过程中，将深度学习模型的输入参数设置为风振响应参数，这样得到的深度学习模型就可以将上述第一风振响应参数和第二风振响应参数作为输入得到最终的风振响应模型。

通过上述步骤，为了得到输电线路对塔身稳定性的影响，对当前高架塔的三维模型进行划分，得到塔身模型和线路模型，并分别得到塔身模型和线路模型各自的风振响应参数，由训练完成的深度学习模型基于两种风振响应系数输出对应当前高架塔的风振响应模型，由于将输电线路的影响考虑进当前高架塔的风振响应模型，因此基于所得到的风振响应模型可以准确地评估高架塔的结构振动效应，提高高架塔的结构安全性能。

本发明实施例还提供了一种不同塔型在大气边界层风作用下的风振响应模型生成的设备，包括：

获取模块，用于获取当前高架塔的三维模型，高架塔上架设有若干条输电线路且高架塔处于大气边界层内；

分离模块，用于分离三维模型得到塔身模型和线路模型；

参数确定模块，用于根据塔身模型确定高架塔的第一风振响应参数，根据线路模型确定输电线路的第二风振响应参数；

输出模块，用于将第一风振响应参数和第二风振响应参数输入训练完成的深度学习模型，得到三维模型对应的风振响应模型。

本发明实施例还提供了一种不同塔型在大气边界层风作用下的风振响应模型生成装置，包括至少一个处理器和用于与至少一个处理器通信连接的存储器；存储器存储有能够被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述的不同塔型在大气边界层风作用下的风振响应模型生成方法。

以不同塔型在大气边界层风作用下的风振响应模型生成装置中的控制处理器和存储器可以通过总线连接为例。存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至不同塔型在大气边界层风作用下的风振响应模型生成装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本发明实施例的还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，被控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的不同塔型在大气边界层风作用下的风振响应模型生成方法，例如，执行以上描述的图1中的方法步骤S100至步骤S400、图2中的方法步骤S110至步骤S120、图3中的方法步骤S210至步骤S230、图4中的方法步骤S310至步骤S320、图5中的方法步骤S330至步骤S340、图6中的方法步骤S410至步骤S430和图7中的方法步骤S431至步骤S432。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种风振响应模型生成方法，其特征在于，包括：

获取当前高架塔的三维模型，所述高架塔上架设有若干条输电线路且所述高架塔处于大气边界层内；

提取所述三维模型的特征点；

根据特征点的走向方式划分归属于高架塔的第一特征点和归属于输电线路的第二特征点；

根据所述第一特征点确定塔身模型，根据所述第二特征点确定线路模型；

根据所述塔身模型上的第一特征点匹配塔身数据库，确定所述高架塔的塔型；在所述塔身数据库中提取与所述塔型对应的第一风振响应参数；

根据所述线路模型上的第二特征点匹配线路数据库，确定所述输电线路的排布方式；在所述线路数据库中提取与所述排布方式对应的第二风振响应参数；

将所述第一风振响应参数和所述第二风振响应参数输入训练完成的深度学习模型，得到所述三维模型对应的风振响应模型。

2.根据权利要求1所述的风振响应模型生成方法，其特征在于，所述获取当前高架塔的三维模型，包括：

获取当前高架塔的激光点云数据，所述激光点云数据由激光雷达设备扫描所述高架塔得到；

根据所述激光点云数据合成所述高架塔的三维模型。

3.根据权利要求1所述的风振响应模型生成方法，其特征在于，所述深度学习模型的训练方式包括：

在塔身数据库中随机选取若干种塔型，在线路数据库中随机选取若干种线路排布方式；

将所选取的若干种塔型和若干种线路排布方式随机组合，得到训练集；

根据所述训练集和已建立的风振响应模型作为验证集得到深度学习模型。

4.根据权利要求3所述的风振响应模型生成方法，其特征在于，所述根据所述训练集和已建立的风振响应模型作为验证集得到深度学习模型，包括：

提取所述已建立的风振响应模型中的风振响应参数；

将提取得到的风振响应参数与所述训练集匹配，并将风振响应参数作为所述深度学习模型的输入参数。

5.一种风振响应模型生成设备，其特征在于，包括：

获取模块，用于获取当前高架塔的三维模型，所述高架塔上架设有若干条输电线路且所述高架塔处于大气边界层内；

分离模块，用于提取所述三维模型的特征点；根据特征点的走向方式划分归属于高架塔的第一特征点和归属于输电线路的第二特征点；根据所述第一特征点确定塔身模型，根据所述第二特征点确定线路模型；

参数确定模块，用于根据所述塔身模型上的第一特征点匹配塔身数据库，确定所述高架塔的塔型；在所述塔身数据库中提取与所述塔型对应的第一风振响应参数；根据所述线路模型上的第二特征点匹配线路数据库，确定所述输电线路的排布方式；在所述线路数据库中提取与所述排布方式对应的第二风振响应参数；

输出模块，用于将所述第一风振响应参数和所述第二风振响应参数输入训练完成的深度学习模型，得到所述三维模型对应的风振响应模型。

6.一种风振响应模型生成装置，其特征在于，包括至少一个处理器和用于与所述至少一个处理器通信连接的存储器；所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4任一所述的风振响应模型生成方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至4任一所述的风振响应模型生成方法。