CN113610340A - 一种变电站电力设施地震易损性分析方法及装置 - Google Patents
一种变电站电力设施地震易损性分析方法及装置 Download PDFInfo
- Publication number
- CN113610340A CN113610340A CN202110709839.2A CN202110709839A CN113610340A CN 113610340 A CN113610340 A CN 113610340A CN 202110709839 A CN202110709839 A CN 202110709839A CN 113610340 A CN113610340 A CN 113610340A
- Authority
- CN
- China
- Prior art keywords
- earthquake
- electric power
- parameters
- power facility
- facility
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012038 vulnerability analysis Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000006378 damage Effects 0.000 claims description 102
- 238000009826 distribution Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 15
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 8
- 230000008407 joint function Effects 0.000 claims description 8
- 238000005452 bending Methods 0.000 claims description 7
- 230000037396 body weight Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及地震易损性分析技术领域,具体提供了一种变电站电力设施地震易损性分析方法及装置,旨在解决易损性模型的可靠性低的技术问题。对于结构的抗震分析中,比较常用的两个参数是PGA和PGV,本发明提供的技术方案使用PGA和PGV联合创建电力设施的地震易损性模型,可以减少数据的离散型,从而提高易损性分析的可靠性水平。
Description
技术领域
本发明涉及地震易损性分析领域,具体涉及一种变电站电力设施地震易损性分析方法及装置。
背景技术
电力系统是由发电、变电、输电、配电和用电等环节组成的重要生命线工程,是维系现代城市功能与区域经济功能的基础性工程设施系统。变电站是电力系统的重要节点,是电能转化,电流和电压变换重要场所。多次经验表明,地震对变电站的安全性具有较高的威胁,研究地震易损性对于降低变电站的地震风险具有重要的意义。变电站的功能主要由站内的电力设施实现,研究变电站的易损性就是研究站内电力设施的易损性。
一般的地震易损性分析只使用了一个地震输入IM,但是很明显,结构对地震的响应取决于几个因素,而不是地震激励的单个参数,如PGA。影响因素包括:a)结构系统的动力特性,如振动的基本自然周期,对于同一类别的所有结构不一定相同;b)地震动输入特征,如PGA,频率和持续时间,他们通常有很大的随机性。事实上,一个结构对一组具有相同输入值的地震记录的响应可能有很大的变化范围,这是由于其他影响因素没有被考虑。显然,用来构建易损性函数的数据越分散,所开发的易损性模型的可靠性就越低。因此,考虑尽可能多的影响因素会导致易损性函数越来越可靠。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决易损性模型的可靠性低的技术问题的变电站电力设施地震易损性分析方法及装置。
第一方面,提供一种变电站电力设施地震易损性分析方法,所述变电站电力设施地震易损性分析方法包括:
基于电力设施的结构参数的概率分布和地震动强度参数的概率分布采用拉丁超立方算法选择电力设施的结构参数和地震动强度参数;
将选择的电力设施的结构参数和地震动强度参数作为电力设施的地震需求模型的输入,获取电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标;
基于电力设施的震损指标阈值的概率分布采用拉丁超立方算法选择震损指标阈值;
比较所述电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标与选择的震损指标阈值,若超过选择的震损指标阈值,则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为1,否则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为0;
将选择的电力设施的结构参数和地震动强度参数作为Logistic-Lasso模型的输入层训练样本,将选择的电力设施的结构参数和地震动强度参数对应的损坏系数作为Logistic-Lasso模型的输出层训练样本,训练所述Logistic-Lasso模型,得到电力设施的多维易损性函数;
对所述电力设施的多维易损性函数中的结构参数根据其概率分布形式在其取值范围内进行多重积分,得到关于电力设施的震损指标与地震动强度参数之间的联合函数,并基于所述关于电力设施的震损指标与地震动强度参数之间的联合函数绘制电力设施的震损指标与地震动强度参数的曲面图。
优选的,所述电力设施的地震需求模型的获取过程包括:
基于电力设施的结构参数的概率分布和地震动强度参数的概率分布采用拉丁超立方算法选择电力设施的结构参数和地震动强度参数;
基于选择的电力设施的结构参数和地震动强度参数构建有限元模型,并计算有限元模型中电力设施的震损指标;
将选择的电力设施的结构参数和地震动强度参数作为神经网络模型的输入层训练样本,将基于所述电力设施的结构参数和地震动强度参数构建的有限元模型中电力设施的震损指标作为神经网络模型的输出层训练样本,训练神经网络模型,得到电力设施的地震需求模型。
优选的,所述电力设施包括:主控通信楼、主变压器、高压侧配电装置、高压并联电抗器、户内或户外中压侧配电装置、低压配电装置及无功补偿、小室及室内配电装置、重要附属设施、配电构架与避雷针。
优选的,所述地震动强度参数包括:PGA和PGV。
进一步的,所述主变压器的结构参数包括:本体长、本体宽、本体高、本体重、高压套管弹性模量、高压套管长度、高压套管外径、高压套管壁厚、高压套管密度、法兰截面等效刚度系数、中压套管比例,取值范围分别为5-8、2-3.3、2.5-3.8、250-350、30-60、7-10、0.4-0.6、0.04-0.06、1066-3350、0.5-0.8、0.3-0.5,对应的概率分布均为均匀分布。
进一步的,所述主变压器的震损指标包括:高压套管根部弯曲应力、中压套管根部弯曲应力、高压套管顶部位移和中压套管顶部位移,对应的概率分布均为正态分布。
第二方面,提供一种变电站电力设施地震易损性分析装置,所述变电站电力设施地震易损性分析装置包括:
第一选择模块,用于基于电力设施的结构参数的概率分布和地震动强度参数的概率分布采用拉丁超立方算法选择电力设施的结构参数和地震动强度参数;
输出模块,用于将选择的电力设施的结构参数和地震动强度参数作为电力设施的地震需求模型的输入,获取电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标;
第二选择模块,用于基于电力设施的震损指标阈值的概率分布采用拉丁超立方算法选择震损指标阈值;
比较模块,用于比较所述电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标与选择的震损指标阈值,若超过选择的震损指标阈值,则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为1,否则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为0;
训练模块,用于将选择的电力设施的结构参数和地震动强度参数作为Logistic-Lasso模型的输入层训练样本,将选择的电力设施的结构参数和地震动强度参数对应的损坏系数作为Logistic-Lasso模型的输出层训练样本,训练所述Logistic-Lasso模型,得到电力设施的多维易损性函数;
分析模块,用于对所述电力设施的多维易损性函数中的结构参数根据其概率分布形式在其取值范围内进行多重积分,得到关于电力设施的震损指标与地震动强度参数之间的联合函数,并基于所述关于电力设施的震损指标与地震动强度参数之间的联合函数绘制电力设施的震损指标与地震动强度参数的曲面图。
第三方面,提供一种存储装置,该存储装置其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述任一项技术方案所述的变电站电力设施地震易损性分析方法。
第四方面,提供一种控制装置,该控制装置包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述任一项技术方案所述的变电站电力设施地震易损性分析方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
本发明提供了一种变电站电力设施地震易损性分析方法及装置,具体包括:基于电力设施的结构参数的概率分布和地震动强度参数的概率分布采用拉丁超立方算法选择电力设施的结构参数和地震动强度参数;将选择的电力设施的结构参数和地震动强度参数作为电力设施的地震需求模型的输入,获取电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标;基于电力设施的震损指标阈值的概率分布采用拉丁超立方算法选择震损指标阈值;比较所述电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标与选择的震损指标阈值,若超过选择的震损指标阈值,则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为1,否则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为0;将选择的电力设施的结构参数和地震动强度参数作为Logistic-Lasso模型的输入层训练样本,将选择的电力设施的结构参数和地震动强度参数对应的损坏系数作为Logistic-Lasso模型的输出层训练样本,训练所述Logistic-Lasso模型,得到电力设施的多维易损性函数;对所述电力设施的多维易损性函数中的结构参数根据其概率分布形式在其取值范围内进行多重积分,得到关于电力设施的震损指标与地震动强度参数之间的联合函数,并基于所述关于电力设施的震损指标与地震动强度参数之间的联合函数绘制电力设施的震损指标与地震动强度参数的曲面图。对于结构的抗震分析中,本发明使用了参数PGA和PGV,并基于PGA和PGV联合创建电力设施的地震易损性模型,可以减少数据的离散型,从而提高易损性分析的可靠性水平。
附图说明
图1是根据本发明的一个实施例的变电站电力设施地震易损性分析方法的主要步骤流程示意图;
图2是本发明实施例中主变压器的地震需求模型结构示意图;
图3是本发明实施例中高压套管位移基于PGA-PGV联合评估的地震易损性曲面;
图4是根据本发明的一个实施例的变电站电力设施地震易损性分析装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
参阅附图1,图1是根据本发明的一个实施例的变电站电力设施地震易损性分析方法的主要步骤流程示意图。如图1所示,本发明实施例中的变电站电力设施地震易损性分析方法主要包括以下步骤:
步骤S101:基于电力设施的结构参数的概率分布和地震动强度参数的概率分布采用拉丁超立方算法选择电力设施的结构参数和地震动强度参数;
步骤S102:将选择的电力设施的结构参数和地震动强度参数作为电力设施的地震需求模型的输入,获取电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标;
步骤S103:基于电力设施的震损指标阈值的概率分布采用拉丁超立方算法选择震损指标阈值;
步骤S104:比较所述电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标与选择的震损指标阈值,若超过选择的震损指标阈值,则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为1,否则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为0;
步骤S105:将选择的电力设施的结构参数和地震动强度参数作为Logistic-Lasso模型的输入层训练样本,将选择的电力设施的结构参数和地震动强度参数对应的损坏系数作为Logistic-Lasso模型的输出层训练样本,训练所述Logistic-Lasso模型,得到电力设施的多维易损性函数;
步骤S106:对所述电力设施的多维易损性函数中的结构参数根据其概率分布形式在其取值范围内进行多重积分,得到关于电力设施的震损指标与地震动强度参数之间的联合函数,并基于所述关于电力设施的震损指标与地震动强度参数之间的联合函数绘制电力设施的震损指标与地震动强度参数的曲面图。
本实施例中,所述电力设施的地震需求模型的获取过程包括:
基于电力设施的结构参数的概率分布和地震动强度参数的概率分布采用拉丁超立方算法选择电力设施的结构参数和地震动强度参数;
基于选择的电力设施的结构参数和地震动强度参数构建有限元模型,并计算有限元模型中电力设施的震损指标;
将选择的电力设施的结构参数和地震动强度参数作为神经网络模型的输入层训练样本,将基于所述电力设施的结构参数和地震动强度参数构建的有限元模型中电力设施的震损指标作为神经网络模型的输出层训练样本,训练神经网络模型,得到电力设施的地震需求模型。
其中,所述电力设施包括:主控通信楼、主变压器、高压侧配电装置、高压并联电抗器、户内或户外中压侧配电装置、低压配电装置及无功补偿、小室及室内配电装置、重要附属设施、配电构架与避雷针。
在一个实施方式中,本发明以主变压器为例提供了一种实施上述方法的最优实施例,具体包括:
步骤a,分析主变器的结构特征和震损特征。主变压器是变电站中主要用于输变电的总降压变压器。特高压主变压器主要由主体组成:内带铁芯和线圈组件的油箱、节油、转塔、高压套管、中压套管、低压套管。主体是一个装满变压器油的油箱,其中包含一个铁芯和绕组。三种套管固定在罐顶或侧板升降座上。套管采用陶瓷材料制成,两端有金属法兰。根据主变压器的结构特征和相关的震损评估经验,由于套管相对本体较高且细长,套管顶部会出现较大的相对位移,套管根部会出现应力集中的现象导致折断。据此,简化主变压器的结构形式为:本体、升高座、套管和上部配重4部分;
主变压器的参数集需要考虑结构特性、地震损伤特性和地震动的随机性。基于有限元模型、市场调研和《国家电网输变电工程通用设计》提供的数据,构建了主变压器的参数集,具体的,主变压器的结构参数包括:本体长、本体宽、本体高、本体重、高压套管弹性模量、高压套管长度、高压套管外径、高压套管壁厚、高压套管密度、法兰截面等效刚度系数、中压套管比例,取值范围分别为5-8、2-3.3、2.5-3.8、250-350、30-60、7-10、0.4-0.6、0.04-0.06、1066-3350、0.5-0.8、0.3-0.5,对应的概率分布均为均匀分布,所述地震动强度参数包括:PGA和PGV,如表1所示;
表1主变压器的参数集
其中,法兰截面等效刚度系数为简化后,法兰段与套管段的截面刚度比,中压套管比例为中压套管与高压套管的体型比。
步骤b,评估电力设施失效模式和关键易损部位,确定震损指标,确定各个关键易损部位在完全、严重、中度和轻微震损状态下电力设施极限状态值的概率分布模型等。
其中,所述主变压器的震损指标包括:高压套管根部弯曲应力、中压套管根部弯曲应力、高压套管顶部位移和中压套管顶部位移,对应的概率分布均为正态分布。
特高压主变压器由于本体自重较大,在地震中容易产生较大的惯性力,导致本体的破坏或倾覆。因此,选择本体顶部的位移作为极限状态的评价指标。套管由于质量集中、长细比大、材料脆性大,在地震时容易发生断裂。因此,选取套管顶部的位移和套管根部的弯曲应力作为极限状态的评价指标。主变的失效模式及关键易损部位见表2。
表2主变压器的失效模式和关键易损部位
表3记录了主变压器各关键易部位达到完全破坏的概率分布模型。对于严重、中度和轻微极限状态,分别选择完整损伤参数值的0.7、0.4和0.2的倍数。
表3主变压器关键易损部位极限状态
步骤c,对表1中的参数在取值范围内进行拉丁超立方抽样形成一定数量的不同的参数组合(根据抽样后的PGA值,在PEER强震数据库中搜索符合要求的地震波,并记录下每条地震波的PGV值,整理取值范围写入表1);根据抽样后的参数组合分别构建有限元模型并进行计算,提取表2所示关键易损部位的地震动响应值;之后,以参数集为输入层、关键易损部位为输出层,经过BP神经网络训练得到主变压器的地震需求模型,构建输入参数与关键易损部位地震动响应值之间的关系,如图2所示。表4和表5展示了部分抽样结果和计算结果。
表4部分抽样结果
B<sub>l</sub> | B<sub>w</sub> | B<sub>h</sub> | B<sub>w</sub> | D<sub>c</sub> | E<sub>c</sub> | H<sub>l</sub> | H<sub>d</sub> | H<sub>w</sub> | F<sub>r</sub> | M<sub>r</sub> | α | PGA |
5.81 | 3.20 | 3.29 | 335.617 | 2331.36 | 50.79 | 7.54 | 0.53 | 0.060 | 0.576 | 0.407 | 5.48 | 0.476 |
6.80 | 3.28 | 3.75 | 340.910 | 3173.44 | 37.56 | 7.05 | 0.40 | 0.043 | 0.709 | 0.461 | 4.81 | 0.963 |
6.30 | 2.11 | 2.59 | 311.614 | 2741.99 | 59.97 | 9.22 | 0.56 | 0.055 | 0.583 | 0.410 | 4.90 | 0.810 |
7.75 | 2.49 | 3.27 | 250.697 | 1924.92 | 41.12 | 9.37 | 0.47 | 0.055 | 0.750 | 0.356 | 3.94 | 0.919 |
7.91 | 2.40 | 3.17 | 325.985 | 1186.81 | 35.39 | 7.39 | 0.55 | 0.053 | 0.608 | 0.454 | 5.36 | 1.367 |
7.17 | 2.03 | 3.49 | 257.739 | 3342.49 | 55.79 | 7.25 | 0.47 | 0.040 | 0.689 | 0.342 | 5.42 | 0.222 |
6.51 | 2.74 | 2.57 | 316.491 | 1695.27 | 52.48 | 7.43 | 0.49 | 0.047 | 0.721 | 0.382 | 0.03 | 1.046 |
7.51 | 2.36 | 3.59 | 290.662 | 2692.41 | 30.94 | 8.88 | 0.46 | 0.044 | 0.565 | 0.472 | 0.68 | 0.754 |
6.43 | 2.73 | 3.09 | 297.738 | 1897.84 | 57.13 | 8.75 | 0.43 | 0.044 | 0.731 | 0.316 | 5.96 | 0.402 |
5.50 | 3.10 | 2.98 | 283.513 | 2579.49 | 42.55 | 9.43 | 0.42 | 0.049 | 0.542 | 0.427 | 5.87 | 0.640 |
表5部分地震动响应计算结果
U<sub>g</sub> | S<sub>g</sub> | U<sub>z</sub> | S<sub>z</sub> |
0.008 | 1.958 | 0.002 | 1.061 |
0.013 | 4.201 | 0.002 | 1.352 |
0.039 | 10.691 | 0.006 | 5.203 |
0.027 | 10.808 | 0.002 | 2.961 |
0.029 | 13.979 | 0.004 | 4.661 |
0.041 | 13.390 | 0.007 | 5.341 |
0.038 | 19.841 | 0.003 | 3.814 |
0.063 | 29.752 | 0.006 | 6.396 |
0.027 | 15.999 | 0.005 | 5.884 |
0.029 | 127.781 | 0.002 | 2.322 |
步骤d,通过拉丁超立方抽样从表1中抽取大量的参数组合(其中包括PGV),通过图2所示的地震需求模型得到大量的需求值,再次通过拉丁超立方抽样从表3所示的极限状态的概率模型中抽取与需求值相同数量的能力值,并进行对比,得到仅用0或1表示达到或未达到某种损伤极限状态的向量,之后带入到Logistic-Lasso模型中进行回归,得到关键易损部位的多维易损性函数,由于篇幅限制,仅展示部分结果。
(1)高压套管位移Ug:
得到完全、严重、重度和轻微破坏状态的多维易损性函数分别如下:
(2)高压套管应力Sg:
得到完全、严重、重度和轻微破坏状态的多维易损性函数分别如下:
(3)中压套管位移Uz:
得到完全、严重、中度和轻微破坏状态的多维易损性函数分别如下:
步骤e,对各个关键易损部位的多维易损性函数在参数的取值范围内进行多重积分,仅留下PGA和PGV,则可以得到各个关键易损性部位基于PGA-PGV联合评估的地震易损性曲面。
步骤f,各个关键易损部位之间相互独立,为串联关系,根据可靠度理论,构建电力设施双参数PGA-PGV联合的二维易损性曲面,具体如图3所示。
基于同一发明构思,本发明还提供了一种变电站电力设施地震易损性分析装置,如图4所示,所述变电站电力设施地震易损性分析装置包括:
第一选择模块,用于基于电力设施的结构参数的概率分布和地震动强度参数的概率分布采用拉丁超立方算法选择电力设施的结构参数和地震动强度参数;
输出模块,用于将选择的电力设施的结构参数和地震动强度参数作为电力设施的地震需求模型的输入,获取电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标;
第二选择模块,用于基于电力设施的震损指标阈值的概率分布采用拉丁超立方算法选择震损指标阈值;
比较模块,用于比较所述电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标与选择的震损指标阈值,若超过选择的震损指标阈值,则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为1,否则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为0;
训练模块,用于将选择的电力设施的结构参数和地震动强度参数作为Logistic-Lasso模型的输入层训练样本,将选择的电力设施的结构参数和地震动强度参数对应的损坏系数作为Logistic-Lasso模型的输出层训练样本,训练所述Logistic-Lasso模型,得到电力设施的多维易损性函数;
分析模块,用于对所述电力设施的多维易损性函数中的结构参数根据其概率分布形式在其取值范围内进行多重积分,得到关于电力设施的震损指标与地震动强度参数之间的联合函数,并基于所述关于电力设施的震损指标与地震动强度参数之间的联合函数绘制电力设施的震损指标与地震动强度参数的曲面图。
优选的,所述电力设施的地震需求模型的获取过程包括:
基于电力设施的结构参数的概率分布和地震动强度参数的概率分布采用拉丁超立方算法选择电力设施的结构参数和地震动强度参数;
基于选择的电力设施的结构参数和地震动强度参数构建有限元模型,并计算有限元模型中电力设施的震损指标;
将选择的电力设施的结构参数和地震动强度参数作为神经网络模型的输入层训练样本,将基于所述电力设施的结构参数和地震动强度参数构建的有限元模型中电力设施的震损指标作为神经网络模型的输出层训练样本,训练神经网络模型,得到电力设施的地震需求模型。
优选的,所述电力设施包括:主控通信楼、主变压器、高压侧配电装置、高压并联电抗器、户内或户外中压侧配电装置、低压配电装置及无功补偿、小室及室内配电装置、重要附属设施、配电构架与避雷针。
优选的,所述地震动强度参数包括:PGA和PGV。
进一步的,所述主变压器的结构参数包括:本体长、本体宽、本体高、本体重、高压套管弹性模量、高压套管长度、高压套管外径、高压套管壁厚、高压套管密度、法兰截面等效刚度系数、中压套管比例,取值范围分别为5-8、2-3.3、2.5-3.8、250-350、30-60、7-10、0.4-0.6、0.04-0.06、1066-3350、0.5-0.8、0.3-0.5,对应的概率分布均为均匀分布。
进一步,本发明还提供了一种存储装置。在根据本发明的一个存储装置实施例中,存储装置可以被配置成存储执行上述方法实施例的变电站电力设施地震易损性分析方法的程序,该程序可以由处理器加载并运行以实现上述变电站电力设施地震易损性分析方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该存储装置可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中存储是非暂时性的计算机可读存储介质。
进一步,本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中,控制装置包括处理器和存储装置,存储装置可以被配置成存储执行上述方法实施例的变电站电力设施地震易损性分析方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的变电站电力设施地震易损性分析方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种变电站电力设施地震易损性分析方法,其特征在于,所述方法包括:
基于电力设施的结构参数的概率分布和地震动强度参数的概率分布采用拉丁超立方算法选择电力设施的结构参数和地震动强度参数;
将选择的电力设施的结构参数和地震动强度参数作为电力设施的地震需求模型的输入,获取电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标;
基于电力设施的震损指标阈值的概率分布采用拉丁超立方算法选择震损指标阈值;
比较所述电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标与选择的震损指标阈值,若超过选择的震损指标阈值,则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为1,否则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为0;
将选择的电力设施的结构参数和地震动强度参数作为Logistic-Lasso模型的输入层训练样本,将选择的电力设施的结构参数和地震动强度参数对应的损坏系数作为Logistic-Lasso模型的输出层训练样本,训练所述Logistic-Lasso模型,得到电力设施的多维易损性函数;
对所述电力设施的多维易损性函数中的结构参数根据其概率分布形式在其取值范围内进行多重积分,得到关于电力设施的震损指标与地震动强度参数之间的联合函数,并基于所述关于电力设施的震损指标与地震动强度参数之间的联合函数绘制电力设施的震损指标与地震动强度参数的曲面图。
2.如权利要求1所述的方法,其特征在于,所述电力设施的地震需求模型的获取过程包括:
基于电力设施的结构参数的概率分布和地震动强度参数的概率分布采用拉丁超立方算法选择电力设施的结构参数和地震动强度参数;
基于选择的电力设施的结构参数和地震动强度参数构建有限元模型,并计算有限元模型中电力设施的震损指标;
将选择的电力设施的结构参数和地震动强度参数作为神经网络模型的输入层训练样本,将基于所述电力设施的结构参数和地震动强度参数构建的有限元模型中电力设施的震损指标作为神经网络模型的输出层训练样本,训练神经网络模型,得到电力设施的地震需求模型。
3.如权利要求1所述的方法,其特征在于,所述电力设施包括:主控通信楼、主变压器、高压侧配电装置、高压并联电抗器、户内或户外中压侧配电装置、低压配电装置及无功补偿、小室及室内配电装置、重要附属设施、配电构架与避雷针。
4.如权利要求1所述的方法,其特征在于,所述地震动强度参数包括:PGA和PGV。
5.如权利要求3所述的方法,其特征在于,所述主变压器的结构参数包括:本体长、本体宽、本体高、本体重、高压套管弹性模量、高压套管长度、高压套管外径、高压套管壁厚、高压套管密度、法兰截面等效刚度系数、中压套管比例,取值范围分别为5-8、2-3.3、2.5-3.8、250-350、30-60、7-10、0.4-0.6、0.04-0.06、1066-3350、0.5-0.8、0.3-0.5,对应的概率分布均为均匀分布。
6.如权利要求3所述的方法,其特征在于,所述主变压器的震损指标包括:高压套管根部弯曲应力、中压套管根部弯曲应力、高压套管顶部位移和中压套管顶部位移,对应的概率分布均为正态分布。
7.一种变电站电力设施地震易损性分析装置,其特征在于,所述装置包括:
第一选择模块,用于基于电力设施的结构参数的概率分布和地震动强度参数的概率分布采用拉丁超立方算法选择电力设施的结构参数和地震动强度参数;
输出模块,用于将选择的电力设施的结构参数和地震动强度参数作为电力设施的地震需求模型的输入,获取电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标;
第二选择模块,用于基于电力设施的震损指标阈值的概率分布采用拉丁超立方算法选择震损指标阈值;
比较模块,用于比较所述电力设施的地震需求模型输出的基于选择的电力设施的结构参数和地震动强度参数对应的构建的有限元模型中电力设施的震损指标与选择的震损指标阈值,若超过选择的震损指标阈值,则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为1,否则标记选择的电力设施的结构参数和地震动强度参数对应的损坏系数为0;
训练模块,用于将选择的电力设施的结构参数和地震动强度参数作为Logistic-Lasso模型的输入层训练样本,将选择的电力设施的结构参数和地震动强度参数对应的损坏系数作为Logistic-Lasso模型的输出层训练样本,训练所述Logistic-Lasso模型,得到电力设施的多维易损性函数;
分析模块,用于对所述电力设施的多维易损性函数中的结构参数根据其概率分布形式在其取值范围内进行多重积分,得到关于电力设施的震损指标与地震动强度参数之间的联合函数,并基于所述关于电力设施的震损指标与地震动强度参数之间的联合函数绘制电力设施的震损指标与地震动强度参数的曲面图。
8.一种存储装置,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至6中任一项所述的变电站电力设施地震易损性分析方法。
9.一种控制装置,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至6中任一项所述的变电站电力设施地震易损性分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110709839.2A CN113610340A (zh) | 2021-06-25 | 2021-06-25 | 一种变电站电力设施地震易损性分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110709839.2A CN113610340A (zh) | 2021-06-25 | 2021-06-25 | 一种变电站电力设施地震易损性分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113610340A true CN113610340A (zh) | 2021-11-05 |
Family
ID=78303701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110709839.2A Pending CN113610340A (zh) | 2021-06-25 | 2021-06-25 | 一种变电站电力设施地震易损性分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610340A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008507A (zh) * | 2019-02-27 | 2019-07-12 | 国网山东省电力公司 | 一种变电站主变压器地震危险性评估方法及系统 |
US20200153273A1 (en) * | 2018-11-13 | 2020-05-14 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Post-Disaster Resilient Restoration of Power Distribution System |
CN112183894A (zh) * | 2020-10-29 | 2021-01-05 | 四川大学 | 一种重力坝地震风险概率分析方法 |
CN112329376A (zh) * | 2020-11-02 | 2021-02-05 | 同济大学 | 一种基于蒙特卡洛模拟的变电站系统抗震韧性量化评估算法 |
CN112329377A (zh) * | 2020-11-02 | 2021-02-05 | 同济大学 | 用于量化多输入多输出变电站系统地震易损性的评估方法 |
CN112396130A (zh) * | 2020-12-09 | 2021-02-23 | 中国能源建设集团江苏省电力设计院有限公司 | 静力触探试验岩层智能识别方法、系统、计算机设备及介质 |
-
2021
- 2021-06-25 CN CN202110709839.2A patent/CN113610340A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200153273A1 (en) * | 2018-11-13 | 2020-05-14 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Post-Disaster Resilient Restoration of Power Distribution System |
CN110008507A (zh) * | 2019-02-27 | 2019-07-12 | 国网山东省电力公司 | 一种变电站主变压器地震危险性评估方法及系统 |
CN112183894A (zh) * | 2020-10-29 | 2021-01-05 | 四川大学 | 一种重力坝地震风险概率分析方法 |
CN112329376A (zh) * | 2020-11-02 | 2021-02-05 | 同济大学 | 一种基于蒙特卡洛模拟的变电站系统抗震韧性量化评估算法 |
CN112329377A (zh) * | 2020-11-02 | 2021-02-05 | 同济大学 | 用于量化多输入多输出变电站系统地震易损性的评估方法 |
CN112396130A (zh) * | 2020-12-09 | 2021-02-23 | 中国能源建设集团江苏省电力设计院有限公司 | 静力触探试验岩层智能识别方法、系统、计算机设备及介质 |
Non-Patent Citations (1)
Title |
---|
JIAWEI CUI 等: "Evaluation method on seismic risk of substation in strong earthquake area", 《JOURNALS.PLOS.ORG》, 2 December 2021 (2021-12-02), pages 1 - 22 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A Lagrange-multiplier-based reliability assessment for power systems considering topology and injection uncertainties | |
CN110909920A (zh) | 考虑多故障场景的输电网容量规划优化方法及系统 | |
CN106651140B (zh) | 台风区输电线路风险的模块差异评估方法和装置 | |
CN115563897A (zh) | 一种基于数字孪生的变压器状态评价方法 | |
CN112200458A (zh) | 一种配电网规划数据应用方法及系统 | |
Scherb et al. | Reliability and component importance in networks subject to spatially distributed hazards followed by cascading failures | |
CN112329377A (zh) | 用于量化多输入多输出变电站系统地震易损性的评估方法 | |
CN110984386B (zh) | 一种实现单层网壳结构在地震作用下单杆的动力屈曲判断的方法 | |
CN112686404B (zh) | 一种基于配电网故障抢修的协同优化方法 | |
CN113610340A (zh) | 一种变电站电力设施地震易损性分析方法及装置 | |
JP2019114048A (ja) | 機器の耐震評価方法及び装置 | |
CN116914844A (zh) | 一种基于概率潮流的主动配电网多层级风险评估方法 | |
CN113051799A (zh) | 一种基于线性屈曲分析的输电塔结构初始几何缺陷模拟方法 | |
CN114662970A (zh) | 一种基于含多异质res电网脆弱性评估模型的构建方法 | |
CN107508279B (zh) | 一种电力网络的稳定性仿真方法 | |
Andrews et al. | Optimal safety system performance | |
CN109193813B (zh) | 一种电力系统热稳定安全域雷达图绘制方法 | |
CN108616126B (zh) | 计及输电网供电能力概率等值模型的配网可靠性计算方法 | |
CN111028101A (zh) | 群体智能电网覆冰灾害的预想故障集的生成方法及系统 | |
CN111639374A (zh) | 一种Geiger型索穹顶结构鲁棒性优化系统 | |
Lu et al. | DG Capacity Assessment in Distribution Network Considering Uncertainties Using Multi-Parametric Programming | |
Lemonge et al. | A genetic algorithm for topology optimization of dome structures | |
CN116599067B (zh) | 一种微电网电能质量全局优化方法 | |
SCHIRRU et al. | A genetic algorithm solution for combinatorial problems-the nuclear core reload example | |
You-yuan et al. | Study on power transformer fuzzy risk assessment based on borda number theory |
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 |