CN113705093A - 一种杆塔力学响应预测方法、装置、设备和介质 - Google Patents
一种杆塔力学响应预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113705093A CN113705093A CN202110983694.5A CN202110983694A CN113705093A CN 113705093 A CN113705093 A CN 113705093A CN 202110983694 A CN202110983694 A CN 202110983694A CN 113705093 A CN113705093 A CN 113705093A
- Authority
- CN
- China
- Prior art keywords
- data
- mechanical response
- tower
- neural network
- model
- 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.)
- Granted
Links
- 230000004044 response Effects 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 114
- 238000003062 neural network model Methods 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000003938 response to stress Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 25
- 230000009471 action Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种杆塔力学响应预测方法、装置、设备和介质,方法包括:获取杆塔设备数据和多个风场数据;根据杆塔设备数据,构建杆塔模型;基于多个风场数据,确定杆塔模型在各风场数据下的力学响应数据矩阵;对力学响应数据矩阵进行数据预处理,得到标准力学响应数据矩阵;采用风场数据和标准力学响应数据矩阵分别训练多个预设的神经网络模型,根据训练结果选择目标神经网络模型;当接收到针对杆塔模型的真实风场数据时,采用目标神经网络模型生成杆塔模型对应的应力响应结果。从而高效准确地在实际情况中计算力学响应结果,能够对杆塔线路在台风、大风天气中应力变形情况进行预测,从而为线路运行提供参考,降低损失。
Description
技术领域
本发明涉及响应评估技术领域,尤其涉及一种杆塔力学响应预测方法、装置、设备和介质。
背景技术
在日常生活中,由于大风、台风等区域强风灾害影响范围广、突发性强的特性,尤其是下击暴流等强对流大风天气,因此对城市电网的考验非常巨大。
其中,架空输电线路作为城市电网里的“骨架”,在面对各类极端天气的冲击时需要更高的安全等级,因为输电线路一旦故障,不仅将影响区域供电,且容易引起电网振荡甚至解列,导致大面积停电事故,给城市经济民生造成巨大影响。而在区域强风环境中,输电线路的风险评估和预警系统需要根据杆塔在风场中的力学性质来计算。
现有的风险评估和预警方案通常是仅由杆塔的设计值结合气象数据来比对得出风险系数,利用有限元仿真对输电线路进行风荷载作用下的力学响应计算。但上述方法在考虑实际情况中气象条件对杆塔响应的影响时计算效率较低,无法高效准确地计算力学响应结果。
发明内容
本发明提供了一种杆塔力学响应预测方法、装置、设备和介质,解决了现有技术在考虑实际情况中气象条件对杆塔响应的影响时计算效率较低,无法高效准确地计算力学响应结果的技术问题。
本发明第一方面提供了一种杆塔力学响应预测方法,包括:
获取杆塔设备数据和多个风场数据;
根据所述杆塔设备数据,构建杆塔模型;
基于所述多个风场数据,确定所述杆塔模型在各所述风场数据下的力学响应数据矩阵;
对所述力学响应数据矩阵进行数据预处理,得到标准力学响应数据矩阵;
采用所述风场数据和所述标准力学响应数据矩阵分别训练多个预设的神经网络模型,根据训练结果选择目标神经网络模型;
当接收到针对所述杆塔模型的真实风场数据时,采用所述目标神经网络模型生成所述杆塔模型对应的应力响应结果。
可选地,所述风场数据包括风速、风向和作用时间,所述基于所述多个风场数据,确定所述杆塔模型在各所述风场数据下的力学响应数据矩阵的步骤,包括:
按照各个所述风速和所述风向,对所述杆塔模型分别执行风力施加操作;
当所述风力施加操作的执行时间等于各个所述作用时间时,分别测量所述杆塔模型在当前时刻对应的力学响应数据;
采用全部所述风力数据和对应的所述力学响应数据进行排序,构建力学响应数据矩阵。
可选地,所述对所述力学响应数据矩阵进行数据预处理,得到标准力学响应数据矩阵的步骤,包括:
清除所述力学响应数据矩阵中的无效值,得到中间数据矩阵;
对所述中间数据矩阵内的每个中间数据进行数据标准化处理,得到标准力学响应数据矩阵。
可选地,每个所述神经网络模型均设有不同的模型参数,所述采用所述风场数据和所述标准力学响应数据矩阵分别训练多个预设的神经网络模型,根据训练结果选择目标神经网络模型的步骤,包括:
将所述标准力学响应数据矩阵转换为张量数据;
将所述张量数据分别输入到多个预设的神经网络模型,采用随机梯度下降法对各个神经网络模型进行优化,并生成对应的损失函数;
当所述损失函数满足预设条件时,得到多个中间神经网络模型;
将各个风场数据输入到所述多个中间神经网络模型,得到多个预测响应结果;
计算所述标准力学响应数据矩阵内的标准响应数据和每个所述预测响应结果之间的预测误差;
根据所述预测误差对各个所述中间神经网络模型进行评分,选择评分最高的所述中间神经网络模型作为目标神经网络模型。
本发明第二方面提供了一种杆塔力学响应预测装置,包括:
数据获取模块,用于获取杆塔设备数据和多个风场数据;
模型构建模块,用于根据所述杆塔设备数据,构建杆塔模型;
矩阵数据确定模块,用于基于所述多个风场数据,确定所述杆塔模型在各所述风场数据下的力学响应数据矩阵;
矩阵数据预处理模块,用于对所述力学响应数据矩阵进行数据预处理,得到标准力学响应数据矩阵;
模型训练模块,用于采用所述风场数据和所述标准力学响应数据矩阵分别训练多个预设的神经网络模型,根据训练结果选择目标神经网络模型;
应力响应预测模块,用于当接收到针对所述杆塔模型的真实风场数据时,采用所述目标神经网络模型生成所述杆塔模型对应的应力响应结果。
可选地,所述风场数据包括风速、风向和作用时间,所述矩阵数据确定模块,包括:
风力施加操作执行子模块,用于按照各个所述风速和所述风向,对所述杆塔模型分别执行风力施加操作;
力学响应数据测量子模块,用于当所述风力施加操作的执行时间等于各个所述作用时间时,分别测量所述杆塔模型在当前时刻对应的力学响应数据;
力学响应数据矩阵构建子模块,用于采用全部所述风力数据和对应的所述力学响应数据进行排序,构建力学响应数据矩阵。
可选地,所述矩阵数据预处理模块,包括:
无效值清除子模块,用于清除所述力学响应数据矩阵中的无效值,得到中间数据矩阵;
数据标准化子模块,用于对所述中间数据矩阵内的每个中间数据进行数据标准化处理,得到标准力学响应数据矩阵。
可选地,每个所述神经网络模型均设有不同的模型参数,所述模型训练模块,包括:
张量转换子模块,用于将所述标准力学响应数据矩阵转换为张量数据;
模型优化子模块,用于将所述张量数据分别输入到多个预设的神经网络模型,采用随机梯度下降法对各个神经网络模型进行优化,并生成对应的损失函数;
损失函数判断子模块,用于当所述损失函数满足预设条件时,得到多个中间神经网络模型;
预测响应确定子模块,用于将各个风场数据输入到所述多个中间神经网络模型,得到多个预测响应结果;
预测误差计算子模块,用于计算所述标准力学响应数据矩阵内的标准响应数据和每个所述预测响应结果之间的预测误差;
目标模型选择子模块,用于根据所述预测误差对各个所述中间神经网络模型进行评分,选择评分最高的所述中间神经网络模型作为目标神经网络模型。
本发明第三方面提供了一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如本发明第一方面所述的杆塔力学响应预测方法的步骤。
本发明第四方面还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明第一方面所述的杆塔力学响应预测方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过获取杆塔设备数据和多个风场数据,根据杆塔设备数据构建杆塔模型,再基于多个风场数据分别确定杆塔模型在各个风场数据对应的风场情景下的力学响应数据矩阵;而为方便后续数据处理,可以对力学响应数据矩阵进行数据预处理,以得到标准力学响应数据矩阵;采用标准力学响应数据矩阵分别训练多个预设的神经网络模型,再基于训练结果结合风场数据进行目标神经网络模型的选择;当接收到针对杆塔模型的真实风场数据时,采用目标神经网络模型对真实风场数据进行处理,从而生成所述杆塔模型对应的应力响应结果。解决现有技术在考虑实际情况中气象条件对杆塔响应的影响时计算效率较低,无法高效准确地计算力学响应结果的技术问题,从而高效准确地在实际情况中计算力学响应结果,能够对杆塔线路在台风、大风天气中应力变形情况进行预测,从而为线路运行提供参考,降低损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种杆塔力学响应预测方法的步骤流程图;
图2为本发明实施例提供的一种神经网络模型想训练过程的步骤流程图;
图3为本发明实施例提供的一种杆塔力学响应预测装置的结构框图。
具体实施方式
本发明实施例提供了一种杆塔力学响应预测方法、装置、设备和介质,用于解决现有技术在考虑实际情况中气象条件对杆塔响应的影响时计算效率较低,无法高效准确地计算力学响应结果的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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。
请参阅图1,图1为本发明实施例提供的一种杆塔力学响应预测方法的步骤流程图。
本发明提供的一种杆塔力学响应预测方法,包括:
步骤101,获取杆塔设备数据和多个风场数据;
在本发明实施例中,可以通过设置在杆塔上的风力、应力传感器等设备,对杆塔在实际风场中的数据进行测量获取,或者是通过软件模拟的方式,构建与杆塔相同的模型,进行风场仿真模拟,从而获取到多个不同类型的风场数据。
与此同时,可以由杆塔的工程参数获取到杆塔设备数据,例如杆塔塔型、杆塔型号、导线型号、导线回数、塔线材料、杆塔位置坐标等。
步骤102,根据杆塔设备数据,构建杆塔模型;
在得到杆塔设备数据后,为方便后续神经网络模型的针对性构建以及对杆塔结构的调整,可以基于杆塔设备数据进行杆塔模型的构建。
具体地,可以通过有限元软件对杆塔塔型进行选取,同时为所选取的杆塔进行特定型号的导线设置,且能够为搭建杆塔的材料、所处位置进行进一步设置,从而实现对杆塔实际情况进行模型构建。
步骤103,基于多个风场数据,确定杆塔模型在各风场数据下的力学响应数据矩阵;
可选地,风场数据包括风速、风向和作用时间,步骤103可以包括以下子步骤:
按照各个风速和风向,对杆塔模型分别执行风力施加操作;
当风力施加操作的执行时间等于各个作用时间时,分别测量杆塔模型在当前时刻对应的力学响应数据;
采用全部风力数据和对应的力学响应数据进行排序,构建力学响应数据矩阵。
在本发明实施例中,风场数据可以包括但不限于风速、风向和作用时间,可以按照每个风场数据所对应的风速和风向对杆塔模型执行风力施加操作,以模拟在该风场内,杆塔模型所受到风力作用;而随着风力施加操作的执行时间达到各个不同的作用时间,可以在各个作用时间点分别对杆塔模型进行测量,以得到不同的力学响应数据。
在得到各个风场数据对应的力学响应数据后,可以按照数据之间对应的关系进行排序,构建得到力学响应数据矩阵。
其中,力学响应数据可以包括在不同风场中的应力值、位移值或杆塔形变值等。
步骤104,对力学响应数据矩阵进行数据预处理,得到标准力学响应数据矩阵;
进一步地,步骤104可以包括以下子步骤:
清除力学响应数据矩阵中的无效值,得到中间数据矩阵;
对中间数据矩阵内的每个中间数据进行数据标准化处理,得到标准力学响应数据矩阵。
在本发明的一个示例中,在得到力学响应数据矩阵后,由于数据可能会出现误差,影响后续模型训练的效果,此时可以对力学响应数据矩阵进行数据预处理,通过设置阈值对力学响应数据矩阵内的各个数据进行比较,若是出现差距较大的数据,则可以将其作为无效值等不合理数据进行删除,从而得到中间数据矩阵。
在获取到中间数据矩阵后,还可以对其中的每个中间数据进行数据标准化处理,将各数据量统一至相近取值范围内,以得到标准力学响应数据矩阵。具体的数据标准化处理的过程可以如下:
其中,式中x′为标准化后的中间数据,x为中间数据,xmax、xmin为该类型数据中最大、小值。
步骤105,采用风场数据和标准力学响应数据矩阵分别训练多个预设的神经网络模型,根据训练结果选择目标神经网络模型;
请参阅图2,在本发明的一个示例中,每个神经网络模型均设有不同的模型参数,步骤105可以包括以下子步骤S11-S16:
S11、将标准力学响应数据矩阵转换为张量数据;
S12、将张量数据分别输入到多个预设的神经网络模型,采用随机梯度下降法对各个神经网络模型进行优化,并生成对应的损失函数;
S13、当损失函数满足预设条件时,得到多个中间神经网络模型;
S14、将各个风场数据输入到多个中间神经网络模型,得到多个预测响应结果;
S15、计算标准力学响应数据矩阵内的标准响应数据和每个预测响应结果之间的预测误差;
S16、根据预测误差对各个中间神经网络模型进行评分,选择评分最高的中间神经网络模型作为目标神经网络模型。
在本发明实施例中,由于标准力学向量数据矩阵内包括各个风力数据以及对应的力学响应数据,此时可以对其进行数据转换,以得到张量数据;再采用张量数据分别输入到多个预设的神经网络模型,采用随机梯度下降法对各个神经网络模型进行优化,并生成对应的损失函数。
其中,损失函数可以为每次迭代优化的损失函数,同时还可以把损失函数进行可视化,以便于通过损失函数变化对神经网络模型的训练情况进行评估。
当损失函数满足预设条件时,表明此时神经网络模型的误差已经能够满足使用要求,此时可以输出当前时刻的神经网络模型作为中间神经网络模型,再将各个风场数据分别输入到各个中间神经网络模型中,得到多个预测响应结果,进一步地计算标准力学响应数据矩阵内的标准响应数据和每个预测响应结果之间的预测误差,根据预测误差分别对各个中间神经网络模型进行评分,例如预测误差越低,评分则越高,最后选择评分最高的中间神经网络模型作为目标神经网络模型。
在具体实现中,可以基于Python语言设置神经网络,导入Numpy,pandas,sklearn,torch,matplotlib等模块;将上述矩阵按特征值x与响应值y转化为张量,定义数据加载器导入上述矩阵作为训练数据,定义网络结构,包括隐藏层、预测回归层、前向传播路径;使用SGD(随机梯度下降)优化方法对网络优化,进行训练并输出每次迭代的损失函数,网络训练完成后将损失函数可视化,并可视化真实值和预测值的差异,通过损失函数变化评估网络运行情况;设置不同的网络参数如神经网络层数,每层单元数量,反向传递函数类型等,分别对样本进行训练,得出不同网络的训练结果与误差值,将误差值作为对该网络模型的评分,对比不同设置的算法模型按评分选出最优模型。
可选地,神经网络模型的类型可以为全连接神经网络,上述矩阵所构成的数据集按照6:2:2的比例划分为训练集、验证集与测试集,当数据量达到百万级别时按98%:1%:1%划分数据;激活函数包括Sigmoid、ReLU与Tanh函数。
步骤106,当接收到针对杆塔模型的真实风场数据时,采用目标神经网络模型生成杆塔模型对应的应力响应结果。
在本发明实施例中,当接收到针对杆塔模型的真实风场数据时,此时可以将真实风场数据输入到目标神经网络模型中,以生成杆塔模型的应力响应结果,从而为线路风险评估与运行管理提供参考。
在本发明实施例中,通过获取杆塔设备数据和多个风场数据,根据杆塔设备数据构建杆塔模型,再基于多个风场数据分别确定杆塔模型在各个风场数据对应的风场情景下的力学响应数据矩阵;而为方便后续数据处理,可以对力学响应数据矩阵进行数据预处理,以得到标准力学响应数据矩阵;采用标准力学响应数据矩阵分别训练多个预设的神经网络模型,再基于训练结果结合风场数据进行目标神经网络模型的选择;当接收到针对杆塔模型的真实风场数据时,采用目标神经网络模型对真实风场数据进行处理,从而生成杆塔模型对应的应力响应结果。解决现有技术在考虑实际情况中气象条件对杆塔响应的影响时计算效率较低,无法高效准确地计算力学响应结果的技术问题,从而高效准确地在实际情况中计算力学响应结果,能够对杆塔线路在台风、大风天气中应力变形情况进行预测,从而为线路运行提供参考,降低损失。
请参阅图3,图3为本发明实施例提供的一种杆塔力学响应预测装置的结构框图。
本发明实施例提供了一种杆塔力学响应预测装置,包括:
数据获取模块301,用于获取杆塔设备数据和多个风场数据;
模型构建模块302,用于根据杆塔设备数据,构建杆塔模型;
矩阵数据确定模块303,用于基于多个风场数据,确定杆塔模型在各风场数据下的力学响应数据矩阵;
矩阵数据预处理模块304,用于对力学响应数据矩阵进行数据预处理,得到标准力学响应数据矩阵;
模型训练模块305,用于采用风场数据和标准力学响应数据矩阵分别训练多个预设的神经网络模型,根据训练结果选择目标神经网络模型;
应力响应预测模块306,用于当接收到针对杆塔模型的真实风场数据时,采用目标神经网络模型生成杆塔模型对应的应力响应结果。
可选地,风场数据包括风速、风向和作用时间,矩阵数据确定模块303,包括:
风力施加操作执行子模块,用于按照各个风速和风向,对杆塔模型分别执行风力施加操作;
力学响应数据测量子模块,用于当风力施加操作的执行时间等于各个作用时间时,分别测量杆塔模型在当前时刻对应的力学响应数据;
力学响应数据矩阵构建子模块,用于采用全部风力数据和对应的力学响应数据进行排序,构建力学响应数据矩阵。
可选地,矩阵数据预处理模块304,包括:
无效值清除子模块,用于清除力学响应数据矩阵中的无效值,得到中间数据矩阵;
数据标准化子模块,用于对中间数据矩阵内的每个中间数据进行数据标准化处理,得到标准力学响应数据矩阵。
可选地,每个神经网络模型均设有不同的模型参数,模型训练模块305,包括:
张量转换子模块,用于将标准力学响应数据矩阵转换为张量数据;
模型优化子模块,用于将张量数据分别输入到多个预设的神经网络模型,采用随机梯度下降法对各个神经网络模型进行优化,并生成对应的损失函数;
损失函数判断子模块,用于当损失函数满足预设条件时,得到多个中间神经网络模型;
预测响应确定子模块,用于将各个风场数据输入到多个中间神经网络模型,得到多个预测响应结果;
预测误差计算子模块,用于计算标准力学响应数据矩阵内的标准响应数据和每个预测响应结果之间的预测误差;
目标模型选择子模块,用于根据预测误差对各个中间神经网络模型进行评分,选择评分最高的中间神经网络模型作为目标神经网络模型。
本发明实施例还提供了一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如本发明任一实施例所述的杆塔力学响应预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明任一实施例所述的杆塔力学响应预测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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,作为单元显示的部件可以是或者也可以不是物理单元,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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种杆塔力学响应预测方法,其特征在于,包括:
获取杆塔设备数据和多个风场数据;
根据所述杆塔设备数据,构建杆塔模型;
基于所述多个风场数据,确定所述杆塔模型在各所述风场数据下的力学响应数据矩阵;
对所述力学响应数据矩阵进行数据预处理,得到标准力学响应数据矩阵;
采用所述风场数据和所述标准力学响应数据矩阵分别训练多个预设的神经网络模型,根据训练结果选择目标神经网络模型;
当接收到针对所述杆塔模型的真实风场数据时,采用所述目标神经网络模型生成所述杆塔模型对应的应力响应结果。
2.根据权利要求1所述的方法,其特征在于,所述风场数据包括风速、风向和作用时间,所述基于所述多个风场数据,确定所述杆塔模型在各所述风场数据下的力学响应数据矩阵的步骤,包括:
按照各个所述风速和所述风向,对所述杆塔模型分别执行风力施加操作;
当所述风力施加操作的执行时间等于各个所述作用时间时,分别测量所述杆塔模型在当前时刻对应的力学响应数据;
采用全部所述风力数据和对应的所述力学响应数据进行排序,构建力学响应数据矩阵。
3.根据权利要求1所述的方法,其特征在于,所述对所述力学响应数据矩阵进行数据预处理,得到标准力学响应数据矩阵的步骤,包括:
清除所述力学响应数据矩阵中的无效值,得到中间数据矩阵;
对所述中间数据矩阵内的每个中间数据进行数据标准化处理,得到标准力学响应数据矩阵。
4.根据权利要求1所述的方法,其特征在于,每个所述神经网络模型均设有不同的模型参数,所述采用所述风场数据和所述标准力学响应数据矩阵分别训练多个预设的神经网络模型,根据训练结果选择目标神经网络模型的步骤,包括:
将所述标准力学响应数据矩阵转换为张量数据;
将所述张量数据分别输入到多个预设的神经网络模型,采用随机梯度下降法对各个神经网络模型进行优化,并生成对应的损失函数;
当所述损失函数满足预设条件时,得到多个中间神经网络模型;
将各个风场数据输入到所述多个中间神经网络模型,得到多个预测响应结果;
计算所述标准力学响应数据矩阵内的标准响应数据和每个所述预测响应结果之间的预测误差;
根据所述预测误差对各个所述中间神经网络模型进行评分,选择评分最高的所述中间神经网络模型作为目标神经网络模型。
5.一种杆塔力学响应预测装置,其特征在于,包括:
数据获取模块,用于获取杆塔设备数据和多个风场数据;
模型构建模块,用于根据所述杆塔设备数据,构建杆塔模型;
矩阵数据确定模块,用于基于所述多个风场数据,确定所述杆塔模型在各所述风场数据下的力学响应数据矩阵;
矩阵数据预处理模块,用于对所述力学响应数据矩阵进行数据预处理,得到标准力学响应数据矩阵;
模型训练模块,用于采用所述风场数据和所述标准力学响应数据矩阵分别训练多个预设的神经网络模型,根据训练结果选择目标神经网络模型;
应力响应预测模块,用于当接收到针对所述杆塔模型的真实风场数据时,采用所述目标神经网络模型生成所述杆塔模型对应的应力响应结果。
6.根据权利要求5所述的装置,其特征在于,所述风场数据包括风速、风向和作用时间,所述矩阵数据确定模块,包括:
风力施加操作执行子模块,用于按照各个所述风速和所述风向,对所述杆塔模型分别执行风力施加操作;
力学响应数据测量子模块,用于当所述风力施加操作的执行时间等于各个所述作用时间时,分别测量所述杆塔模型在当前时刻对应的力学响应数据;
力学响应数据矩阵构建子模块,用于采用全部所述风力数据和对应的所述力学响应数据进行排序,构建力学响应数据矩阵。
7.根据权利要求5所述的装置,其特征在于,所述矩阵数据预处理模块,包括:
无效值清除子模块,用于清除所述力学响应数据矩阵中的无效值,得到中间数据矩阵;
数据标准化子模块,用于对所述中间数据矩阵内的每个中间数据进行数据标准化处理,得到标准力学响应数据矩阵。
8.根据权利要求5所述的装置,其特征在于,每个所述神经网络模型均设有不同的模型参数,所述模型训练模块,包括:
张量转换子模块,用于将所述标准力学响应数据矩阵转换为张量数据;
模型优化子模块,用于将所述张量数据分别输入到多个预设的神经网络模型,采用随机梯度下降法对各个神经网络模型进行优化,并生成对应的损失函数;
损失函数判断子模块,用于当所述损失函数满足预设条件时,得到多个中间神经网络模型;
预测响应确定子模块,用于将各个风场数据输入到所述多个中间神经网络模型,得到多个预测响应结果;
预测误差计算子模块,用于计算所述标准力学响应数据矩阵内的标准响应数据和每个所述预测响应结果之间的预测误差;
目标模型选择子模块,用于根据所述预测误差对各个所述中间神经网络模型进行评分,选择评分最高的所述中间神经网络模型作为目标神经网络模型。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-4任一项所述的杆塔力学响应预测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的杆塔力学响应预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110983694.5A CN113705093B (zh) | 2021-08-25 | 2021-08-25 | 一种杆塔力学响应预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110983694.5A CN113705093B (zh) | 2021-08-25 | 2021-08-25 | 一种杆塔力学响应预测方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705093A true CN113705093A (zh) | 2021-11-26 |
CN113705093B CN113705093B (zh) | 2024-03-01 |
Family
ID=78654779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110983694.5A Active CN113705093B (zh) | 2021-08-25 | 2021-08-25 | 一种杆塔力学响应预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705093B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120185414A1 (en) * | 2010-12-15 | 2012-07-19 | Vaisala, Inc. | Systems and methods for wind forecasting and grid management |
CN104899388A (zh) * | 2015-06-17 | 2015-09-09 | 卢伟 | 一种空间钢结构环境荷载作用下的结构安全评估方法 |
CN112287018A (zh) * | 2020-11-06 | 2021-01-29 | 武汉理工大学 | 一种台风灾害下10kV杆塔受损风险评估方法及系统 |
CN112685965A (zh) * | 2020-12-03 | 2021-04-20 | 广东电网有限责任公司电力科学研究院 | 一种台风中输电杆塔风险监测方法及系统 |
CN112818590A (zh) * | 2021-01-13 | 2021-05-18 | 中国长江三峡集团有限公司 | 一种风电场发电量评估及微观选址模型建立方法 |
CN112994101A (zh) * | 2021-03-11 | 2021-06-18 | 中国长江三峡集团有限公司 | 基于神经网络的风电场发电功率后评估及监测方法 |
-
2021
- 2021-08-25 CN CN202110983694.5A patent/CN113705093B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120185414A1 (en) * | 2010-12-15 | 2012-07-19 | Vaisala, Inc. | Systems and methods for wind forecasting and grid management |
CN104899388A (zh) * | 2015-06-17 | 2015-09-09 | 卢伟 | 一种空间钢结构环境荷载作用下的结构安全评估方法 |
CN112287018A (zh) * | 2020-11-06 | 2021-01-29 | 武汉理工大学 | 一种台风灾害下10kV杆塔受损风险评估方法及系统 |
CN112685965A (zh) * | 2020-12-03 | 2021-04-20 | 广东电网有限责任公司电力科学研究院 | 一种台风中输电杆塔风险监测方法及系统 |
CN112818590A (zh) * | 2021-01-13 | 2021-05-18 | 中国长江三峡集团有限公司 | 一种风电场发电量评估及微观选址模型建立方法 |
CN112994101A (zh) * | 2021-03-11 | 2021-06-18 | 中国长江三峡集团有限公司 | 基于神经网络的风电场发电功率后评估及监测方法 |
Non-Patent Citations (1)
Title |
---|
刘智健: "输电铁塔风致响应的在线监测与状态评估方法研究", 中国优秀硕士学位论文全文数据库, no. 02, pages 8 - 52 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705093B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415492B (zh) | 一种基于模糊综合评价算法的边坡滑坡预警方法及系统 | |
CN110417011A (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN104992266A (zh) | 确定电网节点重要度的方法及系统 | |
Dang et al. | Structural damage detection framework based on graph convolutional network directly using vibration data | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN108879732A (zh) | 电力系统暂态稳定评估方法及装置 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
CN115455793A (zh) | 基于多尺度模型修正的高层结构复杂构件受力分析方法 | |
CN108711100A (zh) | 一种基于神经网络的p2p平台运营风险评估的系统 | |
CN108959721B (zh) | 一种风车荷载作用下的大跨度桥梁构件可靠度计算方法 | |
CN116186825B (zh) | 基于图节点分类图神经网络的剪力墙设计方法和装置 | |
CN105426665B (zh) | 基于状态监测的动态可靠度确定方法 | |
CN116956428A (zh) | 基于物理信息神经网络的移动荷载下桥梁响应计算方法 | |
CN116842841A (zh) | 基于人工智能的沉管隧道服役状态预测方法 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
CN113705093A (zh) | 一种杆塔力学响应预测方法、装置、设备和介质 | |
CN116050250A (zh) | 基于混合驱动模型的电网数字孪生模型建模方法及装置 | |
CN113054653A (zh) | 基于VGGNet-SVM的电力系统暂态稳定评估方法 | |
CN113793035B (zh) | 一种基于交叉概率理论的信息系统业务波及影响分析方法 | |
CN111582632B (zh) | 一种地下大空间施工全过程多因素安全阶段性预测方法 | |
Zheng et al. | Research on Predicting Remaining Useful Life of Equipment Based on Health Index | |
CN107145665A (zh) | 一种巷道围岩应力建模与预测方法 | |
CN115146543A (zh) | 一种轻质化结构产品可靠性优化设计方法及系统 | |
CN117592825A (zh) | 基于图卷积神经网络的电压暂降评估方法 | |
CN117175546A (zh) | 基于图形化建模的分布式能源配电网拓扑识别方法和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |