CN114970273A - 一种基于arima-lstm组合模型的输电杆塔应变时间序列预测与失稳预警方法 - Google Patents
一种基于arima-lstm组合模型的输电杆塔应变时间序列预测与失稳预警方法 Download PDFInfo
- Publication number
- CN114970273A CN114970273A CN202210612708.7A CN202210612708A CN114970273A CN 114970273 A CN114970273 A CN 114970273A CN 202210612708 A CN202210612708 A CN 202210612708A CN 114970273 A CN114970273 A CN 114970273A
- Authority
- CN
- China
- Prior art keywords
- tower
- model
- strain
- arima
- time sequence
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 26
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 25
- 239000010959 steel Substances 0.000 claims abstract description 25
- 238000005096 rolling process Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 4
- 230000009528 severe injury Effects 0.000 claims description 4
- 230000009526 moderate injury Effects 0.000 claims description 3
- 230000009525 mild injury Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 7
- 230000002411 adverse Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 239000000463 material Substances 0.000 description 9
- 230000006378 damage Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000001744 unit root test 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
- G06F30/23—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于ARIMA‑LSTM组合模型的输电线路杆塔应变时间序列预测及失稳预警方法,根据输电线路杆塔应变时间序列实测数据,构建了基于ARIMA‑LSTM组合模型的杆塔钢构应变时间序列短期预测模型,通过杆塔与导线系统力学有限元仿真计算给出了测点钢构应变变化范围对应的杆塔失稳分级预警判据。依据基于ARIMA‑LSTM组合模型的杆塔钢构应变时间序列短期预测模型,可在短期内对杆塔失稳进行实时分级预警。本发明方法可为输电杆塔在极端天气条件下失稳进行实时预警,从而方便电网工作人员及时做出应对措施,一定程度上防止输电杆塔失稳对电网安全稳定运动造成不利的影响。
Description
技术领域
本发明属于输电线路防灾减灾领域,尤其涉及一种基于ARIMA-LSTM组合模型的输电线路杆塔应变时间序列预测及失稳预警方法。
背景技术
输电线路是电网安全可靠运行的巨大动脉。我国在建在运输电线路长度长,跨度广,不可避免的会经过许多气候或地质环境恶劣的地区。覆冰、大风、地沉降等工况会严重危害输电线路杆塔的安全稳定运行,因此,开展杆塔的安全状况在线监测并及时通过监测数据对杆塔失稳进行预警有着重要的工程实用价值和研究意义。
目前,国内外学者专家提出了一些在线监测方法对杆塔状态进行评估,包括杆塔倾斜监测、形变监测以及应变监测等。前两种检测方法只能间接反映塔的整体荷载和荷载平衡状态,难以发现塔的局部失效并对杆塔失稳进行早期预警。而杆塔损坏与否主要取决于钢构所受应变大小和螺栓连接情况,因此杆塔应变在线监测已成为杆塔安全评估的重要手段。相较成熟的应变监测方法主要有电阻应变计和光纤光栅应变测量。应变监测数据只能帮助现场运维人员判断杆塔当时的安全状况,无法起到预警作用。因此如何对采集到的应变时间序列进行分析,准确预测未来短期内杆塔应变的变化状况,从而对杆塔失稳进行实时预警是当前亟待解决的问题。
发明内容
本发明的目的是提供一种基于ARIMA-LSTM组合模型的输电线路杆塔应变时间序列预测及失稳预警方法。从而方便电网工作人员及时做出应对措施,一定程度上防止输电杆塔失稳对电网安全稳定运动造成不利的影响。
本发明的上述技术问题主要是通过下述的技术方案得以解决的:
一种基于ARIMA-LSTM组合模型的输电线路杆塔应变时间序列预测及失稳预警方法,其特征在于,包含如下步骤:
步骤S1.针对采集到的输电杆塔应变时间序列,确定ARIMA模型所用的参数,构建ARIMA模型对应变时间序列训练样本进行预测,得到ARIMA模型预测值;
步骤S2.采用LSTM模型去拟合步骤一中ARIMA模型预测之后的残差序列,得到残差序列的预测值;
步骤S3.构建另一个LSTM模型去拟合步骤一中ARIMA模型预测值、步骤二中LSTM模型拟合得到的残差序列的预测值和采集到的输电杆塔应变时间序列的关系,建立杆塔钢构应变时间序列短期预测模型;
步骤S4.通过建立输电杆塔和导线系统有限元模型,改变输电线路载荷模拟实际情况,依据仿真结果给出相应测点应变变化范围对应的杆塔安全状况分级情况;
步骤S5.针对实测的杆塔钢构应变时间序列,采用上述建立的应变时间序列短期预测模型对应变数据进行滚动预测,结合步骤S4制定的应变变化范围对应的杆塔失稳分级预警判据,对杆塔短期内未来的安全状况进行实时预警。
进一步地,所述步骤S1中ARIMA模型参数确定主要步骤包括:
S11.采用ADF单位根检验法对应变时间序列进行平稳性检验,若判定为非平稳时间序列将其处理为平稳时间序列;
S12.通过观察序列的自相关图和偏自相关图截尾和拖尾情况判定模型类型并初步确定ARIMA模型参数的取值。
进一步地,所述步骤S4中,基于建立输电杆塔和导线系统有限元模型,改变输电线路载荷模拟实际情况,计算得到构件应力比值,根据杆塔结构体系失效判据提取对应测点钢构处应变随载荷变化范围,给出杆塔失稳分级预警判据。
进一步地,所述杆塔失稳分级预警判据依据失效情况分为三级:轻微破坏、中等破坏和严重破坏。
进一步地,所述步骤S5中,通过对杆塔应变时间序列滚动预测,可在短期内预估杆塔安全状况,从而对杆塔失稳进行实时分级预警。
因此,与现有技术相比,本发明具有如下优点:
1、本发明方法提出了一种基于ARIMA-LSTM组合模型的输电杆塔应变时间序列预测模型,可对短期内输电杆塔应变时间序列变化趋势进行预测。
2、本发明方法通过输电塔-线系统有限元仿真计算,对相应测点应变变化范围对应的杆塔安全状况分级情况提供了理论依据,结合应变预测模型可为极端天气条件下输电杆塔失稳进行实时分级预警,从而方便电网工作人员及时做出应对措施。
3、本发明方法适用于各种电压等级的输电线路杆塔应变监测数据预测与失稳预警。
附图说明
图1是本发明方法的具体流程图。
图2是应变传感器在杆塔上的安装位置示意图。
图3是某时间段内某主材钢构应变实测原始数据。
图4是本发明实施例1h滚动预测与2h滚动预测的结果与实测结果对比。
图5是本发明实施例建立塔-线系统有限元模型。
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,下面将通过实施例并结合附图,对本发明中的技术方案作进一步具体地说明。显然,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
本实施例以某500kV输电线路杆塔的应变实测数据为例,说明应变时间序列预测及失稳实时预警方法,如图1所示,图中σ(k)、σ(k-1)…σ(k-m)为通过应变传感器实测的钢构原始时间序列,共m+1个数据点;σ’(k)、σ’(k-1)…σ’(k-m)为ARIMA预测模型对原始时间序列的拟合结果;e(k)、e(k-1)…e(k-m)为步骤一中ARIMA模型预测之后的残差序列;e’(k)、e’(k-1)…e’(k-m)为步骤二中LSTM模型对上述残差序列的拟合结果;σ(k+1)…σ(k+h)为通过上述组合预测模型得到的预测结果,共h个数据点;σ’(k+1)…σ’(k+h)为ARIMA预测模型线性部分的预测结果;e’(k+1)…e’(k+h)为LSTM模型对原时间序列残差部分的预测结果。具体包括以下步骤:
步骤S1.针对采集到的输电杆塔应变时间序列,确定ARIMA模型(自回归积分滑动平均模型)所用的参数,构建ARIMA模型对应变时间序列训练样本进行预测,得到ARIMA模型预测值;
具体地,所选取的输电杆塔为塔型为酒杯塔,通过在该塔上安装基于光纤光栅的应变监测装置,获取了16根杆塔主要钢构的应变时间序列原始数据,应变监测点在该塔上的实际安装位置如图2所示。5.6日14:14至5.10日8:14时间段内某主材钢构应变实测原始数据如图3所示。
在应变预测模型的建立中,将5.9日8:14~5.10日8:14的24h应变数据作为测试样本,5.6日14:14~5.9日8:14的应变数据作为训练样本,首先针对该段实测数据建立短期预测模型。
首先针对钢构实测数据中的训练样本,建立ARIMA预测模型。对数据进行平稳性检验,采用ADF单位根检验法对序列进行检验,得到p值为0.000191,小于0.05,同时t检验值也小于1%临界值,认为时间序列平稳,无需对其进行差分等变换。若判定为非平稳时间序列可采用差分、分解、取对数等方法将其处理为平稳时间序列。观察原序列{σ}的自相关图(ACF)和偏自相关图(PACF),确定原序列的最佳拟合模型为ARIMA(2,0,0)。
步骤S2.采用LSTM模型去拟合步骤一中ARIMA模型预测之后的残差序列,得到残差序列的预测值;
具体地,ARIMA模型为线性模型,难以处理序列的非线性成分,因此需利用长短期记忆神经网络(LSTM)模型去拟合训练样本预测之后的残差序列{e},得到残差序列的预测值{e’}。
步骤S3.构建另一个LSTM模型去拟合步骤一中ARIMA模型预测值、步骤二中LSTM模型拟合得到的残差序列的预测值和采集到的输电杆塔应变时间序列的关系,建立杆塔钢构应变时间序列短期预测模型;
具体地,用另一个LSTM模型去拟合序列{σ’}、{e}和实测值{σ}的关系。之后将训练样本数据作为输入量,利用构建好的组合预测模型对其进行预测即可得到输电杆塔应变时间序列预测结果。预测过程为滚动预测,即每获得新的应变数据,就将其代入模型之中获得预测数据。
步骤S4.通过建立输电杆塔和导线系统有限元模型,改变输电线路载荷模拟实际情况,依据仿真结果给出相应测点应变变化范围对应的杆塔安全状况分级情况;
具体地,根据材料力学中的强度理论,当杆件承担的荷载达到了一定的大小时,材料一般就会在应力状态最危险的一点处首先发生屈服或断裂而进入危险状态。综合目前对输电杆塔可靠性分析制定的失效判据,主要依据包括:1.结构变为机构;2.位移超过许用值;3.主要构件失效。因此依据所测钢构应变测点所处位置与应变变化大小,制定分级失效判据如下表所示,依据失效情况分为三级:轻微破坏、中等破坏和严重破坏,其中ξ表示构件应力比值,其中应力比值是钢构实际承受应力与其屈服强度之比,l表示塔顶位移,h表示塔高。
表1杆塔结构体系失效判据
类别 | 轻微破坏 | 中等破坏 | 严重破坏 |
杆塔斜材 | ξ>1.0 | ξ>1.15 | —— |
杆塔主材 | 0.8<ξ<1.0 | 1.0<ξ<1.15 | ξ>1.15 |
依据输电杆塔的结构图纸及导线相关参数,建立塔-线系统有限元模型如图5所示。根据上表制定的杆塔结构体系失效判据,通过不断改变对杆塔所受外部荷载的大小对塔-线系统进行力学仿真计算,可以得到各测点处角钢在不同工况下的应变变化情况,不同工况下各测点应变计算结果如表2所示。
表2不同工况下角钢应变计算结果
由上表可知,随着不平衡张力和外荷载的增加,各测点处的钢构单元的应变值也发生显著变化,当各测点角钢的应变量超过约600με时,杆塔辅材开始屈服,此时测点9和测点16处钢构单元的应力比值为1.34和1.24,其余测点处的应力比值在0.8~1范围内;当测点15和16处角钢应变变化量超过约1300με,其余测点处应变改变量超过约1000με时,杆塔发生中等破坏,此时已有部分主材所受应力超过其许用应力而进入屈服状态,测点13和测点14处的应力比值达1.13和1.09;当主材测点应变改变量超过1400με,辅材测点应变改变量超2000με时,杆塔严重破坏,将丧失承载力而面临较大的倒塔风险。
步骤S5.针对实测的杆塔钢构应变时间序列,采用上述建立的应变时间序列短期预测模型对应变数据进行滚动预测,结合步骤S4制定的应变变化范围对应的杆塔失稳分级预警判据,对杆塔短期内未来的安全状况进行实时预警。
具体地,针对杆塔各测点的应变实测数据,对其进行上述基于ARIMA和LSTM的组合预测模型的短期滚动预测,与制定完善的失稳分级预警判据相对照,分析相应测点处钢构应变预测结果是否超过一级、二级或三级警戒线,输出总体的预测结果,最终即可滚动预测杆塔未来的安全状况。
采用上述组合预测模型,1h滚动预测与2h滚动预测的结果与实测结果对比如图4所示。
预测模型的各评价指标如下表所示:
表3 24h滚动预测模型评价结果
评价指标 | 1h预测结果 | 2h预测结果 |
平均绝对误差MAE | 19.7653με | 35.9483με |
均方误差RMSE | 30.1934με | 54.5858με |
如图4所示,预测结果都在100个微应变范围内,依据预测结果和表2对照,短期内应变时间序列变化远远小于表2给出的警戒范围,所以判定杆塔安全。另外从预测结果上来看,基于ARIMA和LSTM的组合预测模型能准确预测应变时间序列的变化趋势,预测结果比较理想,预测趋势和实测应变曲线趋势完全一致。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于ARIMA-LSTM组合模型的输电线路杆塔应变时间序列预测及失稳预警方法,其特征在于,包含如下步骤:
步骤S1.针对采集到的输电杆塔应变时间序列,确定ARIMA模型所用的参数,构建ARIMA模型对应变时间序列训练样本进行预测,得到ARIMA模型预测值;
步骤S2.采用LSTM模型去拟合步骤一中ARIMA模型预测之后的残差序列,得到残差序列的预测值;
步骤S3.构建另一个LSTM模型去拟合步骤一中ARIMA模型预测值、步骤二中LSTM模型拟合得到的残差序列的预测值和采集到的输电杆塔应变时间序列的关系,建立杆塔钢构应变时间序列短期预测模型;
步骤S4.通过建立输电杆塔和导线系统有限元模型,改变输电线路载荷模拟实际情况,依据仿真结果给出相应测点应变变化范围对应的杆塔安全状况分级情况;
步骤S5.针对实测的杆塔钢构应变时间序列,采用上述建立的应变时间序列短期预测模型对应变数据进行滚动预测,结合步骤S4制定的应变变化范围对应的杆塔失稳分级预警判据,对杆塔短期内未来的安全状况进行实时预警。
2.根据权利要求1所述的基于ARIMA-LSTM组合模型的输电线路杆塔应变时间序列预测及失稳预警方法,其特征在于,所述步骤S1中ARIMA模型参数确定主要步骤包括:
S11.采用ADF单位根检验法对应变时间序列进行平稳性检验,若判定为非平稳时间序列将其处理为平稳时间序列;
S12.通过观察序列的自相关图和偏自相关图截尾和拖尾情况判定模型类型并初步确定ARIMA模型参数的取值。
3.根据权利要求1所述的基于ARIMA-LSTM组合模型的输电线路杆塔应变时间序列预测及失稳预警方法,其特征在于,所述步骤S4中,基于建立输电杆塔和导线系统有限元模型,改变输电线路载荷模拟实际情况,计算得到构件应力比值,根据杆塔结构体系失效判据提取对应测点钢构处应变随载荷变化范围,给出杆塔失稳分级预警判据。
4.根据权利要求3所述的基于ARIMA-LSTM组合模型的输电线路杆塔应变时间序列预测及失稳预警方法,其特征在于,所述杆塔失稳分级预警判据依据失效情况分为三级:轻微破坏、中等破坏和严重破坏。
5.根据权利要求1所述的基于ARIMA-LSTM组合模型的输电线路杆塔应变时间序列预测及失稳预警方法,其特征在于,所述步骤S5中,通过对杆塔应变时间序列滚动预测,可在短期内预估杆塔安全状况,从而对杆塔失稳进行实时分级预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210612708.7A CN114970273A (zh) | 2022-05-31 | 2022-05-31 | 一种基于arima-lstm组合模型的输电杆塔应变时间序列预测与失稳预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210612708.7A CN114970273A (zh) | 2022-05-31 | 2022-05-31 | 一种基于arima-lstm组合模型的输电杆塔应变时间序列预测与失稳预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114970273A true CN114970273A (zh) | 2022-08-30 |
Family
ID=82956872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210612708.7A Pending CN114970273A (zh) | 2022-05-31 | 2022-05-31 | 一种基于arima-lstm组合模型的输电杆塔应变时间序列预测与失稳预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970273A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758089A (zh) * | 2022-11-08 | 2023-03-07 | 海南师范大学 | 一种钻孔应变数据预测方法 |
-
2022
- 2022-05-31 CN CN202210612708.7A patent/CN114970273A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758089A (zh) * | 2022-11-08 | 2023-03-07 | 海南师范大学 | 一种钻孔应变数据预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101408951B (zh) | 基于神经网络的桥式起重机当量载荷谱获取及疲劳剩余寿命估算方法 | |
CN113900381B (zh) | 一种基于物联网的钢结构远程健康监测平台及应用方法 | |
CN105865522A (zh) | 桥梁结构监测系统 | |
CN210924883U (zh) | 一种桥梁结构健康监测系统 | |
CN111027881B (zh) | 基于改进灰色关联度的输电杆塔自然灾害损失评估方法 | |
CN105760934A (zh) | 一种基于小波与bp神经网络的桥梁异常监测数据修复方法 | |
CN108229022A (zh) | 一种桥梁结构在线安全监测中剔除温度对高频采样指标影响的实时方法 | |
CN109211390B (zh) | 输电塔振动及强度安全测试和评估方法 | |
WO2024041233A1 (zh) | 桥梁结构多因素耦合作用疲劳损伤与寿命的评估方法 | |
Zhang et al. | Short-term failure warning for transmission tower under land subsidence condition | |
CN104048843B (zh) | 基于gps位移监测的大跨桥梁钢箱梁损伤预警方法 | |
CN113374652A (zh) | 一种风力发电机组寿命评估方法 | |
CN114970273A (zh) | 一种基于arima-lstm组合模型的输电杆塔应变时间序列预测与失稳预警方法 | |
CN112418270A (zh) | 一种高炉综合状态预测方法及系统 | |
CN111896044A (zh) | 一种铁路接触网补偿装置的监测方法及设备 | |
CN116090347A (zh) | 平稳荷载下历史建筑结构智能监测与预警系统 | |
CN108108568A (zh) | 一种桥梁结构在线安全监测中剔除温度对低频采样指标影响的实时方法 | |
CN115685786B (zh) | 基于温度监测荷载的桥梁在线仿真及评估系统 | |
CN110657882B (zh) | 一种利用单测点响应的桥梁实时安全状态监测方法 | |
Miao et al. | Damage alarming of long-span suspension bridge based on GPS-RTK monitoring | |
CN115392089A (zh) | 一种智能预警方法 | |
CN113138058B (zh) | 一种板梁桥铰缝损伤监测系统 | |
Li et al. | Research on intelligent structural health monitoring system | |
CN107036751B (zh) | 通过加权宽带搜峰识别振动频率的柔性绳索索力计算方法 | |
CN113282988B (zh) | 一种大跨度桥梁上部结构状态评估方法及系统 |
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 |