CN117709204B - 一种极端环境下杆塔稳定性评价方法、系统及设备 - Google Patents
一种极端环境下杆塔稳定性评价方法、系统及设备 Download PDFInfo
- Publication number
- CN117709204B CN117709204B CN202410160204.5A CN202410160204A CN117709204B CN 117709204 B CN117709204 B CN 117709204B CN 202410160204 A CN202410160204 A CN 202410160204A CN 117709204 B CN117709204 B CN 117709204B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- parameter
- bias
- neurons
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 178
- 239000002689 soil Substances 0.000 claims abstract description 61
- 230000006835 compression Effects 0.000 claims abstract description 56
- 238000007906 compression Methods 0.000 claims abstract description 56
- 230000002068 genetic effect Effects 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 239000003673 groundwater Substances 0.000 claims abstract description 17
- 210000002569 neuron Anatomy 0.000 claims description 90
- 230000006870 function Effects 0.000 claims description 66
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 65
- 210000000349 chromosome Anatomy 0.000 claims description 54
- 239000011248 coating agent Substances 0.000 claims description 40
- 238000000576 coating method Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 40
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 238000012790 confirmation Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000013097 stability assessment Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009933 burial Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种极端环境下杆塔稳定性评价方法、系统及设备,方法以线缆覆冰厚度与覆冰厚度影响因素,以及枯水期和丰水期时的地下水位高度对土层压缩模量的影响,构建神经网络模型,然后基于均方误差确认模型最佳参数,并在参数不佳时进行迭代优化,随后基于神经网络模型进行预测,并将预测获得的线缆覆冰厚度数据与各深度土层压缩模量数据相结合,进行有限元分析并完成评价;本发明通过综合考虑电缆覆冰厚度与土层参数的动态变化影响,对杆塔处于极端环境下的稳定性进行分析,全面实现了对高压杆塔的稳定性评估,并且基于神经网络模型相关性与准确性高的优点,采用遗传算法进行优化,可以更加快速准确的完成对杆塔稳定性的判断。
Description
技术领域
本发明涉及一种评价手段,属于输电杆塔安全监测领域,尤其涉及一种极端环境下杆塔稳定性评价方法、系统及设备。
背景技术
输电线路是整个电网的运行基础,其可靠性和稳定性对电网的安全运行有着重要的影响。其中,线路覆冰对安全的影响十分突出,高压杆塔的搭建多在山地地区,一旦高压杆塔发生事故,由于恶劣的气候与交通的不便,势必会影响线路的抢修工作,进而影响输电线路的稳定与可靠。因此,高压线缆覆冰厚度的实时监测、准确预警和提前处理危情,对防范高压杆塔故障具有极其重大的意义。
近年来,随着机器学习的快速发展,国内外众多学者采用不同的机器学习算法开展了对线缆覆冰厚度预测的相关研究。但是,目前对线缆覆冰厚度预测的对象主要是针对与结冰相关的温度、湿度、降雨量、降雪量等方面。而在实际情况中,不仅仅是地表以上的气候会对杆塔稳定性产生影响,由于季节性气候的不同,不同地区的地下水位会发生很大变化,进而导致土层变化,这种变化也会对杆塔稳定性产生影响。目前尚未有针对此影响提出可行的研究手段,并且现有技术中所考虑的对象较为片面,不符合工程实际角度。因此,亟需一种全面考虑土层与覆冰影响的手段,提高评价的准确性,以解决现有技术中存在的上述问题。
发明内容
本发明的目的是克服现有技术中存在的上述缺陷与问题,提供一种准确性较高的极端环境下杆塔稳定性评价方法、系统及设备。
为实现以上目的,本发明的技术解决方案是:一种极端环境下杆塔稳定性评价方法,所述步骤包括:
S1、以线缆覆冰厚度与覆冰厚度影响因素为分析对象,构建第一GA-BP神经网络模型,并根据枯水期和丰水期时的地下水位高度对土层压缩模量的影响,分别构建第二、第三GA-BP神经网络模型;所述覆冰厚度影响因素包括温度、湿度与风速;
S2、基于均方误差确认第一、第二、第三GA-BP神经网络模型的最佳参数;若确认为最佳参数,则进行步骤S4;若确认不为最佳参数,则进行步骤S3;
S3、基于遗传算法对第一、第二、第三GA-BP神经网络模型进行迭代优化,直至获得最佳参数;
S4、基于第一GA-BP神经网络模型进行线缆覆冰厚度预测,并基于第二、第三GA-BP神经网络模型进行各深度土层压缩模量预测;
S5、将预测获得的线缆覆冰厚度数据与各深度土层压缩模量数据相结合,进行有限元分析,获得杆塔的倾斜状态,完成对杆塔稳定性的评价。
所述步骤S1,具体包括:
S11、收集目标区域内的温度、湿度、风速与线缆覆冰厚度;
S12、收集目标区域内枯水期和丰水期时,地下水位高度与各深度土层压缩模量;
S13、将温度、湿度、风速、线缆覆冰厚度、土层压缩模量进行归一化处理;所述归一化的表达式如下:
其中:Xnew为实际数据值进行归一化的结果,X为实际数据值,Xmin为实际数据中的最小值,Xmax为实际数据中的最大值;
S14、基于神经元数量确认式,确认线缆覆冰厚度与覆冰厚度影响因素之间的神经网络中隐含层的神经元数量,构建第一GA-BP神经网络模型;所述神经元数量确认式如下:
其中:p为隐含层的神经元数量,m为神经网络中输入层的神经元数量,n为神经网络中输出层的神经元数量,a为常数;
S15、基于神经元数量确认式,分别确认枯水期和丰水期时地下水位高度与各深度土层压缩模量之间的神经网络中隐含层的神经元数量,分别构建第二GA-BP神经网络模型与第三GA-BP神经网络模型。
所述步骤S2,具体包括:
S21、确定第一、第二、第三GA-BP神经网络模型中的参数权重与偏置的数量;
所述参数权重的表达式如下:
W=p×m+p×n;
其中:W为权重的数量;
所述偏置的表达式如下:
B=p+n;
其中:B为隐含层与输出层神经元的偏置;
S22、确定第一、第二、第三GA-BP神经网络模型的训练参数;所述训练参数包括训练次数、学习率与训练目标最小误差;
S23、在第一、第二、第三GA-BP神经网络模型的隐含层与输出层的神经元中引入激活函数;
所述隐含层神经元的激活函数如下:
其中:x为隐含层神经元所接收的数据值,e为常数;
所述输出层神经元的激活函数如下:
其中:y为输出层神经元输出值;
S24、确认遗传算法参数,并设置初始种群的规模与进化代数;
S25、基于参数权重与偏置确认遗传算法优化参数变量的数量,并设置参数变量的范围;
S26、确定各变量的精度并对各变量进行二进制编码,形成染色体;所述二进制编码的位数表达式如下:
Round([u-l])×10t≤2L-1;
其中:Round为四舍五入函数,u为参数范围的上限,l为参数范围的下限,t为等分数,L为二进制编码位数;
S27、对遗传算法进行选择、交叉与变异操作,获得新的染色体;
S28、对新的染色体进行解码,获得更新后的参数权重与偏置对应的数值;
S29、设置遗传算法的适应度函数,并将更新后的参数权重与偏置代入第一、第二、第三GA-BP神经网络模型中,随后将线缆覆冰厚度与覆冰厚度影响因素代入第一GA-BP神经网络模型中,将地下水位高度与土层压缩模量代入第二、第三GA-BP神经网络模型中,对第一、第二、第三GA-BP神经网络模型进行评估,获得MSE函数值;
若MSE函数值小于最小误差,则将此时的参数权重与偏置作为最佳参数;若大于误差,则进行步骤S3;
所述适应度函数的表达式如下:
其中:f(xi)为预测值。
所述步骤S3,具体包括:
S31、将适应度函数命名为损失函数LOSS,基于误差传播公式进行反向传播,调整参数权重与偏置的值;所述误差传播公式如下:
其中:为参数权重,b为偏置;
S32、将调整后的参数权重与偏置的值分别代入第一、第二或第三GA-BP神经网络模型中,计算LOSS函数是否小于最小误差;若小于,则将此时的参数权重与偏置作为最佳参数;若大于,则重复步骤S31,直至获得最佳参数或到达训练次数。
所述步骤S32中,若到达训练次数后,LOSS函数仍然大于最小误差,则输出此时的参数权重与偏置,并进行步骤S33;
S33、将此时的参数权重与偏置编入随机选择的若干组权重与偏置数值组中,构成初始染色体种群数据组;
S34、将初始染色体种群数据组依次代入步骤S29中的适应度函数中,并根据适应度大小进行排序;
S35、将排序靠前的染色体进行保留,并将剩余的染色体进行选择、交叉与变异操作,获得新的染色体群;
S36、对新的染色体群进行解码,并重复步骤S35,将适应度最高的参数权重与偏置作为最佳参数。
一种极端环境下杆塔稳定性评价系统,该系统应用于上述的方法,所述系统包括:
神经网络模型构建模块,用于以线缆覆冰厚度与覆冰厚度影响因素为分析对象,构建第一GA-BP神经网络模型,并根据枯水期和丰水期时的地下水位高度对土层压缩模量的影响,分别构建第二、第三GA-BP神经网络模型;所述覆冰厚度影响因素包括温度、湿度与风速;
最佳参数确认模块,用于基于均方误差确认第一、第二、第三GA-BP神经网络模型的最佳参数;若确认为最佳参数,则进行预测模块的相关步骤;若确认不为最佳参数,则进行神经网络模型优化模块的相关步骤;
神经网络模型优化模块,用于基于遗传算法对第一、第二、第三GA-BP神经网络模型进行迭代优化,直至获得最佳参数;
预测模块,用于基于第GA-BP一神经网络模型进行线缆覆冰厚度预测,并基于第二、第三GA-BP神经网络模型进行各深度土层压缩模量预测;
稳定性评价模块,用于将预测获得的线缆覆冰厚度数据与各深度土层压缩模量数据相结合,进行有限元分析,获得杆塔的倾斜状态,完成对杆塔稳定性的评价。
所述神经网络模型构建模块用于根据以下步骤构建神经网络模型:
S11、收集目标区域内的温度、湿度、风速与线缆覆冰厚度;
S12、收集目标区域内枯水期和丰水期时,地下水位高度与各深度土层压缩模量;
S13、将温度、湿度、风速、线缆覆冰厚度、土层压缩模量进行归一化处理;所述归一化的表达式如下:
其中:Xnew为实际数据值进行归一化的结果,X为实际数据值,Xmin为实际数据中的最小值,Xmax为实际数据中的最大值;
S14、基于神经元数量确认式,确认线缆覆冰厚度与覆冰厚度影响因素之间的神经网络中隐含层的神经元数量,构建第一GA-BP神经网络模型;所述神经元数量确认式如下:
其中:p为隐含层的神经元数量,m为神经网络中输入层的神经元数量,n为神经网络中输出层的神经元数量,a为常数;
S15、基于神经元数量确认式,分别确认枯水期和丰水期时地下水位高度与各深度土层压缩模量之间的神经网络中隐含层的神经元数量,分别构建第二GA-BP神经网络模型与第三GA-BP神经网络模型。
所述最佳参数确认模块用于根据以下步骤确认最佳参数:
S21、确定第一、第二、第三GA-BP神经网络模型中的参数权重与偏置的数量;
所述参数权重的表达式如下:
W=p×m+p×n;
其中:W为权重的数量;
所述偏置的表达式如下:
B=p+n;
其中:B为隐含层与输出层神经元的偏置;
S22、确定第一、第二、第三GA-BP神经网络模型的训练参数;所述训练参数包括训练次数、学习率与训练目标最小误差;
S23、在第一、第二、第三GA-BP神经网络模型的隐含层与输出层的神经元中引入激活函数;
所述隐含层神经元的激活函数如下:
其中:x为隐含层神经元所接收的数据值,e为常数;
所述输出层神经元的激活函数如下:
其中:y为输出层神经元输出值;
S24、确认遗传算法参数,并设置初始种群的规模与进化代数;
S25、基于参数权重与偏置确认遗传算法优化参数变量的数量,并设置参数变量的范围;
S26、确定各变量的精度并对各变量进行二进制编码,形成染色体;所述二进制编码的位数表达式如下:
Round([u-l])×10t≤2L-1;
其中:Round为四舍五入函数,u为参数范围的上限,l为参数范围的下限,t为等分数,L为二进制编码位数;
S27、对遗传算法进行选择、交叉与变异操作,获得新的染色体;
S28、对新的染色体进行解码,获得更新后的参数权重与偏置对应的数值;
S29、设置遗传算法的适应度函数,并将更新后的参数权重与偏置代入第一、第二、第三GA-BP神经网络模型中,随后将线缆覆冰厚度与覆冰厚度影响因素代入第一GA-BP神经网络模型中,将地下水位高度与土层压缩模量代入第二、第三GA-BP神经网络模型中,对第一、第二、第三GA-BP神经网络模型进行评估,获得MSE函数值;
若MSE函数值小于最小误差,则将此时的参数权重与偏置作为最佳参数;若大于误差,则进行步骤S3;
所述适应度函数的表达式如下:
其中:f(xi)为预测值。
所述神经网络模型优化模块用于根据以下步骤进行迭代优化:
S31、将适应度函数命名为损失函数LOSS,基于误差传播公式进行反向传播,调整参数权重与偏置的值;所述误差传播公式如下:
其中:为参数权重,b为偏置;
S32、将调整后的参数权重与偏置的值分别代入第一、第二或第三GA-BP神经网络模型中,计算LOSS函数是否小于最小误差;若小于,则将此时的参数权重与偏置作为最佳参数;若大于,则重复步骤S31,直至获得最佳参数或到达训练次数;
所述步骤S32中,若到达训练次数后,LOSS函数仍然大于最小误差,则输出此时的参数权重与偏置,并进行步骤S33;
S33、将此时的参数权重与偏置编入随机选择的若干组权重与偏置数值组中,构成初始染色体种群数据组;
S34、将初始染色体种群数据组依次代入步骤S29中的适应度函数中,并根据适应度大小进行排序;
S35、将排序靠前的染色体进行保留,并将剩余的染色体进行选择、交叉与变异操作,获得新的染色体群;
S36、对新的染色体群进行解码,并重复步骤S35,将适应度最高的参数权重与偏置作为最佳参数。
一种极端环境下杆塔稳定性评价设备,所述设备包括处理器以及存储器;
所述存储器用于存储计算机程序代码,并将所述计算机程序代码传输给所述处理器;
所述处理器用于根据所述计算机程序代码中的指令执行上述的极端环境下杆塔稳定性评价方法。
与现有技术相比,本发明的有益效果为:
本发明一种极端环境下杆塔稳定性评价方法、系统及设备中,方法首先以线缆覆冰厚度与覆冰厚度影响因素为分析对象,以及枯水期和丰水期时的地下水位高度对土层压缩模量的影响,构建神经网络模型,然后基于均方误差确认神经网络模型的最佳参数,并在参数不佳时进行迭代优化,随后基于神经网络模型进行线缆覆冰厚度与各深度土层压缩模量预测,最后将预测获得的线缆覆冰厚度数据与各深度土层压缩模量数据相结合,进行有限元分析,获得杆塔的倾斜状态,完成对杆塔稳定性的评价;本设计在应用中,综合考虑了电缆覆冰厚度与土层参数动态变化影响,对高压杆塔处于极端环境下的稳定性进行分析,更加全面的实现对高压杆塔的稳定性评估,并且基于神经网络模型的相关性与准确性高的优点,采用遗传算法进行优化,可以更加快速准确的判断高压杆塔稳定性。因此,本发明对高压杆塔稳定性的影响考虑更加全面。
附图说明
图1是本发明的方法步骤流程图。
图2是本发明的遗传算法优化步骤流程图。
图3是本发明的神经网络拓扑示意图。
图4是本发明的系统结构示意图。
图5是本发明的设备结构示意图。
图中:神经网络模型构建模块1、最佳参数确认模块2、神经网络模型优化模块3、预测模块4、稳定性评价模块5、处理器6、存储器7、计算机程序代码71。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
实施例1:
参见图1-图3,本实施例中,以某地某高压输电杆塔为例,高压杆塔高90米,其基础采用桩基础,桩间距16m,桩基埋深为10m,桩基采用C40混凝土。
由于山地地区地形崎岖,在很小的水平距离内,气温和气压会发生急剧的变化,为高压线缆覆冰提供了有利的条件,对高压输电线路的影响十分巨大,与此同时,此地枯水期和丰水期分界明显,地下水位高度变化较大,对各土层土体压缩模量的影响较大。
具体分析步骤包括:
S1、以线缆覆冰厚度与覆冰厚度影响因素为分析对象,构建第一GA-BP神经网络模型,并根据枯水期和丰水期时的地下水位高度对土层压缩模量的影响,分别构建第二、第三GA-BP神经网络模型;所述覆冰厚度影响因素包括温度、湿度与风速;
进一步的,所述步骤S1,具体包括:
S11、在高压杆塔所处的目标区域内,收集周边的气象数据,即温度T(℃)、相对湿度RH(%)、风速V(m/s)和线缆覆冰厚度D(mm);
S12、在高压杆塔所处的目标区域内,收集目标区域内枯水期和丰水期时,地下水位高度H(m)与水位高度对应的各深度土层压缩模量ES(MPa)数据;
S13、将收集到的温度、相对湿度、风速、线缆覆冰厚度、土层压缩模量进行归一化处理,使数据归一到[0,1]的区间内;
所述归一化的表达式如下:
其中:Xnew为实际数据值进行归一化的结果,X为实际数据值,Xmin为实际数据中的最小值,Xmax为实际数据中的最大值;
S14、基于神经元数量确认式,确认线缆覆冰厚度与覆冰厚度影响因素之间的神经网络中隐含层的神经元数量,构建第一GA-BP神经网络模型;所述神经元数量确认式如下:
其中:p为隐含层的神经元数量,m为神经网络中输入层的神经元数量,n为神经网络中输出层的神经元数量,a为常数;
进一步的,将温度、相对湿度、风速、线缆覆冰厚度分别作为神经网络中输入层与输出层的神经元,即m=3,n=1,a=4,由此可以得知隐含层神经元个数为p1=6。
S15、基于神经元数量确认式,分别确认枯水期和丰水期时地下水位高度与各深度土层压缩模量之间的神经网络中隐含层的神经元数量,分别构建第二GA-BP神经网络模型与第三GA-BP神经网络模型。
进一步的,同理将地下水位高度与各深度土层压缩模量分别作为神经网络中输入层与输出层的神经元,即m=1,n=1,a=2;则枯水期时期内,地下水位高度与各深度土层压缩模量之间的隐含层神经元个数为p2=3;丰水期时期内,地下水位高度与各深度土层压缩模量之间的隐含层神经元个数为p3=3;
通过确认各隐含层神经元的数量,完成第一、第二、第三GA-BP神经网络模型的构建。
S2、基于均方误差确认第一、第二、第三GA-BP神经网络模型的最佳参数;若确认为最佳参数,则进行步骤S4;若确认不为最佳参数,则进行步骤S3;
进一步的,所述步骤S2,具体包括:
S21、确定第一、第二、第三GA-BP神经网络模型中的参数权重与偏置的数量;
所述参数权重的范围取为[-1,1],其表达式如下:
W=p×m+p×n;
其中:W为权重的数量;
由此可知,线缆覆冰厚度与影响因素之间的神经网络的参数权重数量为W1=24;枯水期时期内,地下水位高度与各深度土层压缩模量之间的神经网络的参数权重数量为W2=6,丰水期时期内,地下水位高度与各深度土层压缩模量之间的神经网络的参数权重数量为W3=6;
所述偏置的范围取为[-1,1],其表达式如下:
B=p+n;
其中:B为隐含层与输出层神经元的偏置;
由此可知,线缆覆冰厚度与影响因素之间的神经网络的偏置数量为B1=7;枯水期时期内,地下水位高度与各深度土层压缩模量之间的神经网络的偏置数量为B2=4,丰水期时期内,地下水位高度与各深度土层压缩模量之间的神经网络的偏置数量为B3=4;
上述三个神经网络模型,均采用均方误差进行性能评估,所述均方误差的基础评估式如下:
其中:n为样本数,Yi为真实值,Yi为预测值;
S22、确定第一、第二、第三GA-BP神经网络模型的训练参数;所述训练参数包括训练次数、学习率与训练目标最小误差,本实施例中,训练次数设置为s=4000,学习率设置为α=0.001,训练目标最小误差设置为e=0.001;
S23、在第一、第二、第三GA-BP神经网络模型的隐含层与输出层的神经元中引入激活函数;
所述隐含层神经元的激活函数如下:
其中:x为隐含层神经元所接收的数据值,e为常数;
所述输出层神经元的激活函数如下:
其中:y为输出层神经元输出值;
S24、确认遗传算法参数,并设置初始种群的规模为N=100与进化代数为E=50;
S25、基于参数权重与偏置确认遗传算法优化参数变量的数量;即线缆覆冰厚度与其影响因素之间的神经网络遗传算法优化变量的数量为31个,枯水期和丰水期地下水位高度与各深度土层压缩模量之间的神经网络遗传算法优化的数量为10个,并将参数变量的范围设置为[-1,1];
S26、确定各变量的精度并对各变量进行二进制编码,形成染色体;所述精度设置为小数点后三位;
所述二进制编码的位数表达式如下:
Round([u-l])×10t≤2L-1;
其中:Round为四舍五入函数;u为参数范围的上限,取值为1;l为参数范围的下限,取值为-1;t为等分数,取值为3;L为二进制编码位数,取值为12;
S27、对遗传算法进行选择、交叉与变异操作,获得新的染色体;本实施例中遗传算法的选择方式设置为轮盘赌法,交叉方式设置为单点交叉,同时交叉概率设置为0.6,变异方式设置为二进制变异,变异概率设置为0.05。
S28、将经过选择、交叉和变异操作所得到的新染色体进行解码,获得更新后的参数权重与偏置对应的数值;
S29、设置遗传算法的适应度函数,并将更新后的参数权重与偏置代入第一、第二、第三GA-BP神经网络模型中,随后将线缆覆冰厚度与覆冰厚度影响因素代入第一GA-BP神经网络模型中,将地下水位高度与土层压缩模量代入第二、第三GA-BP神经网络模型中,对第一、第二、第三GA-BP神经网络模型进行评估,获得MSE函数值;此时MSE函数值越低,代表适应度越高,即对应的参数值越优秀。
若MSE函数值小于最小误差0.001,则将此时的参数权重与偏置作为最佳参数;若大于误差,则进行步骤S3;
所述适应度函数的表达式如下:
其中:f(xi)为预测值。
S3、基于遗传算法对第一、第二、第三GA-BP神经网络模型进行迭代优化,直至获得最佳参数;
进一步的,所述步骤S3,具体包括:
S31、将适应度函数命名为损失函数LOSS,基于误差传播公式进行反向传播,调整参数权重与偏置的值;所述误差传播公式如下:
其中:为参数权重,b为偏置;
S32、将调整后的参数权重与偏置的值分别代入第一、第二或第三GA-BP神经网络模型中,计算LOSS函数是否小于最小误差;若小于,则将此时的参数权重与偏置作为最佳参数;若大于,则重复步骤S31,直至获得最佳参数或到达训练次数;
若到达训练次数4000后,LOSS函数仍然大于最小误差0.001,则输出此时的参数权重与偏置,并进行步骤S33;
S33、将第一次经过4000次训练获得的参数权重与偏置编入随机选择的99组权重与偏置数值组中,构成初始染色体种群数据组;
S34、将初始染色体种群数据组依次代入步骤S29中的适应度函数中,并根据适应度大小进行排序;
S35、将排序靠前的10%染色体进行保留,并将剩余的90%染色体根据轮盘赌法进行选择、交叉与变异操作,获得新的染色体群;
S36、对新的染色体群进行解码,并重复步骤S35,将适应度最高的参数权重与偏置作为最佳参数。
遗传算法的运算次数即进化迭代次数设置为50次,因此,若50次内,出现满足神经网络模型最小误差的参数权重和偏置,则直接输出,不必再执行后续的循环操作;若50次循环操作内,不满足神经网络模型的最小误差条件,则取最后一次循环后的,并将经神经网络模型训练后的参数权重和偏置作为最优参数,完成最优神经网络模型的创建。
优选的,上述的神经网络模型的训练、遗传算法的进化迭代计算,均为可以借助MATLAB软件进行循环运算实现。
S4、基于第一GA-BP神经网络模型进行线缆覆冰厚度预测,并基于第二、第三GA-BP神经网络模型进行各深度土层压缩模量预测;
S5、将预测获得的线缆覆冰厚度数据与各深度土层压缩模量数据相结合,进行有限元分析,获得杆塔的倾斜状态,完成对杆塔稳定性的评价。
本实施例中,对杆塔稳定性的评价依据可以参考相关规范进行。
实施例2:
参见图4,一种极端环境下杆塔稳定性评价系统,该系统应用于实施例1所述的方法,所述系统包括:
神经网络模型构建模块1,用于以线缆覆冰厚度与覆冰厚度影响因素为分析对象,构建第一GA-BP神经网络模型,并根据枯水期和丰水期时的地下水位高度对土层压缩模量的影响,分别构建第二、第三GA-BP神经网络模型;所述覆冰厚度影响因素包括温度、湿度与风速;
所述神经网络模型构建模块1用于根据以下步骤构建神经网络模型:
S11、收集目标区域内的温度、湿度、风速与线缆覆冰厚度;
S12、收集目标区域内枯水期和丰水期时,地下水位高度与各深度土层压缩模量;
S13、将温度、湿度、风速、线缆覆冰厚度、土层压缩模量进行归一化处理;所述归一化的表达式如下:
其中:Xnew为实际数据值进行归一化的结果,X为实际数据值,Xmin为实际数据中的最小值,Xmax为实际数据中的最大值;
S14、基于神经元数量确认式,确认线缆覆冰厚度与覆冰厚度影响因素之间的神经网络中隐含层的神经元数量,构建第一GA-BP神经网络模型;所述神经元数量确认式如下:
其中:p为隐含层的神经元数量,m为神经网络中输入层的神经元数量,n为神经网络中输出层的神经元数量,a为常数;
S15、基于神经元数量确认式,分别确认枯水期和丰水期时地下水位高度与各深度土层压缩模量之间的神经网络中隐含层的神经元数量,分别构建第二GA-BP神经网络模型与第三GA-BP神经网络模型;
最佳参数确认模块2,基于均方误差确认第一、第二、第三GA-BP神经网络模型的最佳参数;若确认为最佳参数,则进行预测模块(4)的相关步骤;若确认不为最佳参数,则进行神经网络模型优化模块(3)的相关步骤;
所述最佳参数确认模块2用于根据以下步骤确认最佳参数:
S21、确定第一、第二、第三GA-BP神经网络模型中的参数权重与偏置的数量;
所述参数权重的表达式如下:
W=p×m+p×n;
其中:W为权重的数量;
所述偏置的表达式如下:
B=p+n;
其中:B为隐含层与输出层神经元的偏置;
S22、确定第一、第二、第三GA-BP神经网络模型的训练参数;所述训练参数包括训练次数、学习率与训练目标最小误差;
S23、在第一、第二、第三GA-BP神经网络模型的隐含层与输出层的神经元中引入激活函数;
所述隐含层神经元的激活函数如下:
其中:x为隐含层神经元所接收的数据值,e为常数;
所述输出层神经元的激活函数如下:
其中:y为输出层神经元输出值;
S24、确认遗传算法参数,并设置初始种群的规模与进化代数;
S25、基于参数权重与偏置确认遗传算法优化参数变量的数量,并设置参数变量的范围;
S26、确定各变量的精度并对各变量进行二进制编码,形成染色体;所述二进制编码的位数表达式如下:
Round([u-l])×10t≤2L-1;
其中:Round为四舍五入函数,u为参数范围的上限,l为参数范围的下限,t为等分数,L为二进制编码位数;
S27、对遗传算法进行选择、交叉与变异操作,获得新的染色体;
S28、对新的染色体进行解码,获得更新后的参数权重与偏置对应的数值;
S29、设置遗传算法的适应度函数,并将更新后的参数权重与偏置代入第一、第二、第三GA-BP神经网络模型中,随后将线缆覆冰厚度与覆冰厚度影响因素代入第一GA-BP神经网络模型中,将地下水位高度与土层压缩模量代入第二、第三GA-BP神经网络模型中,对第一、第二、第三GA-BP神经网络模型进行评估,获得MSE函数值;
若MSE函数值小于最小误差,则将此时的参数权重与偏置作为最佳参数;若大于误差,则进行步骤S3;
所述适应度函数的表达式如下:
其中:f(xi)为预测值;
神经网络模型优化模块3,用于基于遗传算法对第一、第二、第三GA-BP神经网络模型进行迭代优化,直至获得最佳参数;
所述神经网络模型优化模块3用于根据以下步骤进行迭代优化:
S31、将适应度函数命名为损失函数LOSS,基于误差传播公式进行反向传播,调整参数权重与偏置的值;所述误差传播公式如下:
其中:为参数权重,b为偏置;
S32、将调整后的参数权重与偏置的值分别代入第一、第二或第三GA-BP神经网络模型中,计算LOSS函数是否小于最小误差;若小于,则将此时的参数权重与偏置作为最佳参数;若大于,则重复步骤S31,直至获得最佳参数或到达训练次数;
所述步骤S32中,若到达训练次数后,LOSS函数仍然大于最小误差,则输出此时的参数权重与偏置,并进行步骤S33;
S33、将此时的参数权重与偏置编入随机选择的若干组权重与偏置数值组中,构成初始染色体种群数据组;
S34、将初始染色体种群数据组依次代入步骤S29中的适应度函数中,并根据适应度大小进行排序;
S35、将排序靠前的染色体进行保留,并将剩余的染色体进行选择、交叉与变异操作,获得新的染色体群;
S36、对新的染色体群进行解码,并重复步骤S35,将适应度最高的参数权重与偏置作为最佳参数;
预测模块4,用于基于第一GA-BP神经网络模型进行线缆覆冰厚度预测,并基于第二、第三GA-BP神经网络模型进行各深度土层压缩模量预测;
稳定性评价模块5,将预测获得的线缆覆冰厚度数据与各深度土层压缩模量数据相结合,进行有限元分析,获得杆塔的倾斜状态,完成对杆塔稳定性的评价。
实施例3:
参见图5,一种极端环境下杆塔稳定性评价设备,所述设备包括处理器6以及存储器7;
所述存储器7用于存储计算机程序代码71,并将所述计算机程序代码71传输给所述处理器6;
所述处理器6用于根据所述计算机程序代码71中的指令执行实施例1所述的极端环境下杆塔稳定性评价方法。
一般来说,用以实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质,除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是,但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EKROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一个或多个程序设计语言或其组合来编写用以执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、SMalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言,特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意个类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述设备和非临时性计算机可读存储介质,可以参见对一种极端环境下杆塔稳定性评价方法及有益效果的具体描述,在此不再赘述。
尽管上面已经示出和描述了本发明的实施例,应当理解的是,上述实施例是示例性的,不能解释为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种极端环境下杆塔稳定性评价方法,其特征在于,包括:
S1、以线缆覆冰厚度与覆冰厚度影响因素为分析对象,构建第一GA-BP神经网络模型,并根据枯水期和丰水期时的地下水位高度对土层压缩模量的影响,分别构建第二、第三GA-BP神经网络模型;所述覆冰厚度影响因素包括温度、湿度与风速;
S2、基于均方误差确认第一、第二、第三GA-BP神经网络模型的最佳参数;若确认为最佳参数,则进行步骤S4;若确认不为最佳参数,则进行步骤S3;
S3、基于遗传算法对第一、第二、第三GA-BP神经网络模型进行迭代优化,直至获得最佳参数;
S4、基于第一GA-BP神经网络模型进行线缆覆冰厚度预测,并基于第二、第三GA-BP神经网络模型进行各深度土层压缩模量预测;
S5、将预测获得的线缆覆冰厚度数据与各深度土层压缩模量数据相结合,进行有限元分析,获得杆塔的倾斜状态,完成对杆塔稳定性的评价;
所述步骤S1,具体包括:
S11、收集目标区域内的温度、湿度、风速与线缆覆冰厚度;
S12、收集目标区域内枯水期和丰水期时,地下水位高度与各深度土层压缩模量;
S13、将温度、湿度、风速、线缆覆冰厚度、土层压缩模量进行归一化处理;所述归一化的表达式如下:
其中:Xnew为实际数据值进行归一化的结果,X为实际数据值,Xmin为实际数据中的最小值,Xmax为实际数据中的最大值;
S14、基于神经元数量确认式,确认线缆覆冰厚度与覆冰厚度影响因素之间的神经网络中隐含层的神经元数量,构建第一GA-BP神经网络模型;所述神经元数量确认式如下:
其中:p为隐含层的神经元数量,m为神经网络中输入层的神经元数量,n为神经网络中输出层的神经元数量,a为常数;
S15、基于神经元数量确认式,分别确认枯水期和丰水期时地下水位高度与各深度土层压缩模量之间的神经网络中隐含层的神经元数量,分别构建第二GA-BP神经网络模型与第三GA-BP神经网络模型。
2.根据权利要求1所述的一种极端环境下杆塔稳定性评价方法,其特征在于:
所述步骤S2,具体包括:
S21、确定第一、第二、第三GA-BP神经网络模型中的参数权重与偏置的数量;
所述参数权重的表达式如下:
W=p×m+p×n;
其中:W为权重的数量;
所述偏置的表达式如下:
B=p+n;
其中:B为隐含层与输出层神经元的偏置;
S22、确定第一、第二、第三GA-BP神经网络模型的训练参数;所述训练参数包括训练次数、学习率与训练目标最小误差;
S23、在第一、第二、第三GA-BP神经网络模型的隐含层与输出层的神经元中引入激活函数;
所述隐含层神经元的激活函数如下:
其中:x为隐含层神经元所接收的数据值,e为常数;
所述输出层神经元的激活函数如下:
其中:y为输出层神经元输出值;
S24、确认遗传算法参数,并设置初始种群的规模与进化代数;
S25、基于参数权重与偏置确认遗传算法优化参数变量的数量,并设置参数变量的范围;
S26、确定各变量的精度并对各变量进行二进制编码,形成染色体;所述二进制编码的位数表达式如下:
Round([u-l])×10t≤2L-1
其中:Round为四舍五入函数,u为参数范围的上限,l为参数范围的下限,t为等分数,L为二进制编码位数;
S27、对遗传算法进行选择、交叉与变异操作,获得新的染色体;
S28、对新的染色体进行解码,获得更新后的参数权重与偏置对应的数值;
S29、设置遗传算法的适应度函数,并将更新后的参数权重与偏置代入第一、第二、第三GA-BP神经网络模型中,随后将线缆覆冰厚度与覆冰厚度影响因素代入第一GA-BP神经网络模型中,将地下水位高度与土层压缩模量代入第二、第三GA-BP神经网络模型中,对第一、第二、第三GA-BP神经网络模型进行评估,获得MSE函数值;
若MSE函数值小于最小误差,则将此时的参数权重与偏置作为最佳参数;若大于误差,则进行步骤S3;
所述适应度函数的表达式如下:
其中:f(xi)为预测值。
3.根据权利要求2所述的一种极端环境下杆塔稳定性评价方法,其特征在于:
所述步骤S3,具体包括:
S31、将适应度函数命名为损失函数LOSS,基于误差传播公式进行反向传播,调整参数权重与偏置的值;所述误差传播公式如下:
其中:为参数权重,b为偏置;
S32、将调整后的参数权重与偏置分别代入第一、第二或第三GA-BP神经网络模型中,计算LOSS函数是否小于最小误差;若小于,则将此时的参数权重与偏置作为最佳参数;若大于,则重复步骤S31,直至获得最佳参数或到达训练次数。
4.根据权利要求3所述的一种极端环境下杆塔稳定性评价方法,其特征在于:
所述步骤S32中,若到达训练次数后,LOSS函数仍然大于最小误差,则输出此时的参数权重与偏置,并进行步骤S33;
S33、将此时的参数权重与偏置编入随机选择的若干组权重与偏置数值组中,构成初始染色体种群数据组;
S34、将初始染色体种群数据组依次代入步骤S29中的适应度函数中,并根据适应度大小进行排序;
S35、将排序靠前的染色体进行保留,并将剩余的染色体进行选择、交叉与变异操作,获得新的染色体群;
S36、对新的染色体群进行解码,并重复步骤S35,将适应度最高的参数权重与偏置作为最佳参数。
5.一种极端环境下杆塔稳定性评价系统,其特征在于:该系统应用于权利要求1-4任一项所述的方法,所述系统包括:
神经网络模型构建模块(1),用于以线缆覆冰厚度与覆冰厚度影响因素为分析对象,构建第一GA-BP神经网络模型,并根据枯水期和丰水期时的地下水位高度对土层压缩模量的影响,分别构建第二、第三GA-BP神经网络模型;所述覆冰厚度影响因素包括温度、湿度与风速;
最佳参数确认模块(2),用于基于均方误差确认第一、第二、第三GA-BP神经网络模型的最佳参数;若确认为最佳参数,则进行预测模块(4)的相关步骤;若确认不为最佳参数,则进行神经网络模型优化模块(3)的相关步骤;
神经网络模型优化模块(3),用于基于遗传算法对第一、第二、第三GA-BP神经网络模型进行迭代优化,直至获得最佳参数;
预测模块(4),用于基于第一GA-BP神经网络模型进行线缆覆冰厚度预测,并基于第二、第三GA-BP神经网络模型进行各深度土层压缩模量预测;
稳定性评价模块(5),用于将预测获得的线缆覆冰厚度数据与各深度土层压缩模量数据相结合,进行有限元分析,获得杆塔的倾斜状态,完成对杆塔稳定性的评价;
所述神经网络模型构建模块(1)用于根据以下步骤构建神经网络模型:
S11、收集目标区域内的温度、湿度、风速与线缆覆冰厚度;
S12、收集目标区域内枯水期和丰水期时,地下水位高度与各深度土层压缩模量;
S13、将温度、湿度、风速、线缆覆冰厚度、土层压缩模量进行归一化处理;所述归一化的表达式如下:
其中:Xnew为实际数据值进行归一化的结果,X为实际数据值,Xmin为实际数据中的最小值,Xmax为实际数据中的最大值;
S14、基于神经元数量确认式,确认线缆覆冰厚度与覆冰厚度影响因素之间的神经网络中隐含层的神经元数量,构建第一GA-BP神经网络模型;所述神经元数量确认式如下:
其中:p为隐含层的神经元数量,m为神经网络中输入层的神经元数量,n为神经网络中输出层的神经元数量,a为常数;
S15、基于神经元数量确认式,分别确认枯水期和丰水期时地下水位高度与各深度土层压缩模量之间的神经网络中隐含层的神经元数量,分别构建第二GA-BP神经网络模型与第三GA-BP神经网络模型。
6.根据权利要求5所述的一种极端环境下杆塔稳定性评价系统,其特征在于:
所述最佳参数确认模块(2)用于根据以下步骤确认最佳参数:
S21、确定第一、第二、第三GA-BP神经网络模型中的参数权重与偏置的数量;
所述参数权重的表达式如下:
W=p×m+p×n
其中:W为权重的数量;
所述偏置的表达式如下:
B=p+n
其中:B为隐含层与输出层神经元的偏置;
S22、确定第一、第二、第三GA-BP神经网络模型的训练参数;所述训练参数包括训练次数、学习率与训练目标最小误差;
S23、在第一、第二、第三GA-BP神经网络模型的隐含层与输出层的神经元中引入激活函数;
所述隐含层神经元的激活函数如下:
其中:x为隐含层神经元所接收的数据值,e为常数;
所述输出层神经元的激活函数如下:
其中:y为输出层神经元输出值;
S24、确认遗传算法参数,并设置初始种群的规模与进化代数;
S25、基于参数权重与偏置确认遗传算法优化参数变量的数量,并设置参数变量的范围;
S26、确定各变量的精度并对各变量进行二进制编码,形成染色体;所述二进制编码的位数表达式如下:
Round([u-l])×10t≤2L-1
其中:Round为四舍五入函数,u为参数范围的上限,l为参数范围的下限,t为等分数,L为二进制编码位数;
S27、对遗传算法进行选择、交叉与变异操作,获得新的染色体;
S28、对新的染色体进行解码,获得更新后的参数权重与偏置对应的数值;
S29、设置遗传算法的适应度函数,并将更新后的参数权重与偏置代入第一、第二、第三GA-BP神经网络模型中,随后将线缆覆冰厚度与覆冰厚度影响因素代入第一GA-BP神经网络模型中,将地下水位高度与土层压缩模量代入第二、第三GA-BP神经网络模型中,对第一、第二、第三GA-BP神经网络模型进行评估,获得MSE函数值;
若MSE函数值小于最小误差,则将此时的参数权重与偏置作为最佳参数;若大于误差,则进行步骤S3;
所述适应度函数的表达式如下:
其中:f(xi)为预测值。
7.根据权利要求6所述的一种极端环境下杆塔稳定性评价系统,其特征在于:
所述神经网络模型优化模块(3)用于根据以下步骤进行迭代优化:
S31、将适应度函数命名为损失函数LOSS,基于误差传播公式进行反向传播,调整参数权重与偏置的值;所述误差传播公式如下:
其中:为参数权重,b为偏置;
S32、将调整后的参数权重与偏置的值分别代入第一、第二或第三GA-BP神经网络模型中,计算LOSS函数是否小于最小误差;若小于,则将此时的参数权重与偏置作为最佳参数;若大于,则重复步骤S31,直至获得最佳参数或到达训练次数;
所述步骤S32中,若到达训练次数后,LOSS函数仍然大于最小误差,则输出此时的参数权重与偏置,并进行步骤S33;
S33、将此时的参数权重与偏置编入随机选择的若干组权重与偏置数值组中,构成初始染色体种群数据组;
S34、将初始染色体种群数据组依次代入步骤S29中的适应度函数中,并根据适应度大小进行排序;
S35、将排序靠前的染色体进行保留,并将剩余的染色体进行选择、交叉与变异操作,获得新的染色体群;
S36、对新的染色体群进行解码,并重复步骤S35,将适应度最高的参数权重与偏置作为最佳参数。
8.一种极端环境下杆塔稳定性评价设备,其特征在于:
所述设备包括处理器(6)以及存储器(7);
所述存储器(7)用于存储计算机程序代码(71),并将所述计算机程序代码(71)传输给所述处理器(6);
所述处理器(6)用于根据所述计算机程序代码(71)中的指令执行权利要求1-4任一项所述的极端环境下杆塔稳定性评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160204.5A CN117709204B (zh) | 2024-02-05 | 2024-02-05 | 一种极端环境下杆塔稳定性评价方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160204.5A CN117709204B (zh) | 2024-02-05 | 2024-02-05 | 一种极端环境下杆塔稳定性评价方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117709204A CN117709204A (zh) | 2024-03-15 |
CN117709204B true CN117709204B (zh) | 2024-05-07 |
Family
ID=90148220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410160204.5A Active CN117709204B (zh) | 2024-02-05 | 2024-02-05 | 一种极端环境下杆塔稳定性评价方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709204B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414891A (zh) * | 2020-04-07 | 2020-07-14 | 云南电网有限责任公司昆明供电局 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
CN112861418A (zh) * | 2020-12-25 | 2021-05-28 | 三峡大学 | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 |
CN117350146A (zh) * | 2023-09-08 | 2024-01-05 | 哈尔滨工业大学 | 一种基于ga-bp神经网络的排水管网健康性评价方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8873334B2 (en) * | 2013-03-05 | 2014-10-28 | Hunt Energy Enterprises, L.L.C. | Correlation techniques for passive electroseismic and seismoelectric surveying |
IL301731A (en) * | 2020-10-08 | 2023-05-01 | Edgy Bees Ltd | Improving geographic registration through object recognition based on machine learning |
-
2024
- 2024-02-05 CN CN202410160204.5A patent/CN117709204B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414891A (zh) * | 2020-04-07 | 2020-07-14 | 云南电网有限责任公司昆明供电局 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
CN112861418A (zh) * | 2020-12-25 | 2021-05-28 | 三峡大学 | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 |
CN117350146A (zh) * | 2023-09-08 | 2024-01-05 | 哈尔滨工业大学 | 一种基于ga-bp神经网络的排水管网健康性评价方法 |
Non-Patent Citations (4)
Title |
---|
基于LSTM 人工神经网络的输电线路覆冰灾害预警模型;黄绪勇等;《新科技》;20171231;全文 * |
李昭廷 ; 郝艳捧 ; .一种基于历史数据的输电线路覆冰增长快速预测方法.电瓷避雷器.2012,全文. * |
特高压交流工程相关费用研究;周子毓等;《工程管理》;20191231;全文 * |
页岩气开采中的若干力学前沿问题;刘曰武;高大鹏;李奇;万义钊;段文杰;曾霞光;李明耀;苏业旺;范永波;李世海;鲁晓兵;周东;陈伟民;傅一钦;姜春晖;侯绍继;潘利生;魏小林;胡志明;端祥刚;高树生;沈瑞;常进;李晓雁;柳占立;魏宇杰;郑哲敏;;力学进展;20190208(第00期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117709204A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543237B (zh) | 基于ga-bp神经网络的基坑位移预测方法 | |
CN111582755B (zh) | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 | |
CN108595845B (zh) | 一种基于性能设计的桥梁地震风险概率分析方法 | |
CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
CN111737853A (zh) | 一种基于swmm模型的低影响开发多目标区间优化配置方法 | |
CN113554849A (zh) | 一种空天地监测边坡系统及其失稳风险评估方法 | |
CN107742170A (zh) | 一种雨水管网系统水力设计参数优化方法 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN115203993A (zh) | 一种高烈度区内河架空直立式框架码头抗震韧性评估方法、系统、设备以及介质 | |
CN115907429B (zh) | 基于pso算法的合流制溢流优化控制方法及装置 | |
CN115564288A (zh) | 基于数据融合的输电线路地质灾害风险评估方法及系统 | |
CN117150880A (zh) | 一种基坑支护结构的变形预测以及逆向设计方法及系统 | |
CN117709204B (zh) | 一种极端环境下杆塔稳定性评价方法、系统及设备 | |
CN114971332A (zh) | 变电站建筑物及设备基础健康状况检测识别方法及介质 | |
CN117390381A (zh) | 基于深度学习的地下连续墙接头缝渗漏预测方法及装置 | |
CN116258275A (zh) | 一种基于集成学习的基坑变形多元时间序列预测方法 | |
CN115618737A (zh) | 一种边坡加固参数优化方法及相关设备 | |
CN114298133A (zh) | 短期风速混合预测方法及装置 | |
CN112001490A (zh) | 一种并网光伏系统置信容量的确定方法及系统 | |
Shen et al. | Prediction of long-term settlement in shield tunnel using GA-BP neural network | |
CN117333587B (zh) | 基于视频水位计的城市淹没图像数据的生成方法及系统 | |
CN118278981A (zh) | 一种电网基建项目投资优化方法 | |
CN117035005B (zh) | 一种城市固废焚烧过程智能操作优化方法 | |
CN113887843B (zh) | 一种风电场输出功率的群体预测方法和系统 | |
CN117094449B (zh) | 基于气象风险的建筑工地作业场景施工窗口期预报系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |