结合MIDAS仿真和BP神经网络的输电杆塔基础滑坡风险评估

近年来,暴雨及洪涝等异常灾害使得滑坡现象频发,导致野外输电杆塔发生倾斜、位移及沉降,严重威胁电网安全运行。为解决现有输电杆塔基础滑坡风险评估方法存在的普适性差、主观性强等问题,本文构建了一种结合仿真计算和数据驱动的杆塔滑坡风险评估模型。首先,将杆塔基础荷载纳入杆塔基础滑坡影响因子,结合MIDAS软件仿真得到坡体安全系数。其次,基于卫星、气象等多源信息融合,提取8 个杆塔基础滑坡影响因子,搭建按误差逆传播算法训练的多层前馈（back prop-agation,BP）神经网络模型。最后,对比测试样本集安全系数的仿真结果与模型预测值,误差范围为0.01%~0.24%,并结合合成孔径雷达干涉技术 (interferometric synthetic aperture radar,INSAR)验证了模型有效性和可行性。研究结果表明利用该神经网络模型可实现对任意输电杆塔基础所在坡体安全系数的精准、快速预测,同时具有普适性强的特点,研究成果可为输电线路防灾减灾提供新思路。     

基于GWO改进神经网络的风致输电杆塔响应计算方法

针对基于有限元方法的风致输电杆塔仿真模型存在模型参数设置复杂、响应速度低下等问题,本文提出了一种结合杆塔仿真计算与机器学习的杆塔应力快速计算方法,实现了风致输电杆塔仿真模型的高效运算。本文首先利用有限元仿真分析10~35 m/s风速0~90°风向下输电杆塔的应力结果,将其作为神经网络训练样本;分析杆塔本征参数及气象因素对杆塔应力结果的影响,提出一种基于风速、风向和塔材类型等因素的特征值选取方法;利用GWO优化算法提高神经网络准确度,建立基于GWO-BPNN的杆塔风致应力计算模型,计算速度可达建模仿真的10倍以上。在准确率上,基于数据集划分训练集及验证集,模型准确率在98%以上,将计算结果与实际杆塔受灾情况相比情况一致。本模型可用于输电线路防风预警,致力于输电线路防灾减灾。