基于GWO改進(jìn)神經(jīng)網(wǎng)絡(luò)的風(fēng)致輸電桿塔響應(yīng)計(jì)算方法

謝從珍, 馬康, 盧偉民, 王勇

(1.華南理工大學(xué)電力學(xué)院, 廣州 510000; 2．廣東電網(wǎng)有限責(zé)任公司廣州供電局, 廣州 510000)

架空輸電線路作為城市電網(wǎng)的“骨架”,一旦發(fā)生故障,將嚴(yán)重影響區(qū)域供電,甚至造成大面積停電事故。強(qiáng)風(fēng)會(huì)造成輸電線路的倒塔、斷線等事故,在強(qiáng)風(fēng)來(lái)臨時(shí)電力防災(zāi)減災(zāi)部門(mén)需要及時(shí)做出預(yù)警工作。一般通過(guò)仿真計(jì)算或風(fēng)洞試驗(yàn)來(lái)研究桿塔抗風(fēng)能力,針對(duì)單一模型時(shí)可以滿足需求,然而實(shí)際線路中桿塔數(shù)量眾多,因?yàn)闂U塔間存在細(xì)微差別,對(duì)所有塔進(jìn)行建模及實(shí)驗(yàn)將產(chǎn)生巨大的工作量和計(jì)算量,為了解決這一問(wèn)題,可以在建模仿真中引入機(jī)器學(xué)習(xí)的研究方法。

國(guó)外學(xué)者對(duì)機(jī)器學(xué)習(xí)與力學(xué)仿真相結(jié)合的領(lǐng)域已有相當(dāng)多的研究,尤其在計(jì)算流體力學(xué)領(lǐng)域頗有成果,文獻(xiàn)[1]通過(guò)設(shè)置兩種精細(xì)度的網(wǎng)格有限元模型,比較其計(jì)算結(jié)果,搭建算法模型訓(xùn)練兩種網(wǎng)格計(jì)算結(jié)果的局部誤差,并校正流體流量,得到精細(xì)網(wǎng)格仿真下的精細(xì)結(jié)果;文獻(xiàn)[2]將計(jì)算流體動(dòng)力學(xué)(computational fluid dynamics,CFD)方法和基于自適應(yīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)方法相結(jié)合,構(gòu)建算法根據(jù)塔高預(yù)測(cè)反應(yīng)器內(nèi)的氣泡流;文獻(xiàn)[3]基于計(jì)算流體動(dòng)力學(xué),對(duì)比了不同的機(jī)器學(xué)習(xí)方法結(jié)果精度, 實(shí)現(xiàn)風(fēng)力渦輪機(jī)流場(chǎng)預(yù)測(cè);文獻(xiàn)[4]研究了一種基于機(jī)器學(xué)習(xí)的貝葉斯方法,用于反向量化和減少泡狀流多相計(jì)算流體動(dòng)力學(xué)模擬的不確定性,提高計(jì)算精度。

在桿塔風(fēng)險(xiǎn)評(píng)估領(lǐng)域,文獻(xiàn)[5-6]進(jìn)行了輸電鐵塔分段全尺寸模型的風(fēng)洞試驗(yàn)研究,分析了輸電鐵塔的風(fēng)荷載特性;文獻(xiàn)[7]建立了線路冰風(fēng)荷載風(fēng)險(xiǎn)模型,用于計(jì)算線路不可靠度與故障率,以反映輸電系統(tǒng)風(fēng)險(xiǎn);文獻(xiàn)[8]基于隨機(jī)風(fēng)場(chǎng)概率加權(quán)的臺(tái)風(fēng)災(zāi)害研究輸電線路損毀預(yù)警;文獻(xiàn)[9]分析了鐵塔風(fēng)荷載的計(jì)算原理,研究某一典型的輸電鐵塔的風(fēng)荷載計(jì)算方法以對(duì)輸電鐵塔抗風(fēng)設(shè)計(jì)提供參考;文獻(xiàn)[10-11]建立塔線體系研究桿塔穩(wěn)定性,研究得出考慮塔線耦合作用比輸電塔與導(dǎo)線分開(kāi)的計(jì)算結(jié)果更貼近實(shí)際情況。

綜上,機(jī)器學(xué)習(xí)與計(jì)算流體力學(xué)結(jié)合的研究已有相當(dāng)?shù)某晒?但是在結(jié)構(gòu)力學(xué)領(lǐng)域還沒(méi)有進(jìn)展。桿塔仿真在工程應(yīng)用中面對(duì)大風(fēng)天氣時(shí)往往需要評(píng)估大范圍的線路,實(shí)際線路中桿塔數(shù)量多,型號(hào)各異,加上復(fù)雜的氣象條件,難以快速進(jìn)行仿真計(jì)算得到響應(yīng)結(jié)果,不利于準(zhǔn)確及時(shí)的預(yù)警工作;當(dāng)氣象條件改變時(shí)需重新修改參數(shù)進(jìn)行仿真,耗費(fèi)大量時(shí)間算力,已有的歷史仿真結(jié)果數(shù)據(jù)沒(méi)有得到充分利用。而利用大數(shù)據(jù)與仿真計(jì)算結(jié)合時(shí),特征值的選取至關(guān)重要,脫離力學(xué)原理進(jìn)行數(shù)據(jù)側(cè)分析難以貼合實(shí)際,且訓(xùn)練效果一般,因此本文將仿真與大數(shù)據(jù)分析結(jié)合的方法十分必要。

首先基于風(fēng)場(chǎng)和輸電線路本征參數(shù)建立輸電塔線單元的風(fēng)荷載仿真模型,得到桿塔風(fēng)致響應(yīng)特點(diǎn)并構(gòu)建應(yīng)力響應(yīng)數(shù)據(jù)集,提出基于灰狼優(yōu)化算法(grey wolf optimize,GWO)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)的GWO-BPNN的風(fēng)致桿塔響應(yīng)計(jì)算方法,預(yù)期可提高桿塔風(fēng)致響應(yīng)的計(jì)算速度與準(zhǔn)確度,可為更復(fù)雜的模型和荷載類(lèi)型提供參考。

1 風(fēng)場(chǎng)下塔線體系模型建立

搭建基于ZGU1桿塔的塔線單元有限元模型,計(jì)算風(fēng)荷載并施加至對(duì)應(yīng)節(jié)點(diǎn)進(jìn)行仿真計(jì)算,得到模型在不同風(fēng)場(chǎng)中的應(yīng)力響應(yīng)。

1.1 相關(guān)模型參數(shù)設(shè)置

使用Ansys APDL仿真軟件進(jìn)行仿真,輸電塔模型選取110 kV ZGU1干字型鐵塔,塔高40 m,塔腳高3 m,塔基為5.766 m×5.766 m正方形,塔間水平檔距200 m。導(dǎo)線選取LGJ-240/30型鋼芯鋁絞線,通過(guò)找形分析獲得初始線形。

輸電塔的構(gòu)件采用Beam188單元模擬,截面形狀為L(zhǎng),彈性模量為206 000 MPa,泊松比為0.3,密度為7 850 kg/m3,以輸電塔頂部正中心為原點(diǎn),以中軸線建立Z軸,沿導(dǎo)線方向建立Y軸,垂直導(dǎo)線方向建立X軸,在每個(gè)輸電塔的底部與地面接觸點(diǎn)施加約束。

輸電線采用Link10單元建模,截面積275.96 mm2,外徑21.6 mm,彈性模量73 000 MPa,最大張力30.248 kN,拉斷力75.62 kN,單位質(zhì)量922.2 kg/km,將導(dǎo)線懸掛點(diǎn)設(shè)置為相應(yīng)塔上的導(dǎo)線懸掛點(diǎn),并對(duì)線材施加自重荷載,并進(jìn)行迭代找形計(jì)算。耦合模型的建立,將塔間檔距設(shè)置為200 m。模型如圖1所示。

1.2 風(fēng)荷載計(jì)算

為便于計(jì)算,將輸電塔分段來(lái)施加風(fēng)荷載,并將風(fēng)荷載施加于桿塔節(jié)點(diǎn)處[12-13],將該輸電塔沿Z軸方向分為13段,如圖2所示,施加荷載節(jié)點(diǎn)情況如圖3所示。

根據(jù)標(biāo)準(zhǔn)[13-14]的相關(guān)規(guī)定,輸電塔塔身及導(dǎo)線風(fēng)荷載計(jì)算方法為

圖3 桿塔荷載及約束加載Fig.3 Tower load and restraint load

F=βzμzμsω0A×106

(1)

F=βzμzμsω0αfdL×106

(2)

式中:F為風(fēng)荷載;βz為風(fēng)振系數(shù);μz為風(fēng)壓高度變化系數(shù);μs為風(fēng)荷載體形系數(shù),取1.10;ω0為基本風(fēng)壓;A為塔身段凈投影面積;αf為風(fēng)壓不均勻系數(shù),取0.80;d為導(dǎo)線直徑;L為輸電塔水平檔距。

選取建筑地點(diǎn)地面粗糙度類(lèi)別為B類(lèi)(指田野、叢林、丘陵及房屋比較稀疏的鄉(xiāng)鎮(zhèn)),風(fēng)向沿X軸正方向,對(duì)式(1)、式(2)中的系數(shù)進(jìn)行具體計(jì)算。施加荷載及約束情況如圖3所示。

2 樣本特征分析

將單元應(yīng)力仿真結(jié)果導(dǎo)出,從風(fēng)場(chǎng)和塔材等多方面研究影響桿塔應(yīng)力結(jié)果的主要因素。

對(duì)于導(dǎo)線應(yīng)力響應(yīng),其應(yīng)力在兩端處最大,最大值為31 MPa,中部值最小。由導(dǎo)線外徑計(jì)算截面積可得最大拉力為10.56 kN,小于導(dǎo)線設(shè)計(jì)拉斷值75.6 kN。在改變風(fēng)向時(shí)導(dǎo)線應(yīng)力沒(méi)有大范圍改變,皆遠(yuǎn)小于拉斷值。可見(jiàn)導(dǎo)線不會(huì)在強(qiáng)風(fēng)下被風(fēng)力拉斷,而更可能是由于倒塔而引起的斷線,因此本文將桿塔作為研究重點(diǎn),分析影響桿塔響應(yīng)結(jié)果的各個(gè)因素。

2.1 風(fēng)速

設(shè)置18～34 m/s風(fēng)速,依次仿真計(jì)算風(fēng)荷載,取某段主材繪制應(yīng)力隨風(fēng)速變化曲線,如圖4所示,應(yīng)力與風(fēng)速之間呈正相關(guān)關(guān)系。

圖4 不同風(fēng)速下桿塔主材節(jié)點(diǎn)應(yīng)力Fig.4 Nodal stress of tower under different wind speeds

2.2 風(fēng)向

改變風(fēng)場(chǎng)方向,以平行線路方向?yàn)?°,如圖5所示,進(jìn)行0°～90°風(fēng)向的仿真計(jì)算,篩選主材應(yīng)力結(jié)果如圖。桿塔應(yīng)力最大值出現(xiàn)在45°風(fēng)下的桿塔背風(fēng)側(cè)主材,此時(shí)桿塔兩側(cè)主材受力較小,受力集中于風(fēng)場(chǎng)方向上的主材。

圖5 風(fēng)向角Fig.5 Wind direction angle

2.3 塔材迎風(fēng)類(lèi)型

當(dāng)風(fēng)向改變時(shí),桿塔的四根主材會(huì)受到不同的荷載,如在45°風(fēng)向下,迎風(fēng)側(cè)主材會(huì)受到較大拉伸力,背風(fēng)側(cè)主材則受到較大擠壓力,它們大小相近,然而兩側(cè)主材應(yīng)力較小(10～30 MPa),具體受力情況如圖6所示。

圖6 風(fēng)場(chǎng)角度與應(yīng)力Fig.6 Wind field angle and stress

2.4 高度

將應(yīng)力數(shù)據(jù)與對(duì)應(yīng)坐標(biāo)數(shù)據(jù)導(dǎo)出,以高度為橫坐標(biāo)繪制桿塔整體應(yīng)力分布圖,如圖7所示。其中主材應(yīng)力最大值在13 m和塔腳處。為了保證模型的普適性,將塔材高度進(jìn)行如下處理:

h′=h/Ht

(3)

圖7 塔材應(yīng)力分布Fig.7 Tower stress distribution

式(3)中:h為塔材高度;Ht為桿塔總高;h′為塔材所占桿塔總高的比例。

2.5 桿塔分層

由圖7可看出塔材應(yīng)力并非隨高度單調(diào)變化,有明顯的分層特性,如在0～12 m、12～22 m和22～30 m等段應(yīng)力均出現(xiàn)突變并在該段漸小,所以單一的高度無(wú)法描述桿塔應(yīng)力分布特征。為了更準(zhǔn)確地描述桿塔受力特征,將桿塔按高度劃分為10段,劃分情況如表1所示。

表1 桿塔分段表Table 1 Tower segment table

2.6 塔材類(lèi)型

將塔材分為主材、斜材和橫材。塔材類(lèi)型對(duì)其受力影響很大,如圖8所示,在26 m/s風(fēng)速條件下仿真結(jié)果,桿塔主材受力遠(yuǎn)大于其他塔材,主材應(yīng)力分布在200～250 MPa,塔頂部分受力較小;斜材在塔身下半段受力在60 MPa左右,在塔頭部分受力在50 MPa以下,且基本大于水平塔材,同樣隨高度升高呈減小趨勢(shì);水平塔材除了在塔基處有較大受力外其他部位受力很小,在25 MPa以下,遠(yuǎn)小于其他塔材,具體如圖8和圖9所示。

圖8 不同塔材類(lèi)型受力對(duì)比Fig.8 Force comparison of different tower types

圖9 主材與其他塔材應(yīng)力對(duì)比Fig.9 Stress comparison between main material and other tower materials

3 改進(jìn)神經(jīng)網(wǎng)絡(luò)模型

現(xiàn)提出一種基于優(yōu)化算法優(yōu)化的反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)仿真數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí),將結(jié)果與某線路ZGU1桿塔在臺(tái)風(fēng)中受損情況對(duì)比,由訓(xùn)練誤差和實(shí)際案例說(shuō)明了本文提出的預(yù)測(cè)模型的可行性,為大規(guī)模多區(qū)域的風(fēng)險(xiǎn)評(píng)估提供了可靠的算法支持。

3.1 灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

3.1.1 BP神經(jīng)網(wǎng)絡(luò)

利用BPNN線性回歸分析來(lái)預(yù)測(cè)桿塔力學(xué)響應(yīng)?；貧w分析是確定兩種或兩種以上變量間相互依賴(lài)的定量關(guān)系的一種統(tǒng)計(jì)分析方法。BP算法是目前用來(lái)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)的常用且有效的算法。

3.1.2 灰狼優(yōu)化算法

GWO是一種模擬狼群中等級(jí)分層和捕食行為的優(yōu)化算法?；依菫槿壕由?其內(nèi)部有嚴(yán)格等級(jí)制度,分為領(lǐng)導(dǎo)者α、決策者β、普通執(zhí)行者δ和底層ω。灰狼捕獵過(guò)程分為包圍獵物,狩獵和攻擊獵物?；依菄东C物的行為定義為

(4)

A=2ar1-a

(5)

C=2r2

(6)

式(4)中:t為目前迭代次數(shù);A和C為設(shè)置的系數(shù)向量,用于確定灰狼位置;Xp和X分別為獵物和灰狼的位置;a為收斂因子,隨著迭代其大小從2減小到0;r為大小在[0,1]隨機(jī)向量。

狩獵過(guò)程中,灰狼可以識(shí)別獵物的位置并將其包圍,β和δ在α的帶領(lǐng)下直到狼群包圍獵物。在實(shí)際計(jì)算中,為了模擬捕食行為,假設(shè)α、β和δ了解獵物潛在位置,通過(guò)保存目前最有解并使其他灰狼個(gè)體ω依據(jù)最優(yōu)灰狼個(gè)體的位置更新自身位置來(lái)逐漸逼近獵物。追蹤獵物過(guò)程的數(shù)學(xué)模型表達(dá)式為

Dα=|C1Xα-X|

(7)

Dβ=|C2Xβ-X|

(8)

Dδ=|C3Xδ-X|

(9)

X1=Xα-A1Dα

(10)

X2=Xβ-A2Dβ

(11)

X3=Xδ-A3Dδ

(12)

(13)

式中:Dα、Dβ、Dδ為α、β、δ和其他個(gè)體間的距離向量。Xα、Xβ、Xδ為α、β、δ的當(dāng)前位置向量;C1、C2、C3為隨機(jī)向量;X為當(dāng)前灰狼的位置向量。模擬逼近獵物的過(guò)程中,a的值逐漸減小,在迭代過(guò)程中,a的值從2下降到0,對(duì)應(yīng)的A也在[-a,a]變化,當(dāng)|A|<1時(shí),灰狼發(fā)起攻擊,即GWO算法尋得最優(yōu)解。

3.2 優(yōu)化

得到BP 神經(jīng)網(wǎng)絡(luò)通過(guò)灰狼優(yōu)化算法確定隱含層節(jié)點(diǎn)數(shù)過(guò)程如下,計(jì)算過(guò)程如圖10所示。

(1)搭建神經(jīng)網(wǎng)絡(luò),設(shè)置隱含層數(shù)量及初始化權(quán)重等,利用經(jīng)驗(yàn)法設(shè)置每層神經(jīng)元數(shù)量。

(2)對(duì)數(shù)據(jù)預(yù)處理,包括歸一化操作及設(shè)置特征值,劃分訓(xùn)練集、驗(yàn)證集及測(cè)試集。

(3)設(shè)置灰狼優(yōu)化算法參數(shù),包括灰狼種群數(shù)量,灰狼維度,變量邊界,迭代次數(shù)。

(4)基于設(shè)置好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練,以均方誤差作為適應(yīng)度函數(shù),通過(guò)優(yōu)化算法迭代更新最優(yōu)解。

(5)判斷迭代次數(shù)是否達(dá)到最大迭代次數(shù),判斷算法是否繼續(xù)迭代,最后輸出當(dāng)前最優(yōu)解,即神經(jīng)元數(shù)量。

圖10 GWO優(yōu)化神經(jīng)網(wǎng)絡(luò)流程圖Fig.10 GWO optimized neural network flowchart

3.3 訓(xùn)練結(jié)果

基于前文有限元仿真計(jì)算,將仿真結(jié)果作為數(shù)據(jù)集,數(shù)據(jù)特征按第2節(jié)分析劃分,特征值包括仿真環(huán)境參數(shù)如風(fēng)速風(fēng)向、塔材所處空間坐標(biāo)、塔材與風(fēng)向關(guān)系參數(shù)、塔材類(lèi)型和桿塔分層,訓(xùn)練目標(biāo)為塔材應(yīng)力值,數(shù)據(jù)量共30 000條。將樣本分成獨(dú)立的三部分訓(xùn)練集(train set),驗(yàn)證集(validation set) 和測(cè)試集(test set)。網(wǎng)絡(luò)結(jié)構(gòu)包含3個(gè)全連接的隱藏層,激活函數(shù)使用Tanh函數(shù),迭代次數(shù)為400次。確定神經(jīng)網(wǎng)絡(luò)中神經(jīng)元數(shù)量一般用經(jīng)驗(yàn)法,根據(jù)經(jīng)驗(yàn)設(shè)置每層神經(jīng)元初始數(shù)量為10、16、24。利用GWO優(yōu)化神經(jīng)網(wǎng)絡(luò)隱含層中神經(jīng)元數(shù)量,優(yōu)化過(guò)程如圖11所示最終神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)3個(gè)隱含層每層神經(jīng)元個(gè)數(shù)分別為30、27、21。

圖11 GWO算法適應(yīng)度迭代曲線Fig.11 Adaptation iteration curve of GWO algorithm

為了對(duì)比特征值分析及優(yōu)化算法對(duì)模型準(zhǔn)確度的影響,首先進(jìn)行在同等神經(jīng)網(wǎng)絡(luò)參數(shù)下僅依賴(lài)塔材空間位置作為特征值的數(shù)據(jù)集與按照本文方法劃分8個(gè)特征值后數(shù)據(jù)集訓(xùn)練;其次進(jìn)行相同數(shù)據(jù)集作為輸入使用無(wú)優(yōu)化過(guò)程神經(jīng)網(wǎng)絡(luò)與按照本文優(yōu)化方法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)訓(xùn)練,誤差曲線如圖12所示。

由最終確定的優(yōu)化改進(jìn)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果可知,歸一化后數(shù)據(jù)大小在-1～7,預(yù)測(cè)結(jié)果均方誤差在0.10左右,相對(duì)誤差小于2%,說(shuō)明了利用機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)力學(xué)響應(yīng)預(yù)測(cè)方法的可行性。

3.4 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果的風(fēng)險(xiǎn)評(píng)估

為了檢驗(yàn)本文方法在實(shí)際氣象環(huán)境對(duì)輸電線路的評(píng)估可靠性以及體現(xiàn)在電力行業(yè)工程應(yīng)用價(jià)值,進(jìn)行基于改進(jìn)神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果的風(fēng)險(xiǎn)評(píng)估。

利用損傷指數(shù)描述桿塔各部件受損程度[15],表達(dá)式為

(14)

圖12 誤差曲線對(duì)比Fig.12 Error curve comparison

此方法起初用于分析地震波對(duì)桿塔的損傷程度,后也應(yīng)用于風(fēng)荷載下桿塔的風(fēng)險(xiǎn)評(píng)估,式(14)中第二項(xiàng)代表周期往返的荷載對(duì)結(jié)果的影響,基于靜態(tài)風(fēng)分析,不考慮此參數(shù)影響。利用層間損傷指數(shù)描述桿塔每段受損程度[16],表達(dá)式為

(15)

(16)

(17)

式中:IGD為桿塔整體受損系數(shù);ISD為桿塔分段受損系數(shù);λ為層權(quán)重系數(shù);i表示第i分段。

最后確定結(jié)構(gòu)的倒塌閾值,結(jié)合之前學(xué)者研究成果取倒塌閾值為0.8。2015年第22號(hào)強(qiáng)臺(tái)風(fēng)“彩虹”經(jīng)過(guò)時(shí)造成很多倒塔事故,針對(duì)110 kV坡麻(坡調(diào))線ZGU1桿塔,基于其設(shè)計(jì)抗風(fēng)值32.8 m/s設(shè)置不同風(fēng)速研究其風(fēng)險(xiǎn)等級(jí)。

風(fēng)速為20 m/s時(shí)桿塔的分段風(fēng)險(xiǎn)系數(shù),如圖13所示。

由分段風(fēng)險(xiǎn)計(jì)算結(jié)果可知桿塔4、6分段為主要受力點(diǎn),桿塔整體風(fēng)險(xiǎn)系數(shù)為0.393,處于較安全區(qū)間。改變神經(jīng)網(wǎng)絡(luò)輸入,逐漸增大風(fēng)速,得不同風(fēng)速下桿塔風(fēng)險(xiǎn)系數(shù)。

圖14為不同風(fēng)速下桿塔分層風(fēng)險(xiǎn)系數(shù),風(fēng)險(xiǎn)系數(shù)最大點(diǎn)都在第3～5段,即桿塔10～24 m高度處塔材;圖15為不同風(fēng)速下桿塔整體風(fēng)險(xiǎn)系數(shù),風(fēng)速逐漸增大,桿塔整體損傷程度隨之增大,在34 m/s風(fēng)速下達(dá)到0.8左右,臨近倒塌。

圖16為強(qiáng)臺(tái)風(fēng)“彩虹”經(jīng)過(guò)時(shí)110 kV坡麻(坡調(diào))線ZGU1桿塔受損現(xiàn)場(chǎng)圖片,桿塔設(shè)計(jì)風(fēng)速為32.8 m/s,而現(xiàn)場(chǎng)風(fēng)速在35 m/s左右。由圖可以看到塔身中部嚴(yán)重?fù)p壞,導(dǎo)致整個(gè)桿塔倒塌,損壞情況與本文計(jì)算結(jié)果及風(fēng)險(xiǎn)評(píng)估結(jié)果一致。

圖13 桿塔分段風(fēng)險(xiǎn)Fig.13 Tower segment risk

圖14 不同風(fēng)速下桿塔分段風(fēng)險(xiǎn)Fig.14 Segmentation risk of towers under different wind speeds

圖15 不同風(fēng)速下桿塔風(fēng)險(xiǎn)Fig.15 Risk of towers under different wind speeds

圖16 “彩虹”臺(tái)風(fēng)導(dǎo)致ZGU1倒塔現(xiàn)場(chǎng)圖Fig.16 ZGU1 tower collapse caused by Typhoon Rainbow

4 結(jié)論

將桿塔仿真計(jì)算與機(jī)器學(xué)習(xí)結(jié)合,提出了改進(jìn)基于神經(jīng)網(wǎng)絡(luò)的風(fēng)場(chǎng)下桿塔應(yīng)力計(jì)算模型。以110 kV ZGU1桿塔為基礎(chǔ),搭建塔線體系模型,構(gòu)建神經(jīng)網(wǎng)絡(luò)研究風(fēng)場(chǎng)及桿塔本征參數(shù)對(duì)模型響應(yīng)結(jié)果的影響規(guī)律,最后進(jìn)行風(fēng)致風(fēng)險(xiǎn)評(píng)估。得到如下主要結(jié)論。

(1)基于三塔兩線的有限元仿真模型,進(jìn)行了風(fēng)速18～35 m/s、風(fēng)向從垂直到平行線路方向的風(fēng)場(chǎng)下塔線模型的仿真計(jì)算。由仿真結(jié)果可看出桿塔在不同工況下的受力特性,得出風(fēng)致桿塔響應(yīng)與各影響因素的關(guān)系,通過(guò)仿真結(jié)果分析歸結(jié)出八個(gè)應(yīng)力結(jié)果主要影響因素,以此為基礎(chǔ)構(gòu)建神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)。

(2)以灰狼優(yōu)化算法(GWO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)量,以提高神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確度,經(jīng)過(guò)優(yōu)化將訓(xùn)練均方誤差由0.25降低至0.1;將GWO-BPNN計(jì)算結(jié)果與仿真數(shù)據(jù)對(duì)比,準(zhǔn)確度在98%以上,且同等算力下本方法計(jì)算速度可達(dá)仿真的10倍以上說(shuō)明了此方法可行性。

(3)基于神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果對(duì)桿塔作風(fēng)險(xiǎn)評(píng)估,針對(duì)選取桿塔進(jìn)行計(jì)算,在34 m/s風(fēng)速下桿塔有極大倒塌風(fēng)險(xiǎn);改變條件得到在不同風(fēng)速下桿塔分層及整體風(fēng)險(xiǎn)系數(shù),由分段風(fēng)險(xiǎn)計(jì)算結(jié)果可知在34 m/s下桿塔4、6分段為主要受力點(diǎn),風(fēng)險(xiǎn)系數(shù)為0.8,極易受損,對(duì)比現(xiàn)場(chǎng)風(fēng)速35 m/s實(shí)際臺(tái)風(fēng)桿塔受災(zāi)現(xiàn)場(chǎng)情況,桿塔受損點(diǎn)與本文計(jì)算結(jié)果一致。