评价指标反映评价结果的输电杆塔塔材实际强度计算方法

摘要

本发明公开了一种评价指标反映评价结果的输电杆塔塔材实际强度计算方法，应用粗糙集理论对杆塔强度影响因素集进行约简；采用数据挖掘方法从大量的历史数据中挖掘有用数据构造学集；根据学集运用梯度下降法不断迭代学来确定因素集权重，并将得到的权值综合评价计算塔材实际强度的退化率。该方法可解决演化过程中影响塔材强度因素的效度不清晰的典型不确定性、非线性问题。该方法可为输电铁塔结构安全评价提供重要的科学判据。

主权项

一种评价指标反映评价结果的输电杆塔塔材实际强度计算方法，其特征在于：包括如下步骤：步骤1：指标集约简；步骤2：数据挖掘学习集的构造；步骤3：因素集权重确定；步骤4：实际强度评估；所述步骤1中的指标集约简，主要对由气象区条件、亚强度损伤、导线应力及机械振动三大类因素构成的指标集，三类影响因素集表示为U＝{U₁,U₂,U₃}，其中：U₁＝{u₁₁,u₁₂,u₁₃,u₁₄,u₁₅}，u₁₁为风速(最大风)，u₁₂为大气温度(最低温)，u₁₃为年平均气温，u₁₄为覆冰厚度(最厚覆冰)，u₁₅为年雷暴日天数；U₂＝{u₂₁,u₂₂,u₂₃,u₂₄,u₂₅,u₂₆}，u₂₁为运行时间，u₂₂为弯曲修复次数，u₂₃为裂痕修复次数，u₂₄为雷电或故障电流损伤次数，u₂₅为重覆冰疲劳次数，u₂₆为平均运行应力/最大运行应力；U₃＝{u₃₁,u₃₂,u₃₃,u₃₄}，u₃₁为导线分裂数，u₃₂为风向与线路角，u₃₃为地表面粗糙程度，u₃₄为钢材锈蚀量；根据评价因素对塔材强度的影响程度不同分为五个等级，分别为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ，等级Ⅰ表示对塔材实际强度影响很小，等级Ⅱ表示对塔材实际强度影响较小，等级Ⅲ表示对塔材实际强度影响中等，等级Ⅳ表示对塔材实际强度影响较大，等级Ⅴ表示对塔材实际强度影响很大；由全国典型气象区库建立气象区条件的评价标准，得出气象区评价量化标准：粗糙集进行属性约简：基本指标体系的因素较多，可能会存在因素冗余的问题，在不影响评价结果的基础上，为了不让评价过程复杂化，将对基本指标体系进行约简；以Ⅱ的指标值作为各最初评价指标的阀值，满足Ⅱ的指标值则为1，否则为0，进行数据离散化，便可得出最初评价指标信息；样本测试数据样本数据离散化根据粗糙集理论，对表4进行属性重要度约简：U/R＝{{1,7},{2,4},{3,6,8},{5}}U/(R‑{u₁₁})＝{{1,3,5,7,8},{2,4}}U/(R‑{u₁₂})＝{{1,2,4,5,7},{3,6,8}}U/(R‑{u₁₃})＝{{1,7},{2,4},{3,6,8},{5}}U/(R‑{u₁₄})＝{{1,5,7},{2,4},{3,6,8}}U/(R‑{u₁₅})＝{{1,7},{2,4},{3,6,8},{5}}U/(R‑{u₁₃,u₁₅})＝{{1,7},{2,4},{3,6,8},{5}}U/R≠U/(R‑{u₁₁})U/R≠U/(R‑{u₁₂})U/R≠U/(R‑{u₁₄})U/R＝U/(R‑{u₁₃})＝U/(R‑{u₁₅})＝U/(R‑{u₁₃,u₁₅})经过属性重要度约简，计算可知指标u₁₃、u₁₅是冗余的；同理，分别对亚强度损伤因素和导线应力及机械振动因素进行属性重要度约简，得到最终评价指标为：U＝{U₁,U₂,U₃}，其中U₁＝{u₁₁,u₁₂,u₁₄}，U₂＝{u₂₁,u₂₂,u₂₃,u₂₄,u₂₅}，U₃＝{u₃₁,u₃₂,u₃₃,u₃₄}；R为因素的属性值的集合；其中学习集的构造：考虑一个未知的多入单出非线性映射f:Rⁿ→R,假定可以得到系统可观测的输入输出数据：并且这组数据存在函数关系：y_i＝h(x_i)+ε式中：X∈Rⁿ是自变量；y_i∈R是因变量：ε_i∈R为零均值且方差为σ²的独立随机分布变量；问题是对于输入空间的任意向量XqX_q，能否根据系统已有的数据集，建立一个映射，并能通过该映射，得到系统相应的估计输出此问题可以归结为求解下面的优化问题$min\underset{\left(X_i,Y_i\right)\in {\Omega }_k}{\Sigma }{(y_i-h(X_i,\theta \left)\right)}^2{w}_i$式中：Ω_k为距离X_k最近的k个样本所构成的局部空间；h(·)为描述输入输出向量的非线性映射函数；w_i为权值，表示局部空间内的样本数据对输出向量的影响程度，局部空间内不同的样本数据对系统输出的影响或贡献度是不同的；从直观上看，距离输入向量最近的那些样本输入所对应的输出向量值最能反映当前输入量的输出，这实际上也是即时学习算法的基本原则：相似输入产生相似输出；运用以上算法原理，采用K‑VNN搜索策略，在系统已有的N组数据中寻找k组最相似的数据(k<<N)，杆塔塔材的实际强度退化率与影响因素集U呈现非线性关系：η＝f(U)+ε(t)其中，η为退化率，ε(t)为零均值的白噪声，f(·)为未知的非线性函数；对于已经存在N组影响因素和退化率的数据在当前t时刻，有影响因素信息U(t)，采用K‑VNN搜索策略，在系统已有的N组数据中寻找k组最相似的数据(k<<N)，具体如下：当cosβ(U(i),U(t))<0，则认为此U(i)偏离于当前输入U(t)，不利于建模，丢弃此数据；否则，以U(i)与U(t)的指数核与夹角余弦加权之和选择准则，即D(U(i),U(t))＝α·e^{‑d(U(i),U(t))}+(1‑α)·cosβ(U(i),U(t))式中：$\left\{\begin{array}{c}cos\beta (U\left(i\right),U\left(t\right))=\frac{U^T\left(i\right)U\left(t\right)}{\left|\right|U\left(i\right)|{|}_2·|\left|U\left(t\right)\right|{|}_2}\\ d\left(U\right(i),U(t\left)\right)=\left|\right|U\left(i\right)-U\left(t\right)|{|}_2,\alpha \in [0,1]\end{array}\right.$α为加权因子；加权选择准则D(U(i),U(t))直接反映了U(i)与U(t)的相似性；若两个信息向量越靠近，则d就越小，并且cosβ也就越大，从而D(U(i),U(t))也就越大；这样，在已有的数据信息中，选用D(·)值最大的k组数据，按降序排列，构造学习集：{(U(1),η(1)),…,(U(k),η(k))}D(U(1),U(t))>…>D(U(k),U(t)).。