电气设备地震易损性分析方法、系统、存储介质及设备与流程

本发明涉及地震易损性分析，尤其涉及电气设备地震易损性分析方法、系统、存储介质及设备。

背景技术：

1、电气设备是电力系统中及其重要的部分，在自然灾害中，地震对于电力设备造成的威胁是最为严重的，强烈的地震会对电气设备造成严重损坏，直接或间接造成巨大的经济损失，电气设备自身抗震能力较为薄弱，当地震灾害对变电站造成了巨大破坏时，会严重影响了灾区抢险救灾情况和社会正常秩序。

2、实际上，在变电站中电气设备被破坏的大多数是瓷柱型电气设备损坏，电瓷材料由于其具有良好的绝缘性和使用稳定性，广泛应用在电气设备中，变电站内支柱类瓷材料电气设备主要有避雷器、互感器、断路器、支柱绝缘子、隔离开关等，其结构形式细高，固有频率分布在1～10hz之内，属于地震敏感性结构，容易在地震中发生类共振现象，且瓷材料阻尼比小，更易引起较大的地震响应，此外，该类设备的关键结构为电瓷瓷套，属脆性材料，强度低，变形与储能能力差，因此，变电站电瓷型电气设备在地震中极易发生破坏。

3、地震易损性分析是地震概率安全评定的主要内容之一，目前对于瓷柱型电气设备的地震易损性分析方法包括震害统计法、计算分析法、试验法和专家经验法，其中计算分析法是通过有限元分析软件建立设备的数值模型，计算设备在不同地震作用下的动力响应，通过与设备的最大承载能力比较，确定设备的易损性曲线，该方法适用性最广、成本低，可以进行对不同地震动强度参数进行计算，但是其计算结果的精度与模型的精确性直接相关，一旦模型与实际出现误差，其结果就丧失了可信度。

4、基于此，提出了本技术提出了一种基于图像识别系统和神经网络系统的电气设备地震易损性分析方法。

技术实现思路

1、基于此，有必要针对上述问题，提出了电气设备地震易损性分析方法。

2、一种电气设备地震易损性分析方法，所述方法包括下列步骤：

3、根据地震动强度参数和电气设备结构参数确定概率地震需求模型；

4、获取im-edp样本对，并以此确定地震动强度参数和电气设备结构地震需求参数之间的线性关系；

5、根据所述概率地震需求模型确定电气设备失效概率；

6、根据所述地震动强度参数、电气设备结构地震需求参数以及对应的电气设备失效概率建立数据库；

7、根据所述数据库训练神经网络模型；

8、根据所述神经网络模型确定实际电气设备失效概率。

9、上述方案中，所述地震动强度参数包括：有效加速度、arias强度、速度谱强度、改进的有效峰值加速度、联合谱加速度以及电气设备第一阶自振周期处谱加速度；所述电气设备结构地震需求参数包括电气设备顶部位移、电气设备加速度以及电气设备瓷套管根部应力。

10、上述方案中，所述概率地震需求模型为：

11、式中md|im为电气设备结构地震需求参数d的中位值、βd|im为对数标准差、im为地震动强度参数。

12、上述方案中，所述获取im-edp样本对，具体包括：

13、根据图像识别系统建立电气设备精细化有限元模型；

14、对所述电气设备精细化有限元模型进行地震响应分析，获取im-edp样本对。

15、上述方案中，所述根据图像识别系统建立电气设备精细化有限元模型，具体包括：

16、对所述电气设备进行识别；

17、根据图像采集装置对所识别的电气设备进行图像采集，获取所述电气设备的视觉信息；

18、对所述视觉信息进行特征提取，获取所述电气设备的结构尺寸和形态信息；

19、根据所述电气设备的结构尺寸和形态信息进行精细化有限元建模。

20、上述方案中，所述获取im-edp样本对，并以此确定地震动强度参数和电气设备结构地震需求参数之间的线性关系还包括：

21、线性关系表达式为：

22、ln(md|im)＝β0+β1lnim，式中β0、β1为回归系数、md|im为电气设备结构地震需求参数d的中位值、im为地震动强度参数；

23、通过im-edp样本对得到所述概率需求模型中的对数标准差βd|im，具体表达式为：

24、式中n为回归分析的数据点个数。

25、上述方案中，所述根据所述数据库训练神经网络模型，具体包括：

26、获取数据库中地震动强度参数、电气设备结构地震需求参数和失效概率数据；

27、对所述地震动强度参数、电气设备结构地震需求参数和对应的失效概率数据进行预处理；

28、将预处理后的数据输入到神经网络模型中进行训练，直至根据地震动强度参数、电气设备结构地震需求参数获取的失效概率与数据库中对应的失效概率误差小于等于固定值。

29、上述方案中，所述根据所述神经网络模型确定实际电气设备失效概率还包括：

30、根据所述地震动强度参数、电气设备结构地震需求参数和实际电气设备失效概率构建地震易损性曲线；其中，实际电气设备失效概率为纵坐标，地震动强度参数为横坐标。

31、本技术还提出了一种电气设备地震易损性分析系统，其特征在于，所述系统包括：概率地震需求模型获取单元、线性关系构建单元、电气设备失效概率获取单元、数据库构建和神经网络模型单元；

32、所述概率地震需求模型获取单元，用于根据地震动强度参数和电气设备结构地震需求参数确定概率地震需求模型；

33、所述线性关系构建单元，用于获取im-edp样本对，并以此确定地震动强度参数和电气设备结构地震需求参数之间的线性关系；

34、所述电气设备失效概率获取单元，用于根据所述概率地震需求模型确定电气设备失效概率；

35、所述数据库构建，用于根据所述地震动强度参数、电气设备结构地震需求参数以及对应的电气设备失效概率建立数据库；

36、所述神经网络模型单元，用于根据所述数据库训练神经网络模型以及确定实际电气设备失效概率。

37、本技术还提出了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤:

38、根据地震动强度参数和电气设备结构参数确定概率地震需求模型；

39、获取im-edp样本对，并以此确定地震动强度参数和电气设备结构地震需求参数之间的线性关系；

40、根据所述概率地震需求模型确定电气设备失效概率；

41、根据所述地震动强度参数、电气设备结构地震需求参数以及对应的电气设备失效概率建立数据库；

42、根据所述数据库训练神经网络模型；

43、根据所述神经网络模型确定实际电气设备失效概率。

44、本技术还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行如下步骤:

45、根据地震动强度参数和电气设备结构参数确定概率地震需求模型；

46、获取im-edp样本对，并以此确定地震动强度参数和电气设备结构地震需求参数之间的线性关系；

47、根据所述概率地震需求模型确定电气设备失效概率；

48、根据所述地震动强度参数、电气设备结构地震需求参数以及对应的电气设备失效概率建立数据库；

49、根据所述数据库训练神经网络模型；

50、根据所述神经网络模型确定实际电气设备失效概率。

51、采用本发明实施例，具有如下有益效果：先根据地震动强度参数和电气设备结构参数确定概率地震需求模型；获取im-edp样本对，并以此确定地震动强度参数和电气设备结构地震需求参数之间的线性关系；再根据所述概率地震需求模型确定电气设备失效概率；根据所述地震动强度参数、电气设备结构地震需求参数以及对应的电气设备失效概率建立数据库；最后根据所述数据库训练神经网络模型根据所述神经网络模型确定实际电气设备失效概率；这种方法通过采集大量的im-edp样本对获取概率地震需求模型中的重要参数，能够保证概率地震需求模型的精确性，此外通过神经网络模型能够实现地震易损性分析自动化，提高了分析的效率和准确性。