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
【专利说明】
[0001] 本申请是申请号201410424393. 9、申请日2014. 8. 26、名称"一种基于数据挖掘的 输电杆塔塔材实际强度计算方法"的分案申请。
技术领域
[0002] 本发明涉及输电铁塔结构安全评价领域，特别适用于在复杂自然环境下长期运行 的输电杆塔结构安全评价。
【背景技术】
[0003] 线路结构安全的本质是一个不确定性、非线性的状态空间演化过程，状态的演化 (转移）过程具有随机性，其中表征杆塔塔材实际机械强度的特征信息具有不精确性，影响 因素的作用效度也不清晰，运行状态的定义及外延具有模糊性，状态评判的专家知识具有 不完备性，所以对线路塔材强度的评价与计算是一个复杂的不确定性问题。
[0004] 数据挖掘可以从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的 信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式 识别、统计学、数据库、可视化技术等，高度自动化地分析数据，做出归纳性的推理，从中挖 掘出潜在的模式，帮助决策者调整策略，减少风险，做出正确的决策。
[0005] 由于影响塔材强度的因素很多，而传统的评价方法需要对全部评价指标进行计 算，所以计算较复杂，而且可能因为各因素权重小而造成的严重失真现象或多峰值现象。本 发明提出一种首先基于粗糙集理论对指标集进行约简，约简后采用数据挖掘的方法进行塔 材实际强度计算的方法。所提方法可以有效的解决了在复杂自然环境下长期运行的输电杆 塔结构安全评价问题。
【发明内容】
[0006] 本发明的目的在于：提出一种基于数据挖掘的输电杆塔塔材实际强度计算方法， 可为评估输电线路铁塔结构安全提供必要判据。
[0007] 步骤1 :指标集约简；
[0008] 步骤2 :数据挖掘学习集的构造；
[0009] 步骤3 :因素集权重确定；
[0010] 步骤4:实际强度评估。
[0011] 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 = IU1, U2, U3}。其中：? = Iu11, U12, U13, U14, U1J，U11为风速(最大风)，u 12为大气温度(最低温)，u 13为年平均气温， U14为覆冰厚度（最厚覆冰），u 15为年雷暴日天数。U 2= {u 21，U22, U23, U24, U25, u26}，U21为运 行时间，U22为弯曲修复次数，u 23为裂痕修复次数，u 24为雷电或故障电流损伤次数，u 25为重 覆冰疲劳次数，U26为平均运行应力/最大运行应力。U 3= {u 31，U32, U33, U3J，U31为导线分裂 数，U32为风向与线路角，U 33为地表面粗糙程度，U 34为钢材锈蚀量。运用粗糙集进行指标集 约简，属性重要度定义为：
[0012] U/R= {{1,7}, {2,4}, {3,6,8}, {5}}
[0013] U/(R-KJ) = {{1,3,5,7,8}, {2,4}}
[0014] U/(R-KJ) = {{1,2,4,5,7}, {3,6,8}}
[0015] U/(R-{u13}) = {{1,7}, {2,4}, {3,6,8}, {5}}
[0016] U/(R-KJ) = {{1,5,7}, {2,4}, {3,6,8}}
[0017] U/(R-{u15}) = {{1,7}, {2,4}, {3,6,8}, {5}}
[0018] U/(R-(U131U15I) = {{1,7}, {2,4}, {3,6,8}, {5}}
[0019] U/R ^ U/(R-(U1J)
[0020] U/R ^ U/ (R- {u12})
[0021] U/R ^ U/(R-(U1J)
[0022] U/R = U/(R_{u13}) = U/(R_{u15}) = U/(R-{u13, u15})
[0023] 其中R为因素的属性值的集合。经过属性重要度约简计算可知指标u13、U 15是冗 余的，同理，分别对亚强度损伤因素和导线舞动及微风振动因素进行属性重要度约简，得到 最终评价指标为：U = IU1, U2, U3}，其中 U1= {u n, u12, u14}，U2= {u 21，u22, u23, u24, u25}，U3 = {U31，U32, U33, U34l 0
[0024] 所述步骤2中的数据挖掘学习集的构造，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)，本发明提出的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：
[0025] n = f (U)+ ε (t)
[0026] 其中，η为退化率，ε⑴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沁(0刀(0丨二，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：
[0027] 1、当cosi3 〇](1)，1](〇)〈0，则认为此1](1)偏离于当前输入1](〇，不利于建模，丢 弃此数据；
[0028] 2、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
[0029] D(U(i)，U(t)) = α · ed_'u(t))+(l-a ) · cosP (U(i)，U(t))
[0030] 式中：
[0032] a为加权因子。加权选择准则D(U⑴，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cos β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：
[0033] {(U(1)，η ⑴），…，（u(k)，η 00)}
[0034] D (U (I)，U (t)) >... >D (U (k)，U (t)) ·
[0035] 所述步骤3中的因素集权重确定可以得到某种因素对杆塔塔材实际强度退化率 的影响程度，将不确定性的因素清晰化，本发明提出的杆塔塔材的实际强度退化率与影响 因素集U局部线性关系如下：
[0036] η = f ο (U) = Ut Θ
[0037] 其中：Θ表示因素集权重值，T表示转置。由于当前和数据是在不同的工作点，符 合当前工作点U(t)的数据密度可能不一样，用于建模的数据个数也是不定的，亦即：建模 邻域值大小可变，为了获得最佳的因素集权重向量Θ，同时减小计算量，可预先设定邻域的 变化范围k e [k"，kM] (Hm)，在计算近邻k+Ι的因素集权重向量Θ k+1时，直接利用近邻k 的因素集权重向量9k，首先给出一个错误函数，
[0039] 采用梯度下降法，计算得到因素集权重向量如下，
[0042] 得到系近邻k+Ι的模型Θ k+1，同时，也可以得到近邻k+Ι的去一交叉误差值：
[0044] 式中[表示在k+Ι组数据中，用去掉第j个数据所得到的模型；^表示实际塔 材强度退化率n (j)与模型Cy1得到的预测值之间的误差。
[0045] 这样，可以得到近邻k+Ι的去一交叉误差集
，均方和这些C ,得
[0047] 式中：加权因子
直接反映每个U (j)的去一交叉误差对 Eloo(k+l) "贡献"大小。越靠近U(t)的U(j)，其"贡献"越大，反之越小。此时，若
[0048] Eloo(k+l)>Eloo(k),k+l e [kn,kM]·
[0049] 则认为模型"变差"，停止回归计算，并以模型Θ k作为系统当前时刻的最佳模型。 否则，按采用梯度下降法得到的模型，从学习集中选取出新的信息向量，继续迭代，直到k =kM为止。这样，可以及时判断局部模型的优劣，得到符合当前时刻影响因素和退化率关 系的最佳局部线性模型。
[0050] 所述步骤4中的安全评估，根据建立的影响因素和退化率关系的最佳局部线性模 型，计算塔材实际强度的退化率，本发明提出的计算杆塔塔材实际强度的退化率如下，
[0051] n (t) = = UT (t) Θ k〇
[0052] 本发明的技术效果：
[0053] 本申请相较于传统方法，不仅使指标得到了简化，而且也使得各个因素的权重分 配利用大量的历史采集数据，其评价结果的区分度明显，结果更加切合实际，使评价指标更 加切实有效的反映评价结果。
【附图说明】