CN115828698B 基于内嵌物理信息学习的输电塔风振动力响应预测方法 （广西电网有限责任公司电力科学研究院）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115828698B(45)授权公告日2025.07.08

(21)申请号202211632513.5

(22)申请日2022.12.19

(65)同一申请的已公布的文献号申请公布号CN115828698A

(43)申请公布日2023.03.21

(73)专利权人广西电网有限责任公司电力科学研究院

地址530023广西壮族自治区南宁市民主

路6-2号

(51)Int.CI.

GO6F30/23(2020.01)

GO6F119/10(2020.01)

GO6F119/14(2020.01)

(56)对比文件

CN112686372A,2021.04.20CN115471362A,2022.12.13审查员谢琳

(72)发明人边美华彭家宁张兴森卢展强

杨艺云覃宋林李君华刘桂婵

梁世容

(74)专利代理机构南宁东智知识产权代理事务

所(特殊普通合伙)45117专利代理师裴康明

权利要求书2页说明书6页附图6页

(54)发明名称

基于内嵌物理信息学习的输电塔风振动力响应预测方法

(57)摘要

CN115828698B本发明公开一种基于内嵌物理信息学习的输电塔风振动力响应预测方法，首先通过理论分析、仿真、试验等手段获取输电塔在风荷载作用下振动响应数据；然后基于深度残差循环神经网络建立了输电塔风荷载与动态响应之间的内在映射关系，构建了复杂非线性映射下输电塔结构的正向模型；而后基于训练集数据对该模型进行训练，建立反演动态响应与真实动态响应的损失函数，采用梯度下降法对基于内嵌物理信息深度学习模型的参数进行学习更新，在数据驱动的基础上考虑物理约束信息，不仅可提升深度学习模型的泛化能力，还可以有效的缩短训练时间，提高工作效率。本发明可解决现有技术中动力响应

CN115828698B

根据设计图纸建立输电塔

根据设计图纸建立输电塔有限元模型

基于模态参数法

修正输电塔有限元模型

通过仿真、理论分析和试验等手段获得风速和动力响应信息

DR-RNN的深度学习模型

否选代训练

是

输电塔动力响应预测

评估模型的性能：预测精度、鲁棒性、效率等

CN115828698B权利要求书1/2页

2

1.一种基于内嵌物理信息学习的输电塔风振动力响应预测方法，其特征在于，包括以下步骤：

步骤S1,根据设计图纸建立输电塔的有限元模型；

步骤S2,基于实测数据通过模态参数法修正有限元模型；

步骤S3,通过仿真、理论分析和试验手段获取输电塔在风荷载激励数据和动力响应数据，构建数据集；

步骤S4,构建基于物理约束信息和RNN数据驱动的混合式深度学习模型；其中所述物理约束信息包括输电塔的运动方程，所述混合式深度学习模型通过将所述运动方程嵌入残差目标函数中实现物理约束，具体为：r+1=xn+1-x,-△t×Axn+1-△t×F(xn+1)

其中，rn+1表示在n+1时刻的残差，Xn+1表示在n+1时刻的状态向量，△t表示预设的时间步长，F表示非线性项算子；

步骤S5,基于深度残差循环神经网络迭代训练所述混合式深度学习模型；所述基于深度残差循环神经网络的迭代计算过程如下：

其中，k表示层数，x(+)表示在n+1时刻在k层的状态向量，r(+)表示在n+1时刻在第k层的残差，H和Q表示权重矩阵，7表示偏差参数，为避免分母为零，ε取较小的正数，L是衰减参数计算公式如下

L=y|ra+12+sL-1

Y和5分别表示分数因子，推荐取值γ=0.1,s=0.9;

步骤S6,根据测得的风荷载数据，输入到训练好的混合式深度学习模型中，预测输电塔风振动力响应。

2.根据权利要求1所述基于内嵌物理信息学习的输电塔风振动力响应预测方法，其特征在于，步骤S2中，通过随机子空间方法确定结构的模态参进而修正有限元模型，输电塔的运动方程如下：

x(t)=Ax(t)+Bf(t)

式中，x(t)为状态空间向量，x(1)为结构状态向量，f(t)表示外界荷载向量，A和B分别为状态空间的系统矩阵和控制输入矩阵，

式中，M、C和K分别表示系统的质量、阻尼和刚度矩阵，G表示映射矩阵。

CN115828698B权