鄭玉潔+胡保禎+趙振剛

摘要：為解決云南變電站山地建設(shè)中邊坡穩(wěn)定性難以分析的問(wèn)題，開(kāi)展了山地變電站的邊坡?tīng)顟B(tài)檢測(cè)與穩(wěn)定性分析研究。運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)算法建立了具有預(yù)測(cè)能力的分析模型，將邊坡壓力預(yù)測(cè)值與監(jiān)測(cè)值相互結(jié)合對(duì)比分析，并對(duì)山地變電站邊坡的結(jié)構(gòu)穩(wěn)定性作出判定。從數(shù)據(jù)分析可以看出，此傳感網(wǎng)絡(luò)系統(tǒng)的搭建較為成功，在電磁干擾強(qiáng)、地質(zhì)環(huán)境惡劣的工作條件下運(yùn)行狀態(tài)良好，達(dá)到了監(jiān)測(cè)目的。采用基于RBF神經(jīng)網(wǎng)絡(luò)的邊坡結(jié)構(gòu)穩(wěn)定性分析方式，能較好解決邊坡穩(wěn)定性預(yù)測(cè)問(wèn)題。

關(guān)鍵詞：山地變電站邊坡；GeoStudio；RBF神經(jīng)網(wǎng)絡(luò)；穩(wěn)定性分析

DOIDOI：10.11907/rjdk.172045

中圖分類(lèi)號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2017）012-0165-04

Abstract：In order to analyze the problems of slope stability in the mountainous construction of yunnan substation. In this paper， the slope condition detection and stability analysis of mountain substation are studied. Using RBF neural network algorithm has the ability to predict analysis model is established， the slope pressure prediction and monitoring values together to make a comparative analysis of substation structure stability of the slope in mountainous region and make a decision. The construction of this sensor network system has been successfully analyzed from the data， and it is in good condition in the working conditions of strong electromagnetic interference and poor geological environment， which has achieved the monitoring purpose. It is concluded that the stability analysis of slope structure based on RBF neural network can be used to predict the slope stability.

Key Words：mountain substation slope； GeoStudio； RBF neural network； stability analysis

0 引言

南方電網(wǎng)公司對(duì)于電網(wǎng)的研究與建設(shè)提出了一系列要求，包括“增強(qiáng)電力系統(tǒng)的安全穩(wěn)定運(yùn)行標(biāo)準(zhǔn)，提高資產(chǎn)和系統(tǒng)利用率”等，云南電網(wǎng)基于貫徹南方電網(wǎng)的建設(shè)理念，將保障電網(wǎng)安全穩(wěn)定置于非常重要的地位，將在線(xiàn)監(jiān)測(cè)技術(shù)的研究與運(yùn)用作為提升電網(wǎng)科技水平和運(yùn)行管理效率的基石。為了實(shí)現(xiàn)以上要求，云南電網(wǎng)先后研究和運(yùn)用了許多在線(xiàn)監(jiān)測(cè)方法與技術(shù)，以完成對(duì)變電站地質(zhì)環(huán)境的安全穩(wěn)定性監(jiān)測(cè)。目前，在土木工程中運(yùn)用了很多技術(shù)和方法完成邊坡結(jié)構(gòu)的安全性監(jiān)測(cè)，并且不斷改進(jìn)與優(yōu)化，以前的大部分監(jiān)測(cè)實(shí)例都是采用人工觀測(cè)或是使用單點(diǎn)的監(jiān)測(cè)儀器完成，而目前隨著科學(xué)技術(shù)的進(jìn)步，運(yùn)用更加精確、合理的模型分析和自動(dòng)化監(jiān)測(cè)實(shí)現(xiàn)。山地變電站由于地勢(shì)條件較差，邊坡一旦失穩(wěn)會(huì)給電力系統(tǒng)帶來(lái)巨大影響和不可挽回的損失，因此對(duì)山地變電站邊坡結(jié)構(gòu)進(jìn)行穩(wěn)定性分析意義尤為重大[1]。主要內(nèi)容是獲取與預(yù)測(cè)邊坡當(dāng)前及未來(lái)的穩(wěn)定情況?；诒O(jiān)測(cè)數(shù)據(jù)的穩(wěn)定性分析，是根據(jù)邊坡檢測(cè)網(wǎng)絡(luò)中反饋的信息，對(duì)其進(jìn)行處理、統(tǒng)計(jì)、分析并判定邊坡的穩(wěn)定性[2-3]?；赗BF神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性分析，能夠有效地對(duì)邊坡受力狀態(tài)進(jìn)行短時(shí)間的預(yù)測(cè)，并結(jié)合實(shí)際監(jiān)測(cè)數(shù)據(jù)進(jìn)行對(duì)比分析，從而判斷邊坡結(jié)構(gòu)的穩(wěn)定性[4]。

1 RBF神經(jīng)網(wǎng)絡(luò)基本原理

1985年，Powell提出了多變量差值的徑向基函數(shù)方法。1988年，Broomhead和Lowe首先將RBF應(yīng)用于神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，構(gòu)成了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，即RBF神經(jīng)網(wǎng)絡(luò)[5]。

神經(jīng)網(wǎng)絡(luò)是一種用以模仿人腦神經(jīng)網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，具有高維性、并行分布處理性、自適應(yīng)性、自組織性、自學(xué)習(xí)性等優(yōu)良特性。一個(gè)完整的神經(jīng)網(wǎng)絡(luò)由接受信號(hào)的輸入層、輸出信號(hào)的輸出層以及用于轉(zhuǎn)換和處理信號(hào)的隱含層組成[6]。對(duì)于某一神經(jīng)元，首先按照連接強(qiáng)度（權(quán)重值）完成來(lái)自其它神經(jīng)元輸入信號(hào)的積累運(yùn)算，再將其結(jié)果通過(guò)傳遞函數(shù)變換，最后經(jīng)閾值函數(shù)判斷，若輸出大于閾值，則神經(jīng)元被激活，給出輸出值，否則不產(chǎn)生輸出。在神經(jīng)網(wǎng)絡(luò)中，權(quán)值和傳遞函數(shù)是兩個(gè)非常關(guān)鍵的因素。權(quán)值的物理意義是輸入信號(hào)的強(qiáng)度，若設(shè)計(jì)多個(gè)神經(jīng)元，則可理解為神經(jīng)元之間的連接強(qiáng)度。神經(jīng)網(wǎng)絡(luò)中的傳遞函數(shù)一般是單值函數(shù)，這樣使得神經(jīng)元運(yùn)算可逆[7]。

RBF神經(jīng)網(wǎng)絡(luò)是一種三層前向網(wǎng)絡(luò)，其拓?fù)浣Y(jié)構(gòu)如圖1所示，輸入層由信號(hào)源節(jié)點(diǎn)組成。隱層單元的變換函數(shù)是一種局部分布的非負(fù)非線(xiàn)性函數(shù)，對(duì)中心點(diǎn)徑向?qū)ΨQ(chēng)且衰減；隱含層的單元數(shù)由所描述問(wèn)題的需要確定；網(wǎng)絡(luò)的輸出是隱單元輸出的線(xiàn)性加權(quán)和。RBF神經(jīng)網(wǎng)絡(luò)的輸入空間到隱含層空間的變換是非線(xiàn)性的。

從分析結(jié)果可得，預(yù)測(cè)值和實(shí)際值的整體變化趨勢(shì)基本保持一致，但從圖中可以看出兩條曲線(xiàn)并沒(méi)有完全重合，所以預(yù)測(cè)值與實(shí)際值存在一定誤差，因此分別對(duì)絕對(duì)誤差值和相對(duì)誤差值進(jìn)行了檢驗(yàn)。絕對(duì)誤差值反映出真實(shí)值與預(yù)測(cè)值之間的真實(shí)誤差值，從絕對(duì)誤差項(xiàng)來(lái)看，整體壓力誤差基本在20kPa范圍以?xún)?nèi)，且最大值不超過(guò)30kPa，變化較為穩(wěn)定。從相對(duì)誤差項(xiàng)來(lái)看，整體壓力的相對(duì)誤差浮動(dòng)在0.05左右，且最大值小于0.1，所以認(rèn)為壓力隨著時(shí)間的變化基本保持穩(wěn)定。endprint

3 RBF模型預(yù)報(bào)結(jié)果分析

圖6分別為上、下游傳感器預(yù)測(cè)-實(shí)測(cè)壓力值對(duì)比與預(yù)測(cè)-實(shí)測(cè)壓力誤差，從分析結(jié)果來(lái)看，上、下游壓力傳感器的預(yù)測(cè)-實(shí)測(cè)壓力值走勢(shì)規(guī)律性較強(qiáng)，因此上游取2#、6#、10#壓力傳感器，下游取1#、5#、9#壓力傳感器進(jìn)行分析（本文只給出上游2#傳感器預(yù)測(cè)-實(shí)測(cè)分析圖）。圖6（a）中，橫坐標(biāo)為時(shí)間軸，縱坐標(biāo)為壓力值，從圖中可以看出預(yù)測(cè)值與實(shí)際值的整體擬合度較高，兩者并沒(méi)有完全重合但走勢(shì)基本趨于一致，2月份降雨較少壓力逐漸下降且壓力值大小在穩(wěn)定范圍之內(nèi)。圖6（b）中可以看出，預(yù)測(cè)值與實(shí)際值存在一定誤差，因此分別對(duì)絕對(duì)誤差值和相對(duì)誤差值進(jìn)行了檢驗(yàn)，絕對(duì)誤差值反映出真實(shí)值與預(yù)測(cè)值之間的真實(shí)誤差值，從絕對(duì)誤差項(xiàng)來(lái)看，整體壓力誤差基本在50kPa范圍以?xún)?nèi)，且最大值不超過(guò)70kPa，變化較為穩(wěn)定，從相對(duì)誤差項(xiàng)來(lái)看，整體壓力的相對(duì)誤差浮動(dòng)在0.05左右，且最大相對(duì)誤差小于0.1，所以可以判定壓力隨著時(shí)間的變化基本保持穩(wěn)定。

4 結(jié)語(yǔ)

本文針對(duì)楚雄州某220kV山地變電站，采用基于監(jiān)測(cè)數(shù)據(jù)的邊坡結(jié)構(gòu)穩(wěn)定性分析方式，通過(guò)對(duì)監(jiān)測(cè)數(shù)據(jù)與初始測(cè)量數(shù)據(jù)之間的應(yīng)變變化橫向?qū)Ρ?，分析得?#應(yīng)變樁3m處傳感器應(yīng)變變化量最大，應(yīng)變值為110με，且此應(yīng)變值處于安全范圍以?xún)?nèi)，判定該邊坡為穩(wěn)定狀態(tài)。針對(duì)昭通供電局220kV鹽津變電站，采用基于RBF神經(jīng)網(wǎng)絡(luò)的邊坡結(jié)構(gòu)穩(wěn)定性分析方式，將實(shí)際監(jiān)測(cè)值與短期預(yù)測(cè)值進(jìn)行了對(duì)比分析，根據(jù)壓力變化曲線(xiàn)擬合度較高且壓力相對(duì)誤差值小于0.1，變化值較為穩(wěn)定，從而判定此邊坡處于穩(wěn)定狀態(tài)。根據(jù)監(jiān)測(cè)數(shù)據(jù)可以得出，該傳感網(wǎng)絡(luò)系統(tǒng)的搭建較為成功，在電磁干擾強(qiáng)、地質(zhì)環(huán)境惡劣的工作條件中運(yùn)行良好，能做到有效監(jiān)測(cè)。

參考文獻(xiàn)：

[1] 佴磊，徐燕，代樹(shù)林，等.邊坡工程[M].北京：科學(xué)出版社，2010.

[2] 姜小強(qiáng).某人工邊坡穩(wěn)定性分析評(píng)價(jià)及治理方法分析[J].工程建設(shè)與設(shè)計(jì)，2017（1）：52-55.

[3] 張焱.邊坡穩(wěn)定性分析及支護(hù)設(shè)計(jì)研究[J].河南水利與南水北調(diào)，2017（2）：56-58.

[4] 畢衛(wèi)華，譚曉慧，侯曉亮，等.基于RBF神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定可靠度分析[J].地下空間與工程學(xué)報(bào)，2010，6（2）：423-428.

[5] 李國(guó)友，姚磊，李惠光，等.基于優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模式識(shí)別新方法[J].系統(tǒng)仿真學(xué)報(bào)，2006，18（1）：181-184.

[6] PAREKH R， YANG J， HONAVAR V. Constructive.neural-network learning algorithms for pattern classification[C]. IEEE Transactions on Neural Networks， 2000，11（2）：436-451.

[7] HAN M， XI J H. Efficient clustering of radial basis perception neural network for pattern recognition [J]. Pattern Recognition， 2004，37（10）：2059-2067.

[8] 殷勇，邱明.一種基于高斯核的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[J].計(jì)算機(jī)工程與應(yīng)用， 2002，38（21）：118-119.

（責(zé)任編輯：何 麗）endprint