一种抽水蓄能电站大坝位移预测方法、装置、介质及设备与流程

摘要: 本发明涉及水利工程安全监测与智能预测,特别涉及一种抽水蓄能电站大坝位移预测方法、装置、介质及设备。背景技术:1、抽水蓄能电站在新型电力系统中承担调峰填谷的关键角...
一种抽水蓄能电站大坝位移预测方法、装置、介质及设备与流程

本发明涉及水利工程安全监测与智能预测,特别涉及一种抽水蓄能电站大坝位移预测方法、装置、介质及设备。

背景技术:

1、抽水蓄能电站在新型电力系统中承担调峰填谷的关键角色,大坝安全直接关系到电站运行安全与下游人民生命财产安全。因此,对抽水蓄能电站大坝位移进行预测至关重要。目前,寒区抽水蓄能电站大坝坝体内部水分反复冻融,引起材料力学性能衰减(弹性模量降低、渗透率增加),产生不可逆累积变形,且该变形具有明显的温度滞后性。并且不同于温和地区以水压为主导的位移模式,寒区大坝位移受温度荷载的时空分布影响极大,尤其横向位移和坝顶沉降。除此之外,频繁的水位升降与寒区低温叠加,坝体内部热-水-力(thm)耦合效应更为复杂。因此,现有的基于有限元模型进行大坝位移的预测方式,位移预测结果不够精准、可靠。

技术实现思路

1、有鉴于此,本发明提供了一种抽水蓄能电站大坝位移预测方法、装置、介质及设备,主要目的在于解决目前存在大坝坝体位移预测结果不够精准的问题。

2、为解决上述问题,本技术提供一种抽水蓄能电站大坝位移预测方法,包括:

3、针对目标大坝对象所对应的若干目标特征点,分别获取目标时刻下、各目标特征点的温度数据、各目标特征点的空隙水压力数据,并获取目标时刻下、目标大坝对象的水压力场数据以及冻融深度数据;

4、基于各所述目标特征点的温度数据、各所述目标特征点的空隙水压力数据、目标大坝对象的水压力场数据以及冻融深度数据,生成目标时刻的物理特征向量;

5、基于所述目标时刻所对应的目标周期内、各历史时刻的库水位、各历史时刻的天气温度数据以及各历史时刻地表温度数据,利用预先训练获得目标位移预测模型中的目标特征提取层进行特征提取,获得时序特征向量;

6、利用所述目标位移预测模型中的目标特征融合层,对所述物理特征向量以及所述时序特征向量进行特征融合,获得融合特征向量;

7、利用所述目标位移预测模型中的目标位移预测层,对所述融合特征向量进行位移预测,获得位移预测值。

8、可选的,所述针对目标大坝对象所对应的若干目标特征点,分别获取目标时刻下、各目标特征点的温度数据、各目标特征点的空隙水压力数据,并获取目标时刻下、目标大坝对象的水压力场数据以及冻融深度数据,具体包括:

9、针对所述目标大坝对象,预先构建包含坝体、坝基以及库水的三维有限元网格模型;

10、基于所述三维有限元网格模型,仿真获得所述目标时刻下、各目标特征点的温度数据、各目标特征点的空隙水压力数据,并获取目标时刻下、目标大坝对象的水压力场数据以及冻融深度数据。

11、可选的,所述基于各所述目标特征点的温度数据、各所述目标特征点的空隙水压力数据、目标大坝对象的水压力场数据以及冻融深度数据,生成目标时刻的物理特征向量,具体包括:

12、基于各目标特征点的温度数据,生成所述目标大坝对象的温度特征向量;

13、基于各所述目标特征点的空隙水压力数据,生成所述目标大坝对象的空隙水压特征向量;

14、基于所述目标大坝对象的水压力场数据,生成所述目标大坝对象的水压力场特征向量;

15、基于所述目标大坝对象的冻融深度数据,生成所述目标大坝对象的冻融深度特征向量;

16、基于所述温度特征向量、空隙水压特征向量、水压力场特征向量以及所述冻融深度特征向量,生成目标时刻的物理特征向量。

17、可选的,所述目标特征提取层包括:双向长短期记忆网络lstm;

18、所述基于所述目标时刻所对应的目标周期内、各历史时刻的库水位、各历史时刻的天气温度数据以及各历史时刻地表温度数据,利用预先训练获得目标位移预测模型中的目标特征提取层进行特征提取,获得时序特征向量,具体包括:

19、基于各历史时刻的库水位、各历史时刻的天气温度以及各历史时刻的地表温度,构建目标数据序列;

20、将所述目标数据序列输入所述双向长短期记忆网络lstm,获取最后一个时间步的双向隐状态,以获得所述时序特征向量。

21、可选的, 所述利用所述目标位移预测模型中的目标特征融合层,对所述物理特征向量以及所述时序特征向量进行特征融合,获得融合特征向量,具体包括:

22、将所述物理特征向量与所述时序特征向量进行拼接处理,获得拼接后的特征向量;

23、对所述拼接后的特征向量进行降维处理,获得预定维度的所述融合特征向量。

24、可选的,所述目标位移预测层至少包括:若干依次连接的全连接网络、以及目标线性激活函数;

25、所述利用所述目标位移预测模型中的目标位移预测层,对所述融合特征向量进行位移预测,获得位移预测值,具体包括:

26、基于各所述全连接网络依次对所述融合特征向量进行降维处理,获得降维后的特征向量;

27、基于所述降维后的特征向量,利用所述目标线性激活函数计算所述位移预测值。

28、可选的,所述方法还包括:预先训练获得所述目标位移预测模型,具体包括:

29、针对目标大坝对象所对应的若干目标特征点,分别获取各样本时刻下、各目标特征点的样本温度数据、各目标特征点的样本空隙水压力数据,并获取各样本时刻下、目标大坝对象的样本水压力场数据以及样本冻融深度数据;

30、基于各样本时刻下,各所述目标特征点的样本温度数据、各所述目标特征点的样本空隙水压力数据、目标大坝对象的样本水压力场数据以及样本冻融深度数据,生成各样本时刻的样本物理特征向量;

31、获取各样本时刻所对应的位移标签,并基于各样本时刻所对应的样本周期内、各样本历史时刻的库水位、各样本历史时刻的天气温度数据以及各样本历史时刻的地表温度数据,利用初始位移预测模型中的初始特征提取层进行特征提取,获得与各样本时刻对应的样本时序特征向量;

32、利用所述初始位移预测模型中的初始特征融合层,对同一样本时刻的样本物理特征向量以及样本时序特征向量进行特征融合,获得融合特征向量;

33、利用所述初始位移预测模型中的初始位移预测层,对所述融合特征向量进行位移预测,获得各样本时刻对应的初始位移预测值以及各样本时刻对应的初始融冻损伤因子;

34、基于各样本时刻所对应的位移标签、各样本时刻的融冻损伤因子标签、各样本时刻的初始位移预测值以及各样本时刻初始融冻损伤因子,计算初始损失值,并基于所述初始损失值确定是否满足预定的训练停止条件;

35、在未满足所述训练停止条件时,对所述初始位移预测模型进行迭代训练,直至满足所述训练停止条件,将最后一次迭代的所述初始位移预测模型作为所述目标位移预测模型。

36、为解决上述问题,本技术提供一种抽水蓄能电站大坝位移预测装置,包括:

37、第一获取模块,用于针对目标大坝对象所对应的若干目标特征点,分别获取目标时刻下、各目标特征点的温度数据、各目标特征点的空隙水压力数据,并获取目标时刻下、目标大坝对象的水压力场数据以及冻融深度数据;

38、生成模块,用于基于各所述目标特征点的温度数据、各所述目标特征点的空隙水压力数据、目标大坝对象的水压力场数据以及冻融深度数据,生成目标时刻的物理特征向量;

39、提取模块,用于基于所述目标时刻所对应的目标周期内、各历史时刻的库水位、各历史时刻的天气温度数据以及各历史时刻地表温度数据,利用预先训练获得目标位移预测模型中的目标特征提取层进行特征提取,获得时序特征向量;

40、融合模块,用于利用所述目标位移预测模型中的目标特征融合层,对所述物理特征向量以及所述时序特征向量进行特征融合,获得融合特征向量;

41、预测模块,用于利用所述目标位移预测模型中的目标位移预测层,对所述融合特征向量进行位移预测,获得位移预测值。

42、为解决上述问题,本技术提供一种存储介质,所述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实现上述任一项所述抽水蓄能电站大坝位移预测方法的步骤。

43、为解决上述问题,本技术提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述任一项所述抽水蓄能电站大坝位移预测方法的步骤。

44、本技术中的一种抽水蓄能电站大坝位移预测方法、装置、介质及设备,通过针对大坝对象的各目标特征点,获取目标时刻下的温度数据、空隙水压力数据、水压力场数据以及冻融深度数据,进而能够合理、准确的构建获得目标时刻下的物理特征向量,通过获取各历史时刻的库水位、气温、地表温度数据,能够精准捕捉大坝位移随环境、水位周期变化的时序演变规律,即能够提取获得历史周期的时序特征向量,进而后续可以将物理特征向量与时序特征向量进行耦合/融合,从而获得融合特征向量,弥补单一特征信息片面、预测偏差大的问题,最后再经由预测层完成精准位移预测。

45、上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。