基于RBF神经网络的边坡稳定性分析

郑玉洁+胡保祯+赵振刚

摘要：为解决云南变电站山地建设中边坡稳定性难以分析的问题，开展了山地变电站的边坡状态检测与稳定性分析研究。运用RBF神经网络算法建立了具有预测能力的分析模型，将边坡压力预测值与监测值相互结合对比分析，并对山地变电站边坡的结构稳定性作出判定。从数据分析可以看出，此传感网络系统的搭建较为成功，在电磁干扰强、地质环境恶劣的工作条件下运行状态良好，达到了监测目的。采用基于RBF神经网络的边坡结构稳定性分析方式，能较好解决边坡稳定性预测问题。

关键词：山地变电站边坡；GeoStudio；RBF神经网络；稳定性分析

DOIDOI：10.11907/rjdk.172045

中图分类号：TP319

文献标识码：A 文章编号：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

南方電网公司对于电网的研究与建设提出了一系列要求，包括“增强电力系统的安全稳定运行标准，提高资产和系统利用率”等，云南电网基于贯彻南方电网的建设理念，将保障电网安全稳定置于非常重要的地位，将在线监测技术的研究与运用作为提升电网科技水平和运行管理效率的基石。为了实现以上要求，云南电网先后研究和运用了许多在线监测方法与技术，以完成对变电站地质环境的安全稳定性监测。目前，在土木工程中运用了很多技术和方法完成边坡结构的安全性监测，并且不断改进与优化，以前的大部分监测实例都是采用人工观测或是使用单点的监测仪器完成，而目前随着科学技术的进步，运用更加精确、合理的模型分析和自动化监测实现。山地变电站由于地势条件较差，边坡一旦失稳会给电力系统带来巨大影响和不可挽回的损失，因此对山地变电站边坡结构进行稳定性分析意义尤为重大[1]。主要内容是获取与预测边坡当前及未来的稳定情况。基于监测数据的稳定性分析，是根据边坡检测网络中反馈的信息，对其进行处理、统计、分析并判定边坡的稳定性[2-3]。基于RBF神经网络的边坡稳定性分析，能够有效地对边坡受力状态进行短时间的预测，并结合实际监测数据进行对比分析，从而判断边坡结构的稳定性[4]。

1 RBF神经网络基本原理

1985年，Powell提出了多变量差值的径向基函数方法。1988年，Broomhead和Lowe首先将RBF应用于神经网络设计，构成了径向基函数神经网络，即RBF神经网络[5]。

神经网络是一种用以模仿人脑神经网络的复杂网络系统，具有高维性、并行分布处理性、自适应性、自组织性、自学习性等优良特性。一个完整的神经网络由接受信号的输入层、输出信号的输出层以及用于转换和处理信号的隐含层组成[6]。对于某一神经元，首先按照连接强度（权重值）完成来自其它神经元输入信号的积累运算，再将其结果通过传递函数变换，最后经阈值函数判断，若输出大于阈值，则神经元被激活，给出输出值，否则不产生输出。在神经网络中，权值和传递函数是两个非常关键的因素。权值的物理意义是输入信号的强度，若设计多个神经元，则可理解为神经元之间的连接强度。神经网络中的传递函数一般是单值函数，这样使得神经元运算可逆[7]。

RBF神经网络是一种三层前向网络，其拓扑结构如图1所示，输入层由信号源节点组成。隐层单元的变换函数是一种局部分布的非负非线性函数，对中心点径向对称且衰减；隐含层的单元数由所描述问题的需要确定；网络的输出是隐单元输出的线性加权和。RBF神经网络的输入空间到隐含层空间的变换是非线性的。

从分析结果可得，预测值和实际值的整体变化趋势基本保持一致，但从图中可以看出两条曲线并没有完全重合，所以预测值与实际值存在一定误差，因此分别对绝对误差值和相对误差值进行了检验。绝对误差值反映出真实值与预测值之间的真实误差值，从绝对误差项来看，整体压力误差基本在20kPa范围以内，且最大值不超过30kPa，变化较为稳定。从相对误差项来看，整体压力的相对误差浮动在0.05左右，且最大值小于0.1，所以认为压力随着时间的变化基本保持稳定。endprint

3 RBF模型预报结果分析

图6分别为上、下游传感器预测-实测压力值对比与预测-实测压力误差，从分析结果来看，上、下游压力传感器的预测-实测压力值走势规律性较强，因此上游取2#、6#、10#压力传感器，下游取1#、5#、9#压力传感器进行分析（本文只给出上游2#传感器预测-实测分析图）。图6（a）中，横坐标为时间轴，纵坐标为压力值，从图中可以看出预测值与实际值的整体拟合度较高，两者并没有完全重合但走势基本趋于一致，2月份降雨较少压力逐渐下降且压力值大小在稳定范围之内。图6（b）中可以看出，预测值与实际值存在一定误差，因此分别对绝对误差值和相对误差值进行了检验，绝对误差值反映出真实值与预测值之间的真实误差值，从绝对误差项来看，整体压力误差基本在50kPa范围以内，且最大值不超过70kPa，变化较为稳定，从相对误差项来看，整体压力的相对误差浮动在0.05左右，且最大相对误差小于0.1，所以可以判定压力随着时间的变化基本保持稳定。

4 结语

本文针对楚雄州某220kV山地变电站，采用基于监测数据的边坡结构稳定性分析方式，通过对監测数据与初始测量数据之间的应变变化横向对比，分析得出2#应变桩3m处传感器应变变化量最大，应变值为110με，且此应变值处于安全范围以内，判定该边坡为稳定状态。针对昭通供电局220kV盐津变电站，采用基于RBF神经网络的边坡结构稳定性分析方式，将实际监测值与短期预测值进行了对比分析，根据压力变化曲线拟合度较高且压力相对误差值小于0.1，变化值较为稳定，从而判定此边坡处于稳定状态。根据监测数据可以得出，该传感网络系统的搭建较为成功，在电磁干扰强、地质环境恶劣的工作条件中运行良好，能做到有效监测。

参考文献：

[1] 佴磊，徐燕，代树林，等.边坡工程[M].北京：科学出版社，2010.

[2] 姜小强.某人工边坡稳定性分析评价及治理方法分析[J].工程建设与设计，2017（1）：52-55.

[3] 张焱.边坡稳定性分析及支护设计研究[J].河南水利与南水北调，2017（2）：56-58.

[4] 毕卫华，谭晓慧，侯晓亮，等.基于RBF神经网络的边坡稳定可靠度分析[J].地下空间与工程学报，2010，6（2）：423-428.

[5] 李国友，姚磊，李惠光，等.基于优化的RBF神经网络模式识别新方法[J].系统仿真学报，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.一种基于高斯核的RBF神经网络学习算法[J].计算机工程与应用， 2002，38（21）：118-119.

（责任编辑：何 丽）endprint