基于改進bp網絡的水力機組小流量工況下非線性特性分析

基于改進bp網絡的水力機組小流量工況下非線性特性分析

在仿真和計算工藝選擇、水電系統(tǒng)及其裝置轉移過程時，必須使用工藝模型的綜合特性曲線數(shù)據(jù)來確定機組的流量特性和功率特性。通常,水輪機組在小開度、小流量的低效區(qū)工況點下呈明顯的非線性特性,因此,廠家所給定的水輪機綜合特性曲線一般只有高效區(qū)部分。通過計算機輔助設計,利用擬合、插值和外延等將機組已知綜合特性曲線向小開度、小流量方向延伸,以便獲得機組流量特性和力矩特性,這是水輪機模型綜合特性及機組過渡過程研究的一個重要方面。作為對人腦的一種簡單抽象的模擬,人工神經網絡(ArtificialNeuralNetworks.ANN)是由大量人工神經元廣泛互連而組成。人工神經網絡特有的能適應非線性信息的處理能力,在專家系統(tǒng)、模式識別、智能控制、組織優(yōu)化、預測等領域得到成功的應用。本文介紹了改進BP神經網絡的特點,利用改進BP神經網絡強大的學習判斷功能及非線性數(shù)據(jù)逼近功能,并將其與MATLAB矩陣數(shù)據(jù)處理能力相結合,通過學習獲得水輪機在小開度、小流量的低效率區(qū)工況點的綜合特性數(shù)據(jù)。1多層網絡的融合由D.E.Rumelhart和J.L.McClelland提出的BP神經網絡,是一種利用誤差反向傳播訓練算法的神經網絡,它系統(tǒng)地解決了多層網絡中隱含單元連接權的學習問題。由于改進BP網絡有很好的逼近非線性映射的能力,因而它在信息處理、圖像識別、模型識別及系統(tǒng)控制等方面得到了許多科學研究者的親睞。2傳統(tǒng)的織物形態(tài)水輪機控制系統(tǒng)是一個多輸入多輸出的系統(tǒng),各工況點都呈現(xiàn)為明顯的非線性特性。傳統(tǒng)的水輪機特性曲線的處理方法包括:表格插值、曲線插值和拋物線插值等。隨著計算機軟件技術的發(fā)展,許多學者將各種應用軟件合理地引入水輪機特性曲線處理中,大大地提高了水輪機特性數(shù)據(jù)處理的效率和精度。3改善p2p網絡建模3.1織物上模型密度計算轉槳式水輪機主動力矩Mt和流量Q的變化特性即為機組的靜態(tài)特性,其力矩和流量的函數(shù)表達式為:Mt=Mt(H,a,n,θ)?Q=Q(H,a,n,θ)(1)Μt=Μt(Η,a,n,θ)?Q=Q(Η,a,n,θ)(1)式中,Mt為水輪機的主動力矩,N·m;Q為流量,m3/s;H為水頭,m;n為轉速,r/min;a為導葉開度;θ為槳葉角度。3.2生成單位轉速n1和導葉的開度由于所選的輸入學習樣本各值之間存在著量綱、數(shù)量級不同等方面的問題,需要對神經網絡的輸入輸出數(shù)據(jù)進行歸一化處理或標準化處理,以加快網絡的訓練速度,防止因凈輸入的絕對值過大而使神經元飽和。這里將力矩Mt和流量Q轉換為單位量,并用相對量來表示,則式(1)化為:m11=M11/M11r=f(a,n11)q11=Q11/Q11r=q(a,n11)(2)m11=Μ11/Μ11r=f(a,n11)q11=Q11/Q11r=q(a,n11)(2)式中,M11r、Q11r分別是額定工況下的單位流量和單位力矩。從式(1)和式(2)可以看出,水輪機的單位力矩和單位流量取決于單位轉速n11和導葉的開度a。也就是說,在將從水輪機特性曲線上通過CAD自動獲得的[a,n11]數(shù)據(jù)矩陣作為不同工況點的輸入樣本輸入時,輸出即為反映水輪機特性的主動力矩和流量變化的特性曲面。3.3擴展和邊界域限制3.3.1生成延拓曲線李際軍等提出了采用“先離后合”的概念。首先對需要延拓的非均勻樣條基線進行分析,構造出一系列的基線型值點,然后將延拓點加入到型值點序列中,再對新的型值點序列進行三點二次插值,創(chuàng)建出延拓曲線。借助這種思路,通過CAD自動獲得的高效區(qū)的流量和力矩[a,n11]數(shù)據(jù)矩陣作為神經網絡的輸入樣本,再結合邊界約束點沿曲面方向進行延拓,從而獲得可靠、精度高的低效區(qū)水輪機特性數(shù)據(jù)。3.3.2流量延拓曲面下的應的約束條件在曲面延拓的過程中,不可能按曲面的方向無限制地延拓下去,而是結合實際情況,給出相應的約束條件:(1)在流量延拓曲面中,當導葉開度為0(a=0)時,由于此時的導葉已為全關閉狀態(tài),所以無論轉速有多大,流量均為0;(2)假設機組單位轉速在恒為零(n11=0)的條下,那么隨著導葉開度的增大,單位流量q11也應該是隨之逐漸增大。4matlab神經網絡對于型號為ZZ560的軸流轉槳式水輪機,采用3層改進BP神經網絡結構,分別對單位流量q11和單位力矩m11=0進行仿真,利用MATLAB神經網絡工具箱編寫網絡結構,如圖1所示。經分析,單位流量和單位力矩的網絡結構圖是一樣的,這里僅以計算q11的改進BP網絡模型為例。4.1改進bp網絡模型由CAD自動從ZZ560型軸流轉槳式水輪機的綜合特性曲線上提取已知高效區(qū)的數(shù)據(jù)矩陣,然后將其作為流量輸入樣本值P(a,n11)和目標樣本值T(q11),并結合對應的邊界約束條件,利用MATLAB神經網絡工具箱函數(shù)trianlm()編寫改進BP網絡程序模型,并對模型進行“學習”訓練。4.2模型的輸出層將用于訓練的流量輸入樣本的原始數(shù)據(jù)矩陣P=[25,28…39,42;80,90…120,130]作為模型的輸入,即圖1中的輸入層。對應的輸出樣本矩陣T=[1.0011.151…1.4941.500],通過模型的輸出層,對整個模型進行“學習”訓練,其中,在輸出層可以采用Sigmoid型和Purelin兩種神經元,由于考慮到導葉開度變化范圍很大,所以本次仿真模型選用Purelin型線性神經元作為輸出。第1層和第2層均采用雙曲正切S型(Tan-Sigmoid)傳輸函數(shù),利用initff函數(shù),即,[W1,b1,W2,b2,W3,b3]=initff(P,S1,’tansig’,S2,’tansig’,T,’Purelin’),對改進BP網絡進行初始化處理,并通過模型自動“學習”,從而獲得網絡權值和偏值。模型參數(shù)設定如表1所示。4.3織物模型訓練網絡模型參數(shù)設定后,利用tp函數(shù)對設定模型進行訓練,即采用:tp=[disp_freqmax_epocherr_goal]。模型參數(shù)設定后,最后利用基于Levenberg-Marquardt規(guī)則訓練的trianlm()算法函數(shù)進行“學習”訓練,即:[W1,b1,W2,b2,W3,b3,te,tr]=trainlm(W1,b1,’tansig’,W2,b2,’tansig’,W3,b3,’Purelin’,P,T,tp)模型對樣本進行訓練后,即可以獲得低效率區(qū)的水輪機綜合特性數(shù)據(jù)。4.4單位流量仿真在改進BP網絡訓練結束之后,對任意輸入P利用仿真函數(shù)simuff(),就可以得到相應仿真結果。ZZ560型軸流轉槳式水輪機的單位流量仿真可通過如下程序來實現(xiàn):q11=simuff(P,W1,b1,’tansig’,W2,b2,’tansig’,W3,b3,’Purelin’)單位力矩仿真程序與單位流量的仿真相同,即把輸入樣本換成單位力矩矩陣即可。經訓練得到的低效區(qū)的單位流量延拓曲面和單位力矩的延拓曲面如圖2,圖3所示。4.5單位流量誤差與單位力學性能通過模型自動“學習”訓練所獲得的數(shù)據(jù)與原始樣本的數(shù)據(jù)進行對比之后,可以得到單位流量誤差曲面和單位力矩誤差曲面,如圖4,圖5所示。5單位流量預測值誤差從仿真結果可以看出,所建的改進BP網絡模型對特性曲面的擬合效果很好。現(xiàn)對型號為ZZ560的軸流轉槳式水輪機單位流量的試驗值與改進BP網絡模型預測值之間的誤差,從圖2中提取兩組數(shù)據(jù)加以對比,對比結果如表2所示。通過調整權值和偏值,改進BP網絡使網絡的實際輸出值與期望輸出值的誤差均在允許的誤差范圍之內。由圖4及表2可見,單位流量的實驗值和預測值之間的誤差都在10-3量級內。說明建模精度很高,延拓曲面擬合效果很好,能夠較好地反映水輪機在不同工況點時的真實特性,可以為機組過渡過程的仿真計算提供精確的特性數(shù)據(jù)。6評價面為軸流轉槳式織物用改進BP網絡強大的非線性逼近功能、快速可靠的優(yōu)化算