基于GMDH 网络的电厂地下水取水自适应控制方法研究

皮玉珍，苑全德，孟祥萍，谭万禹，舒英利，谷春苗

（1.长春工程学院电气与信息工程学院；2.吉林省高校配电自动化工程研究中心，长春130012）

0 引言

我国是水资源贫乏的国家，随着社会发展，水资源短缺问题越来越严重，因此，合理用水、节约用水，迫在眉睫。电力行业是我国五大耗水行业之一，对电力企业特别是通过对地下水为水源的电厂的用水进行科学管理，以达到节约用水的目的就显得意义重大。

我国对火力发电厂、钢铁联合企业等高耗水企业有严格的取水定额要求，在建电厂之前，就需要就区域水环境进行考察论证，对电厂取水对区域水环境的影响进行研究，只有在证明对该区域水环境影响不大的情况下，才能进行电厂的建设。

火电厂从水源取来新水后，主要用于循环冷却、工业冷却、化水运行、除灰、蒸发损失、生活等部分，所有用水总和应与新水加上回收利用水之和相当，即达到水平衡。通过考察整个水平衡过程，可以摸清企业用水情况，找出节水潜力所在。

在地表水资源贫乏的地区，火电厂为了取得生产用水，一般的做法是在方圆几十km的范围内，开凿多口深水井，这些水井一般分属于几条不同的管线输送到电厂。需要这么多水井是为了保护地下水资源，因为同时在同一个地方大量抽取地下水会有诸多不良后果。即使是在有了这么多水井的情况下，也要对水井进行间歇性抽取。

目前大多数的火电厂已经可以做到通过网络远程控制深水井中水泵的启停，但水泵的启停时间完全依靠人的经验，难以达到最优的效果。本文通过地下水的建模测试，实现对水井的自适应调控。

本文对某火电厂的取水系统中的新水取用控制进行研究。该火电厂附近没有大江大河，位于地表水不丰富地区，但地下水资源丰富。该电厂在方圆30km的范围内，钻有66口深水井，分为5条管线。每口井里的水泵均可由控制中心通过网络进行启动或者停止。

我们为分布的深水井水泵设计了具有输入输出功能，自主决定启停的神经元，众多这样的神经元形成了一个前向多层神经网络，该网络通过遗传算法原理生成下一层神经元。通过对某电厂一年的深水井泵运行记录的转化提取获得学习样本和测试集，将该学习样本陆续输入到神经网络，进而获得对深水井是否进行启动或者停止的信息。在系统运行过程中，巡检人员隔段时间可进行检查，如发现水泵运行状态不合理，可人工调整，然后将信息通过计算机反馈给神经网络以进行优化调整。本文给出了网络决策与实际运行结果对比。

1 结合了遗传算法思想的GMDH网络

GMDH网络是由Ivakhnenko首先提出，用来分析多变量系统的建模与识别的方法，GMDH网络基于对多输入单输出的数据集合的评价可以逐渐产生复杂模型，该网络成功地运用于非线性系统的建模和控制中，如超音速飞机的控制系统，电力系统负荷预测。在GMDH网络中一个模型可以表示为神经元集合，在每层上成对的神经元经过二次多项式产生新的下一层的神经元。

我们将GMDH网络与遗传算法结合，由各输入单元进行组合产生一系列新一层的神经元，每个神经元的产生都是父母神经元通过遗传的方式筛选出来的，为每一个神经元分配一个适应度分数，神经元的输出与目标变量输出越接近，分数越高，适应度越高的神经元，被选出来作为种子神经元的机会越大，这个过程可以使用轮赌选择方法。重复这一过程，直到产生的神经元的适应度不高于父母神经元，网络的最佳结构就确定了。

2 GMDH网络在控制取水中的应用

2.1 学习样本与测试数据集

水井的水位与井中水泵运行时间具有最大的相关性，根据2010年全年的运行记录可以发现井泵一般运行时间为1～20h，因此在预测水泵是否应该停止时，该水泵的已经运行时间应该是最重要的影响因子。此外离此水井较近的水井，因为地下水脉的互通性，其是否出水以及出水量也对该井的出水量影响较大，应该作为考虑在内的影响因子。

（1）输入层单元学习样本定义：输入单元分为2类，即深井泵计时器PTi（Pump Timer）以及深井泵运行状态PSi（Pump Status），其中i为深井泵编号。该电厂有66口井，所以输入单元共有132个。

其中

也就是说PSi取值只有2种：运行或者停止，编码为1或者0。

PTi在PSi的值没有变之前是每轮输入是自动加1。例如：PT1＝10，PS1＝1，意为编号为1的水泵处于运行状态10h。

将2010年一年的运行数据分为2个集合A，B，其中A集合作为训练集，B集合对产生的网络进行检测和筛选。

（2）输出层数据定义：输出层里每个神经元代表了下一步水泵的运行状态PSi（t＋1），经过训练后，作为网络的输入。

2.2 目标函数

根据训练数据集合定义，

式中：Se——预测与实际值之间误差的均方差；

σY——预报相关因素的均方差。

其中

在进行训练的过程中，其实就是寻求dY的最小值的过程。由于控制的特殊性，66个输出单元的输出误差需要控制在尽可能小的范围。

2.3 输入单元规范化

2.1 节已经论述，输入单元分为2类，其中PTi＝i，i∈0，…，n。需要对PTi进行规范化处理。我们选用如下公式进行处理：

式中：p——控制曲线变化快慢的参数；

PT＊i——取值范围为[0，1）。

PSi的值为0或者1，满足0≤PSi≤1的要求，已经是规范化形式。

3 训练结果

用来训练的网络拓扑如图1所示。其中n＝66。

图1 用来做取水控制的GMDH网络拓扑

我们使用2010年1月—6月的运行记录作为学习样本，7月—12月的记录作为测试集。经过训练后，使用测试集进行测试与分析，在训练过程中，某一台水泵在半个月内运行状态的预测结果与实际结果如表1所示。

表1 某台水泵半个月内运行状态预测与实际对比

对于水泵运行的持续时间，预测结果应该小于等于实际值，而对于停止状态持续时间，则预测结果应该大于等于实际值，这样做对于地下水位的回升和地下水的休养有好处。从这个角度和表1的结果评价我们提出的方法，可以看出本方法对于深井泵的控制具有很好的效果。这个网络不是固定不变的，需要不断通过人工的巡检，并将结果输入到网络，以保持网络的适应性。

4 结语

本文对某火电厂的取水系统中的新水取用控制进行了研究。为分布的深水井水泵设计了具有输入输出功能，自主决定启停的神经元代理，众多这样的神经元形成了一个前向多层GMDH网络，该网络通过遗传算法原理产生新的下一层神经元。通过对该电厂一年的深水井泵运行记录的转化提取获得学习样本和测试集，将该训练数据陆续输入到神经网络，进而获得对深水井的是否进行启动或者停止的信息。本文给出了网络决策与实际运行结果对比，结果表明本方法对于深井泵的控制具有很好的效果。

[1]何跃，尹静.基于GMDH的小样本数据预测模型[J].统计与决策，2011（10）：11－13.

[2]GB／T 18916.1－2002，取水定额 第1部分：火力发电[S].

[3]蔡绪贻，夏青.沙岭子电厂取水对区域水环境影响研究[J].中国地质灾害与防治学报，1995（4）：50－57.

[4]Ivakhnenko，A G.Polynomial Theory of Complex Systems[J].IEEE Trans.Syst.Man ＆ Cybern，SMC－1，1971（3）：364－378.

[5]Ivakhnenko A G，Ivakhnenko G A.The Review of Problems Solvable by Algorithms of the Group Method of Data Handling （GMDH）[J].Pattern Recognition and Image Analysis，1995，5（4）：527－535.