基于人工神经网络的水轮机轴承温度输出特性模型研究

2020-04-28杨海燕韩国松

水利科技与经济 2020年4期

杨海燕，韩国松

(河北工程大学，河北邯郸 056038)

在水轮机运行过程中，轴承温度过高将导致发生“抬机”现象或“烧瓦”事故，危及水力机组的安全稳定[1]。如果能比较准确地掌握水轮机轴承温度输出规律, 将对水轮发电机组的稳定运行有着重大意义[2]。本文在实际监测数据的基础上，以上下游水位差、导叶开度、浆叶角度作为输入样本，推力轴承作为输出样本，建立人工神经网络模型，取得了满意的结果。

1 水电站的基本情况

广西宜州三岔水电站距离宜州市68 km，三岔镇龙江下游1 km，是龙江干流梯级开发的第十一个梯级水电站。该电站有3台灯泡贯流式水轮发电机组，单机容量7 MW，额定水头5 m，最大引流量480 m3/s，设计为无人值班，少人值守的方式。2006年11月，该水电站开始施工，到2008年11月，3台机组全部投入运行。

水电站配备有SJK-8000综合自动化系统，实现对整个水电站的计算机监控系统的管理，可以准确、实时、有效地完成对电站被控对象的安全监控。具有数据库管理，AGC、AVC计算和处理，定值修改、语音报警、事故故障信号的分析处理，各图表、曲线的生成，在线及离线计算功能等，其数据采集功能，可以很方便的得到水力发电过程的各种相关数据。见图1。

图1 数据库维护系统的一个界面

2 BP人工神经网络简介

BP网络是人工神经网络中最为重要的网络之一，也是迄今为止，应用最为广泛的网络算法[3-5]。实践证明，这种基于误差反传递算法的BP网络有很强的映射能力，可以解决许多实际问题，其模型结构图见图2。

图2 BP人工神经网络结构图

设网络具有m层，令ymj表示第m层中第j个结点的输出，而y0j就等于xj，即第j个输入。令Wmij表示从ym-1i到ymj的连接加权，θmj表示第m层第j结点的阈值。BP网络训练步骤如下：

1) 将各权值和阈值赋予[-1，1]间的随机数。

2) 从训练数据组中选一数据对(XK，TK)，将输入变量加到输入层(m=0)，使得

y0j=xKi(对所有i点)

式中：k为训练图形号。

3) 信号通过网络向前传播，利用以下关系式，即

(1)

计算从第一层开始的各层内每个结点j的输出y，直至全部完毕。其中F(S)取Sigmoid函数。

4) 计算输出层每个结点的误差值，即

δmj=ymj(1-ymj)(Tmj-ymj)

(2)

这个误差由实际输出值和目标要求值之差获得。

5) 计算前面各层每个结点的误差值，即

(3)

利用逐层反传误差算得(m=m，m-1，…，1)。

6) 反向逐层修正权值和阈值，分别为

Wmij(t+1)=Wmij(t)+ηδmjym-1i+

α[Wmij(t)-Wmij(t-1)]

(4)

θmj(t+1)=θmj(t)+ηδmj+α[θmj(t)-

θmj(t-1)]

(5)

式中：t为迭代次数；η为学习速率，η∈(0，1) ；α为动量因子，α∈(0，1)。

7) 返回到步骤2)，转入到下一个图形，重复步骤2)-步骤7)，直至网络全局误差达到预设的精度或达到最大训练次数为止。

(6)

3 水轮机轴承温度输出特性的人工神经网络模型

本文根据广西宜州三岔水电站的2#水轮发电机组一年的监测数据，得到的水轮机轴承温度等的有关数据，随机抽取200多组数据作为人工神经网络模型的学习样本，表1中为部分样本数据。

表1 2号水轮发电机组现场监测数据及人工神经网络模型计算值

因为引水管路的水力损失不易计算，所以用水电站上下游水位差，也就是水电站的毛水头用作反映水力发电系统运行工况的一个参数，用导水机构活动导叶开度反映水轮机的过流量，所以导叶开度是水力发电系统运行工况的另一个参数，另外还得考虑水轮机转轮桨叶的角度对水轮机运行特性的影响。因此，建立的人工神经网络的输入选取3个神经元分别为表1监测数据中的上下游水位差、导叶开度、浆叶角度，选取1个输出神经元为表1监测数据中的正推3。隐层结点选为5个，计算程序用Matlab编制[6]。

经过数万次学习以后，网络相应的能量函数趋于稳定，学习结束，将训练结果也列在表1中，并求出神经网络的连接权向量W，确定人工神经网络模型。

输出的权值和阈值分别为：