基于PSO-BP的泄洪闸门液压启闭机信号预测

杨 赛，孔令超，董 懿，李初辉，黄天雄

（中国长江电力股份有限公司，湖北 宜昌 443000）

1 引言

水电站泄洪闸门是用来控制泄水通道开闭的重要设备，具有汛期泄洪、调度控制水位、调节流量与水力发电等作用[1-3]，闸门的安全稳定运行不仅与水资源的合理利用息息相关，也承载着保障河流上下游人民生命财产安全的重任。因此，泄洪闸门系统需要始终保持高效率的运行状态，避免重大事故的发生[4，5]。而泄洪闸门运行过程中存在的回油箱溢油现象直接影响泄洪闸门开启和闭合的时间[6]。故而，通过油压和液压杆行程对闸门状态进行预测至关重要。

EROBRINK C D 等为了解决闸门运行过程中存在水流动力诱发振动以致闸门受损甚至开闸失败的问题，搭建了集成机器学习和物理模型的振动预测混合建模系统，可以对闸门在未来使用过程中的安全状态进行有效预测[7]。TRUONG T T 等将一维卷积神经网络和门控递归单元神经网络相结合，提出了一种有效的一维卷积门控递归单元神经元网络，用于基于大量加速器测量的时间序列振动信号的实时闸门损伤检测[8]。杨军 等利用EMD经验模态分解完成振动信号分解，并采用模糊规则进行闸门状态预测[9]。上述研究都采用各类算法对信号进行预测和分析，然而上述算法过于复杂，难以实时应用在水电站中，因此本文提出采用BP算法进行信号预测，通过PSO优化其中权重参数。

本文基于PSO-BP的启闭机信号预测方法，研究泄洪闸门运行状态分析，通过PSO-BP神经网络预测闸门开闭状态，实现对泄洪闸门设备的智能运行趋势分析，提高泄洪闸门设备管理水平。

2 基于PSO-BP算法的闸门开度趋势预测

为了监测预测闸门开度是否正常，通过油缸行程、油箱油位等信息，从而监测油缸行程、油箱油位是否异常，同时实时检测油箱液位的变化趋势，为进一步故障分析提供支撑。因此，本文提出PSOBP算法实现信号趋势预测，具体如图1所示。将油缸行程、油箱油位等信息作为输入，闸门开度作为输出。利用PSO-BP神经网络拟合之间的非线性关系，利用90%的数据进行训练，10%作为测试集进行验证。由于BP神经网络是一种采用误差逆向传播算法进行训练的多层前馈神经网络，其优异的非线性逼近能力对于闸门开度拟合至关重要，能有效抑制噪声对拟合精度的影响。其中PSO粒子群算法用于获取BP神经网络权重初值，使得拟合更为准确。除了对闸门开度预测，从而判断行程和油箱液位是否正常，同时也可用本文算法对油箱油位等关键参数进行实时趋势预测，判断是否出现异常状态。

图1 闸门信号预测

BP神经网络包括输入层、隐藏层和输出层，其模型如图2所示。BP神经网络的信息传递过程可分为两步：第一步是信号正向传播，即信息首先由网络的输入层节点输入，依次通过各个隐藏的神经单元，最后通过输出层节点输出；第二步是误差反向传播，当实际输出与期望输出不相符时，先计算两者之间的误差，再从输出层开始逐层反向传播误差信息，并在该过程中，采用梯度下降优化算法对各单元的权值进行调优，最终使误差趋向一个极小值。

图2 BP神经网络

BP神经网络的输入层输出及隐含层输入、输出可依次写为：

式中：上标（1）、（2）分别代表神经网络的输入层与隐含层；θ(2)表示隐含层的阈值；表示输入层第j个神经元与隐含层第i个神经元之间的连接权值；f(x)则为隐含层的激活函数，其具体内容如下：

同时，输出层的输入、输出可写为：

上述为正向传播过程，当误差不为0时，则将该误差以均方值的形式，作为修正连接权值的指标，使该误差均方值趋向一个极小值，即反向误差调整过程，误差均方值可根据下式计算：

以E（k）为变量并根据负梯度规则调节连接权值同时，通过引入惯性项来提升收敛速度和降低陷入死循环概率。此时，输出层和隐含层各神经元的连接权值更新公式可写为：

式中：α为惯性项系数；η为学习速率。

将式(6)中的偏导数根据链式法则做如下变形计算:

经化简、近似等计算，即可得到输出层、隐含层各神经元连接权值的更新公式：

为了让BP神经网络获得最佳初值，采用PSO算法初始化每个参数，然后利用粒子群算法进行推导，获得最佳初始权重参数，让BP神经网络算法不易陷入局部最优解。具体流程是：首先对已经构建的神经网络参数设定范围，将每一个参数定义为粒子的一个维度，初始化随机粒子，然后将训练参数放入神经网络中进行计算，并利用预测结果和输出结果之间的误差构建目标函数，然后获取当前种群中的最优粒子；根据粒子更新方程得到下一代的粒子，最后通过迭代的方式找到最优值。假设N维搜索空间中第u个粒子的位置和速度可分别表示为xu=(xu1，xu2，…，xuN)和vu=(vu1，vu2，…，vuN)，而第u个粒子在历史中的最优位置为Pu=(Pu1，Pu2，…，PuN)，整个种群中过去最优位置为Po=(po1，po2，…，poN)。在每一次迭代中，粒子通过对自身与整个种群的最优粒子的跟踪进行更新。

粒子更新方程如下：

式中：ww为惯性权重系数；c1和c2为加速因子，通常取为正数；r1和r2是均匀分布在0到1之间的随机数，tw为当前迭代次数。c1和c2分别为调节粒子自身最优和整个种群最优的加速因子。

3 实验与分析

以某水电站历史数据为基础验证实验的准确性，采集泄洪洞数据和中孔开启关闭数据进行训练。与泄洪洞关闭相关参数有油箱油位、弧门开度、弧门A缸SSI行程、B缸SSI行程、A缸EHC行程、B缸EHC行程。中孔开启闭合相关参数为油箱油位、弧门开度、油缸行程1、油缸行程2。

首先对泄洪洞关闭状态进行训练和预测。共1 800个数据训练，90%作为训练集，10%用于验证，对闸门开度数据进行趋势预测。ww为惯性权重；c1和c2为1.494 45，最大迭代次数为100次，种群规模为30。对于泄洪洞参数，构建BP网络为5-10-1，学习率为0.1；闸门关闭开度曲线如图3（a）所示，从图中可知闸门关闭时有抖动。不是完全线性关系。PSO实验结果如图3（b）所示，由该图可以看出随着迭代次数的增加，适应度值从高到低下降，达到0.4后逐渐收敛。说明本文通过PSO算法能较好的给出初始权重。闸门训练结果如图3（c）和（d）所示。真实值与预测值达到高度重合，泄洪洞关闭时闸门开度预测模型的开度预测误差较小，平均值为-6.6E-4，实现了高精准度预测。最大误差仅出现在闸门关闭的开始部分，在关闭过程中预测误差极小。

中孔局部开启闭合的参数为1 800个，90%作为训练集，10%用于验证，对闸门开度数据进行趋势预测。ww为惯性权重；c1和c2为1.494 45，最大迭代次数为100次，种群规模为30。中孔局部开启闭合曲线如图4（a）所示，PSO实验结果如图4（b）所示，由该图可以看出随着迭代次数的增加，适应度值从高到低下降，不断进行收敛，相比只有关闭情况，本次开闭更为复杂，因此会不断迭代收敛。闸门训练结果如图4（c）和（d）所示。由该组图可以看出真实值与预测值接近于100%的高度重合，中孔局部开启闭合时闸门开度预测模型的开度预测误差控制在了0.27以内，实现了超高精准度的预测。

图4 中孔局部开启闭合闸门时开度预测模型训练结果

4 结论

本文提出基于PSO-BP的启闭机关键状态信号预测方法，用于解决闸门启闭信号预测问题。通过泄洪闸门运行状态分析确定输入参数。然后通过对某实际闸门开闭数据训练，构建输入参数为5个，隐含层10个和输出为1个参数的BP网络。利用PSO获取最佳初值，实现对泄洪闸门液压启闭机相关参数的运行趋势分析，提高泄洪闸门设备管理水平。