基于人工神經網絡的水輪機軸承溫度輸出特性模型研究

楊海燕，韓國松

(河北工程大學，河北 邯鄲 056038)

在水輪機運行過程中，軸承溫度過高將導致發生“抬機”現象或“燒瓦”事故，危及水力機組的安全穩定[1]。如果能比較準確地掌握水輪機軸承溫度輸出規律, 將對水輪發電機組的穩定運行有著重大意義[2]。本文在實際監測數據的基礎上，以上下游水位差、導葉開度、漿葉角度作為輸入樣本，推力軸承作為輸出樣本，建立人工神經網絡模型，取得了滿意的結果。

1 水電站的基本情況

廣西宜州三岔水電站距離宜州市68 km，三岔鎮龍江下游1 km，是龍江干流梯級開發的第十一個梯級水電站。該電站有3臺燈泡貫流式水輪發電機組，單機容量7 MW，額定水頭5 m，最大引流量480 m3/s，設計為無人值班，少人值守的方式。2006年11月，該水電站開始施工，到2008年11月，3臺機組全部投入運行。

水電站配備有SJK-8000綜合自動化系統，實現對整個水電站的計算機監控系統的管理，可以準確、實時、有效地完成對電站被控對象的安全監控。具有數據庫管理，AGC、AVC計算和處理，定值修改、語音報警、事故故障信號的分析處理，各圖表、曲線的生成，在線及離線計算功能等，其數據采集功能，可以很方便的得到水力發電過程的各種相關數據。見圖1。

圖1 數據庫維護系統的一個界面

2 BP人工神經網絡簡介

BP網絡是人工神經網絡中最為重要的網絡之一，也是迄今為止，應用最為廣泛的網絡算法[3-5]。實踐證明，這種基于誤差反傳遞算法的BP網絡有很強的映射能力，可以解決許多實際問題，其模型結構圖見圖2。

圖2 BP人工神經網絡結構圖

設網絡具有m層，令ymj表示第m層中第j個結點的輸出 ，而y0j就等于xj，即第j個輸入。令Wmij表示從ym-1i到ymj的連接加權，θmj表示第m層第j結點的閾值。BP網絡訓練步驟如下：

1) 將各權值和閾值賦予[-1，1]間的隨機數。

2) 從訓練數據組中選一數據對(XK，TK)，將輸入變量加到輸入層(m=0)，使得

y0j=xKi(對所有i點)

式中：k為訓練圖形號。

3) 信號通過網絡向前傳播，利用以下關系式，即

(1)

計算從第一層開始的各層內每個結點j的輸出y，直至全部完畢。其中F(S)取Sigmoid函數。

4) 計算輸出層每個結點的誤差值，即

δmj=ymj(1-ymj)(Tmj-ymj)

(2)

這個誤差由實際輸出值和目標要求值之差獲得。

5) 計算前面各層每個結點的誤差值 ，即

(3)

利用逐層反傳誤差算得(m=m，m-1，…，1)。

6) 反向逐層修正權值和閾值 ，分別為

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為迭代次數；η為學習速率，η∈(0，1) ；α為動量因子，α∈(0，1)。

7) 返回到步驟2)，轉入到下一個圖形，重復步驟2)-步驟7)，直至網絡全局誤差達到預設的精度或達到最大訓練次數為止。

(6)

3 水輪機軸承溫度輸出特性的人工神經網絡模型

本文根據廣西宜州三岔水電站的2#水輪發電機組一年的監測數據，得到的水輪機軸承溫度等的有關數據，隨機抽取200多組數據作為人工神經網絡模型的學習樣本，表1中為部分樣本數據。

表1 2號水輪發電機組現場監測數據及人工神經網絡模型計算值

因為引水管路的水力損失不易計算，所以用水電站上下游水位差，也就是水電站的毛水頭用作反映水力發電系統運行工況的一個參數，用導水機構活動導葉開度反映水輪機的過流量，所以導葉開度是水力發電系統運行工況的另一個參數，另外還得考慮水輪機轉輪槳葉的角度對水輪機運行特性的影響。因此，建立的人工神經網絡的輸入選取3個神經元分別為表1監測數據中的上下游水位差、導葉開度、漿葉角度，選取1個輸出神經元為表1監測數據中的正推3。隱層結點選為5個，計算程序用Matlab編制[6]。

經過數萬次學習以后，網絡相應的能量函數趨于穩定，學習結束，將訓練結果也列在表1中，并求出神經網絡的連接權向量W，確定人工神經網絡模型。

輸出的權值和閾值分別為：

b2=[-1.918 9]

在此基礎上，還計算出平均相對誤差為1.82%。因為此模型具有較高的計算精度，已經將該人工神經網絡模型應用到該水電站水力發電機組優化運行系統的開發中。

4 結 語

本文在廣西宜州三岔水電站監測數據的基礎上，建立了水輪機軸承溫度輸出特性人工神經網絡模型。研究結果表明，用人工神經網絡建立水輪機軸承溫度輸出特性的模型是可行的，有利用于指導水電站中水力發電機組的優化運行。