基于MEA-BP神經(jīng)網(wǎng)絡的壓氣機特性曲線預測

黃 偉,常 俊,孫智濱

(上海電力學院 自動化工程學院， 上海 200090)

燃氣輪機是一種重要的動力機械，被廣泛應用于航空航天、輪船艦艇和火力發(fā)電等多個領域。針對燃氣輪機核心技術需要長期從國外進口的情況，燃機技術國產(chǎn)化勢在必行。采用模塊化建模的方式對燃氣輪機建立整體模型，可以得到相關的建模數(shù)據(jù)，進而可以進行故障診斷、健康管理和狀態(tài)監(jiān)控等研究?？梢?，對燃氣輪機進行建模仿真并研究其性能特點具有很高的實用價值[1-2]。

在燃氣輪機的整體建模仿真中，壓氣機作為一個重要的組成部分，其流量和效率特性曲線的準確性直接關系到發(fā)電機穩(wěn)態(tài)、瞬態(tài)過程模擬以及發(fā)電機與增壓器匹配計算的精度。但是，由于壓氣機特性曲線的可變性和離散不連續(xù)的特點，對該曲線的預測成為建模的重點和難點。因此，要根據(jù)有限的樣本數(shù)據(jù)，借助合適的建模方法對壓氣機特性曲線進行預測，得出變工況條件下不同轉速所對應的流量和效率，進而為后期燃氣輪機的整體建模打下基礎。

壓氣機的特性曲線基本都是在額定工況下通過試驗的方法得到的，變工況的情況下，試驗測得的數(shù)據(jù)更加離散化，不利于后期的統(tǒng)計與分析。崔茂佩[3]通過人為劃分依據(jù)線，確定等轉速線的擬合區(qū)域，利用二步一元方法分別擬合；張東陽[4]利用插值函數(shù)法和最小二乘法對壓氣機特性曲線做第一步和第二步擬合，并對不同擬合冪次所得結果進行比較。目前大多方法都存在泛化能力不足的特點。

思維進化算法(mind evolutionary algorithm，MEA)作為一種改進的種群優(yōu)化算法，具有全局尋優(yōu)的能力，可以改善神經(jīng)網(wǎng)絡的收斂速度和精度，已被使用于疾病研究、發(fā)電機故障分析、變壓器故障診斷和電廠主氣溫控制等多個領域[5-7]。在神經(jīng)網(wǎng)絡的權值和閾值范圍內(nèi)，通過MEA的多次“趨同”與“異化”操作進行全局尋優(yōu)，將得到的全局最優(yōu)解應用于BP神經(jīng)網(wǎng)絡的初始值中。實踐證明，使用MEA優(yōu)化的BP神經(jīng)網(wǎng)絡方法能夠提高擬合和預測的準確性，并且具有很強的記憶功能，提升了模型的泛化能力，適合于預測不同轉速下的壓氣機特性曲線[8]。

為了彌補BP神經(jīng)網(wǎng)絡的不足，筆者擬將MEA引入壓氣機特性曲線預測，采用MEA優(yōu)化BP神經(jīng)網(wǎng)絡的權值和閾值，探討MEA優(yōu)化后的BP神經(jīng)網(wǎng)絡在壓氣機特性曲線預測模型中的精度和泛化能力，為后期燃氣輪機整體模型的建立和仿真做好準備。

1 燃氣輪機模型

利用Matlab/Simulink建立某重型燃氣輪機整體模型，作為穩(wěn)、動態(tài)仿真的框架基礎。模型如圖1所示。

圖1所示模型為采用模塊化建模搭建的燃氣輪機整體模型，分為壓氣機模塊、燃燒室模塊和透平模塊。壓氣機模塊的輸入?yún)?shù)有溫度、壓力、轉速和壓比。輸出參數(shù)主要為空氣流量，該輸出參數(shù)在燃氣輪機整體模型的分析中至關重要。通過對壓氣機特性曲線的處理和預測，得到非設計工況、任意轉速條件下的空氣流量，進而得出燃燒室的進氣量，為后續(xù)燃燒室和透平的建模研究打下基礎[9-11]。

為了得到滿足該整體模型的壓氣機特性曲線預測結果，本文分別采用BP神經(jīng)網(wǎng)絡和MEA-BP神經(jīng)網(wǎng)絡進行優(yōu)化，并對結果進行對比分析。

圖1 某重型燃氣輪機整體模型

2 MEA-BP神經(jīng)網(wǎng)絡

2.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡模型，該網(wǎng)絡的主要特點是信號前向傳遞，誤差反向傳播。BP神經(jīng)網(wǎng)絡采用反向傳播算法作為學習算法，激活函數(shù)通常采用連續(xù)可導的S型函數(shù)，隨著激活函數(shù)的不同會推算出不同的權值調(diào)整公式。如果輸出層得不到期望輸出，則轉入反向傳播，根據(jù)預測誤差調(diào)整網(wǎng)絡權值和閾值，從而使 BP 神經(jīng)網(wǎng)絡預測輸出不斷逼近期望輸出。BP神經(jīng)網(wǎng)絡的網(wǎng)絡拓撲結構如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡的網(wǎng)絡拓撲結構

由圖2可知，BP神經(jīng)網(wǎng)絡可以看成是一個非線性函數(shù)，網(wǎng)絡輸入值和預測值分別為該函數(shù)的自變量和因變量[12-13]。對于3層神經(jīng)網(wǎng)絡，具體的訓練過程如下：

1) 初始化網(wǎng)絡

確定輸入維數(shù)n、輸出維數(shù)m和隱含層節(jié)點數(shù)l，初始化權值和閾值。

2) 計算隱含層輸出

(1)

式中：f為神經(jīng)元激勵函數(shù)；wij為隱含層神經(jīng)元間的連接權值；a為隱含層閾值。

3) 計算輸出層

(2)

式中：wjk為隱含層與輸出層神經(jīng)元之間的連接權值；b為輸出層閾值。

4) 誤差計算

ek=Ok-Yk

(3)

5) 權值更新

(4)

wjk=wjk+ηHjek

(5)

6) 閾值更新

(6)

bk=bk+ek

(7)

7) 判斷算法迭代是否結束；若未結束，則返回步驟2)。

2.2 MEA-BP神經(jīng)網(wǎng)絡

2.2.1 思維進化算法

思維進化算法(MEA)沿襲了遺傳算法的一些基本概念，其基本框架如圖3所示。

圖3 思維進化算法系統(tǒng)結構

由圖3可知，思維進化算法主要由以下4個環(huán)節(jié)組成：群體和子群體、公告板、趨同和異化。其中，趨同和異化過程是思維進化算法的核心部分，代替了遺傳算法中交叉和變異這2種遺傳算子，決定著該算法的精度和記憶能力。

2.2.2 MEA優(yōu)化過程

思維進化算法的設計思路就是對BP神經(jīng)網(wǎng)絡的初始權值和閾值進行優(yōu)化。首先，根據(jù) BP 神經(jīng)網(wǎng)絡的拓撲結構，將解空間映射到編碼空間，每個編碼對應問題的一個解。然后，選取訓練集的均方誤差的倒數(shù)作為各個個體與種群的得分函數(shù)。利用思維進化算法，通過不斷迭代，輸出最優(yōu)個體，并以此作為初始權值和閾值，訓練BP神經(jīng)網(wǎng)絡[7-8]。其優(yōu)化過程如下：

1) 根據(jù)BP神經(jīng)網(wǎng)絡拓撲結構，將解空間映射到編碼空間。編碼長度為

s=nl+ml+l+m

(8)

2) 定義迭代次數(shù)iter、種群大小popsize、預分配優(yōu)勝子群體bestsize和臨時子群體tempsize大小。子群體SG大小為：

(9)

3) 選取各個個體和種群的得分函數(shù)val。

(10)

SE=mse(T-A2)

(11)

式中：A2為每次迭代后輸出層的輸出值；T為期望輸出；SE為均方差。

4) 不斷進行迭代，輸出最優(yōu)個體，并以此作為BP神經(jīng)網(wǎng)絡的權值和閾值，訓練網(wǎng)絡。

該算法的具體流程如圖4所示。

圖4 算法流程

當滿足迭代停止條件時，思維進化算法結束優(yōu)化過程。此時，根據(jù)編碼規(guī)則，對尋找到的最優(yōu)個體進行解析，從而得到對應的BP神經(jīng)網(wǎng)絡的權值和閾值。將優(yōu)化得到的權值和閾值作為BP神經(jīng)網(wǎng)絡的初始權值和閾值，并利用訓練集樣本對BP神經(jīng)網(wǎng)絡進行訓練、學習。與傳統(tǒng)BP神經(jīng)網(wǎng)絡相同，訓練完成后，可輸入測試集樣本進行仿真預測，并可進行結果分析和討論。

3 非線性函數(shù)

為了驗證采用BP神經(jīng)網(wǎng)絡和MEA-BP神經(jīng)網(wǎng)絡進行預測時的隨機性，采用式(12)所示的非線性函數(shù)進行擬合[14]。該函數(shù)的圖形如圖5所示。

(12)

圖5 非線性函數(shù)圖形

此處的BP神經(jīng)網(wǎng)絡訓練用非線性函數(shù)的輸入和輸出數(shù)據(jù)訓練神經(jīng)網(wǎng)絡，使訓練后的網(wǎng)絡能預測非線性函數(shù)輸出。從式(12)得到2 000組輸入輸出數(shù)據(jù)，由中挑選1 900組作為訓練集，剩下的100組數(shù)據(jù)作為測試集。BP神經(jīng)網(wǎng)絡算法流程如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡算法流程

分別用訓練好的BP神經(jīng)網(wǎng)絡和MEA-BP神經(jīng)網(wǎng)絡預測函數(shù)輸出，預測誤差百分比如圖7所示。

圖7 BP神經(jīng)網(wǎng)絡和MEA-BP神經(jīng)網(wǎng)絡預測誤差百分比

由圖7可知，對于式(12)給出的非線性函數(shù)，BP神經(jīng)網(wǎng)絡和MEA-BP神經(jīng)網(wǎng)絡預測結果的誤差百分比都維持在0%上下，精度均較高，符合壓氣機特性曲線預測的使用要求。但是，二者相比而言，采用BP神經(jīng)網(wǎng)絡的預測誤差百分比最大能夠達到-3%附近，而采用MEA-BP神經(jīng)網(wǎng)絡的預測誤差百分比最大只在-0.5%附近，可見采用MEA優(yōu)化后的BP神經(jīng)網(wǎng)絡具有更好的精度，更加適合實際應用。下文將分別利用這2種方法對壓氣機特性曲線進行預測和分析。

4 實例分析

本文利用Matlab中的神經(jīng)網(wǎng)絡工具箱建立BP神經(jīng)網(wǎng)絡，采用MEA對BP神經(jīng)網(wǎng)絡進行優(yōu)化，對壓氣機特性曲線進行擬合和預測。圖8是某型軸流式壓氣機特性曲線，其中橫坐標表示折合流量，縱坐標表示壓比。

圖8 某型軸流式壓氣機特性曲線

由圖8可知，圖中共有11條等轉速線，分別取轉速n=0.9、0.8、0.7、0.6、0.5、0.4、0.3上的樣本數(shù)據(jù)作為神經(jīng)網(wǎng)絡的訓練集，每條等轉速線上取6個點，而將轉速n=0.95、0.82、0.25上的樣本數(shù)據(jù)作為檢驗數(shù)據(jù)。其中，n=0.95作為高轉速樣本外插值，n=0.82為樣本內(nèi)插值，n=0.25作為低轉速樣本外插值。

經(jīng)過數(shù)據(jù)歸一化處理，分別進行BP神經(jīng)網(wǎng)絡和MEA-BP神經(jīng)網(wǎng)絡的預測。

4.1 BP神經(jīng)網(wǎng)絡

在沒有先進算法優(yōu)化的情況下，運行獨立的BP神經(jīng)網(wǎng)絡進行計算，BP神經(jīng)網(wǎng)絡預測結果如圖9所示。

圖9 BP神經(jīng)網(wǎng)絡預測結果

圖9中，“○”線為訓練樣本數(shù)據(jù)的擬合結果，“+”線分別為轉速n=0.95、0.82、0.25時BP神經(jīng)網(wǎng)絡的預測結果。

由圖9分析可知，對于低轉速樣本外插值n=0.25和樣本內(nèi)插值n=0.82，獨立的BP神經(jīng)網(wǎng)絡預測結果具有較低的相對誤差，但是對于高轉速樣本外插值n=0.95時的誤差較大。由此可知，BP神經(jīng)網(wǎng)絡的泛化能力主要針對輸入和輸出數(shù)據(jù)都在最大值范圍內(nèi)，即低轉速樣本外插值和樣本內(nèi)插值，如果是高轉速樣本外插值，則會有比較高的輸出誤差。

4.2 MEA-BP神經(jīng)網(wǎng)絡

為了獲得更高的預測精度和更好的泛化能力，采用MEA優(yōu)化算法對BP神經(jīng)網(wǎng)絡的權值和閾值進行優(yōu)化。相比其他種群類優(yōu)化算法，MEA具有特有的趨同過程，使優(yōu)化結果更加準確。針對本案例，MEA優(yōu)化的BP神經(jīng)網(wǎng)絡初始優(yōu)勝子種群和臨時子種群的趨同過程如圖10所示。

由圖10可知，經(jīng)過若干次趨同操作，各子種群均已成熟，即得分不再增加。同時，優(yōu)勝子種群和臨時子種群成熟后，臨時子種群中的子種群5的得分比優(yōu)勝子種群中的一部分子種群得分高，而優(yōu)勝子種群中的子種群5的得分比臨時子種群中的一部分子種群得分低。對于這種情況需要執(zhí)行一次“異化”操作，同時要補充一個新的子種群到臨時子種群中。經(jīng)過“趨同”和“異化”過程，完成MEA對權值和閾值的優(yōu)化。

MEA優(yōu)化的BP神經(jīng)網(wǎng)絡經(jīng)過訓練后，預測結果如圖11所示。

圖10 MEA-BP趨同過程

圖11 MEA-BP神經(jīng)網(wǎng)絡預測結果

圖11中，“○”線為訓練樣本數(shù)據(jù)的擬合結果，“+”線分別為轉速n=0.95、0.82、0.25時BP神經(jīng)網(wǎng)絡的預測結果。

通過對圖11分析可知，采用MEA優(yōu)化后的BP神經(jīng)網(wǎng)絡預測結果誤差大多維持在1%以下，具有較好的精度；同時，針對不同的樣本外插值和樣本內(nèi)插值都有比較不錯的結果，具有較好的泛化能力。

4.3 誤差分析

為了分析BP神經(jīng)網(wǎng)絡和MEA-BP神經(jīng)網(wǎng)絡預測結果的準確性和泛化能力，將具體的實際特性圖數(shù)據(jù)和2種方法的預測數(shù)據(jù)結果統(tǒng)計如表1所示，并將BP神經(jīng)網(wǎng)絡和MEA-BP神經(jīng)網(wǎng)絡預測結果的相對誤差百分比進行對比分析。

表1 BP神經(jīng)網(wǎng)絡和MEA-BP神經(jīng)網(wǎng)絡預測與實際數(shù)據(jù)對比

由表1分析可知，采用BP神經(jīng)網(wǎng)絡進行預測時，所得相對誤差大多大于2%，其中對于樣本內(nèi)插值和低轉速樣本外插值的相對誤差在2%左右，對于高轉速樣本外插值的相對誤差均大于2%，甚至達到了16%?？梢姡珺P神經(jīng)網(wǎng)絡的泛化能力主要針對輸入和輸出數(shù)據(jù)都在最大值范圍內(nèi)，即低轉速樣本外插值和樣本內(nèi)插值。如果是高轉速樣本外插值，則會有比較高的輸出誤差，不適用于燃氣輪機的實際工況。

采用MEA-BP神經(jīng)網(wǎng)絡進行預測時，所得相對誤差小于1%。對于高轉速樣本外插值，雖然其誤差在1.5%上下，略高于樣本內(nèi)插值和低轉速樣本外插值的結果，但是相比BP神經(jīng)網(wǎng)絡而言，采用MEA優(yōu)化過的BP神經(jīng)網(wǎng)絡的相對誤差降低了很多。可見，相比BP神經(jīng)網(wǎng)絡，采用MEA-BP神經(jīng)網(wǎng)絡得出的壓氣機特性曲線預測具有更好的精度和泛化能力，更適用于燃氣輪機建模。

5 結論

1) 首次將思維進化算法(MEA)引入壓氣機特性曲線預測中，分別通過BP神經(jīng)網(wǎng)絡和MEA-BP神經(jīng)網(wǎng)絡進行壓氣機特性曲線計算，得到了相應的預測結果。

BP神經(jīng)網(wǎng)絡的泛化能力主要針對輸入和輸出數(shù)據(jù)都在最大值范圍內(nèi)，即低轉速樣本外插值和樣本內(nèi)插值。如果是高轉速樣本外插值，則會有比較高的輸出誤差。MEA-BP神經(jīng)網(wǎng)絡相比以上2種方法具有明顯的優(yōu)勢。采用MEA優(yōu)化過的神經(jīng)網(wǎng)絡，預測結果誤差大多維持在1%以下，具有很好的精度；并且針對不同的樣本外插值和樣本內(nèi)插值，都有比較不錯的結果。

經(jīng)過對預測結果的對比分析，發(fā)現(xiàn)利用MEA算法優(yōu)化過的BP神經(jīng)網(wǎng)絡預測效果較好，并且具有很強的泛化能力。

2) 非設計工況下的壓氣機特性曲線可以通過神經(jīng)網(wǎng)絡計算獲得，并且思維進化算法(MEA)能適用于燃氣輪機壓氣機特性曲線的預測。在其優(yōu)化的情況下，BP神經(jīng)網(wǎng)絡也具有更高的實用價值，適合于壓氣機的實際運行分析，有利于燃氣輪機整體模型的建立與仿真，有助于燃氣輪機機組的運行優(yōu)化。