基于BP神經(jīng)網(wǎng)絡(luò)的水電機組振動趨勢預(yù)測研究

賈春雷，劉 博，譚小剛，屈偉強，劉成東

(黃河水利水電開發(fā)總公司，河南 濟源 459017)

截至2018年底，我國發(fā)電裝機19.0億kW，其中水電總裝機3.5億kW，裝機占比為18.4%，提前完成電力發(fā)展“十三五”規(guī)劃中“到2020年，常規(guī)水電裝機達到3.4億kW”的發(fā)展目標(biāo)。同時，水電機組的單機容量也在不斷提升，白鶴灘水電站單機容量已達到1 000 MW[1]，水電成為電網(wǎng)安全的重要因素。為確保水電機組的安全穩(wěn)定運行，需要對機組的振動、振幅、電流、電壓、溫度、壓力和流量等參數(shù)進行實時監(jiān)控，然后對采集到的數(shù)據(jù)進行分析處理，提取數(shù)據(jù)中隱含的有效信息，可以對機組的健康水平進行評定，對機組運行趨勢進行預(yù)測，并對可能出現(xiàn)的故障進行提前預(yù)判。

近年來，人工神經(jīng)網(wǎng)絡(luò)技術(shù)快速發(fā)展，在模式識別和回歸預(yù)測等場景應(yīng)用廣泛，其中以BP神經(jīng)網(wǎng)絡(luò)最為普遍和有效。何余良、張曙光等采用BP神經(jīng)網(wǎng)絡(luò)算法建立具有多個輸入、單個輸出的預(yù)應(yīng)力鋼-混凝土組合梁抗彎極限承載力預(yù)測模型，通過實測驗證了模型的可用性[2]。蓋曉東、李溪水等設(shè)計一種基于BP神經(jīng)網(wǎng)絡(luò)的制動距離預(yù)測系統(tǒng)，該系統(tǒng)可根據(jù)電梯制動系統(tǒng)和末端行程系統(tǒng)的運行參數(shù)對電梯制動距離進行準(zhǔn)確預(yù)測[3]。郭鵬程、孫龍剛等利用多重分形譜算法提取出振動故障的特征向量，并將該特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量進行分類識別，獲得了較好的分類結(jié)果[4]。研究表明，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于水電機組的故障分類和趨勢預(yù)測中，可以達到理想的應(yīng)用效果，本文以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，對水電機組振動趨勢預(yù)測進行研究。

1 水電機組振動特點

水電機組在運行過程中，有大量的信號實時上送，其中振動信號最能夠迅速、直接地反映機組的運行狀態(tài)。據(jù)統(tǒng)計，振動故障在所有發(fā)生的水電機組設(shè)備故障的統(tǒng)計數(shù)據(jù)中占比約為80%[5]。水力因素、機械因素和電磁振動引起水電機組振動的主要原因，某一故障引起的振動會在幾個部位不同程度地反映出來[6]。水電機組的大部分故障都具有漸進性發(fā)展的特點，正常狀態(tài)的機組在相同的負(fù)荷和水頭下具有穩(wěn)定的振動值，當(dāng)有故障出現(xiàn)時，機組的振動信號會隨之產(chǎn)生相應(yīng)變化，并隨著故障的進一步發(fā)展而逐漸加劇。通過建立預(yù)測模型，利用水電機組的振動數(shù)據(jù)，對機組的振動趨勢進行預(yù)測，從而預(yù)判故障的發(fā)展程度，提前采取介入措施，避免因故障的進一步發(fā)展而導(dǎo)致設(shè)備損壞和經(jīng)濟損失。

2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與特點

BP神經(jīng)網(wǎng)絡(luò)是Rumelhart和McClelland于1986年提出的一種基于誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)通過輸出與期望的誤差不斷修正網(wǎng)絡(luò)參數(shù)，具有良好的自適應(yīng)能力，廣泛應(yīng)用于模式識別與趨勢預(yù)測等場景中。BP神經(jīng)網(wǎng)絡(luò)一般具有3層或3層以上的網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、隱含層(中間層)和輸出層，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

BP神經(jīng)網(wǎng)絡(luò)屬于有監(jiān)督學(xué)習(xí)，其學(xué)習(xí)過程可以分為兩個階段：第一階段為正向傳播過程，即輸入訓(xùn)練樣本，從輸入層經(jīng)過隱含層，最后到達輸出層；第二階段是逆向傳播過程，即由輸出層至輸入層逆向逐層計算實際輸出與期望輸出間的偏差，用梯度下降法調(diào)整各層之間的連接權(quán)重和閾值，從而使誤差逐漸變小[7-9]。通過逆向傳播不斷修正網(wǎng)絡(luò)參數(shù)，網(wǎng)絡(luò)輸出的誤差越來越小，直至滿足期望要求。

BP神經(jīng)網(wǎng)絡(luò)實質(zhì)上是一種復(fù)雜的數(shù)據(jù)映射關(guān)系，理論上講可以實現(xiàn)任意的非線性映射關(guān)系，因此，它適合于求解復(fù)雜的問題，具有較強的自學(xué)習(xí)能力和泛化能力，不足之處是易陷于局部極小值和收斂速度慢等問題。

3 BP神經(jīng)網(wǎng)絡(luò)建模

水電機組的振動值與水頭和機組有功負(fù)荷有直接關(guān)系，相同的水頭下，機組的有功負(fù)荷是機組振動值的決定因素；相同的負(fù)荷下，不同的水頭具有不同的振動特性。設(shè)計BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型時，根據(jù)機組振動值的決定因素主要是水頭和有功負(fù)荷，確定網(wǎng)絡(luò)輸入層結(jié)點數(shù)為2個，分別對應(yīng)機組有功負(fù)荷與水頭。輸出為預(yù)測的振動值，輸出層結(jié)點數(shù)為1。隱含層結(jié)點數(shù)對網(wǎng)絡(luò)訓(xùn)練影響較大，如果隱層結(jié)點數(shù)過少，會導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)能力不足或無法實現(xiàn)輸入輸出的映射關(guān)系。若結(jié)點數(shù)過多，則會造成計算量大、網(wǎng)絡(luò)訓(xùn)練緩慢、易陷入局部極小點等問題[10-11]，隱含層神經(jīng)元結(jié)點數(shù)通常按經(jīng)驗公式(1)確定：

(1)

式中：y為隱含層神經(jīng)元數(shù)；P為輸入層節(jié)點數(shù)；Q為輸出層節(jié)點數(shù)；a為1～10之間的常數(shù)，取a=4，將P=2，Q=1帶入(1)式中，確定y=5，即隱含層節(jié)點數(shù)為5。

隱含層神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)：

(2)

輸出層神經(jīng)元傳遞函數(shù)采用雙極性S型函數(shù)：

(3)

4 模型訓(xùn)練與測試

選取小浪底水電站5號機組大軸水導(dǎo)軸承+X向振動信號為分析對象，采集該測點2018年6月20日至2018年8月30日間振動數(shù)據(jù)建立數(shù)據(jù)集，該時間段內(nèi)小浪底水電站持續(xù)大流量下泄水庫蓄水，水庫水位持續(xù)下降，機組水頭從為127.5 m下降到104.5 m，變化范圍較大，水頭與振動關(guān)系曲線如圖2所示。

圖2 水頭與水導(dǎo)+X向振動關(guān)系曲線圖

機組有功負(fù)荷與水導(dǎo)+X向振動關(guān)系曲線如圖3所示，可以看出機組有功負(fù)荷在0 MW到最大允許負(fù)荷320 MW之間變化，由于機組運行時需要避開有功負(fù)荷180 MW左右的振動區(qū)，調(diào)整負(fù)荷時需要快速通過振動區(qū)，因此0～180 MW之間的數(shù)據(jù)點較少。

圖3 機組有功負(fù)荷與水導(dǎo)+X向振動關(guān)系曲線圖

提取不同水頭和負(fù)荷下的振動值400組數(shù)據(jù)，其中前475組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后25組數(shù)據(jù)作為測試數(shù)據(jù)，誤差目標(biāo)設(shè)置為4e-5，最大迭代步數(shù)為100次，學(xué)習(xí)率為0.1，用MATLAB進行訓(xùn)練仿真，共迭代17次達到訓(xùn)練目標(biāo)，BP神經(jīng)網(wǎng)絡(luò)輸出預(yù)測值及誤差如表1和圖4所示。

表1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測值和誤差表

圖4 預(yù)測值和預(yù)測誤差曲線圖

從表1可以看出，取絕對值后最小相對誤差為0.16%，最大相對相對誤差為7.85%，平均誤差為3.76%，從圖4可以更直觀的看出，預(yù)測值的趨勢基本和實際值相一致，預(yù)測結(jié)果具有較好的準(zhǔn)確度。對照測試數(shù)據(jù)集，可以得出以下結(jié)論：

1)在不同的水頭下，機組滿負(fù)荷運行即帶300 MW有功負(fù)荷時，預(yù)測誤差比較小。這是由于機組未處于自動發(fā)電控制(AGC)模式時，基本上都是帶滿負(fù)荷運行，產(chǎn)生的數(shù)據(jù)點較多，網(wǎng)絡(luò)訓(xùn)練充足，從而使測試數(shù)據(jù)輸出偏差較小。

2)誤差較大的數(shù)據(jù)點均出現(xiàn)在機組振動區(qū)臨界點，即180 MW有功負(fù)荷附近，由于該區(qū)域負(fù)荷對振動影響較大，很小的負(fù)荷變化可能造成很大的振動變化量，振動數(shù)據(jù)隨機性較強。同時，機組很少運行在振動區(qū)，使得該區(qū)域數(shù)據(jù)點不是很充足，因此導(dǎo)致測試數(shù)據(jù)輸出偏差較大。從預(yù)測結(jié)果總體來看，該模型預(yù)測結(jié)果具有較高的可信度，可以較好的預(yù)測機組振動趨勢，對判斷機組未來趨勢具有一定的參考價值。

5 結(jié) 語

建立了水電機組BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對小浪底水電站5號機組大軸水導(dǎo)+X向振動進行了趨勢預(yù)測，結(jié)果表明該模型的收斂速度快，輸出偏差小，預(yù)測結(jié)果具有較高的精度。為減小模型的輸出誤差，應(yīng)合理確定BP神經(jīng)網(wǎng)絡(luò)各層的結(jié)點數(shù)量，合理選擇訓(xùn)練數(shù)據(jù)，使數(shù)據(jù)盡可能覆蓋輸入量量程的全部范圍。基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，可以作為水電機組趨勢預(yù)測的推薦模型，這需要大量長時間的振動數(shù)據(jù)做基礎(chǔ)，用采集到的數(shù)據(jù)不斷訓(xùn)練模型，持續(xù)優(yōu)化模型的網(wǎng)絡(luò)參數(shù)，從而提高預(yù)測結(jié)果的準(zhǔn)確性。