基于BP神經(jīng)網(wǎng)絡的搖臂式波浪發(fā)電平臺取能效率預測

陳麗雪 李德堂 華軍 賴文斌 申宏群

摘要：取能效率是衡量波浪發(fā)電裝置設計合理與否的重要參考標準。文章首先介紹了搖臂式波浪發(fā)電平臺，接著對BP神經(jīng)網(wǎng)絡的原理和算法進行了描述，最后以水池試驗過程中收集的數(shù)據(jù)為樣本數(shù)據(jù)，在Matlab平臺上運用BP神經(jīng)網(wǎng)絡對實海況下?lián)u臂式波浪發(fā)電平臺的取能效率作了仿真預測。仿真結(jié)果表明：實海況下?lián)u臂式波浪發(fā)電平臺的取能效率達到了預期目標，進一步說明BP神經(jīng)網(wǎng)絡成功訓練出可靠的網(wǎng)絡，在此基礎上預測的數(shù)據(jù)具有一定的參考價值。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡;數(shù)據(jù)預測;發(fā)電平臺;取能效率;Matlab

中圖分類號：TM6;P74????文獻標志碼：A????文章編號：1005-9857（2020）03-0080-05

Energy Efficiency of Rocker Wave Power Generation Platform Based on BP Neural Network Prediction

CHEN Lixue1，LI Detang2，HUA Jun1，LAI Wenbin2，SHEN Hongqun2

（1.Port and Transportation Engineering College，Zhejiang Ocean University，Zhoushan 316022，China;2.School of Civil and Mechanical Engineering，Zhejiang Ocean University，Zhoushan 316022，China）

Abstract：Energy efficiency is an important reference standard for measuring the rationality of wave power plant design.This paper introduced the rockertype wave power generation platform，and described the principle and algorithm of BP neural network.The data collected during the pool test process was taken as the sample data，and the BP neural network was used to shake the real sea state on the Matlab platform.The energyreceiving efficiency of the arm wave power platform was simulated and predicted.The simulation results showed that the energy efficiency of the rockertype wave power generation platform reached the expected range under real sea conditions，which further demonstrated that the BP neural network had successfully trained a reliable network，so as the predicted data would have certain reference value.

Key words：BP neural network，Data prediction，Power generation platform，Energy efficiency，Matlab

0?引言

隨著社會經(jīng)濟的高速發(fā)展，可利用的不可再生能源日益減少，尋找新的可再生能源逐漸成為社會熱議的話題[1]。而海洋面積占地球總面積的70%，自然而然成為人們探索的對象。經(jīng)世界能源委員會的調(diào)查結(jié)果顯示，全球海洋能源中可利用的波浪能達20億kW[4]，數(shù)量相當可觀。為了更好地利用波浪能，團隊自主研發(fā)一套新型搖臂式波浪發(fā)電平臺，與之前團隊研發(fā)的振蕩浮子式波浪發(fā)電平臺[3]相比，該裝置能同時收集橫、縱兩個方向的波浪能，具有更高的能量轉(zhuǎn)化效率。

人工神經(jīng)網(wǎng)絡是一種模仿生物神經(jīng)網(wǎng)絡行為特征，進行信息處理的算法數(shù)學模型，其中BP神經(jīng)網(wǎng)絡是目前應用最廣泛的神經(jīng)網(wǎng)絡[5]。它是一種按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡，其主要特點是：向前傳播信號，反向傳播誤差，過程中通過不斷調(diào)整網(wǎng)絡權(quán)重值，使網(wǎng)絡的結(jié)果輸出與期望輸出盡可能相近，以達到訓練的目的。

本研究通過試驗驗證與BP神經(jīng)網(wǎng)絡相結(jié)合，預測實海況下新型搖臂式波浪發(fā)電裝置的取能效率，從而驗證了該裝置設計的合理性，在一定程度上減少了經(jīng)濟損失。

1?搖臂式波浪發(fā)電平臺的組成及工作原理

搖臂式波浪發(fā)電平臺主要由三樁腿支撐平臺、浮筒、群組油缸、液壓泵、蓄能器、液壓馬達、發(fā)電機及燈泡（負載）組成，如圖1所示。該裝置的工作原理是：浮筒隨著波浪的運動在橫、縱兩個方向捕獲波浪能，將波浪能轉(zhuǎn)化為浮筒的機械能。浮筒的運動帶動群組油缸運動，群組油缸帶動活塞做上下運動，液壓泵通過液壓回路將浮筒的機械能轉(zhuǎn)化為液壓能存儲在蓄能器中。蓄能器釋放穩(wěn)定的液壓油，恒壓驅(qū)動液壓馬達，液壓馬達帶動永磁發(fā)電機發(fā)電，將液壓能轉(zhuǎn)化為電能，使負載穩(wěn)定工作。其中發(fā)電裝置能量轉(zhuǎn)化圖如圖2所示，液壓裝置工作原理圖如圖3所示。

2?BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡，即誤差反向傳播算法的學習過程，它包括信息的正向傳播和誤差的反向傳播兩個過程。BP網(wǎng)絡模型一般由多層神經(jīng)元組成，其中第一層稱為輸入層，最后一層稱為輸出層，其他各層均被稱為隱含層。

BP神經(jīng)網(wǎng)絡的工作原理是：輸入層各神經(jīng)元負責接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元;中間層處理輸入層輸出的數(shù)據(jù)，負責信息變換;輸出層接收最后一層隱含層的信息，經(jīng)進一步處理后，即完成一次學習的正向傳播，此時由輸出層輸出信息處理結(jié)果。若輸出結(jié)果與期望結(jié)果的誤差在允許范圍內(nèi)，則代表學習成功;若輸出結(jié)果與期望結(jié)果的誤差超過允許范圍，則進入反向傳播過程，將誤差信號沿原路傳遞返回，通過修改各神經(jīng)元間的權(quán)值和閾值，再次計算返回正向傳播過程，直到誤差達到允許范圍內(nèi)，此時網(wǎng)絡學習過程結(jié)束[13]。

最常見的3層BP神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖4所示。

3?取能效率預測

3.1?數(shù)據(jù)的選擇

將影響裝置取能效率的因素作為輸入?yún)?shù)，包括水深、浮子半徑、系統(tǒng)壓力、波高、頻率、浮子吃水深度和負載（燈泡）數(shù)量。試驗在浙江海洋大學定海校區(qū)水池實驗室進行，選取600組實驗數(shù)據(jù)作為樣本數(shù)據(jù)進行網(wǎng)絡訓練，25組數(shù)據(jù)作為檢驗樣本檢驗訓練模型的可靠性，25組數(shù)據(jù)作為測試樣本預測不同條件下的取能效率。

3.2?BP網(wǎng)絡模型的構(gòu)建

BP網(wǎng)絡模型建立步驟如下：

（1）確定輸入輸出數(shù)據(jù)。將影響裝置取能效率的因素作為輸入層數(shù)據(jù)，即輸入層神經(jīng)元個數(shù)為7;將取能效率作為輸出層數(shù)據(jù)，即輸出層神經(jīng)元個數(shù)為1。

（2）確定隱含層神經(jīng)元個數(shù)。根據(jù)需要，本研究訓練一個單隱層的3層BP網(wǎng)絡，根據(jù)如下經(jīng)驗公式[11-12]選擇隱含層節(jié)點數(shù)：

n′=n+m+a

式中：n為輸入層節(jié)點個數(shù);m為輸出層節(jié)點個數(shù);a為1～10之間的常數(shù)。所以建立的網(wǎng)絡隱含層神經(jīng)元個數(shù)可設為4、6、8、10、12。經(jīng)過試驗驗證，當隱含層神經(jīng)元個數(shù)為8時，效果最好。因此，此網(wǎng)絡選定隱含層神經(jīng)元個數(shù)為8。

（3）本模型中，輸入層與隱含層之間的激活函數(shù)選用tansig函數(shù)，隱含層與輸出層之間的連接函數(shù)選用tansig函數(shù)，訓練函數(shù)為trainlm函數(shù)。

（4）創(chuàng)建網(wǎng)絡，設置相應的參數(shù)。使用函數(shù)premnmx將數(shù)據(jù)進行歸一化處理，用newff函數(shù)創(chuàng)建網(wǎng)絡。

（5）訓練網(wǎng)絡用train函數(shù)。

（6）進行數(shù)據(jù)預測。

3.3?訓練過程及結(jié)果分析

BP神經(jīng)網(wǎng)絡訓練模型如圖5所示。設置BP神經(jīng)網(wǎng)絡的訓練次數(shù)epoch=5 000，訓練誤差goal=0.000 000 1，學習效率Lr=0.1。根據(jù) BP神經(jīng)網(wǎng)絡訓練過程的性能曲線（圖6）和結(jié)果回歸曲線（圖7），可知經(jīng)過303次訓練后誤差達到要求，回歸系數(shù)為0.978 21，接近1，均方誤差為0.003 475，在誤差范圍之內(nèi)，可見網(wǎng)絡訓練結(jié)果可靠。

通過選取25組工況對裝置取能效率進行預測，預測結(jié)果與試驗結(jié)果如圖8所示。從圖8中可知，預測結(jié)果與實驗結(jié)果均在20%上下浮動，符合裝置設計時的期望輸出。通過公式計算，預期結(jié)果與實驗結(jié)果的相對誤差最大為0.11，進一步說明了BP神經(jīng)網(wǎng)絡模型的可靠性。因此，在已知水深、浮子半徑、系統(tǒng)壓力、波高、頻率、浮子吃水深度和負載（燈泡）數(shù)量的前提下，可以通過建立BP網(wǎng)絡模型來預測裝置的取能效率。

4?結(jié)語

BP神經(jīng)網(wǎng)絡作為人工神經(jīng)網(wǎng)絡的一種，在數(shù)據(jù)預測中發(fā)揮著重要的作用。本研究在波浪發(fā)電裝置的取能效率預測中引入了BP神經(jīng)網(wǎng)絡，并且在Matlab平臺建立了取能效率的預測模型，通過仿真實現(xiàn)了不同工況下裝置取能效率的預測。結(jié)合現(xiàn)場試驗和數(shù)值模擬對BP網(wǎng)絡模型進行檢驗，驗證了建立的神經(jīng)網(wǎng)絡模型具有較好的精度，在一定參數(shù)范圍內(nèi)能夠預測出波浪發(fā)電裝置的取能效率。

對于BP網(wǎng)絡來說，樣本數(shù)據(jù)是非常重要的，以后將用更多的數(shù)據(jù)來訓練更可靠的網(wǎng)絡，為下一步的試驗打好基礎。

參考文獻

[1]?李全林.新能源與可再生能源[M].南京：東南大學出版社.2008.

[2]?游亞戈，李偉，劉偉民，等.海洋能發(fā)電技術(shù)的發(fā)展現(xiàn)狀與前景[J].電力系統(tǒng)自動化，2010，34（14）：1-12.

[3]?呂沁，李德堂，唐文濤，等.基于液壓傳動的振蕩浮子式波浪發(fā)電系統(tǒng)設計[J].浙江大學學報（工學版），2016，50（2）：234-240.

[4]?盛仲飆.BP神經(jīng)網(wǎng)絡在數(shù)據(jù)預測中的應用[J].軟件導論，2016，15（1）：147-148.

[5]?王晨.BP神經(jīng)網(wǎng)絡在中壓加氫裂化裝置多方面預測中的應用研究[J].石油煉制與化工，2018，49（7）：95-99.

[6]?邱占芝，李世峰.基于神經(jīng)網(wǎng)絡的PID網(wǎng)絡化控制系統(tǒng)建模與仿真[J].系統(tǒng)仿真學報，2018，30（4）：1423-1432.

[7]?王霞燕.基于神經(jīng)網(wǎng)絡與灰色理論的水質(zhì)參數(shù)預測建模研究[D].重慶：重慶大學，2010.

[8]?譚劍波.水輪機綜合調(diào)節(jié)特性神經(jīng)網(wǎng)絡數(shù)字化建模仿真[D].咸陽：西北農(nóng)林科技大學，2010.

[9]?羅靜.電力負荷數(shù)據(jù)預測方法模型設計與分析[D].上海：復旦大學.2008.

[10]?嚴倩雯，蔣川，楊嵩，等.基于BP神經(jīng)網(wǎng)絡的PTC工質(zhì)出口溫度研究[J].太陽能學報，2017，38（11）：3029-3035.

[11]?陳尚沅，茅靳豐，韓旭.基于神經(jīng)網(wǎng)絡的垂直地埋管換熱量預測[J].太陽能學報，2017，38（11）：3077-3084.

[12]?吳春華，馮夏云，袁同浩，等.基于BP神經(jīng)網(wǎng)絡的光伏故障電弧檢測方法研究[J].太陽能學報，2016，37（11）： 2958-2964.

[13]?喻寶祿，段迅，吳云.BP神經(jīng)網(wǎng)絡數(shù)據(jù)預測模型的建立及應用[J].計算機與數(shù)字工程，2016，44（3）.