基于人工神经网络的水轮机轴承温度输出特性模型研究

杨海燕，韩国松

(河北工程大学，河北 邯郸 056038)

在水轮机运行过程中，轴承温度过高将导致发生“抬机”现象或“烧瓦”事故，危及水力机组的安全稳定[1]。如果能比较准确地掌握水轮机轴承温度输出规律, 将对水轮发电机组的稳定运行有着重大意义[2]。本文在实际监测数据的基础上，以上下游水位差、导叶开度、浆叶角度作为输入样本，推力轴承作为输出样本，建立人工神经网络模型，取得了满意的结果。

1 水电站的基本情况

广西宜州三岔水电站距离宜州市68 km，三岔镇龙江下游1 km，是龙江干流梯级开发的第十一个梯级水电站。该电站有3台灯泡贯流式水轮发电机组，单机容量7 MW，额定水头5 m，最大引流量480 m3/s，设计为无人值班，少人值守的方式。2006年11月，该水电站开始施工，到2008年11月，3台机组全部投入运行。

水电站配备有SJK-8000综合自动化系统，实现对整个水电站的计算机监控系统的管理，可以准确、实时、有效地完成对电站被控对象的安全监控。具有数据库管理，AGC、AVC计算和处理，定值修改、语音报警、事故故障信号的分析处理，各图表、曲线的生成，在线及离线计算功能等，其数据采集功能，可以很方便的得到水力发电过程的各种相关数据。见图1。

图1 数据库维护系统的一个界面

2 BP人工神经网络简介

BP网络是人工神经网络中最为重要的网络之一，也是迄今为止，应用最为广泛的网络算法[3-5]。实践证明，这种基于误差反传递算法的BP网络有很强的映射能力，可以解决许多实际问题，其模型结构图见图2。

图2 BP人工神经网络结构图

设网络具有m层，令ymj表示第m层中第j个结点的输出 ，而y0j就等于xj，即第j个输入。令Wmij表示从ym-1i到ymj的连接加权，θmj表示第m层第j结点的阈值。BP网络训练步骤如下：

1) 将各权值和阈值赋予[-1，1]间的随机数。

2) 从训练数据组中选一数据对(XK，TK)，将输入变量加到输入层(m=0)，使得

y0j=xKi(对所有i点)

式中：k为训练图形号。

3) 信号通过网络向前传播，利用以下关系式，即

(1)

计算从第一层开始的各层内每个结点j的输出y，直至全部完毕。其中F(S)取Sigmoid函数。

4) 计算输出层每个结点的误差值，即

δmj=ymj(1-ymj)(Tmj-ymj)

(2)

这个误差由实际输出值和目标要求值之差获得。

5) 计算前面各层每个结点的误差值 ，即

(3)

利用逐层反传误差算得(m=m，m-1，…，1)。

6) 反向逐层修正权值和阈值 ，分别为

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为迭代次数；η为学习速率，η∈(0，1) ；α为动量因子，α∈(0，1)。

7) 返回到步骤2)，转入到下一个图形，重复步骤2)-步骤7)，直至网络全局误差达到预设的精度或达到最大训练次数为止。

(6)

3 水轮机轴承温度输出特性的人工神经网络模型

本文根据广西宜州三岔水电站的2#水轮发电机组一年的监测数据，得到的水轮机轴承温度等的有关数据，随机抽取200多组数据作为人工神经网络模型的学习样本，表1中为部分样本数据。

表1 2号水轮发电机组现场监测数据及人工神经网络模型计算值

因为引水管路的水力损失不易计算，所以用水电站上下游水位差，也就是水电站的毛水头用作反映水力发电系统运行工况的一个参数，用导水机构活动导叶开度反映水轮机的过流量，所以导叶开度是水力发电系统运行工况的另一个参数，另外还得考虑水轮机转轮桨叶的角度对水轮机运行特性的影响。因此，建立的人工神经网络的输入选取3个神经元分别为表1监测数据中的上下游水位差、导叶开度、浆叶角度，选取1个输出神经元为表1监测数据中的正推3。隐层结点选为5个，计算程序用Matlab编制[6]。

经过数万次学习以后，网络相应的能量函数趋于稳定，学习结束，将训练结果也列在表1中，并求出神经网络的连接权向量W，确定人工神经网络模型。

输出的权值和阈值分别为：

b2=[-1.918 9]

在此基础上，还计算出平均相对误差为1.82%。因为此模型具有较高的计算精度，已经将该人工神经网络模型应用到该水电站水力发电机组优化运行系统的开发中。

4 结 语

本文在广西宜州三岔水电站监测数据的基础上，建立了水轮机轴承温度输出特性人工神经网络模型。研究结果表明，用人工神经网络建立水轮机轴承温度输出特性的模型是可行的，有利用于指导水电站中水力发电机组的优化运行。