CN103942434A - 基于sspso-grnn的水电站厂坝结构振动响应预测方法 - Google Patents

Abstract

本发明公开了一种基于SSPSO-GRNN的水电站厂坝结构振动响应预测方法，主要包括：(1)参数设置，(2)样本选择，(3)选取训练组数据，以GRNN的平滑参数作为待优化参数，并确定评价此优化参数的适应度函数值；(4)运用优胜劣汰、步步选择粒子群算法优化步骤3中需要优化的参数，并建立优化的水电站厂坝结构振动响应预测模型；(5)运用此模型对水电站厂坝结构振动响应进行预测。该方法能最大限度地避免人为主观假定对结果的影响，能够更准确地选择出广义回归神经网络创建需要的最优的平滑参数，大大降低了预测误差。本发明预测方法非常适合于水电站厂房结构振动响应预测研究，为水电站原型观测资料处理提供了新的方法和途径。

Description

基于SSPSO-GRNN的水电站厂坝结构振动响应预测方法

技术领域

本发明涉及一种水电站厂坝结构振动响应预测系统，尤其涉及一种基于SSPSO-GRNN的水电站厂坝结构振动响应预测方法。

背景技术

水电站机组和厂房形成的动力体系具有复杂性、耦连性、非线性相关性以及随机性。用传统的力学方法预测厂房结构振动响应较为困难。况且由于多种振源的共同作用，加之各类振源的作用方式以及产生机理各自不同，其大小亦难以确定，使得水电站厂房振动模型构成更加复杂。无法轻易和精确的建立各振源与厂房结构振动响应之间的关系。因此，如何运用有限的监测数据，去了解机组运行和泄流诱发的厂坝振动对结构稳定性、安全性和可靠性的影响，以致达到全面掌握水电站的振动状况的目的，成为研究的难点和重点。

广义回归神经网络GRNN平滑参数的选取常常采用凑试法或估计法，或者结合LMS法，这些方法随机性、经验性影响比较大，而且没有科学依据。随着智能优化算法的发展，智能算法与GRNN相结合来实现平滑参数P的选择越来越广泛。为弥补基本粒子群优化算法易陷入局部最优、收敛性差的缺陷，本发明提出了优胜劣汰、步步选择粒子群优化算法—SSPSO，运用SSPSO对广义回归神经网络平滑参数P进行优化，建立厂房结构的振动响应预测模型，展开水电站厂坝结构振动响应预测研究。

发明内容

本发明的目的是寻求某种方法利用有限的监测数据，来全面掌握和控制水电站厂房结构振动状况。尝试运用优胜劣汰、步步选择粒子群优化算法(英文缩写为SSPSO)来优化广义回归神经网络(英文缩写为GRNN)，将智能算法与神经网络相结合，充分利用优胜劣汰、步步选择粒子群优化算法寻优能力强的特点及广义回归函数调整参数少的优点，弥补以前平滑参数的选取效率低、精度差的缺陷，从而更准确的依据原型观测数据来建立网络模型，进而运用此模型对厂房结构振动状况展开预测研究，从而得到基于优胜劣汰、步步选择的粒子群算法与广义回归神经网络(优胜劣汰、步步选择的粒子群算法与广义回归神经网络缩写为SSPSO-GRNN，下同)的水电站厂坝结构振动响应预测模型，运用此模型对水电站厂坝结构振动响应进行预测。

本发明基于SSPSO-GRNN的水电站厂坝结构振动响应预测方法的步骤如下：

步骤1、参数设置：随机产生各粒子的初始位置与初始速度，限定任意时刻粒子的速度和位置的取值范围，设定迭代终止条件，设置学习因子、惯性权重、粒子总个数；

步骤2、样本选择：以水电站厂坝结构实测数据为依托，选择其中易测试部位或已知工况机组振动响应作为输入数据，将难测试部位或未知工况厂房结构振动响应作为输出；把所有的样本数据进行归一化处理后随机分为测试组数据和训练组数据；

步骤3、选取训练组数据，以GRNN的平滑参数作为待优化参数，并确定评价此优化参数的适应度函数值；

步骤4、运用优胜劣汰、步步选择粒子群算法优化步骤3中待优化的参数，具体步骤包括：

步骤a、迭代寻优，并记录当前迭代次数，以预测误差均方值的大小作为粒子适应度值计算每个粒子的适应度值，对粒子适应度按适应度值的大小进行优劣评价；

步骤b、按粒子适应度值大小排列函数，并按照此顺序对相应的粒子位置进行排列，从粒子总个数为M的粒子群中选取并保留适应度值较好的m个粒子，并将m个粒子的位置范围作为新的解空间，在新的解空间内选择新的M-m个粒子代替较差的M-m个粒子，构造出新的粒子群；

步骤c、重新评价新的粒子群中各粒子的适应度值，并据此更新各粒子的历史最优值及粒子群的全局最优值，按照基本粒子群算法更新原理更新粒子的速度和位置；

步骤d、判断是否达到迭代终止条件，以达到最大迭代步数或满足收敛精度要求为迭代终止条件；若达到迭代终止条件，迭代结束，并输出全局最优粒子的相关参数，否则重复执行a到c步骤，直到满足迭代终止条件为止；

步骤e、获得优化平滑参数，从而得到优化的水电站厂坝结构振动响应预测模型，利用该模型对水电站水厂坝结构振动响应进行预测；

步骤5、利用步骤4得到的模型对水电站厂坝结构振动响应进行预测，即运用未参加模型训练的数据对步骤4建立好的模型进行测试，测试输出的结果便是厂房结构难测试部位或未知工况厂房结构的振动响应。

与现有技术相比，本发明的有益效果是：

本发明提出的基于改进粒子群算法与广义回归神经网络的水电站厂坝结构振动响应预测方法，受初始假定参数影响较小，稳定性强，能最大限度地避免人为主观假定对结果的影响，能够更准确地选择出广义回归神经网络创建需要的最优的平滑参数，大大降低了预测误差。此预测模型非常适合于水电站厂房结构振动响应预测研究，为其他水电站原型观测资料处理提供了新的方法和途径，为增强厂房结构智能化监测提供了保障。

附图说明

图1为基于改进粒子群算法与广义回归神经网络的水电站厂坝结构振动响应预测方法基本流程图；

图2是图1中步骤104的具体过程；

图3为实施例中水电站厂房坝段及机组结构断面示意图；

图4为对实施例以不同模型30次测试最佳适应度值比较图；

图3中标记：1-上、下游侧盖板，2-厂房结构，3-泄洪表孔闸门，4-灯泡贯流式机组，5-厂房内1732m高程B断面测点，6-厂房内1732m高程A断面测点。

具体实施方式

下面结合附图和具体实例对本发明技术方案作进一步详细描述。

已知某灯泡贯流式机组、厂顶溢流式水电站的厂坝结构和机组原型观测数据，如图3所示，其中1为上、下游侧盖板，2为厂房结构，3为泄洪表孔闸门，4为灯泡贯流式机组，5为厂房内1732m高程B断面测点，6为厂房内1732m高程A断面测点。采用本发明中建立的预测模型，按照以下步骤进行厂房结构振动响应预测分析，如图1所示：

101、参数设置：随机产生各粒子的初始位置与初始速度，限定任意时刻粒子的速度和位置的取值范围，设定迭代终止条件，设置学习因子、惯性权重、粒子总个数。

设粒子总个数M为40；最大迭代次数为20；学习因子c1＝c2＝1.49445；惯性权重w＝0.729；初始取值范围P(:，:)＝n*rands(1，1)，n＝200；速度限制v_max＝1、v_min＝-1；种群限制P_max＝n、P_min＝-n。

102、样本选择：以水电站厂坝结构实测数据为依托，选择其中易测试部位或已知工况机组振动的径向位移作为输入数据，将难测试部位或未知工况厂房结构振动响应作为输出；把所有的样本数据进行归一化处理后随机分为测试组数据和训练组数据。

选取某厂顶溢流式水电站排沙孔全开，表孔局开2.6m，机组从开机直至满负荷运行95％置信度双幅值(单位：μm)的机组振动原型观测数据以及水电站厂坝结构振动幅值原型观测数据，参见见表1，进行水电站厂房结构振动响应预测研究。

表1实测数据

首先，运用灰色关联度分析程序对所有的影响因素进行影响程度分析，并按照影响程度的大小排序，然后进行主成分分析。最终得出，上游侧盖板测点x、z正方向，下游侧盖板右侧测点z正方向，管形座测点x正方向，下游侧盖板左侧测点z正方向，下游侧盖板上游侧测点x、z正方向，下游侧盖板下游侧测点z正方向共计8种影响因子足以涵盖模型建立需要的信息，且含有的抑制因素也较少。于是在神经网络的创建、训练以及测试中，选用上述8种因素的实测数据作为输入数据，厂房内1732m高程某两个断面—A、B(如图3)的振动数据作为输出数据。

把所有的样本数据进行归一化处理，并将其分为测试部分和训练部分，训练数据用来进行模型的创建和训练，测试数据进行仿真预测以及误差分析。随机选取48MW实测数据作为测试数据，其余9组作为训练数据。

103、选取训练组数据，以GRNN的平滑参数作为待优化参数，并确定评价此优化参数的适应度函数值。

以广义回归神经网络(GRNN)的平滑参数作为待优化参数，并选择预测误差的均方值作为评价此参数的适应度函数，将实测数据样本带入到程序中展开预测模型的训练。

104、运用优胜劣汰、步步选择粒子群算法优化步骤3中需要优化的参数，包括以下步骤，如图2所示：

a、迭代寻优，并记录当前迭代次数，并以预测误差均方值的大小作为粒子适应度值计算每个粒子的适应度值，对粒子适应度按照适应度值的大小进行优劣评价；

b.按粒子优劣度大小排列函数，并按照此顺序对相应的粒子位置进行排列，从粒子总个数为M的粒子群中选取并保留适应度值较好的m个粒子，并将m个粒子的位置范围作为新的解空间，在新的解空间内选择新的粒子代替较差的M-m个粒子，构造出新的粒子群；

c、重新评价新的粒子群中各粒子的适应度值，并据此更新各粒子的历史最优值及粒子群的全局最优值，按照基本粒子群算法更新原理更新粒子的速度和位置；

d、判断是否达到迭代终止条件，以达到最大迭代步数或满足收敛精度要求为迭代终止条件，若达到迭代终止条件，迭代结束，并输出全局最优粒子的相关参数，否则重复执行a到c步骤，直到满足迭代终止条件为止；

e、得到最优秀的粒子，其值便是平滑参数的最佳取值，从而得到优化的预测模型，

105、利用步骤104得到的模型对水电站厂坝结构振动响应进行预测，即运用未参加模型训练的数据对步骤104建立好的模型进行测试，测试输出的结果便是厂房结构难测试部位或未知工况厂房结构的振动响应。

将测试数据带入已经训练好的预测模型中进行振动响应仿真测试，并对输出数据进行反归一化处理，得到预测值以及预测值与实测值误差的均方值，即最佳适应度值。

由于仿生优化算法是一种概率型算法，每次优化的结果不同，因此分别对本专利所述优胜劣汰、步步选择的粒子群算法结合广义回归神经网络(SSPSO-GRNN)进行了30次测试，同时对基本粒子群优化算法优化的广义回归神经网络(PSO-GRNN)、自竞争PSO-GRNN以及遗传算法结合粒子群算法优化的广义回归神经网络(GA-PSO-GRNN)进行了对比预测，30次预测结果最佳适应度值对比如图4所示。

由图4看出，SSPSO-GRNN预测误差的均方值绝大多数处于[0.00423，0.00424]之间，误差较小，出现较大误差的概率很小，且最大为0.00439；自竞争PSO方法预测结果绝大多数处于[0.00423，0.0100]之间；PSO-GRNN的预测最佳适应度值绝大多数处于[0.010，0.050]之间，误差变化范围较大，稳定性很差；GA-PSO-GRNN预测结果虽然较好，但仍然不及本发明提出的模型。

106、结果分析：分析测试结果，并与其他预测模型展开对比研究，评价此模型性能。

设定的算法比较指标包括：均值、成功比率和计算时间。

(1)均值：算法在若干次测试次数内的均值，这一指标体现了模型的准确性。由表2我们可以看出，SSPSO-GRNN的30次测试预测结果的平均值远远小于其他模型的预测结果。说明SSPSO-GRNN的预测效果更好，准确性更高。虽然与GA-PSO-GRNN预测效果差别不大，但是本发明所述预测模型未涉及选择、交叉、变异等步骤，原理易于理解，程序简单易行，更加适合工程实践中运用。

表230次预测结果平均值

方法	平均值/μm
		PSO-GRNN	0.03456
自竞争PSO方法	0.02116
		GA-PSO-GRNN	0.00427
SSPSO-GRNN	0.00426

(2)成功比率：对于许多待优化问题，常常要求给定求解精度即阈值，即通常我们所说的成功率。表3中统计了4种给定阈值下的累积成功率，显然，SSPSO-GRNN成功比率均大于其他方法的成功比率。这一指标说明了SSPSO-GRNN的收敛性更好。

表3成功比率统计表

(3)计算时间：在给定迭代步骤内，达到某个性能要求时程序运行时间。由表4可以看出，每种模型的程序运行过程耗费时间差别不大。

表4平均计算时间

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (1)

1.一种基于SSPSO-GRNN的水电站厂坝结构振动响应预测方法，其特征在于，该方法包括以下步骤：

步骤1、参数设置：随机产生各粒子的初始位置与初始速度，限定任意时刻粒子的速度和位置的取值范围，设定迭代终止条件，设置学习因子、惯性权重、粒子总个数；

步骤2、样本选择：以水电站厂坝结构实测数据为依托，选择其中易测试部位或已知工况机组振动响应作为输入数据，将其中难测试部位或未知工况厂房结构振动响应作为输出；把所有的样本数据进行归一化处理后随机分为测试组数据和训练组数据；

步骤3、选取训练组数据，以GRNN的平滑参数作为待优化参数，并确定评价此优化参数的适应度函数值；

步骤4、运用优胜劣汰、步步选择粒子群算法优化步骤3中需要优化的参数，具体步骤包括：

步骤a、迭代寻优，并记录当前迭代次数，并以预测误差均方值的大小作为粒子适应度值计算每个粒子的适应度值，对粒子适应度按照适应度值的大小进行优劣评价；

步骤b、按粒子适应度值大小排列函数，并按照此顺序对相应的粒子位置进行排列，从粒子总个数为M的粒子群中选取并保留适应度值较好的m个粒子，并将m个粒子的位置范围作为新的解空间，在新的解空间内选择新的M-m个粒子代替较差的M-m个粒子，构造出新的粒子群；

步骤c、重新评价新的粒子群中各粒子的适应度值，并据此更新各粒子的历史最优值及粒子群的全局最优值，按照基本粒子群算法更新原理更新粒子的速度和位置；

步骤d、判断是否达到迭代终止条件，以达到最大迭代步数或满足收敛精度要求为迭代终止条件，若达到迭代终止条件，迭代结束，并输出全局最优粒子的相关参数，否则返回步骤a；

步骤e、获得优化平滑参数，从而得到优化的水电站厂坝结构振动响应预测模型；

步骤5、利用步骤4得到的模型对水电站厂坝结构振动响应进行预测，即运用未参加模型训练的数据对步骤4建立好的模型进行测试，测试输出的结果便是厂房结构难测试部位或未知工况厂房结构的振动响应。