CN103942625A - 基于foa-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FOA-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，以广义回归神经网络的平滑参数作为待优化参数，并以预测误差的均方值作为适应度值，确定评价此优化参数的适应度函数值，(4)运用果蝇算法优化步骤3中需要优化的参数，构建最优的广义回归神经网络模型，利用该模型对水电站厂坝结构振动响应进行预测。运用此方法对水电站厂坝结构振动响应进行预测。该方法泛化能力、拟合能力强，收敛速度快，稳定性好，非常适合于灯泡贯流式机组厂顶溢流式布置型式的水电站厂房结构振动响应预测。

Description

基于FOA-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方法，尤其涉及一种基于FOA-GRNN的水电站厂坝结构振动响应预测方法。

背景技术

水电站机组运行和泄流诱发的厂坝振动是复杂的耦合振动，其振动机理一直是国内外工程界和学术界研究的热点和难点。考虑到厂房结构振动对仪器设备、工作人员健康以及建筑物运行稳定性和安全可靠性的影响，利用较少的监测数据达到全面掌握和控制水电站振动的目的成为关键。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的复杂。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。

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。所述预测方法结合机组振动是引起厂顶溢流式厂房结构振动的主要因素这一理论，根据厂房结构和机组振动之间存在耦合和非线性相关关系，依据某灯泡贯流式机组—厂顶溢流式水电站的厂房结构和机组原型观测数据，应用果蝇优化算法，以均方根误差计算公式作为味道判定函数对广义回归神经网络平滑参数值进行优化。

本发明是通过下述技术方案实现的：运用果蝇算法对广义回归神经网络的平滑参数进行优化选择，构建基于果蝇算法和广义回归神经网络(FOA-GRNN)的水电站厂坝结构振动响应预测方法，运用此方法对水电站厂坝结构振动响应进行预测。

本发明基于FOA-GRNN的水电站厂坝结构振动响应预测方法，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结果；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，以广义回归神经网络的平滑参数作为待优化参数，并以预测误差的均方值作为适应度值，确定评价此优化参数的适应度函数值；

步骤4、运用果蝇算法优化步骤3中需要优化的参数，包括：

步骤a、随机设置果蝇个体飞行方向与距离；

步骤b、求出果蝇个体与原点间距离D_i ²＝X_i ²+Y_i ²和味道浓度判定值S＝1/D_i；

步骤c、广义回归神经网络预测模型的均方根误差作为味道浓度函数，即适应度函数，将步骤b得出的味道浓度判定值S代入适应度函数，以求出该果蝇个体位置的味道浓度值；

步骤d、根据步骤b得出的味道浓度值寻找极值：比较果蝇每代的味道浓度值，迭代保留最佳值位置与味道浓度，并且记录每代最优值；

步骤e、果蝇迭代寻优并判断味道浓度是否优于前一迭代味道浓度；

步骤f、判断是否达到迭代终止条件，即是否达到最大迭代步数或满足收敛精度要求，若是，选择最优的果蝇，得出最优平滑参数，构建最优的广义回归神经网络模型，顺序执行步骤5；否则返回步骤a；

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水电站厂坝结构难测试部位或未知工况厂房结构的振动响应。

为了验证本发明方法获得的模型与现有技术相比所具有的优势，通过将本发明预测方法中所建立的模型与其他预测模型展开对比研究，从而作为评价本发明预测方法测试结果的依据。与现有技术相比，本发明的有益效果是：本发明提出的基于果蝇算法优化的广义回归神经网络的水电站厂坝结构振动响应预测方法，利用果蝇算法对GRNN关键参数进行寻优，充分利用果蝇算法收敛速度快及径向基函数调整参数少的优点，并依据实测数据建立预测模型。最终得出该预测方法的特点如下：

(1)泛化能力强。该模型通过MATLAB仿真，获得了良好的预测效果，与反向传播神经网络(英文缩写为BP)、局部回归神经网络(英文缩写为ELMAN)相比，本发明的预测值与真实值的相对误差和均方误差均非常小，有更高的预测精度。

(2)拟合能力强。同样，运用已经建立好的模型对参与训练的数据进行预测，得出的结果可以说明已建模型与实际情况的相似程度很高，拟合效果很好。

(3)收敛速度快，稳定性好。需调整参数少，能最大限度地避免人为主观假定的影响。

总之，本发明预测方法操作简单，其泛化能力、拟合能力都明显优于BP、ELMAN等神经网络，非常适合于灯泡贯流式机组厂顶溢流式布置型式的水电站厂房结构振动响应预测，为水电站原型观测资料处理提供了一个新的途径，为增强厂房振动智能化监测提供了保障。

附图说明

图1为本发明基于FOA-GRNN的水电站厂坝结构振动响应预测方法的基本流程；

图2是图1中所述104步骤具体流程图；

图3为本发明实施例厂房坝段及机组结构断面示意图；

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施例对本发明技术方案作进一步详细描述。

所述预测方法基本流程见图1所示，这一流程在MATLAB环境中，通过编程实现。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，利用本发明预测方法进行厂房结构振动响应预测分析，包括以下步骤：

101、参数设置：随机产生各粒子的初始位置(X，Y)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。

本例设初始参数为最大迭代次数100，种群规模20，学习因子c₁＝c₂＝1.49445，惯性权重w＝1。设置种群中每一个微粒的初始位置与速度，设定最大速度V_max与允许的位置边界P_max。

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结果；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。

现场测点布置如图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，在机组上、下游侧盖板1和管型座处布置测点，运用这些能表征机组振动状况的实测数据作为输入数据，参见表1；在厂房结构比较薄弱和敏感的泄洪表孔底板上游侧盖板上游侧布置测点A、下游侧盖板上游侧布置测点B，得到的实测数据作为输出数据，参见表2。

随机选择机组负荷为28.8MW工况下的数据作为测试数据，其余9组数据作为训练数据。为提高预测精度，将所有数据进行归一化处理。

表1输入数据

表2输出数据

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(实例中选择预测误差的均方值作为适应度值)。

104、在MATLAB平台下，FOA算法结合GRNN，建立FOA-GRNN预测模型。通过果蝇优化算法对GRNN平滑参数进行寻优，运用训练样本集训练神经网络。如图2所示，步骤包括：

步骤a、随机设置果蝇个体飞行方向与距离；

步骤b、求出果蝇个体与原点间距离D_i ²＝X_i ²+Y_i ²和味道浓度判定值S＝1/D_i；

步骤c、广义回归神经网络预测模型的均方根误差作为味道浓度函数，即适应度函数，将步骤b得出的味道浓度判定值S代入适应度函数，以求出该果蝇个体位置的味道浓度值；

步骤d、根据步骤b得出的味道浓度值寻找极值：比较果蝇每代的味道浓度值，迭代保留最佳值位置与味道浓度，并且记录每代最优值；

步骤e、果蝇迭代寻优并判断味道浓度是否优于前一迭代味道浓度。

步骤f、判断是否达到迭代终止条件(达到最大迭代步数或满足收敛精度要求)。若是，选择最优的果蝇，得出最优平滑参数，构建最优的广义回归神经网络模型；否则重复执行104步骤中的步骤a至步骤d。

105、运用未参加模型训练的数据对步骤104中已建立好的模型进行测试。输出的结果便是厂房结构难测试部位(或未知工况)的振动响应。

为了验证本发明方法获得的模型与现有技术相比所具有的优势，作为研究材料提供在具体实施方式中，但不作为本发明技术方案中的技术特征

为了验证本发明方法获得的模型与现有技术相比所具有的优势，下面通过将本发明预测方法中所建立的模型与其他预测模型展开对比研究，从而得出本发明预测方法的特点。即将本发明中所建立的FOA-GRNN模型的性能，将其与BP、ELMAN神经网络进行对比。

BP和ELMAN神经网络采用与FOA-GRNN相同的训练集和测试集。参数设置为：隐层节点数为9，输出节点数为4，最大迭代次数10000次，误差允许值0.0001，初始训练速率0.05，动态参数0.9，网络隐藏层采用tansig，输出层函数采用purelin，阀值和权值的学习函数采用learngd函数，利用有动量梯度下降算法对应的traingdm函数进行训练等。

三种神经网络预测模型的训练参数分别如表3所示。由表3可以看出，BP神经网络和ELMAN神经网络训练时间比较长、训练次数多、速度较慢，与专门用于逼近的果蝇算法优化的广义回归神经网络GRNN有着明显差距。GRNN只有1个阈值，调节参数少，网络的学习几乎全部依赖数据样本，能最大限度地避免人为主观假定对预测结果的影响。

表3BP、ELMAN、FOA-GRNN训练参数

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。

应用已经训练好的三种不同的神经网络对测试数据进行神经网络的仿真，得出预测结果，并对预测结果进行反归一化处理。最终得出三种神经网络的预测值如表4所示。我们可以看出，运用BP神经网络预测的相对误差在1.82％-17.34％之间，ELMAN神经网络预测的相对误差在4.91％-19.71％之间，FOA-GRNN神经网络预测的相对误差均在10％以内，最大是6.47％，与实测数据更接近。

表4实测值与预测值对比表

其中：相对误差＝|预测值－实测值|/实测值×100％

表5是三种神经网络预测结果均方误差，从均方误差来判断，虽然三种神经网络的MSE都很小，但FOA-GRNN还是明显低于BP和ELMAN的均方误差。

表5预测结果均方误差

由此可知，FOA-GRNN神经网络的预测误差相对BP以及ELMAN神经网络小且稳定性好。说明FOA-GRNN与BP和ELMAN神经网络相比在逼近能力、预测能力都有很强的优势。即FOA-GRNN神经网络对于来自同一样本集中的非训练样本给出正确的输入输出关系的能力—泛化能力很强，而神经网络的泛化能力是衡量神经网络性能好坏的重要标志。

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FOA-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结果；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，以广义回归神经网络的平滑参数作为待优化参数，并以预测误差的均方值作为适应度值，确定评价此优化参数的适应度函数值；

步骤4、运用果蝇算法优化步骤3中需要优化的参数，包括：

步骤a、随机设置果蝇个体飞行方向与距离；

步骤b、求出果蝇个体与原点间距离D_i ²＝X_i ²+Y_i ²和味道浓度判定值S＝1/D_i；

步骤c、广义回归神经网络预测模型的均方根误差作为味道浓度函数，即适应度函数，将步骤b得出的味道浓度判定值S代入适应度函数，以求出该果蝇个体位置的味道浓度值；

步骤d、根据步骤b得出的味道浓度值寻找极值：比较果蝇每代的味道浓度值，迭代保留最佳值位置与味道浓度，并且记录每代最优值；

步骤e、果蝇迭代寻优并判断味道浓度是否优于前一迭代味道浓度；

步骤f、判断是否达到迭代终止条件，即是否达到最大迭代步数或满足收敛精度要求，若是，选择最优的果蝇，得出最优平滑参数，构建最优的广义回归神经网络模型，顺序执行步骤5；否则返回步骤a；

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水电站厂坝结构难测试部位或未知工况厂房结构的振动响应。