基于PSO-BP的泄洪闸门液压启闭机信号预测.pdf

第4 6 卷第11期2023年11 月水电站机电技术Mechanical&Electrical Technique of Hydropower StationVol.46 No.11Nov.202357基于PSO-BP的泄洪闸门液压启闭机信号预测杨赛，孔令超，董懿，李初辉，黄天雄（中国长江电力股份有限公司，湖北宜昌4 4 30 0 0）摘要：针对水电站泄洪闸门开启和关闭状态难以判断正常与否的问题，本文提出基于PSO-BP的启闭机关键状态信号预测方法，通过泄洪闸门运行状态分析确定输入参数。通过对某实际闸门关闭情况进行训练，构建5个输入参数，隐含层1O个参数和输出1个参数的BP网络。通过PSO算法获取BP算法最佳初值，PSO收敛于0.4。然后再训练BP网络，由测试结果可知，通过PSO-BP神经网络拟合的结果能较好预测启闭机开闭情况，为泄洪闸门关键状态监测提供技术支撑。关键词：泄洪闸门；开度；粒子群；BP神经网络中图分类号：TV736DOl:10.13599/ki.11-5130.2023.11.017文献标识码：A文章编号：16 7 2-538 7(2 0 2 3)11-0 0 57-0 4电站中，因此本文提出采用BP算法进行信号预测，1引言通过PSO优化其中权重参数。水电站泄洪闸门是用来控制泄水通道开闭的重要设备，具有汛期泄洪、调度控制水位、调节流量与水力发电等作用 I-3,闸门的安全稳定运行不仅与水资源的合理利用息息相关，也承载着保障河流上下游人民生命财产安全的重任。因此，泄洪闸门系统需要始终保持高效率的运行状态，避免重大事故的发生14.5。而泄洪闸门运行过程中存在的回油箱溢油现象直接影响泄洪闸门开启和闭合的时间。故而，通过油压和液压杆行程对闸门状态进行预测至关重要。EROBRINKCD等为了解决闸门运行过程中存在水流动力诱发振动以致闸门受损甚至开闸失败的问题，搭建了集成机器学习和物理模型的振动预测混合建模系统，可以对闸门在未来使用过程中的安全状态进行有效预测7。TRUONGTT等将一维卷积神经网络和门控递归单元神经网络相结合，提出了一种有效的一维卷积门控递归单元神经元网络，用于基于大量加速器测量的时间序列振动信号的实时闸门损伤检测18。杨军等利用EMD经验模态分解完成振动信号分解，并采用模糊规则进行闸门状态预测。上述研究都采用各类算法对信号进行预测和分析，然而上述算法过于复杂，难以实时应用在水本文基于PSO-BP的启闭机信号预测方法，研究泄洪闸门运行状态分析，通过PSO-BP神经网络预测闸门开闭状态，实现对泄洪闸门设备的智能运行趋势分析，提高泄洪闸门设备管理水平2基于PSO-BP算法的闸门开度趋势预测为了监测预测闸门开度是否正常，通过油缸行程、油箱油位等信息，从而监测油缸行程、油箱油位是否异常，同时实时检测油箱液位的变化趋势，为进一步故障分析提供支撑。因此,本文提出PSO-BP算法实现信号趋势预测，具体如图1所示。将油缸行程、油箱油位等信息作为输人，闸门开度作为输出。利用PSO-BP神经网络拟合之间的非线性关系，利用9 0%的数据进行训练，10%作为测试集进行验证。由于BP神经网络是一种采用误差逆向传播算法进行训练的多层前馈神经网络，其优异的非线性逼近能力对于闸门开度拟合至关重要,能有效抑制噪声对拟合精度的影响。其中PSO粒子群算法用于获取BP神经网络权重初值，使得拟合更为准确。收稿日期：2 0 2 3-0 9-2 0基金项目：中国长江三峡集团有限公司科研项目（Z522202011)。作者简介：杨赛（19 8 9-),男，副高级工程师，从事自动化工作。58除了对闸门开度预测,从而判断行程和油箱液位是否正常，同时也可用本文算法对油箱油位等关键参数进行实时趋势预测，判断是否出现异常状态。A杠行程输入数据B杠行程油箱油位BP神经网络包括输人层、隐藏层和输出层，其模型如图2 所示。BP神经网络的信息传递过程可分为两步：第一步是信号正向传播，即信息首先由网络的输人层节点输人，依次通过各个隐藏的神经单元，最后通过输出层节点输出；第二步是误差反向传播，当实际输出与期望输出不相符时，先计算两者之间的误差，再从输出层开始逐层反向传播误差信息，并在该过程中，采用梯度下降优化算法对各单元的权值进行调优，最终使误差趋向一个极小值。WijXX.Xm输入层图2 BP神经网络BP神经网络的输入层输出及隐含层输入、输出可依次写为：0(k)=x (k)net(k)=0fo,(k)j=1o,2(k)=f(net:(k)-0()式中：上标(1)(2)分别代表神经网络的输入层与隐含层；0 表示隐含层的阈值；表示输入层第j个神经元与隐含层第i个神经元之间的连接权值;f(x)则为隐含层的激活函数,其具体内容如下：e-exf(x)=tan h(x)=e+e-x同时，输出层的输入、输出可写为：net(k)=0(k)i=10(k)=g(net(k)-()水电站机电技术式中：上标(3)代表神经网络的输出层；(3)为输出层1个神经元的阈值；为隐含层第i个神经元与输出层第1个神经元之间的连接权值；g(x)为输出层的激活函数,其具体内容如下：PSO-BP神一9 0%训练经网络数据打乱L10%预测图1闸门信号预测Wik0 2隐藏层输出层第4 6 卷g(x)=1+tan h(x)=e输出数据：+e闸门开度%上述为正向传播过程，当误差不为0 时,则将该误差以均方值的形式，作为修正连接权值的指标，使该误差均方值趋向一个极小值，即反向误差调整过程，误差均方值可根据下式计算：E(k)=1 Dr(k)-(h)=1e()以E(k)为变量并根据负梯度规则调节连接权值、o,同时,通过引人惯性项来提升收敛速度和降低陷人死循环概率。此时，输出层和隐含层各神经元的连接权值更新公式可写为：0(k+1)=-n E(k)+a,A0(k-1)+0(k)ag(k+1)aE(k)=-12+a,A0,(k-1)+0f(k)式中：为惯性项系数；n为学习速率。01将式(6)中的偏导数根据链式法则做如下变形计算：E(k)=E(k)y(k)Au()ay(k)0(k)a0(k)2xanet(k)net(k)(3)aE(k)=E(k)-Oy(k)Au(k)0o;2)ay(k)(2)Au(k)o(k)000(k)0net)200()net(k)00:2(k)net(k)Onet(k)(1)经化简、近似等计算，即可得到输出层、隐含层各神经元连接权值的更新公式：0(k+1)=n0)0,2(k)+a,A(k-1)+0(k)glnef(h)-p(b)0Au(k)a0(k)0,(k+1)=n20.0,(k)+a,A 0;(k-1)+0,g(k)(2)为了让BP神经网络获得最佳初值,采用PSO(3)算法初始化每个参数，然后利用粒子群算法进行推导，获得最佳初始权重参数，让BP神经网络算法不(4)(5)(6)aAu(k)(7)(8)3=1第11期易陷人局部最优解。具体流程是：首先对已经构建的神经网络参数设定范围，将每一个参数定义为粒子的一个维度，初始化随机粒子，然后将训练参数放人神经网络中进行计算，并利用预测结果和输出结果之间的误差构建目标函数，然后获取当前种群中的最优粒子；根据粒子更新方程得到下一代的粒子，最后通过迭代的方式找到最优值。假设N维搜索空间中第u个粒子的位置和速度可分别表示为X=(xu1,Xu2,Xan)和 vu=(Vul,Vu2,Van),而第u个粒子在历史中的最优位置为P,=(Pul，Pu 2，,Pu n)，整个种群中过去最优位置为P=(pol，Po 2，,Po n N)。在每一次迭代中，粒子通过对自身与整个种群的最优粒子的跟踪进行更新。粒子更新方程如下：Va(t.+1)=WwVa(tw)+Ciri(pa+xu(t)car2(poi+xa(t.)xu(tw+1)=xa(tw)+va(tw+1),1=1,2,N式中：w为惯性权重系数;ci和c为加速因子，通常取为正数；r和r是均匀分布在0 到1之间的随机数，tw为当前迭代次数。c和c分别为调节粒子自身最优和整个种群最优的加速因子。3实验与分析以某水电站历史数据为基础验证实验的准确性，采集泄洪洞数据和中孔开启关闭数据进行训练。与泄洪洞关闭相关参数有油箱油位、弧门开度、弧门A缸 SSI行程、B缸 SSI行程、A缸EHC行程、B缸EHC 行程。中孔开启闭合相关参数为油箱油位、弧门开度、油缸行程1、油缸行程2。首先对泄洪洞关闭状态进行训练和预测。共1800个数据训练，9 0%作为训练集，10%用于验证，对闸门开度数据进行趋势预测。w为惯性权重；Ci和c为1.4 9 4 4 5，最大迭代次数为10 0 次，种群规模为3 0。对于泄洪洞参数,构建BP网络为5-10-1,学习率为0.1;闸门关闭开度曲线如图3(a)所示,从图中可知闸门关闭时有抖动。不是完全线性关系。PSO实验结果如图3(b)所示,由该图可以看出随着迭代次数的增加,适应度值从高到低下降,达到0.4 后逐渐收敛。说明本文通过PSO算法能较好的给出初始权重。闸门训练结果如图3(c)和(d)所示。真实值与预测值达到高度重合，泄洪洞关闭时闸门开度预测模型的开度预测误差较小,平均值为-6.6 E-4,实现了高精准度杨赛，等：基于PSO-BP的泄洪闸门液压启闭机信号预测闭过程中预测误差极小。1009080706040302010(a)闸门关闭开度曲线80705030图3 泄洪洞关闭闸门时开度预测模型训练结果(9)中孔局部开启闭合的参数为18 0 0 个，9 0%作为训练集，10%用于验证，对闸门开度数据进行趋势预测。ww为惯性权重；C和c为1.4 9 4 4 5,最大迭代次数为10 0 次，种群规模为3 0。中孔局部开启闭合曲线如图4(a)所示,PSO实验结果如图4(b)所示，由该图可以看出随着迭代次数的增加，适应度值从高到低下降，不断进行收敛，相比只有关闭情况，本次开闭更为复杂，因此会不断迭代收敛。闸门训练结果如图4(c)和(d)所示。由该组图可以看出真实值与预测值接近于10 0%的高度重合，中孔局部开启闭合时闸门开度预测模型的开度预测误差控制在了0.2 7 以内,实现了超高精准度的预测。适应度曲线终止代数=10 0251.1201.051520.95100.950.8505001000采样点(a)闸门开闭开度曲线302520图4 中孔局部开启闭合闸门时开度预测模型训练结果（下转第10 7 页）59预测。最大误差仅出现在闸门关闭的开始部分，在关0.520.50.480.420.40.385001000采样点200400600(c)闸门训练结果1500200400600800100120014001600预测样本(c)闸门训练结果适应度曲线终止代数一10 015002000800100020(b）粒子群送代曲线10090705080201200140016002000真实值40进化代数20406080100120140160180预测样木(d)闸门开度预测结果204060进化代数(b)粒子群迭代曲线30252015韩1020406080100120140160180预测样本(d)闸门开度预测结果608080100100第1 1 期成功跳闸。经过现场检查，电流速断保护成功动作。电流保护继电器PCS-9611的故障录波电流信号如图4所示，发生故障时最大短路电流36 1 A，故障发生后由电流保护继电器PCS-9611的速断电流保护功能在5 1 ms内成功将变压器高压侧断路器跳开，气体继电器未动作。现场对变压器进行了绝缘检测，检测结果正常。线路短路故障排除后，再次送电，变压器运行正常。.00100口图4电流保护整定后故障录波电流信号杜瑞涛：某国外水电站变压器瓦斯保护动作分析和处理.0DL/T 5842017S.5皆君，胡欣,然庞帅.1 1 0 kV变电所的线路电流保护设计D.科技风,2 0 2 0(34):1 9 5-1 9 6.1077结语电流保护是变压器和线路保护的重要保护功能，对变压器和线路的安全运行起着关键作用。本文对卡季林水电站变压器线路瓦斯保护动作事件进行了全面的分析，找到了此次瓦斯保护动作的原因，并提出了合理的解决方案，对卡季林水电站变压器线路后续的安全、可靠运行提供了保障。参考文献：1南京南瑞继保电气有限公司.PCS-9611线路保护装置技术和使用说明书Z,2011.2李能文，一起变压器瓦斯保护动作原因分析及对策.电工技术,2 0 2 3(9):1 0 2-1 0 4.3金清江.水电站有载调压变压器重瓦斯动作原因分析和处理D).水电站机电技术,2 0 2 3(6)：1 1 7-1 1 9.4国家能源局.3kV110kV电网继电保护装置运行整定规程：（上接第5 9 页）败原因分析及处理.水电与新能源，2 0 2 3,37（4)：7 1-7 4.4结论本文提出基于PSO-BP的启闭机关键状态信号预测方法，用于解决闸门启闭信号预测问题。通过泄洪闸门运行状态分析确定输入参数。然后通过对某实际闸门开闭数据训练,构建输人参数为5 个，隐含层1 0 个和输出为1 个参数的BP网络。利用PSO获取最佳初值，实现对泄洪闸门液压启闭机相关参数的运行趋势分析，提高泄洪闸门设备管理水平。参考文献：1黄新祥，尹志超,周玉安，等.大型水电站泄洪闸门异地控制安全控制方案研究D.水电与抽水蓄能,2 0 2 2,8(6)：67-73.2朱烨森，夏云秋，秦方.数据驱动的泄洪闸门智能管理系统构建及应用.云南水力发电，2 0 2 3,39(3）：2 6 6-2 7 0.3王志辉，龙见颖,杨自文.某大型水电站泄洪闸门提门失4张吉，遂宁市唐家渡电航工程弧形闸门支座设计.四川水利,2 0 2 3,44(2):8 9-9 1,1 0 6.5匡涛，牛继业,南海龙,等.弧形闸门斜支臂空间角度分析.水电能源科学,2 0 2 3,41(1):1 8 6-1 8 9.6龙见颖。某大型水电站泄洪闸门回油箱溢油原因分析D.工程技术研究,2 0 2 0,5(1 5):1 2 1-1 2 3.7 ERDBRINK C D,KRZHIZHANOVSKAYA V V,SLOOT P MA.Controlling flow-induced vibrations offlood barrier gates with data-driven and finite-prehensive flood risk management researchfor policy&practice,2012:425-434.8 TRUONG T T,LEE J,NGUYEN-THOI T.Aneffective framework for real-time structural damagedetection using one-dimensional convolutional gatedrecurrent unit neural network and high performancecomputing J.Ocean Engineering,2022,253(1).9杨军，刘鹏鹏，漆玉龙，等。基于振动信号分析的水工金属闸门状态识别方法.水电站机电技术，2 0 2 2,45(2)：106-109.