灯泡贯流式机组轴承温度的人工神经网络建模探讨

赵林明，代秋平，賁国雄，莫异周，贾树枝

（1.河北工程大学，邯郸 056021；2.桂龙水电有限公司，宜州 546300）

目前，人工神经网络方法已经在水利水电工程中的一些领域得到了应用，其中在水轮发电机组运行控制中，比较多的是建立水轮机能量特性的人工神经网络模型[1]，而在应用人工神经网络方法建立机组其他特性的数学模型方面，还没有看到有关文献介绍。本文针对广西三岔水电站的灯泡贯流式机组，在应用该电站的实际监测数据基础上，就建立机组轴承温度的人工神经网络模型进行了探讨，取得较为满意的结果。

1 三岔水电站的基本情况

广西宜州三岔水电站距宜州市68km，位于三岔镇龙江下游1km处，是龙江干流梯级开发中的第十一个梯级水电站，相应的水利枢纽工程主要建筑物有Z形滚水拦河坝、调节闸、电站厂房、升压站等。水电站中装设3台灯泡贯流式水轮发电机组，单机容量7MW，额定水头5m，最大引流量480m3/s，电站按无人值班，少人值守的方式设计。2006年11月电站开始施工，第一台机组于2008年5月开始发电，第二台机组2008年8月开始发电，第三台机组2008年11月开始发电。

该水电站中配备SJK-8000综合自动化系统，系统具有全开放、全分布式结构，可以实现对整个水电站的计算机监控系统的管理。AGC、AVC计算和处理，数据库管理，在线及离线计算功能，各图表、曲线的生成，定值修改、语音报警、事故故障信号的分析处理等，图1中给出数据库维护系统的一个界面。的各种轴承温度的相关数据。在对这些数据收集整理的基础上，可以应用人工神经网络方法，建立水轮发电机组轴承温度的人工神经网络模型，以便在获得机组运行的一些参数，如导叶开度、工作水头等的情况下，快速地计算出机组轴承的正常温度，从而及时判断机组运行是否正常，确保机组安全运行。

2 多层前向人工神经网络简介[2，3]

在研究建立机组轴承温度的数学模型时，所采用的方法是人工神经网络方法，该方法中所使用的人工神经网络是已经得到广泛应用的多层前向人工神经网络，这种多层前向人工神经网络由输入层、隐层和输出层组成。

输入层神经元接受输入信息x1，x2，…，xn后，将信息传递给隐层各神经元，隐层神经元i接受到输入层各神经元传递来的信息以后，通

图1 数据库维护系统的一个界面

SJK-8000综合自动化系统中的计算机监控系统能实时、准确、有效的完成对本站被控对象的安全监控。监控系统具有多种功能，利用其中的数据采集功能，可以获取水轮发电机组过加权汇总为总的输入Ii，即有

其中xj是输入层神经元j的输出 （j=1，2，…，n），wij是隐层神经元i与输入层神经元j的连接权 （j=1，2，…，n）； θi是隐层神经元i的阈值，m为隐层神经元数目。

隐层神经元i的输出为

其中f（Ii）为激发函数，本文选择Sigmoid函数为激发函数，则有

取输出层神经元的阈值为0，选择线性函数f（x）=x作为输出层神经元的激发函数，则输出层神经元的输出，也就是整个神经网络的输出是

这里νi是输出层神经元与隐层神经元的连接权，θ是输出神经元的阈值。

公式 （1）至 （4）就是多层前向人工神经网络正向计算的有关公式，为了便于叙述，将公式中的连接权、阈值统称为连接权向量W，即有

在已知W的数值以后，对于任意给出的x1，x2，…，xn，就可以由公式 （1） 至 （4） 求出整个网络的输出值y。经有关理论证明，在上述定义的正向计算方法下，三层前向人工神经网络能够以任意的精度逼近一个非线性函数，也就是说，有较强的非线性映射能力。

当给出学习样本以后，一般采用反向传播算法，确定神经网络中连接权向量W的值，具体计算过程可参阅有关文献[3]。

3 水轮发电机组轴承温度的人工神经网络模型建模

采用上面介绍的人工神经网络方法，建立了三岔水电站水轮发电机组各类轴承的温度模型，下面以该水电站中2号水轮发电机组的3号推力轴承为例，给出建立温度模型的具体过程。

首先收集整理了近一年来监控系统所监测得到的3号推力轴承温度与水轮机运行工况的有关数据，然后从中随机选取了200余组数据作为人工神经网络模型的学习样本，部分样本数据如表1中所列。

表1 2号水轮发电机组的3号推力轴承温度监测数据及人工神经网络模型计算值

根据经验，选择人工神经网络的结构为3×4×1，其中输入层的三个神经元的输入分别是水轮机的工作水头、导水机构活动导叶开度 （可以表示水轮机的过流量）和转轮桨叶角度，输出层只有一个神经元，其期望输出为3号推力轴承的温度。

以200余组经过归一化处理以后的数据作为人工神经网络的学习样本，采用反向传播算法进行网络的学习，经过数万次学习以后，网络相应的能量函数趋于稳定，结束学习，求出了公式（5）中所列的人工神经网络的连接权向量W，如下所列：

当人工神经网络的连接权向量W求出来以后，也就确定了人工神经网络模型，为了分析所建立的人工神经网络模型的计算精度，本文将模型的计算值与实际监测值进行了对比分析，其中用所建立的人工神经网络模型，对表1中20个工况下的3号推力轴承温度进行了计算，计算值也列在表1中。

该模型计算值的平均相对误差为2.309%，均方差为1.1376，说明所建立的模型有较高的计算精度。计算中也发现个别数据误差比较大，经过分析以后发现，其部分原因是，水轮发电机组在每次开机以后，轴承温度都有一个上升的过程，图2给出了某次开机以后轴承温度的上升过程曲线，如果人工神经网络的学习样本选择在开机初，计算误差可能大一些。

图2 2号机组3号推力轴承某次开机时温度上升过程

图3 三岔水电站的水轮发电机组辅助运行系统的一个应用界面

鉴于上述所建立的水轮发电机组轴承温度的人工神经网络模型有较高的计算精度，已经将其应用于三岔水电站的水轮发电机组辅助运行系统的开发中，图3给出了三岔水电站的水轮发电机组辅助运行系统的一个应用界面。

4 主要结论

本文在实际监测数据的基础上，应用人工神经网络方法，建立了水轮发电机组轴承温度的人工神经网络模型。所建立的水轮发电机组轴承温度的人工神经网络模型，可以在已知机组运行的一些参数，如导叶开度、工作水头等的情况下，快速地计算出机组轴承的应有的正常温度，可以用于判断机组运行状况是否正常，这对于保证水轮发电机组的安全运行是有作用的，因此，文中所介绍的内容对水电站中水轮发电机组的安全运行是有借鉴意义的。

此外，所建立的水轮发电机组轴承温度的人工神经网络模型已经应用于三岔水电站的水轮发电机组辅助运行系统开发中。

[1]程远楚，叶鲁卿，蔡维由.水轮机特性的神经网络建模[J].华中科技大学学报（自然科学版），2003，31(6)：68-70

[2]苑希民.神经网络和遗传算法在水科学领域的应用[M]，北京：中国水利水电出版社，2002.

[3]赵林明等.多层前向人工神经网络[M]，郑州:黄河水利出版社，1999.