基于sspso-grnn的水电站厂坝结构振动响应预测方法
【专利摘要】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。
【专利说明】基于SSPSO-GRNN的水电站厂坝结构振动响应预测方法
【技术领域】
[0001]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】
[0002]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。
[0003]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一SSPS0,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】
[0004]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SSPS0)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SSPS0-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。
[0005]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:
[0006]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；
[0007]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；
[0008]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；[0009]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:
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]与现有技术相比，本发明的有益效果是:
[0017]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。
【专利附图】
【附图说明】
[0018]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；
[0019]图2是图1中步骤104的具体过程；
[0020]图3为实施例中水电站厂房坝段及机组结构断面示意图；
[0021]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；
[0022]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】
[0023]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。
[0024]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I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:
[0025]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。
[0026]设粒子总个数M为40 ;最大迭代次数为20 ;学习因子cl = c2 = 1.49445 ;惯性权重 w = 0.729 ;初始取值范围 P(:,:) = n*rands(l, I), η = 200 ;速度限制 Vmax = 1、Vmin=-1 ;种群限制 Pmax = n、Pniin = -η。
[0027]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。
[0028]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:μπι)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。
[0029]表1实测数据
[0030]
【权利要求】
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。
【文档编号】G06F19/00GK103942434SQ201410165390
【公开日】2014年7月23日 申请日期:2014年4月23日 优先权日:2014年4月23日
【发明者】徐国宾, 韩文文, 龙岩 申请人:天津大学