基于GA-BP的水力机组振动预测研究

发布时间：2022-02-04 16:14

　　振动是影响水力机组安全稳定运行的重要影响因素,为此基于GA-BP算法建立了机组振动预测模型,统筹水力机组运行过程中受机械、水力和电磁等因素的关联性影响,结合广东省某水电站^#1机组状态监测数据进行分析验证。结果表明,与传统BP算法相比,在对^#1机组主轴、上机架振动预测中,GA-BP算法训练迭代步数分别从26步减少至6步和63步减少至26步,预测平均相对误差分别从10.18%减小至4.62%和11.42%减小至4.92%,模型的预测性能获得显著提高,为保障机组安全运行提供了重要的技术支撑。 

【文章来源】：水电能源科学. 2020,38(10)北大核心

【文章页数】：3 页

【部分图文】：

GA-BP算法流程

建立基于GA-BP算法的机组振动预测模型，见图2。GA-BP算法的水力机组振动预测可分为两个过程，首先确定监测数据中与水力机组振动相关的参数，将这些参数样本和振动参数样本对GA-BP网络进行训练，训练相关参数设置见表1，经过训练后的网络将相关参数与振动参数之间的复杂关系均存在网络的权矩阵中；然后利用训练好的网络对预测样本进行预测。为充分验证GA-BP预测模型的性能，将实际振动结果分别与GA-BP算法和BP算法预测结果进行对比，并通过相对误差（MMAP）和平均相对误差（MMAPE）这2个指标来定量评判。3 实例应用

振动预测对比图

【参考文献】：
期刊论文
[1]GA-BP神经网络的GPS可降水量预测[J]. 谢劭峰,赵云,李国弘,周志浩.  测绘科学. 2020(03)
[2]基于GA-BP算法的外弹道落点误差预测[J]. 吴朝峰,杨臻,曹文辉,郭东海.  兵器装备工程学报. 2019(12)
[3]基于相空间重构和Volterra的非线性寒区气温预测方法[J]. 何鲜峰,汪自力,何启,张宝森.  中国科学:技术科学. 2019(06)
[4]基于混合参数证据网络的装备体系贡献率评估[J]. 罗承昆,陈云翔,张洋铭,常政,朱强.  兵工学报. 2018(12)
[5]BP神经网络与GA-BP农作物需水量预测模型对比[J]. 江显群,陈武奋.  排灌机械工程学报. 2018(08)
[6]基于GA-BP神经网络的柴油喷雾贯穿距预测[J]. 陈征,黎青青,肖乃松,吴诚,徐广辉,郝勇刚,刘长振.  中南大学学报(自然科学版). 2018(01)
[7]基于互信息的主成分分析特征选择算法[J]. 范雪莉,冯海泓,原猛.  控制与决策. 2013(06)
[8]BP神经网络模型与学习算法[J]. 樊振宇.  软件导刊. 2011(07)
[9]BP神经网络输入层数据归一化研究[J]. 柳小桐.  机械工程与自动化. 2010(03)
[10]遗传算法轮盘选择机理分析与改进[J]. 黄凯明.  计算机工程与应用. 2009(28)



本文编号：3613527