[發明專利]基于SSPSO-GRNN的水電站廠壩結構振動響應預測方法

無效

• 申請號: 201410165390.8
• 申請日: 2014-04-23
• 公開（公告）號: CN103942434A
• 公開（公告）日: 2014-07-23
• 發明（設計）人: 徐國賓;韓文文;龍巖
• 申請（專利權）人: 天津大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李麗萍

技術領域

本發明涉及一種水電站廠壩結構振動響應預測系統，尤其涉及一種基于SSPSO-GRNN的水電站廠壩結構振動響應預測方法。

背景技術

水電站機組和廠房形成的動力體系具有復雜性、耦連性、非線性相關性以及隨機性。用傳統的力學方法預測廠房結構振動響應較為困難。況且由于多種振源的共同作用，加之各類振源的作用方式以及產生機理各自不同，其大小亦難以確定，使得水電站廠房振動模型構成更加復雜。無法輕易和精確的建立各振源與廠房結構振動響應之間的關系。因此，如何運用有限的監測數據，去了解機組運行和泄流誘發的廠壩振動對結構穩定性、安全性和可靠性的影響，以致達到全面掌握水電站的振動狀況的目的，成為研究的難點和重點。

廣義回歸神經網絡GRNN平滑參數的選取常常采用湊試法或估計法，或者結合LMS法，這些方法隨機性、經驗性影響比較大，而且沒有科學依據。隨著智能優化算法的發展，智能算法與GRNN相結合來實現平滑參數P的選擇越來越廣泛。為彌補基本粒子群優化算法易陷入局部最優、收斂性差的缺陷，本發明提出了優勝劣汰、步步選擇粒子群優化算法—SSPSO，運用SSPSO對廣義回歸神經網絡平滑參數P進行優化，建立廠房結構的振動響應預測模型，展開水電站廠壩結構振動響應預測研究。

發明內容

本發明的目的是尋求某種方法利用有限的監測數據，來全面掌握和控制水電站廠房結構振動狀況。嘗試運用優勝劣汰、步步選擇粒子群優化算法(英文縮寫為SSPSO)來優化廣義回歸神經網絡(英文縮寫為GRNN)，將智能算法與神經網絡相結合，充分利用優勝劣汰、步步選擇粒子群優化算法尋優能力強的特點及廣義回歸函數調整參數少的優點，彌補以前平滑參數的選取效率低、精度差的缺陷，從而更準確的依據原型觀測數據來建立網絡模型，進而運用此模型對廠房結構振動狀況展開預測研究，從而得到基于優勝劣汰、步步選擇的粒子群算法與廣義回歸神經網絡(優勝劣汰、步步選擇的粒子群算法與廣義回歸神經網絡縮寫為SSPSO-GRNN，下同)的水電站廠壩結構振動響應預測模型，運用此模型對水電站廠壩結構振動響應進行預測。

本發明基于SSPSO-GRNN的水電站廠壩結構振動響應預測方法的步驟如下：

步驟1、參數設置：隨機產生各粒子的初始位置與初始速度，限定任意時刻粒子的速度和位置的取值范圍，設定迭代終止條件，設置學習因子、慣性權重、粒子總個數；

步驟2、樣本選擇：以水電站廠壩結構實測數據為依托，選擇其中易測試部位或已知工況機組振動響應作為輸入數據，將難測試部位或未知工況廠房結構振動響應作為輸出；把所有的樣本數據進行歸一化處理后隨機分為測試組數據和訓練組數據；

步驟3、選取訓練組數據，以GRNN的平滑參數作為待優化參數，并確定評價此優化參數的適應度函數值；

步驟4、運用優勝劣汰、步步選擇粒子群算法優化步驟3中待優化的參數，具體步驟包括：

步驟a、迭代尋優，并記錄當前迭代次數，以預測誤差均方值的大小作為粒子適應度值計算每個粒子的適應度值，對粒子適應度按適應度值的大小進行優劣評價；

步驟b、按粒子適應度值大小排列函數，并按照此順序對相應的粒子位置進行排列，從粒子總個數為M的粒子群中選取并保留適應度值較好的m個粒子，并將m個粒子的位置范圍作為新的解空間，在新的解空間內選擇新的M-m個粒子代替較差的M-m個粒子，構造出新的粒子群；

步驟c、重新評價新的粒子群中各粒子的適應度值，并據此更新各粒子的歷史最優值及粒子群的全局最優值，按照基本粒子群算法更新原理更新粒子的速度和位置；

步驟d、判斷是否達到迭代終止條件，以達到最大迭代步數或滿足收斂精度要求為迭代終止條件；若達到迭代終止條件，迭代結束，并輸出全局最優粒子的相關參數，否則重復執行a到c步驟，直到滿足迭代終止條件為止；

步驟e、獲得優化平滑參數，從而得到優化的水電站廠壩結構振動響應預測模型，利用該模型對水電站水廠壩結構振動響應進行預測；

步驟5、利用步驟4得到的模型對水電站廠壩結構振動響應進行預測，即運用未參加模型訓練的數據對步驟4建立好的模型進行測試，測試輸出的結果便是廠房結構難測試部位或未知工況廠房結構的振動響應。

與現有技術相比，本發明的有益效果是：