一种基于改进鲸鱼算法的循环神经网络水轮机振摆预测方法技术

本发明专利技术公开一种基于改进鲸鱼算法的循环神经网络水轮机振摆预测方法，它包括如下步骤：S1：水轮机运行原始数据预处理；S2：建立基于改进鲸鱼算法及门控机制的循环神经网络模型（LWOA

【技术实现步骤摘要】
一种基于改进鲸鱼算法的循环神经网络水轮机振摆预测方法


[0001]本专利技术涉及水电站关键设备在线监测研究领域，具体地指一种基于改进鲸鱼算法的循环神经网络水轮机振摆预测方法。

技术介绍

[0002]随着我国能源结构改革的推进，水电站日渐成为电力系统的重要组成部分，而水轮机是水电站中至关重要的生产设备。在机械、水力等因素多重作用下，水轮机故障会使振摆趋势有一定的变化，因此振摆信号可以直观地反映机组运行状态。准确预测机组振摆信号发展趋势，提前制定合理的维护方案，对有效提升现代水力发电厂智能运维水平有着重要意义。
[0003]由于影响设备振摆趋势的因素较为复杂、数据非线性程度高，因此通过趋势图等方法进行振摆分析预测的结果并不准确。

技术实现思路

[0004]本专利技术的目的在于克服上述不足，提供一种基于改进鲸鱼算法的循环神经网络水轮机振摆预测方法，解决
技术介绍
中提出的问题。
[0005]本专利技术为解决上述技术问题，所采用的技术方案是：一种基于改进鲸鱼算法的循环神经网络水轮机振摆预测方法，它包括如下步骤：
[0006]S1：水轮机运行原始数据预处理；
[0007]S2：建立基于改进鲸鱼算法及门控机制的循环神经网络模型(LWOA
‑
GRU)；
[0008]S3：利用LWOA
‑
GRU模型预测水轮机振摆趋势。
[0009]进一步地，所述步骤S1具体为：
[0010]1‑
1：采用条件互信息法与专家经验相结合的方式，对振摆预测过程中的关键特征参量进行筛选；
[0011]1‑
2：在筛选出特征参量后，对其进行一定周期的数据重采样、插补缺失值、异常值剔除，并将数据进行归一化处理，供后续训练、预测使用。
[0012]进一步地，所述步骤S2具体为：
[0013]假设鲸鱼的种群规模为N，求解问题空间的维度为D，则第i只鲸鱼在D维空间对应的位置为最优鲸鱼(猎物)的位置对应全局的最优解；
[0014]2‑
1、初始化鲸鱼种群规模N，求解维度D，算法参数a，A，C，l，p和最大迭代次数T
max
，根据求解范围，随机生成鲸鱼种群位置；
[0015]2‑
2、计算每条鲸鱼的适应值，找到最优鲸鱼的位置和它对应的全局最优适应值f
best
；
[0016]2‑
3、开始迭代，如果|A|≤1且p<0.5，鲸鱼种群按公式(1.1)进行位置更新，否则按
Levy飞行策略对鲸鱼位置进行更新，如公式(1.2)；如果p≥0.5，鲸鱼种群则按式(1.4)进行位置更新；
[0017][0018]式(1.1)中分别为第t次迭代中第i条鲸鱼的位置向量和最优鲸鱼的位置向量，常数A是收敛因子，为均匀分布在[
‑
a,a]之间的随机数，a随着迭代次数的增加从2线性递减到0，常数C是摇摆因子，为均匀分布在[0,2]之间的随机数，部分表示该鲸鱼与最优位置鲸鱼之间的距离；
[0019][0020]公式(1.2)为利用Levy飞行策略对鲸鱼位置进行更新的方式，其中分别为第t次迭代中第i条鲸鱼的位置向量和随机一条鲸鱼的位置向量，α为步长缩放因子，取0.01，s为levy飞行随机步长；
[0021]在包围捕食阶段，鲸鱼选择包围策略还是随机搜寻策略取决于参数A的值，当|A|≤1时，鲸鱼选择包围策略进行捕食；当|A|>1时，鲸鱼选择随机搜寻策略进行捕食；整个包围捕食阶段第i条鲸鱼位置更新公式如(1.3)：
[0022][0023]在气泡捕食阶段，鲸鱼采用螺旋吐气泡形成气泡网进行捕食，鲸鱼位置更新公式如(1.4)：
[0024][0025]式(1.4)中分别为第t次迭代中第i条鲸鱼的位置向量和最优鲸鱼的位置向量，b为螺旋形常数，一般取值为1，l为均匀分布在[
‑
1,1]之间的随机数；
[0026]鲸鱼在捕食过程根据p的值在包围捕食(p<0.5)和气泡捕食(p>0.5)之间进行切换，即鲸鱼用式(1.3)或式(1.4)更新自身位置的概率各为百分之五十，所以鲸鱼的位置更新公式如(1.5)：
[0027][0028]采用自适应权重方法对鲸鱼位置的更新进行改进，在WOA算法寻找最优位置前加入权重，代表当前鲸鱼个体对上代最优位置的继承程度，改进后鲸鱼的位置更新公式如式(1.6)：
[0029][0030]其中权重值w是一种呈指数改变的自适应权重；
[0031]2‑
4、位置更新完后进行越界处理，计算每条鲸鱼的适应值，更新最优鲸鱼位置和全局最优适应值；
[0032]2‑
5、判断目前迭代次数t是否大于最大迭代次数T
max
，是则退出循环，否则转至步骤(3)继续迭代；
[0033]2‑
6、迭代结束输出全局最优解
[0034]更进一步地，它还包括如下步骤：
[0035]2‑
7、利用LWOA算法的超参数寻优结果，优化GRU门控循环神经网络的各项参数，构建基于超参数寻优结果的GRU振摆预测模型，将此模型简称为LWOA
‑
GRU网络模型。
[0036]进一步地，所述步骤S3具体为：
[0037]3‑
1、将经过预处理后的80％振摆数据输入LWOA
‑
GRU网络模型中，进行网络训练工作，网络训练完毕后，再以训练好的网络进行振摆趋势预测工作，并将剩余的20％振摆数据作为测试集，以此来评估LWOA
‑
GRU网络的预测精度。
[0038]更进一步地，它还包括如下步骤：
[0039]3‑
2、将所有振摆数据输入到满足预测精度评估的LWOA
‑
GRU网络模型中，进行未来某一段时间的水轮机振摆数据趋势的预测工作，此预测结果可用于水轮机劣化状态评估、提前制定合理的水轮机维护方案。
[0040]本专利技术的有益效果：
[0041]1、本专利技术基于大数据分析挖掘与深度学习算法，融合了专家经验，针对强烈非线性的振摆数据提出一种新的分析预测方法，此方法提高了振摆趋势预测的精确度，对振摆态势与机组劣化事前分析决策具有重要意义。
[0042]2、本专利技术设计一种基于改进鲸鱼算法(Whale Optimization Algorithm，WOA)及门控机制的循环神经网络(GRU)水轮机振摆预测的方法，该方法将深度学习循环神经网络算法用于水轮机振摆预测之中，考虑到循环神经网络存在长程依赖问题，极有可能存在梯度爆炸或者梯度消失的问题；本专利技术首先引入使用levy飞行策略、呈指数改变的自适应权重法改进了传统的鲸鱼算法，并基于此优化鲸鱼算法对门控循环神经网络各参数进行优化求解，以提高循环神经网络主要参数求解的精度及效率，避免了算法运行过程中可能会出现的梯度爆炸问题；其次，本专利技术专利采用门控机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进鲸鱼算法的循环神经网络水轮机振摆预测方法，其特征在于：它包括如下步骤：S1：水轮机运行原始数据预处理；S2：建立基于改进鲸鱼算法及门控机制的循环神经网络模型(LWOA
‑
GRU)；S3：利用LWOA
‑
GRU模型预测水轮机振摆趋势。2.根据权利要求1所述的一种基于改进鲸鱼算法的循环神经网络水轮机振摆预测方法，其特征在于：所述步骤S1具体为：1
‑
1：采用条件互信息法与专家经验相结合的方式，对振摆预测过程中的关键特征参量进行筛选；1
‑
2：在筛选出特征参量后，对其进行一定周期的数据重采样、插补缺失值、异常值剔除，并将数据进行归一化处理，供后续训练、预测使用。3.根据权利要求1所述的一种基于改进鲸鱼算法的循环神经网络水轮机振摆预测方法，其特征在于：所述步骤S2具体为：假设鲸鱼的种群规模为N，求解问题空间的维度为D，则第i只鲸鱼在D维空间对应的位置为最优鲸鱼(猎物)的位置对应全局的最优解；2
‑
1、初始化鲸鱼种群规模N，求解维度D，算法参数a，A，C，l，p和最大迭代次数T
max
，根据求解范围，随机生成鲸鱼种群位置；2
‑
2、计算每条鲸鱼的适应值，找到最优鲸鱼的位置和它对应的全局最优适应值f
best
；2
‑
3、开始迭代，如果|A|≤1且p<0.5，鲸鱼种群按公式(1.1)进行位置更新，否则按Levy飞行策略对鲸鱼位置进行更新，如公式(1.2)；如果p≥0.5，鲸鱼种群则按式(1.4)进行位置更新；式(1.1)中分别为第t次迭代中第i条鲸鱼的位置向量和最优鲸鱼的位置向量，常数A是收敛因子，为均匀分布在[
‑
a,a]之间的随机数，a随着迭代次数的增加从2线性递减到0，常数C是摇摆因子，为均匀分布在[0,2]之间的随机数，部分表示该鲸鱼与最优位置鲸鱼之间的距离；公式(1.2)为利用Levy飞行策略对鲸鱼位置进行更新的方式，其中分别为第t次迭代中第i条鲸鱼的位置向量和随机一条鲸鱼的位置向量，α为步长缩放因子，取0.01，s为levy飞行随机步长；在包围捕食阶段，鲸鱼选择包围策略还是随机搜寻策略取决于参数A的值，当|A|≤1时，鲸鱼选择包围策略进行捕食；当|A|>1时，鲸鱼选择随机搜寻策略进行捕食；整个包围捕食阶段第i条鲸鱼位置更新公式...

【专利技术属性】
技术研发人员：胡思宇，王晓兰，管毓瑶，刘守豹，何东阳，刘洋成，魏棕凯，
申请(专利权)人：中国大唐集团科学技术研究总院有限公司，
类型：发明
国别省市：