[发明专利]一种基于BP神经网络全特性曲线函数的逼近方法

说明书

本发明提出一种基于BP神经网络全特性曲线函数的逼近方法，所述方法包括步骤1、对水泵水轮机模型试验全特性曲线样本数据进行采集；步骤2、对采集后的数据进行归一化和延拓处理；步骤3、建立起三层BP神经网络对处理后的数据进行训练，获得了理想的网络，完成了对水泵水轮机全特性非线性关系的逼近，从而将训练后得到的数据绘制成空间曲面。本发明利用BP神经网络进行拟合，具有精度高、泛化能力强且满足曲面连续可导等特点。

技术领域

本发明属于水轮机全特性曲线表达技术领域，特别是涉及一种基于BP神经网络全特性曲线函数的逼近方法。

背景技术

全特性曲线由模型试验数据所得，可用于机组过渡过程的计算，也是水泵水轮机调节系统中水轮机模型建立的重要依据。但由于全特性曲线严重的非线性特征，在过渡过程的计算中存在较大的困难，因此，寻找描述全特性曲线的合适方法显得至关重要。人工神经网络正是人类在对自身大脑神经网络认识理解的基础上人工构造的能够实现某种功能的技术。神经网络极强的非线性映射能力在诸多领域有重要的应用。水泵水轮机全特性曲线由于“S”形区域的存在表现出很强的非线性特征，神经网络恰好成为处理这一问题的有效手段。

发明内容

本发明目的是为了解决现有技术中水泵水轮机全特性曲线表达的不足的问题，提出了一种基于BP神经网络全特性曲线函数的逼近方法。本发明利用已有的模型试验数据，适当整理延拓之后进行神经网络的训练，得到网络函数。

本发明是通过以下技术方案实现的，本发明提出一种基于BP神经网络全特性曲线函数的逼近方法，所述方法包括以下步骤：

步骤1、对水泵水轮机模型试验全特性曲线样本数据进行采集；

步骤2、对采集后的数据进行归一化和延拓处理；

步骤3、建立起三层BP神经网络对处理后的数据进行训练，获得了理想的网络，完成了对水泵水轮机全特性非线性关系的逼近，从而将训练后得到的数据绘制成空间曲面。

进一步地，所述归一化使用mapminmax()函数，利用概率统计的原理将样本数据中的参数都限制到[0,1]之间。

进一步地，在延拓的过程中，需要遵循两个原则：(1)导叶开度为0时，无论转速为多大，水轮机流量均为0，据此可构造出导叶开度为0时的边界条件，水轮机在飞逸转速下的流量特性也应考虑在内；(2)水轮机在飞逸时的输出力矩为0，还要考虑水轮机在0开度下的力矩边界条件。

进一步地，在步骤3中，水泵水轮机参数的变化表达方程式如下：

其中，Q₁₁为水泵水轮机的单位流量，M₁₁为单位转矩，α为导叶开度，n₁₁为单位转速；单位流量和单位转矩都是由导叶开度和单位转速形成的函数，因此，所要建立的网络是一个双输入、单输出，由多个神经元组成的三层BP神经网络，流量特性曲线和转矩特性曲线的隐含层节点数相同，从而得到了理想的网络。

进一步地，在步骤3中，完成对水泵水轮机全特性非线性关系的逼近，从而将训练后得到的数据绘制成空间曲面，具体为：

(1)网络的建立；feedforwardnet函数用于创建BP网络，调用格式为feedforwardnet(hiddenSizes,trainFcn)，其中hiddenSizes为隐含层节点数，trainFcn为训练函数，默认为trainlm，流量特性曲线和转矩特性曲线都使用BP网络，隐含层节点数均设定为50，创建函数如下：

net1＝feedforwardnet(50)；

net2＝feedforwardnet(50)；