基于果蝇优化算法的GRNN水电机组状态趋势预测

１］ 题 。 苗宗伟等 ［ 应用 Ｂ Ｐ 神经网络对水电站厂房
］ 。Ｇ 网络 见文献 ［ ３～５ Ｒ ＮＮ 中 人 为 调 节 参 数 少 ， 的学习全部依赖 数 据 样 本 ， 可最大可能地避免人 为主观假定对预测结果的影响 。 分布参数对估算 的精度有重要影 响 ， 本文采用果蝇优化算法优化 选择分布常数 。
ＭＳＥ ＝
（ ） １
２． ２ 果蝇优化算法优化 Ｇ Ｒ ＮＮ
［］ Ｆ ＯＡ ６ 是一 种 基 于 果 蝇 觅 食 行 为 推 演 的 寻 优新方法 。 算法采用距离 — 位置搜索方法 。Ｆ Ｏ Ａ
优化 Ｇ Ｒ ＮＮ 具体步骤如下 。
１ 广义回归神经网络
Ｇ Ｒ ＮＮ 模 型 已 用 于 多 个 领 域 。 模 型 有 三 层组织结构 ， 第一层为输入层 ， 输入节点只传递输
［ ３］
步骤 １ 随 机 初 始 化 果 蝇 种 群 的 位 置 ， 本文 设定种群规模为 ３ 迭代次数为 １ ０只， ０ ０。 ） ， 步骤 ２ 计算每 个 个 体 与 原 点 的 距 离 Ｄ（ ｉ ／ ） ） （ 并求出其倒数 １ 作 为 味 道 判 定 值 Ｓ（ Ｄ（ ｉ ｉ ｉ＝ …， ） ， ） 将每个味道判定值 Ｓ（ 作为 Ｇ １， ２， ３ ０ ｉ Ｒ ＮＮ 的分 布 参 数 ， 输入训练数据得到网络输出值 ） 。 Ｘ＿ ｉ ｒ ｅ ｄ ｉ ｃ ｔ（ ｐ
Ｖ ｏ ｌ ． ３ ０Ｎ ｏ ． １ ２ Ｄ ｅ ｃ ． ２ ０ １ ２
基于果蝇优化算法的 Ｇ Ｒ Ｎ Ｎ 水电机组状态趋势预测
２ ， 田 源１， 张彼德１， 刘代伟１， 汪 凤１， 吴华丰２， 陈 笑２， 师 鹏２
（ １．西华大学 电气信息学院 ，四川 成都 ６ １ ０ ０ ３ ９； ２．国电四川电力股份有限公司 南桠河发电厂 ，四川 雅安 ６ ２ ５ ０ ０ ０） 摘要 ：针对水 电 机 组 振 动 的 非 线 性 、 非平稳特性， 提出 了 一 种 基 于 果 蝇 优 化 算 法 （ 的广义回归神经网络 Ｆ ＯＡ） （ ， 模型 （ 实 现了 Ｇ 并对 四 川省 新 政 航 电 工 程 ３ 台 机 组 ５ 个 不 Ｇ Ｒ ＮＮ） Ｆ ＯＡＧ Ｒ ＮＮ ） Ｒ ＮＮ 分布 参 数 的 优 化 选 择 ， 与Ｂ 对比结果表明， 同 部 位 的 振 动 序列 峰峰值 进行 了 预 测 ， Ｐ 神 经 网 络预 测 结果的 均 方 误差 （ ＭＳＥ ） Ｆ ＯＡＧ Ｒ ＮＮ 预 测精度 较 高 。 关键词 ：水 电 机 组 ；果 蝇 优 化 算 法 ；趋势 预 测 ；广 义 回归神 经 网 络
第二层为径向基隐含层 ， 神经元 入信号到隐含层 ； 个数等于训练样 本 个 数 ， 通过改变径向基函数的 分布常数值调节 ； 第三层为线性输出层 ， 建模原理
， 收稿日期 ： 修回日期 ： ２ ０ １ ２ ０ ４ １ ５ ２ ０ １ ２ ０ ６ ０ ４ － － － －
） ； “ 基金项目 ：西华大学省级重点实验室开放研究基金资助项目 （ 流体及动力机械 ” 省部共建 教 育 部 重 Ｓ Ｚ Ｊ Ｊ ２ ０ ０ ９ ０ １ ５ － ， ） ； ） 点实验室基金资助项目 （ 西华大学研究生创新基金资助项目 （ Ｓ Ｂ Ｚ Ｄ Ｐ Ｙ １ １ １ ３ １ ４ Ｙ ｃ ２ ０ １ １ ６ ３ － － ｊ ｊ ， ： 作者简介 ：田源 （ 男， 硕士研究生 ， 研究方向为水电机组故障诊断 ， ． ｃ ｏ ｍ １ ９ ８ ５ Ｅ－ｍ ａ ｉ ｌ ４ １ ６ ４ ４ ３ １ ４ １＠ｑ －） ｑ
·１ ２ ８·
水 电 能 源 科 学 ２ ０ １ ２年
步骤 ３ 用 输 出 值 Ｘ＿ 与 目 标 值Ｙ 计 ｉ） ｒ ｅ ｄ ｉ ｃ ｔ（ ｐ 算均方误差 Ｍ ＳＥ ， 即： ）＝ １ （ ） …， ＭＳＥ（ ｉ Ｘ＿ ｉ ２， ３ ０ －Ｙ）ｉ ＝ １， ｒ ｅ ｄ ｉ ｃ ｔ（ ｐ ｎ∑ （ ） ２ 步骤 ４ 找出果蝇群体 中 味 道 浓 度 最 低 的 果 即 ＭＳＥ 极小值 。 蝇， 步骤 ５ 保留最低味道浓度与 ｘ， ｙ 坐标 。 步骤 ６ 进 入 果 蝇 迭 代 寻 优 ， 由上一代最佳 位置增加果蝇的飞行距离 步骤 ７ 重 复 执 行 步 骤 ２～６， 判断味道浓度 是否优于上一 代 味 道 浓 度 ， 直 至 找 到 令 ＭＳＥ 最 小 的分布参数 。 ２． ３ 嵌入维数 在实际的时间 序 列 预 测 中 ， 相空间嵌入维数
２ Ｆ ＯＡＧ ＲＮＮ 预测方法
２． １ 误差评价标准 均方误差 （ 是指参数预测值与参数真实 ＭＳＥ） 是衡量平均误差的一种较 值之差平方的期 望 值 ， 方便方法 ， 可 评 价 数 据 的 变 化 程 度， ＭＳＥ 值 越 小 ， 说明预测模型越具有更好的精度 。 １ ２ ） ） ｘ（ ｔ ｔ －ｙ（ ［ ］ ∑ ｎｔ ＝１ ） ） 式中 ， 为原始值 ； 为预测值 。 ｘ（ ｔ ｔ ｙ（
ｎ
结构振动 进 行 了 预 测 ； 张飞等
［ ２］
提出了基于 Ｂ Ｐ
神经网络的 水 轮 发 电 机 组 振 动 预 测 模 型 。 与 Ｂ Ｐ 网络相比 ， 广义回归神经网络（ 在函数逼 Ｇ Ｒ ＮＮ） 调整的参数 近能力和学习速 度 上 有 较 强 的 优 势 ， 较少 ， 只有 １ 个分布常数 ， 可更快地找到合适的预 测网络 。 鉴此 ， 本文 采 用 果 蝇 优 化 算 法 （ 优 Ｆ ＯＡ） 化选 择 Ｇ Ｒ ＮＮ 的 分 布 常 数 ，并 将 优 化 后 的 Ｇ Ｒ ＮＮ 模型用 于 水 电 机 组 振 动 峰 峰 值 的 趋 势 预 测中 ， 探究了该方 法 对 水 电 机 组 状 态 趋 势 的 预 测 效果 。
第 ３ ０卷 第１ ２期 ２ ０ １ ２年１ ２月 （ ） 文章编号 ： １ ０ ０ ０ ７ ７ ０ ９ ２ ０ １ ２ １ ２ ０ １ ２ ７ ０ ４ － － －
水 电 能 源 科 学 Ｗ ａ ｔ ｅ ｒ Ｒ ｅ ｓ ｏ ｕ ｒ ｃ ｅ ｓ ａ ｎ ｄ Ｐ ｏ ｗ ｅ ｒ
＋ 中图分类号 ： ＴＶ ７ ３ ４． ２ １
文献标志组 故 障 中 最 常 见 、 的形式 ， 而振动信号是反映水电机组状态最直接 、 最有效的特征量 。 振动信号趋势的预测可直观地 反映水电机组未来的状态变化 。 水电机组在运行 过程中受水力 、 机械及电气等多种振源共同作用 ， 振动十分复杂 ， 要精确建立各类激振动力与水电 水电机组振动信 机组振动响应的 关 系 十 分 困 难 ， 号序列预测是一个典型的非线性时间序列预测问