摘要：本文主要针对BP神经网络在水利发电控制系统的应用进行探讨，总结了在实际应用的方法和应用的网络建模和仿真分析，希望可以为今后的BP神经网络在水利发电控制系统的应用带来参考和借鉴。
关键词：BP神经网络；水力发电控制系统；应用
如何更好的应用BP神经网络，在水利工程的应用过程中有许多的研究，这是当前许多学者研究的热点课题，本文对其进行分析，探讨BP神经网络在水利发电控制系统的应用，也是极为富有意义的。
1、BP神经网络
水能资源是一种可再生能源，水力发电是借助水能资源，转化为电能的一种新兴方式，这一种发电方式具有无污染、可再生、成本低以及运行的稳定性、可靠性、安全性的优势。但我国水力发电中还存在着诸多的不足浴缺陷，如何解决水力发电中存在的一些问题，是水利发电在发展过程中必须解决的一个重要问题。
由Rumelhart和McClelland提出的误差反向传播（ErrorBack-Propagation）神经网络模型和其算法通常被称为BP神经网络模型。BP神经网络模型包括输入层、输出层和N个隐层，BP学习算法是一种监控式学习算法，被多层前馈网络所使用。它的核心理念是利用梯度搜索技术，使网络模型的输出实际值与预测值的方差接近最小值。网络模型的学习过程包含这两个阶段，即前馈计算阶段和反向调整权系数阶段，它是一种在这两个阶段不断修改差值的过程。
BP神经网络模型对实值函数有着很强的学习、表征能力和自适应能力，以历来水利发电工程特征数值作为样本进行梯度搜索和比对计算使方差接近最小值或局部最小值，所以说BP神经网络是用于水力发电控制系统的一个十分有效的方法。
2、BP神经网络建模
建立 BP 神经网络的步骤：
1)确定合理的网络结构和规模：尤其是网络中间层神经元个数的选择是网络结构确定和网络性能的关键；
2)确定训练样本集和测试集：训练样本集用于对网络进行训练，而测试集用于监测网络训练的效果和推广能力；
3)根据训练样本集对网络进行训练：经过测试的训练结果即为神经网络负荷预测知识库；
4)根据诊断输入：利用 BP 网络进行预测。
水力发电由于操作简单，大大降低了改变输出功率的难易程度。水力发电系统从整体上讲是一个易于控制的系统，虽然存在着非线性因素，但可以通过控制系统的自动调节和参数优化达到指定的控制效果，从而最终达到水利发电系统的自动化控制。自动控制系统可以全方位自动监测整个电站的实时数据，完成水文监测、机组启(停)控制、运行监视、负荷的分配等全过程。
BP网络结构如图1所示,图中i为输出层神经元,j为隐层神经元,k为输出层神经元。以3层BP神经网络为例,为了便于描述,先对如下变量进行说明:ui=(u1,u2,…,un)为神经网络的输入变量;yi=(y1,y2,…,yn)do=(d1,d2,…,dq)为期望输出;wij为神经网络输入层到隐层的连接权系数;wjk为神经网络隐层到输出层的连接权系数;k=1,2,…,m为样本个数。
图1BP神经网络结构
在多层感知器的基础上增加反向误差传播信号，就可以处理非线性的信息，把这种网络称为BP神经网络。其主要思想是梯度下降法，就是在正向传播时，每一层信息都是由低到高传送到最高层，得到理想的数学期望;反向传播是将误差信号按原路返回，调整取值。
3、仿真分析
考虑到复杂的工作环境和不可预料的因素，系统在运行过程中可能会遇到机组和系统解列的情形，一旦这种情况发生将会导致系统发生甩负荷，转速在短时间内会急剧上升，最终会导致调速器关闭。系统所受影响消失以后，发电机组在控制系统的调节下会缓慢地回到系统的额定转速。甩负荷故障的发生将会直接影响系统的稳定性和所发电能的质量。为了验证本次提出的优化控制方法可以在水利发电系统发生甩负荷的情况下，能够快速的回归到正常转速，现根据现场离散所采样数据绘制转速图。如图2所示。电站发电引水系统、蜗壳、尾水管及机组等主要参数如下:机组惯性时间常数11.20s，发电水头55m，发电机自调节系数0.12，额定转速213.35r/min，额定流量8.6m/s，下游水位131.32m。
图2基于离散采样的甩负荷故障发生时系统的优化控制
采用常规的PID控制系统效果不好，原因是系统在15s时，发生了较大的超调量，并且采用PID控制方法的控制输出曲线并没有达到一个稳定效果，在80s的时候出现了衰减震荡;该系统在10s处出现了超调，大大提高了系统响应时间，并且该控制方法控制曲线表明，最终系统稳定运行，并没有出现各种震荡，控制效果很好，控制系统稳定。采用BP神经网络建模的PID控制系统，它有较小的超调量，并且控制系统是稳定的，而且在一定程度上解决了控制系统滞后的问题。本次研究将神经网络应用到水力发电控制系统中，根据现场数据采集并利用神经网络进行数学建模。通过建模所得到的数学模型进一步控制系统。实验表明，优化后的控制系统在面对突发的故障时，能够保持系统的平稳性和稳定性，在一定时间内可以恢复到额定状态。
4、结束语
综上所述，进一步探讨BP神经网络在水利发电控制系统的应用，可以增强其应用的效果，本文研究了应用的原理和建模、仿真分析，能够为今后应用带来参考。
参考文献：
[1]杨开林.长距离输水水力控制的研究进展与前沿科学问题[J].水利学报,2016,47(03):424-435.
[2]杨安,孙利民,王小山,石志强.工业控制系统入侵检测技术综述[J].计算机研究与发展,2016,53(09):2039-2054.
[3]詹凯,袁艳平,孙亮亮,曹晓玲,余南阳.基于灰色关联改进TOPSIS法的热水系统最优太阳能保证率[J].太阳能学报,2016,37(05):1218-1226.
论文作者:王云飞,郭奕生
论文发表刊物:《电力设备》2017年第30期
论文发表时间:2018/3/13
标签：神经网络论文; 控制系统论文; 系统论文; 水力发电论文; 网络论文; 水利论文; 建模论文; 《电力设备》2017年第30期论文;