基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的電廠設(shè)備的狀態(tài)監(jiān)測(cè)方法
【專(zhuān)利摘要】一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電廠設(shè)備的狀態(tài)監(jiān)測(cè)方法。針對(duì)電廠設(shè)備狀態(tài)的復(fù)雜性，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行狀態(tài)監(jiān)測(cè)，而神經(jīng)網(wǎng)絡(luò)存在易陷入局部最優(yōu)的問(wèn)題，首先對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)以期獲得全局最優(yōu)解。依據(jù)電廠電力設(shè)備數(shù)據(jù)實(shí)時(shí)性要求以及遺傳算法尋優(yōu)時(shí)計(jì)算時(shí)間少的優(yōu)勢(shì)，采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。本發(fā)明提出了一種基于個(gè)體遷移-擴(kuò)展機(jī)制的遺傳算法，在保證收斂到全局最優(yōu)解的同時(shí)加快了收斂速度。之后本發(fā)明利用經(jīng)IM-EMGA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)電廠設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)，從而能夠及時(shí)發(fā)現(xiàn)故障發(fā)生的預(yù)兆。將本發(fā)明模型進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明該方法相比單純的遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)具有更好的收斂速度和全局尋優(yōu)能力。
【專(zhuān)利說(shuō)明】基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電廠設(shè)備的狀態(tài)監(jiān)測(cè)方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種電廠設(shè)備的狀態(tài)監(jiān)測(cè)方法，尤其涉及一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電廠設(shè)備的狀態(tài)監(jiān)測(cè)方法。

【背景技術(shù)】
[0002]由于電廠設(shè)備的工作狀態(tài)變化沒(méi)有規(guī)律性，很難使用現(xiàn)有的數(shù)學(xué)模型對(duì)其進(jìn)行擬合估計(jì)。神經(jīng)網(wǎng)絡(luò)具有優(yōu)秀的非線性擬合能力，適合對(duì)復(fù)雜的工作狀態(tài)進(jìn)行擬合，但是它容易陷入局部最優(yōu)解，每次擬合結(jié)果可能不盡相同，遺傳算法可以處理任意形式的目標(biāo)函數(shù)和約束，具有良好的全局尋優(yōu)能力以及較快的收斂速度，然而遺傳算法也存在早熟的現(xiàn)象。
[0003]電廠設(shè)備的工作狀態(tài)直接影響了電廠的工作運(yùn)行，對(duì)電廠設(shè)備進(jìn)行檢測(cè)已成為電廠研宄的重要問(wèn)題。如上述提到各種方法有諸多的缺陷問(wèn)題，因此，現(xiàn)在需要發(fā)明一種方法，在解決遺傳算法早熟問(wèn)題的同時(shí)提高算法收斂到全局最優(yōu)解速度，以此來(lái)滿足電廠設(shè)備工況數(shù)據(jù)的精確性和實(shí)時(shí)性的要求。


【發(fā)明內(nèi)容】

[0004]針對(duì)遺傳算法早熟問(wèn)題以及神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解的局限性問(wèn)題，本發(fā)明研制一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電廠設(shè)備的狀態(tài)監(jiān)測(cè)方法。
[0005]本發(fā)明其特征在于，包括以下步驟:
[0006](I)采集電廠數(shù)據(jù)(包括歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù))作為數(shù)據(jù)源進(jìn)行種群初始化和個(gè)體迀移。
[0007](2)數(shù)據(jù)源進(jìn)行初始化后得到三個(gè)種群，對(duì)這三個(gè)種群采取不同的選擇方式和交叉操作。
[0008](3)防止取得的電廠數(shù)據(jù)種群陷入局部最優(yōu)進(jìn)行變異操作。
[0009](4)當(dāng)連續(xù)幾代沒(méi)有出現(xiàn)新的最優(yōu)個(gè)體時(shí)，說(shuō)明算法可能陷入局部最優(yōu)，此時(shí)加入擴(kuò)展機(jī)制，增強(qiáng)種群的多樣性，使算法跳出局部最優(yōu)解。
[0010]所述種群初始化和個(gè)體迀移是為了改善遺傳算法早熟現(xiàn)象，引入多種群并提出一種新的個(gè)體迀移機(jī)制:初始創(chuàng)建三個(gè)隨機(jī)種群，分別計(jì)算三個(gè)種群中個(gè)體的適應(yīng)度值，根據(jù)個(gè)體適應(yīng)度值將個(gè)體分為優(yōu)中劣三個(gè)等級(jí)；個(gè)體迀移是指將每代的三個(gè)種群中的優(yōu)秀個(gè)體放在第一個(gè)種群中，一般個(gè)體放入第二個(gè)種群，較差個(gè)體放入第三個(gè)種群；
[0011]所述選擇是對(duì)于第一個(gè)種群，由于其存放的都是適應(yīng)度值較大的優(yōu)秀個(gè)體，將保留所有個(gè)體進(jìn)入下一代種群；對(duì)于第二個(gè)種群，通過(guò)輪盤(pán)賭的方法以較大的選擇概率選擇個(gè)體進(jìn)入下一代種群；對(duì)于第三個(gè)種群，同樣通過(guò)輪盤(pán)賭的方法以較小的選擇概率選擇個(gè)體進(jìn)入下一代種群。；
[0012]所述變異操作是第一個(gè)種群保存的是當(dāng)代適應(yīng)度值較大的優(yōu)秀個(gè)體，因此對(duì)其進(jìn)行小范圍的變異，提高算法的局部搜索能力；第二個(gè)種群進(jìn)行較大范圍的變異，增加種群的多樣性，避免陷入局部最優(yōu)、產(chǎn)生早熟現(xiàn)象；第三個(gè)種群進(jìn)行大范圍的變異，以期產(chǎn)生多個(gè)新個(gè)體，增強(qiáng)種群多樣性；
[0013]所述擴(kuò)展機(jī)制是交叉操作不再僅限于三個(gè)種群各自內(nèi)部進(jìn)行，而是隨機(jī)進(jìn)行兩個(gè)種群間的個(gè)體的交叉操作，以期產(chǎn)生新的最優(yōu)個(gè)體，同時(shí)增大交叉概率和交叉?zhèn)€體的數(shù)目，增大個(gè)體變異概率和變異個(gè)體的數(shù)目。

【專(zhuān)利附圖】

【附圖說(shuō)明】
[0014]圖1是基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電廠設(shè)備的狀態(tài)監(jiān)測(cè)方法實(shí)施流程圖。
[0015]圖2是實(shí)時(shí)數(shù)據(jù)的趨勢(shì)圖。
[0016]圖3是BP以及SGA對(duì)設(shè)備狀態(tài)的監(jiān)測(cè)圖。
[0017]圖4是IM-EMGA優(yōu)化的BP對(duì)設(shè)備狀態(tài)的監(jiān)測(cè)圖。

【具體實(shí)施方式】
[0018]為更好地理解本發(fā)明，下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明進(jìn)行更為詳細(xì)描述。在以下的描述中，當(dāng)已有的現(xiàn)有技術(shù)的詳細(xì)描述也許會(huì)淡化本發(fā)明的主題內(nèi)容時(shí)，這些描述在這兒將被忽略。
[0019]圖1是本發(fā)明基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電廠設(shè)備的狀態(tài)監(jiān)測(cè)方法的一種【具體實(shí)施方式】流程圖。在本實(shí)施例中，本發(fā)明的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電廠設(shè)備的狀態(tài)監(jiān)測(cè)方法包括以下步驟:
[0020]某電廠中采集到的設(shè)備的振動(dòng)數(shù)據(jù)，其實(shí)時(shí)趨勢(shì)如圖2所示，其中橫坐標(biāo)表示時(shí)間(每隔一分鐘獲取一個(gè)數(shù)據(jù))。
[0021](I)將上述電廠數(shù)據(jù)作為數(shù)據(jù)源進(jìn)行種群初始化和個(gè)體迀移。
[0022](2)數(shù)據(jù)源進(jìn)行初始化后得到三個(gè)種群，對(duì)這三個(gè)種群采取不同的選擇方式和交叉操作。
[0023](3)防止取得的電廠數(shù)據(jù)種群陷入局部最優(yōu)進(jìn)行變異操作。
[0024](4)當(dāng)連續(xù)幾代沒(méi)有出現(xiàn)新的最優(yōu)個(gè)體時(shí)，說(shuō)明算法可能陷入局部最優(yōu)，此時(shí)加入擴(kuò)展機(jī)制，增強(qiáng)種群的多樣性，使算法跳出局部最優(yōu)解。
[0025]將BP、SGA優(yōu)化的BP以及頂-EMGA優(yōu)化的BP分別應(yīng)用于該段實(shí)時(shí)數(shù)據(jù)，測(cè)試結(jié)果如圖3所示，左側(cè)兩張圖為BP對(duì)電廠實(shí)時(shí)數(shù)據(jù)的兩種監(jiān)測(cè)結(jié)果，右側(cè)兩張圖為SGA對(duì)電廠實(shí)時(shí)數(shù)據(jù)的兩種監(jiān)測(cè)結(jié)果，從圖中可以看出，由于BP神經(jīng)網(wǎng)絡(luò)每次尋找到的最優(yōu)解不盡相同，因此BP對(duì)相同實(shí)時(shí)數(shù)據(jù)的評(píng)估相差很大，同時(shí)結(jié)果一出現(xiàn)了過(guò)擬合現(xiàn)象，沒(méi)有準(zhǔn)確及時(shí)的發(fā)現(xiàn)異常數(shù)據(jù)。
[0026]而經(jīng)SGA優(yōu)化后的BP不會(huì)出現(xiàn)過(guò)擬合現(xiàn)象，但是由于SGA的早熟現(xiàn)象也存在對(duì)相同實(shí)時(shí)數(shù)據(jù)的評(píng)估相差很大的情況，如對(duì)于右側(cè)兩張圖兩條黑色虛線之間的時(shí)間段內(nèi)的數(shù)據(jù)而言，結(jié)果一中的實(shí)時(shí)數(shù)據(jù)與假設(shè)輸出擬合度很好但是在結(jié)果二中顯示出異常。
[0027]從圖4中可以看出，設(shè)備正常運(yùn)行的時(shí)候，實(shí)時(shí)數(shù)據(jù)與假設(shè)輸出之間擬合度很高，兩個(gè)數(shù)據(jù)的差值在O左右波動(dòng)，當(dāng)設(shè)備將要發(fā)生故障時(shí)，實(shí)時(shí)數(shù)據(jù)與假設(shè)輸出之間的差值逐漸變大，此時(shí)就說(shuō)明設(shè)備向著故障方向變化，應(yīng)該及時(shí)的進(jìn)行檢修，防止故障發(fā)生，造成設(shè)備停機(jī)。該算法有效地對(duì)異常變化進(jìn)行了實(shí)時(shí)監(jiān)測(cè)。
[0028]盡管上面對(duì)本發(fā)明說(shuō)明性的【具體實(shí)施方式】進(jìn)行了描述，但應(yīng)當(dāng)清楚，本發(fā)明不限于【具體實(shí)施方式】的范圍，對(duì)本【技術(shù)領(lǐng)域】的普通技術(shù)人員來(lái)講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些變化是顯而易見(jiàn)的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護(hù)之列。
【權(quán)利要求】
1.一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電廠設(shè)備的狀態(tài)監(jiān)測(cè)方法，其特征在于，包括以下步驟:(1)采集電廠數(shù)據(jù)(包括歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù))作為數(shù)據(jù)源進(jìn)行種群初始化和個(gè)體迀移。(2)數(shù)據(jù)源進(jìn)行初始化后得到三個(gè)種群，對(duì)這三個(gè)種群采取不同的選擇方式和交叉操作。(3)防止取得的電廠數(shù)據(jù)種群陷入局部最優(yōu)進(jìn)行變異操作。(4)當(dāng)連續(xù)幾代沒(méi)有出現(xiàn)新的最優(yōu)個(gè)體時(shí)，說(shuō)明算法可能陷入局部最優(yōu)，此時(shí)加入擴(kuò)展機(jī)制，增強(qiáng)種群的多樣性，使算法跳出局部最優(yōu)解。
2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電廠設(shè)備的狀態(tài)監(jiān)測(cè)方法其特征在于:所述種群初始化和個(gè)體迀移是為了改善遺傳算法早熟現(xiàn)象，引入多種群并提出一種新的個(gè)體迀移機(jī)制:初始創(chuàng)建三個(gè)隨機(jī)種群，分別計(jì)算三個(gè)種群中個(gè)體的適應(yīng)度值，根據(jù)個(gè)體適應(yīng)度值將個(gè)體分為優(yōu)中劣三個(gè)等級(jí)；個(gè)體迀移是指將每代的三個(gè)種群中的優(yōu)秀個(gè)體放在第一個(gè)種群中，一般個(gè)體放入第二個(gè)種群，較差個(gè)體放入第三個(gè)種群； 所述選擇是對(duì)于第一個(gè)種群，由于其存放的都是適應(yīng)度值較大的優(yōu)秀個(gè)體，將保留所有個(gè)體進(jìn)入下一代種群；對(duì)于第二個(gè)種群，通過(guò)輪盤(pán)賭的方法以較大的選擇概率選擇個(gè)體進(jìn)入下一代種群；對(duì)于第三個(gè)種群，同樣通過(guò)輪盤(pán)賭的方法以較小的選擇概率選擇個(gè)體進(jìn)入下一代種群。； 所述變異操作是第一個(gè)種群保存的是當(dāng)代適應(yīng)度值較大的優(yōu)秀個(gè)體，因此對(duì)其進(jìn)行小范圍的變異，提高算法的局部搜索能力；第二個(gè)種群進(jìn)行較大范圍的變異，增加種群的多樣性，避免陷入局部最優(yōu)、產(chǎn)生早熟現(xiàn)象；第三個(gè)種群進(jìn)行大范圍的變異，以期產(chǎn)生多個(gè)新個(gè)體，增強(qiáng)種群多樣性； 所述擴(kuò)展機(jī)制是交叉操作不再僅限于三個(gè)種群各自內(nèi)部進(jìn)行，而是隨機(jī)進(jìn)行兩個(gè)種群間的個(gè)體的交叉操作，以期產(chǎn)生新的最優(yōu)個(gè)體，同時(shí)增大交叉概率和交叉?zhèn)€體的數(shù)目，增大個(gè)體變異概率和變異個(gè)體的數(shù)目。
【文檔編號(hào)】G05B13/04GK104503235SQ201410747579
【公開(kāi)日】2015年4月8日 申請(qǐng)日期:2014年12月9日 優(yōu)先權(quán)日:2014年12月9日
【發(fā)明者】龔安, 高洪福, 張建, 高云 申請(qǐng)人:中國(guó)石油大學(xué)(華東)