基于机器学习的水轮机功率趋势预测

作     者：夏家辉 

作者单位：广西大学 

学位级别：硕士

导师姓名：孔繁镍;吴智丁

授予年度：2022年

学科分类：12[管理学] 081504[工学-水利水电工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0815[工学-水利工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：机器学习 水轮机功率预测 改进多层神经网络 自适应反归一化 改进灰狼算法 最小二乘支持向量机 

摘      要：水轮机功率曲线是水电站工作人员进行运行调度、负荷分配、实时监控等工作的重要参考依据。在原型水轮机正式投入运行前,其功率曲线等特征参数的参照数据一般来源于制造厂实验室的模型水轮机试验,其试验场所和条件与实际现场有较大不同,故水轮机出厂时提供的功率曲线与原型水轮机实际运行工况曲线存在待修正部分,需通过原型水轮机现场试验获取机组当前环境下的特征曲线。现场原型水轮机一般通过选择有限个典型工况运行点测试,试验数据相对有限,而机械性地增加试验次数会导致运行成本过高。为有效扩大试验数据量,考虑通过搭建水轮机功率预测模型,利用其所获的数据对水轮机运行特性曲线进行修正,实现冗余性试验次数减少,提高原型水轮机试验的效率。为了有效建立水轮机功率预测模型,首先本文探讨了应用计算流体动力学结合三维建模的水力模型,其通过对内部流场的复杂计算,动态模拟预测水能的特征指标。但水力模型是在理想化条件下进行预测,难以兼顾机组实际运行外部参数。而机器学习模型具有大数据特征,具有结构清晰,应用范围广等特点,其参数可通过智能优化算法寻优实现模型预测性能提升。采用机器学习方法能快速建立水轮机功率预测模型并为功率曲线修正提供支持。接着,在采集了大量不同类型水轮机不同工况运行数据基础上,本文研究了基于自适应反归一化策略的改进多层神经网络功率预测模型和采用改进灰狼算法优化最小二乘支持向量机功率预测模型。改进多层神经网络模型采用Rlue激活函数提高计算速度和防止梯度消失,结合L2正则化预防数据过拟合,应用Adam梯度优化器实现网络输出快速收敛。模型改进的同时,在数据处理方面研究了反归一化过程对于神经网络实际预测输出真实值的准确度影响,提出了自适应反归一化区间策略以实现神经网络预测的实际应用。在最小二乘支持向量机预测模型中,本文采用一种基于混合非线性收敛因子和静态权重比的改进灰狼算法优化其核参数与正则系数,并结合Ackley、Rastrigin、Schwefel’s problem测试函数验证其收敛和计算速度。最后,通过小样本轴流转桨式水轮机协联与非协联试验数据,大样本协联工况运行与混流式水轮机运行工况数据,对上述两种机器学习功率预测模型进行仿真分析。仿真结果显示,所搭建的模型均能实现水轮机输出功率的高精度预测。自适应反归一化策略改进多层神经网络模型能有效解决其实际预测缺少真实值区间的问题,明显提高了预测精度。通过对大小样本数据的对比分析,自适应反归一化策略在小样本数据下的预测精确提高效果更为明显。改进灰狼算法优化最小二乘支持向量机模型能提高原算法对于局部最优值的识别能力,快速收敛至最优值,相对于粒子群优化算法、灰狼算法和未优化情况下的最小二乘支持向量机预测结果,其预测效果最优。