基于GMDH 網(wǎng)絡的電廠地下水取水自適應控制方法研究

皮玉珍，苑全德，孟祥萍，譚萬禹，舒英利，谷春苗

（1.長春工程學院電氣與信息工程學院；2.吉林省高校配電自動化工程研究中心，長春130012）

0 引言

我國是水資源貧乏的國家，隨著社會發(fā)展，水資源短缺問題越來越嚴重，因此，合理用水、節(jié)約用水，迫在眉睫。電力行業(yè)是我國五大耗水行業(yè)之一，對電力企業(yè)特別是通過對地下水為水源的電廠的用水進行科學管理，以達到節(jié)約用水的目的就顯得意義重大。

我國對火力發(fā)電廠、鋼鐵聯(lián)合企業(yè)等高耗水企業(yè)有嚴格的取水定額要求，在建電廠之前，就需要就區(qū)域水環(huán)境進行考察論證，對電廠取水對區(qū)域水環(huán)境的影響進行研究，只有在證明對該區(qū)域水環(huán)境影響不大的情況下，才能進行電廠的建設。

火電廠從水源取來新水后，主要用于循環(huán)冷卻、工業(yè)冷卻、化水運行、除灰、蒸發(fā)損失、生活等部分，所有用水總和應與新水加上回收利用水之和相當，即達到水平衡。通過考察整個水平衡過程，可以摸清企業(yè)用水情況，找出節(jié)水潛力所在。

在地表水資源貧乏的地區(qū)，火電廠為了取得生產(chǎn)用水，一般的做法是在方圓幾十km的范圍內(nèi)，開鑿多口深水井，這些水井一般分屬于幾條不同的管線輸送到電廠。需要這么多水井是為了保護地下水資源，因為同時在同一個地方大量抽取地下水會有諸多不良后果。即使是在有了這么多水井的情況下，也要對水井進行間歇性抽取。

目前大多數(shù)的火電廠已經(jīng)可以做到通過網(wǎng)絡遠程控制深水井中水泵的啟停，但水泵的啟停時間完全依靠人的經(jīng)驗，難以達到最優(yōu)的效果。本文通過地下水的建模測試，實現(xiàn)對水井的自適應調(diào)控。

本文對某火電廠的取水系統(tǒng)中的新水取用控制進行研究。該火電廠附近沒有大江大河，位于地表水不豐富地區(qū)，但地下水資源豐富。該電廠在方圓30km的范圍內(nèi)，鉆有66口深水井，分為5條管線。每口井里的水泵均可由控制中心通過網(wǎng)絡進行啟動或者停止。

我們?yōu)榉植嫉纳钏迷O計了具有輸入輸出功能，自主決定啟停的神經(jīng)元，眾多這樣的神經(jīng)元形成了一個前向多層神經(jīng)網(wǎng)絡，該網(wǎng)絡通過遺傳算法原理生成下一層神經(jīng)元。通過對某電廠一年的深水井泵運行記錄的轉(zhuǎn)化提取獲得學習樣本和測試集，將該學習樣本陸續(xù)輸入到神經(jīng)網(wǎng)絡，進而獲得對深水井是否進行啟動或者停止的信息。在系統(tǒng)運行過程中，巡檢人員隔段時間可進行檢查，如發(fā)現(xiàn)水泵運行狀態(tài)不合理，可人工調(diào)整，然后將信息通過計算機反饋給神經(jīng)網(wǎng)絡以進行優(yōu)化調(diào)整。本文給出了網(wǎng)絡決策與實際運行結(jié)果對比。

1 結(jié)合了遺傳算法思想的GMDH網(wǎng)絡

GMDH網(wǎng)絡是由Ivakhnenko首先提出，用來分析多變量系統(tǒng)的建模與識別的方法，GMDH網(wǎng)絡基于對多輸入單輸出的數(shù)據(jù)集合的評價可以逐漸產(chǎn)生復雜模型，該網(wǎng)絡成功地運用于非線性系統(tǒng)的建模和控制中，如超音速飛機的控制系統(tǒng)，電力系統(tǒng)負荷預測。在GMDH網(wǎng)絡中一個模型可以表示為神經(jīng)元集合，在每層上成對的神經(jīng)元經(jīng)過二次多項式產(chǎn)生新的下一層的神經(jīng)元。

我們將GMDH網(wǎng)絡與遺傳算法結(jié)合，由各輸入單元進行組合產(chǎn)生一系列新一層的神經(jīng)元，每個神經(jīng)元的產(chǎn)生都是父母神經(jīng)元通過遺傳的方式篩選出來的，為每一個神經(jīng)元分配一個適應度分數(shù)，神經(jīng)元的輸出與目標變量輸出越接近，分數(shù)越高，適應度越高的神經(jīng)元，被選出來作為種子神經(jīng)元的機會越大，這個過程可以使用輪賭選擇方法。重復這一過程，直到產(chǎn)生的神經(jīng)元的適應度不高于父母神經(jīng)元，網(wǎng)絡的最佳結(jié)構(gòu)就確定了。

2 GMDH網(wǎng)絡在控制取水中的應用

2.1 學習樣本與測試數(shù)據(jù)集

水井的水位與井中水泵運行時間具有最大的相關性，根據(jù)2010年全年的運行記錄可以發(fā)現(xiàn)井泵一般運行時間為1～20h，因此在預測水泵是否應該停止時，該水泵的已經(jīng)運行時間應該是最重要的影響因子。此外離此水井較近的水井，因為地下水脈的互通性，其是否出水以及出水量也對該井的出水量影響較大，應該作為考慮在內(nèi)的影響因子。

（1）輸入層單元學習樣本定義：輸入單元分為2類，即深井泵計時器PTi（Pump Timer）以及深井泵運行狀態(tài)PSi（Pump Status），其中i為深井泵編號。該電廠有66口井，所以輸入單元共有132個。

其中

也就是說PSi取值只有2種：運行或者停止，編碼為1或者0。

PTi在PSi的值沒有變之前是每輪輸入是自動加1。例如：PT1＝10，PS1＝1，意為編號為1的水泵處于運行狀態(tài)10h。

將2010年一年的運行數(shù)據(jù)分為2個集合A，B，其中A集合作為訓練集，B集合對產(chǎn)生的網(wǎng)絡進行檢測和篩選。

（2）輸出層數(shù)據(jù)定義：輸出層里每個神經(jīng)元代表了下一步水泵的運行狀態(tài)PSi（t＋1），經(jīng)過訓練后，作為網(wǎng)絡的輸入。

2.2 目標函數(shù)

根據(jù)訓練數(shù)據(jù)集合定義，

式中：Se——預測與實際值之間誤差的均方差；

σY——預報相關因素的均方差。

其中

在進行訓練的過程中，其實就是尋求dY的最小值的過程。由于控制的特殊性，66個輸出單元的輸出誤差需要控制在盡可能小的范圍。

2.3 輸入單元規(guī)范化

2.1 節(jié)已經(jīng)論述，輸入單元分為2類，其中PTi＝i，i∈0，…，n。需要對PTi進行規(guī)范化處理。我們選用如下公式進行處理：

式中：p——控制曲線變化快慢的參數(shù)；

PT＊i——取值范圍為[0，1）。

PSi的值為0或者1，滿足0≤PSi≤1的要求，已經(jīng)是規(guī)范化形式。

3 訓練結(jié)果

用來訓練的網(wǎng)絡拓撲如圖1所示。其中n＝66。

圖1 用來做取水控制的GMDH網(wǎng)絡拓撲

我們使用2010年1月—6月的運行記錄作為學習樣本，7月—12月的記錄作為測試集。經(jīng)過訓練后，使用測試集進行測試與分析，在訓練過程中，某一臺水泵在半個月內(nèi)運行狀態(tài)的預測結(jié)果與實際結(jié)果如表1所示。

表1 某臺水泵半個月內(nèi)運行狀態(tài)預測與實際對比

對于水泵運行的持續(xù)時間，預測結(jié)果應該小于等于實際值，而對于停止狀態(tài)持續(xù)時間，則預測結(jié)果應該大于等于實際值，這樣做對于地下水位的回升和地下水的休養(yǎng)有好處。從這個角度和表1的結(jié)果評價我們提出的方法，可以看出本方法對于深井泵的控制具有很好的效果。這個網(wǎng)絡不是固定不變的，需要不斷通過人工的巡檢，并將結(jié)果輸入到網(wǎng)絡，以保持網(wǎng)絡的適應性。

4 結(jié)語

本文對某火電廠的取水系統(tǒng)中的新水取用控制進行了研究。為分布的深水井水泵設計了具有輸入輸出功能，自主決定啟停的神經(jīng)元代理，眾多這樣的神經(jīng)元形成了一個前向多層GMDH網(wǎng)絡，該網(wǎng)絡通過遺傳算法原理產(chǎn)生新的下一層神經(jīng)元。通過對該電廠一年的深水井泵運行記錄的轉(zhuǎn)化提取獲得學習樣本和測試集，將該訓練數(shù)據(jù)陸續(xù)輸入到神經(jīng)網(wǎng)絡，進而獲得對深水井的是否進行啟動或者停止的信息。本文給出了網(wǎng)絡決策與實際運行結(jié)果對比，結(jié)果表明本方法對于深井泵的控制具有很好的效果。

[1]何躍，尹靜.基于GMDH的小樣本數(shù)據(jù)預測模型[J].統(tǒng)計與決策，2011（10）：11－13.

[2]GB／T 18916.1－2002，取水定額 第1部分：火力發(fā)電[S].

[3]蔡緒貽，夏青.沙嶺子電廠取水對區(qū)域水環(huán)境影響研究[J].中國地質(zhì)災害與防治學報，1995（4）：50－57.

[4]Ivakhnenko，A G.Polynomial Theory of Complex Systems[J].IEEE Trans.Syst.Man ＆ Cybern，SMC－1，1971（3）：364－378.

[5]Ivakhnenko A G，Ivakhnenko G A.The Review of Problems Solvable by Algorithms of the Group Method of Data Handling （GMDH）[J].Pattern Recognition and Image Analysis，1995，5（4）：527－535.