[发明专利]基于FOA-GRNN的水电站厂坝结构振动响应预测方法

摘要

本发明公开了一种基于FOA-GRNN的水电站厂坝结构振动响应预测方法，主要包括：(1)参数设置，(2)样本选择，(3)选取训练组数据，以广义回归神经网络的平滑参数作为待优化参数，并以预测误差的均方值作为适应度值，确定评价此优化参数的适应度函数值，(4)运用果蝇算法优化步骤3中需要优化的参数，构建最优的广义回归神经网络模型，利用该模型对水电站厂坝结构振动响应进行预测。运用此方法对水电站厂坝结构振动响应进行预测。该方法泛化能力、拟合能力强，收敛速度快，稳定性好，非常适合于灯泡贯流式机组厂顶溢流式布置型式的水电站厂房结构振动响应预测。

主权项

一种基于FOA‑GRNN的水电站厂坝结构振动响应预测方法，其特征在于，该方法包括以下步骤：步骤1、参数设置：随机产生各粒子的初始位置与初始速度，限定任意时刻粒子的速度和位置的取值范围，设定迭代终止条件，设置学习因子、惯性权重、粒子总个数；步骤2、样本选择：以水电站厂坝结构实测数据为依托，选择其中易测试部位或已知工况机组振动响应作为输入数据，将其中难测试部位或未知工况厂房结构振动响应作为输出结果；把所有的样本数据进行归一化处理后随机分为测试组数据和训练组数据；步骤3、选取训练组数据，以广义回归神经网络的平滑参数作为待优化参数，并以预测误差的均方值作为适应度值，确定评价此优化参数的适应度函数值；步骤4、运用果蝇算法优化步骤3中需要优化的参数，包括：步骤a、随机设置果蝇个体飞行方向与距离；步骤b、求出果蝇个体与原点间距离D_i²＝X_i²+Y_i²和味道浓度判定值S＝1/D_i；步骤c、广义回归神经网络预测模型的均方根误差作为味道浓度函数，即适应度函数，将步骤b得出的味道浓度判定值S代入适应度函数，以求出该果蝇个体位置的味道浓度值；步骤d、根据步骤b得出的味道浓度值寻找极值：比较果蝇每代的味道浓度值，迭代保留最佳值位置与味道浓度，并且记录每代最优值；步骤e、果蝇迭代寻优并判断味道浓度是否优于前一迭代味道浓度；步骤f、判断是否达到迭代终止条件，即是否达到最大迭代步数或满足收敛精度要求，若是，选择最优的果蝇，得出最优平滑参数，构建最优的广义回归神经网络模型，顺序执行步骤5；否则返回步骤a；步骤5、利用步骤4得到的模型对水电站厂坝结构振动响应进行预测，即运用未参加模型训练的数据对步骤4建立好的模型进行测试，测试输出的结果便是水电站厂坝结构难测试部位或未知工况厂房结构的振动响应。