楊玉泉，張仁貢

（1.浙江同濟(jì)科技職業(yè)學(xué)院，杭州 311231；2.浙江禹貢信息科技有限公司，杭州 310009；3.浙江工業(yè)大學(xué)，杭州 310014）

0 引 言

為減少城市及工礦洪澇災(zāi)害改善水環(huán)境，許多城市、礦山都建設(shè)了排澇泵站。隨著泵站綜合效益日益提高，泵站主機(jī)組常年在配水調(diào)度需求下運(yùn)行。主機(jī)組是泵站運(yùn)行安全的重要設(shè)備，成為泵站長(zhǎng)期穩(wěn)定運(yùn)行關(guān)鍵要素。泵站經(jīng)多年運(yùn)行，受自然和人為因素作用（制造、安裝、運(yùn)行管理等），泵站主機(jī)組設(shè)備常會(huì)出現(xiàn)振動(dòng)、噪聲以及機(jī)組故障問(wèn)題。一個(gè)泵站若有多臺(tái)機(jī)組，還涉及機(jī)組的優(yōu)化組合、機(jī)組負(fù)載均衡以及機(jī)組損耗等問(wèn)題［1］。上述問(wèn)題的解決都涉及泵站主機(jī)組的動(dòng)力特性研究。但是如何獲取精確的泵站主機(jī)組動(dòng)力特性是一個(gè)世界性難題，主要原因有：①我國(guó)大部分水泵建設(shè)時(shí)未考慮安裝在線監(jiān)測(cè)儀表，當(dāng)泵站主機(jī)組安裝完成后，無(wú)環(huán)境條件再加裝在線監(jiān)測(cè)儀表。②泵站主機(jī)組動(dòng)力特性的主要參數(shù)中包含功率、揚(yáng)程和流量，流量監(jiān)測(cè)本身難度較大，尤其是流量的在線監(jiān)測(cè)。③泵站主機(jī)組動(dòng)力特性需要在不同揚(yáng)程條件下的流量數(shù)值，其特性是一個(gè)曲面，但為了簡(jiǎn)化問(wèn)題的分析，一般依據(jù)實(shí)際情況選取多個(gè)典型揚(yáng)程，功率從0 到額定功率的條件下，獲取流量數(shù)值，形成典型揚(yáng)程下的動(dòng)力特性方程。水工模型試驗(yàn)是解決復(fù)雜水力學(xué)問(wèn)題的有效手段，所得到的試驗(yàn)結(jié)果真實(shí)可信。為此，需要做水泵主機(jī)組的真機(jī)試驗(yàn)，泵站要在維修工況下安裝試驗(yàn)儀器，成本高，測(cè)量時(shí)間長(zhǎng)，對(duì)整個(gè)泵站的運(yùn)行產(chǎn)生較大影響。綜上所述，尋找一種既可靠安全、又能夠較高精度獲取泵站主機(jī)組動(dòng)力特性的方法具有較高的研究?jī)r(jià)值和較為廣闊的實(shí)用前景。

一般在泵站主機(jī)組制造時(shí)，先做泵機(jī)模型，再對(duì)該模型進(jìn)行模擬試驗(yàn)得到模型運(yùn)轉(zhuǎn)綜合特性曲線，以指導(dǎo)泵站主機(jī)組的制造和安裝，并作為第一手廠家試驗(yàn)資料提供給泵站主機(jī)組使用單位。從泵站主機(jī)組模型運(yùn)轉(zhuǎn)綜合特性曲線獲得的泵站主機(jī)組動(dòng)力特性在教科書(shū)上有一定的介紹，本文簡(jiǎn)稱為泵站主機(jī)組模型動(dòng)力特性，該動(dòng)力特性精度很低，往往與真機(jī)動(dòng)力特性存在很大差距。隨著自動(dòng)化技術(shù)和物聯(lián)網(wǎng)技術(shù)的發(fā)展，泵站運(yùn)行基本上都采用自動(dòng)化，利用物聯(lián)網(wǎng)感知技術(shù)［2］，將泵站主機(jī)組的運(yùn)行數(shù)據(jù)存儲(chǔ)在云數(shù)據(jù)庫(kù)中，多年運(yùn)行積累形成了大數(shù)據(jù)［3］。但如何利用運(yùn)行存儲(chǔ)的大數(shù)據(jù)，來(lái)不斷修正泵站主機(jī)組模型動(dòng)力特性，使之不斷自學(xué)習(xí)接近泵站主機(jī)組真機(jī)動(dòng)力特性［4］，目前，國(guó)內(nèi)外尚沒(méi)有相關(guān)文獻(xiàn)刊載該研究。

為此，筆者依托國(guó)家自然基金項(xiàng)目“流程化工業(yè)生產(chǎn)過(guò)程中的不確定動(dòng)態(tài)調(diào)度方法及其應(yīng)用（60874074）”、浙江省教育廳科研項(xiàng)目“基于大數(shù)據(jù)的杭州七堡排澇泵站運(yùn)行優(yōu)化研究”（Y201942901）和浙江省水利廳課題“泵站機(jī)組異常振動(dòng)和溫升研究——以七堡排澇泵站為例”（RC1981）的研究，通過(guò)泵站主機(jī)組模型運(yùn)轉(zhuǎn)綜合特性曲線獲得泵站主機(jī)組模型動(dòng)力特性，利用大數(shù)據(jù)技術(shù)，結(jié)合可拓神經(jīng)網(wǎng)絡(luò)方法的動(dòng)態(tài)修正和逼近，以獲取排澇泵站主機(jī)組真機(jī)動(dòng)力特性，并將該方法編譯為計(jì)算機(jī)動(dòng)態(tài)鏈接庫(kù)（DLL），開(kāi)發(fā)了“七堡泵站大數(shù)據(jù)倉(cāng)庫(kù)管理信息系統(tǒng)V1.0”（國(guó)家軟件著作權(quán)登記號(hào)：2018R11L1440166），為下一步開(kāi)展泵站的主機(jī)組振動(dòng)原因分析、機(jī)組優(yōu)化組合以及負(fù)荷優(yōu)化調(diào)度奠定基礎(chǔ)［5］。

1 關(guān)于模型動(dòng)力特性方程

泵站主機(jī)組廠家提供給用戶單位的模型綜合運(yùn)行特性曲線和獲得的主機(jī)組模型動(dòng)力特性曲線如圖1 所示。功率流量（揚(yáng)程）特性是主機(jī)組模型動(dòng)力特性的主要特性，以下就以該動(dòng)力特性為例進(jìn)行研究。

圖1 水泵運(yùn)轉(zhuǎn)綜合特性曲線Fig.1 Operation synthesized characteristic curves of hydraulic turbine

教科書(shū)中已有將水泵運(yùn)轉(zhuǎn)綜合特性曲線獲取功率流量（揚(yáng)程）特性離散數(shù)據(jù)的步驟，本文不再累述。離散數(shù)據(jù)通過(guò)最小二乘法進(jìn)行擬合為樣條三次曲線方程［6］，在計(jì)算機(jī)語(yǔ)言求解中主要采用高斯函數(shù)和牛頓替代法［7］，技術(shù)應(yīng)用常見(jiàn)于文獻(xiàn)。所獲得的方程在界面中繪制，即為圖1。

2 三次指數(shù)矩陣數(shù)據(jù)處理方法

采用水泵運(yùn)轉(zhuǎn)綜合特性曲線獲取的水泵主機(jī)組模型動(dòng)力特性對(duì)于正在運(yùn)行的真機(jī)而言，精確的是很不夠的。模型機(jī)經(jīng)過(guò)放大制造、安裝和長(zhǎng)期運(yùn)行，變化比較大。特別是對(duì)于大流量等非標(biāo)準(zhǔn)水泵，需要定制生產(chǎn)。故水泵主機(jī)組模型動(dòng)力特性尚不能用于指導(dǎo)水泵的運(yùn)行［8］。為此，筆者通過(guò)計(jì)算機(jī)監(jiān)控系統(tǒng)的歷史數(shù)據(jù)庫(kù)以及云端運(yùn)行管理數(shù)據(jù)庫(kù)抽取實(shí)際數(shù)據(jù)，對(duì)水泵主機(jī)組模型動(dòng)力特性方程進(jìn)行修正，以提高動(dòng)力特性精度。水泵主機(jī)組的揚(yáng)程、功率、流量及效率的計(jì)算公式為：

式中：Qj為水泵主機(jī)的出口流量，m3∕s；Pj為水泵輸入功率，kW；Hj為揚(yáng)程，m；ηj為水泵的運(yùn)行效率；j為水泵主機(jī)組的編號(hào)。

假設(shè)在歷史數(shù)據(jù)庫(kù)或云端運(yùn)行管理數(shù)據(jù)庫(kù)的大數(shù)據(jù)中抽取到一組數(shù)據(jù)，如某主機(jī)組的流量Qi和功率Pi，采用三次多項(xiàng)式擬合方程［9］表示為：

而依據(jù)模型動(dòng)力特性方程獲得流量為：

則它們的誤差為：

兩邊平方可得：

若有在歷史數(shù)據(jù)庫(kù)或云端運(yùn)行管理數(shù)據(jù)庫(kù)的大數(shù)據(jù)中抽取到n組數(shù)據(jù)，其總誤差平方和為：

根據(jù)最小二乘法原理，當(dāng)式（6）關(guān)于待定系數(shù)a0，a1，a2，a3的偏導(dǎo)數(shù)為零時(shí)，總的誤差平方和取到最小值。并采用指數(shù)矩陣表示可得：

式中：Q為主機(jī)組的出口流量矩陣；di為主機(jī)組的功率矩陣；D表示功率轉(zhuǎn)置矩陣；E 為總誤差平方和；X 為系數(shù)矩陣。于是E 可表示為：

其中：

依據(jù)指數(shù)矩陣計(jì)算方法，原數(shù)據(jù)和新數(shù)據(jù)是一個(gè)疊加關(guān)系，對(duì)于大數(shù)據(jù)中抽取所得的一對(duì)流量數(shù)據(jù)Q和功率數(shù)據(jù)P，計(jì)算可得：

對(duì)于原數(shù)據(jù)引入衰減因子α（0 ＜α ＜1，可取α＝0.95），并與新數(shù)據(jù)合并可得：

于是，對(duì)于大數(shù)據(jù)中抽取所得的新數(shù)據(jù)流量Q和功率P，通過(guò)以上方法重新擬合新的功率流量（揚(yáng)程）動(dòng)力特性方程。

由于泵站主機(jī)組的動(dòng)力特性方程在不同揚(yáng)程或上下游水位下，具有相同趨勢(shì)且不相交的特點(diǎn)（同趨不相交），研究表明所得曲線方程依據(jù)揚(yáng)程的不同，具有線性等間距的特性（揚(yáng)程等間距）［10］。由上述的三次指數(shù)矩陣數(shù)據(jù)處理方法可知，該方法是一種靜態(tài)的以點(diǎn)替代點(diǎn)從而帶動(dòng)整個(gè)曲線進(jìn)行修正的處理方法。該方法的缺點(diǎn)在于：①無(wú)法保證動(dòng)力特性的“同趨不相交”和“揚(yáng)程等間距”；②僅僅從歷史數(shù)據(jù)庫(kù)中抽取數(shù)據(jù)進(jìn)行修正，無(wú)法從后續(xù)不斷運(yùn)行的數(shù)據(jù)中抽取數(shù)據(jù)而進(jìn)行動(dòng)態(tài)連續(xù)修正，使之不斷逼近真機(jī)運(yùn)行特性工況。為此，本文引入一種基于神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)可拓訓(xùn)練修正方法。

3 神經(jīng)網(wǎng)絡(luò)可拓訓(xùn)練方法

目前，隨著大數(shù)據(jù)、云計(jì)算、5G、人工智能等技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)（Artificial N euron Networks.ANN）［11，12］計(jì)算方法逐步得到流行，在使用該方法之前，需要將歷史數(shù)據(jù)庫(kù)云端化，并與云端運(yùn)行管理數(shù)據(jù)合并為統(tǒng)一數(shù)據(jù)倉(cāng)，本文稱之為泵站云數(shù)據(jù)倉(cāng)［13］。如何清洗、合并、存儲(chǔ)、量化、歸一等多數(shù)據(jù)倉(cāng)庫(kù)合并技術(shù)需要另外著文論述，本文不做介紹。神經(jīng)網(wǎng)絡(luò)方法將模擬人的大腦和神經(jīng)元，將泵站云數(shù)據(jù)倉(cāng)分為多個(gè)神經(jīng)元節(jié)點(diǎn)，利用信息傳輸系統(tǒng)實(shí)現(xiàn)并行分布式處理，具有將數(shù)據(jù)進(jìn)行快速分析、存儲(chǔ)、計(jì)算、擬合和閉環(huán)循環(huán)，具有自學(xué)習(xí)和自適應(yīng)能力，但神經(jīng)網(wǎng)絡(luò)方法的缺點(diǎn)在于比較適應(yīng)于初始值為零或隨機(jī)數(shù)據(jù)，對(duì)于抽取數(shù)據(jù)密集度過(guò)高，往往會(huì)陷入局部極值或死循環(huán)［14］。為此，筆者受到蔡文教授可拓理論（extension theory）［15］和趙燕偉教授的《可拓設(shè)計(jì)》［16］等啟發(fā)，引入了可拓理論中的元理論，有效地解決了神經(jīng)網(wǎng)絡(luò)方法的上述缺點(diǎn)。

泵站云數(shù)據(jù)倉(cāng)中將不斷產(chǎn)生新的數(shù)據(jù)，一旦數(shù)據(jù)觸發(fā)了規(guī)定的閥值，即可作為初始值輸入神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行計(jì)算，為了避免陷入局部極值或死循環(huán)，在定義閥值時(shí)引入可拓元理論，即計(jì)算舊數(shù)據(jù)與獲取的新數(shù)據(jù)的可拓距，當(dāng)可拓距滿足條件時(shí)再進(jìn)入神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行計(jì)算，可拓距可以變換為閥值使用［17］。本研究利用可拓物元模型確定初始權(quán)值，可拓距的計(jì)算采用下式：

式中：ED為可拓距；[wU，wL]為可拓物元區(qū)間；x為可拓區(qū)間外待測(cè)對(duì)象即泵站主機(jī)組（或具體的流量、功率、揚(yáng)程等工況）。

ED 用來(lái)判別待測(cè)對(duì)象x和一個(gè)可拓物元區(qū)間[wU，wL]的可拓距。由于在泵站云數(shù)據(jù)倉(cāng)中存在海量數(shù)據(jù)，同時(shí)存在多個(gè)分類或聚類數(shù)據(jù)，例如振動(dòng)區(qū)間、氣蝕區(qū)域、磨損趨向等聚類，為了辨識(shí)多個(gè)分類或聚類數(shù)據(jù)并與神經(jīng)網(wǎng)絡(luò)的并列分布計(jì)算方法相適應(yīng)，采用一種雙向并列的鏈接結(jié)構(gòu)［18］，融入到神經(jīng)網(wǎng)絡(luò)計(jì)算方法中，不妨稱該算法結(jié)構(gòu)為可拓神經(jīng)網(wǎng)絡(luò)雙向并列鏈接結(jié)構(gòu)，圖2所示。

圖2 可拓神經(jīng)網(wǎng)絡(luò)雙向鏈接拓?fù)浣Y(jié)構(gòu)Fig.2 Topological structure diagram of extension neural network with bidirectional links

由于采用泵站云數(shù)據(jù)倉(cāng)的可拓距過(guò)濾式閥值數(shù)據(jù)采納方法，所用的神經(jīng)網(wǎng)絡(luò)方法是一種具有自適應(yīng)的非監(jiān)督學(xué)習(xí)算法，而可拓神經(jīng)網(wǎng)絡(luò)雙向并列鏈接結(jié)構(gòu)有效改進(jìn)了神經(jīng)網(wǎng)絡(luò)的非監(jiān)督學(xué)習(xí)算法，利用可拓距ED 度量聚類中心、符合目標(biāo)的邊界數(shù)值和初始權(quán)值。

具體方法為：①當(dāng)可拓距ED 度量通過(guò)時(shí)，獲取對(duì)應(yīng)初始權(quán)值的樣本，作為第一個(gè)樣本，稱之為原始樣本。②在符合目標(biāo)的邊界數(shù)值的條件下，采用神經(jīng)網(wǎng)絡(luò)方法計(jì)算原始樣本，每次傳到至下一個(gè)神經(jīng)元時(shí)，采用可拓距ED 度量聚類中心，避免陷入局部極值或死循環(huán)，直到獲得計(jì)算最優(yōu)結(jié)果，作為第二個(gè)樣本。③第一個(gè)樣本和第二個(gè)樣本進(jìn)行可拓距ED 度量，記錄比較后符合條件的樣本。④不斷并行和循環(huán)計(jì)算該過(guò)程，直到所有樣本數(shù)據(jù)計(jì)算完成，進(jìn)入穩(wěn)定的分類和聚類集合，更新替換原來(lái)數(shù)據(jù)樣本集合。若將可拓距ED 度量轉(zhuǎn)換為對(duì)應(yīng)參數(shù)如流量、功率、揚(yáng)程等數(shù)據(jù)閾值時(shí)，可以設(shè)置樣本特征的總個(gè)數(shù)。由于根據(jù)可拓距原理，當(dāng)一個(gè)數(shù)據(jù)點(diǎn)落在可拓區(qū)間內(nèi)時(shí)，則可拓距小于1。

因此，當(dāng)泵站云數(shù)據(jù)倉(cāng)獲取n個(gè)特征數(shù)據(jù)，對(duì)于xi=｛xx1，xx2，…，xxn｝，則當(dāng)EDp=min{EDm}＞n，則說(shuō)明了xi不屬于聚類p，需要?jiǎng)?chuàng)建一個(gè)新的樣本聚類。如果EDp＜n，則樣本xi屬于聚類p，對(duì)于聚類p 所對(duì)應(yīng)的樣本需要進(jìn)行調(diào)整或替換，主要?jiǎng)討B(tài)修正樣本的權(quán)值和聚類中心點(diǎn)，如式（18）～（21）。

式中：Mp是為修正后聚類p的新樣本個(gè)數(shù)。

如果輸入第i 個(gè)新樣本的數(shù)據(jù)物元xi從原聚類O 變換到新聚類k，則修正后調(diào)整聚類O 所相對(duì)應(yīng)的權(quán)值和聚類中心點(diǎn)，如式（22）～（25）所示。

綜上所述，本研究所提出的神經(jīng)網(wǎng)絡(luò)可拓訓(xùn)練方法，將可拓元理論及計(jì)算方法融入到神經(jīng)網(wǎng)絡(luò)非監(jiān)督學(xué)習(xí)算法中，經(jīng)過(guò)實(shí)驗(yàn)比較可知，其訓(xùn)練時(shí)間平均可提升50%，且容易獲取數(shù)據(jù)庫(kù)的數(shù)據(jù)或知識(shí)［19］。同時(shí)，優(yōu)化了神經(jīng)網(wǎng)絡(luò)算法，避免局部收斂，具有穩(wěn)定性和可塑性等特點(diǎn)。值得注意的是，要保持神經(jīng)網(wǎng)絡(luò)的良好優(yōu)化計(jì)算效果，可拓距的選取非常重要，可拓距與閾值距離參數(shù)緊密關(guān)聯(lián)，這就使得閾值距離參數(shù)的選取至關(guān)重要，因此需要進(jìn)行不斷試驗(yàn)研究和較長(zhǎng)時(shí)間的觀察積累，進(jìn)行調(diào)整才能結(jié)合實(shí)際數(shù)據(jù)實(shí)時(shí)修正訓(xùn)練的需要。

4 實(shí)例分析

杭州市某排澇泵站位于江干區(qū)和睦港出江口，主要承擔(dān)上塘河流域防洪排澇，兼顧上塘河流域的環(huán)境景觀配水。共布置7臺(tái)10 kV直接啟動(dòng)的高壓潛水軸流泵，1～4號(hào)泵采用1400QZ-130 型，5～7 號(hào)泵采用1600QZB-125 型。由于制造、安裝或運(yùn)行工況偏差（泵站受錢塘江潮位影響，其揚(yáng)程變化頻繁，變化幅度大）等原因，5 號(hào)泵運(yùn)行狀態(tài)不穩(wěn)定，振動(dòng)較大，噪音偏高，故障率較高，對(duì)整個(gè)泵站的安全和優(yōu)化運(yùn)行及調(diào)度產(chǎn)生較為明顯影響。因此本文取5 號(hào)泵為例進(jìn)行研究，5 號(hào)泵設(shè)計(jì)流量12 m3∕s，設(shè)計(jì)揚(yáng)程3.5～6.0 m，轉(zhuǎn)速295 r∕min，電機(jī)功率800 kW，葉輪直徑1.54 m，設(shè)計(jì)運(yùn)行效率81.3%～84.3%。

依據(jù)5 號(hào)泵廠家提供的泵主機(jī)組模型運(yùn)轉(zhuǎn)綜合特性曲線，獲取模型動(dòng)力特性數(shù)據(jù)，然后采用最小二乘法進(jìn)行擬合，擬合后的方程組如式（26），流量功率動(dòng)力特性曲線如圖3（a）所示。

圖3 指數(shù)衰減方法修正處理前后曲線Fig.3 Before and after comparisons fixed by Exponential decay method

從圖3（a）可知，在設(shè)計(jì)揚(yáng)程3.5～6.0 m 之間，除了3.5和6.0最小和最大揚(yáng)程外，另取4.1、4.8、5.4 作為典型主機(jī)組揚(yáng)程，從模型運(yùn)轉(zhuǎn)綜合特性曲線獲取的離散數(shù)據(jù)擬合的流量功率動(dòng)力特性曲線方程，繪制后可見(jiàn)其趨勢(shì)和間隔都不均勻，且各個(gè)典型揚(yáng)程特性的曲線有明顯的相交現(xiàn)象，不符合實(shí)際要求，尤其是當(dāng)揚(yáng)程為H=3.5 m時(shí)，失真特別厲害。

從該泵站云數(shù)據(jù)倉(cāng)由計(jì)算機(jī)監(jiān)控系統(tǒng)歷史數(shù)據(jù)庫(kù)［20］和泵站標(biāo)準(zhǔn)化運(yùn)行管理數(shù)據(jù)庫(kù)云化合并而成［21，22］，從云數(shù)據(jù)倉(cāng)中挖掘3.5、4.1、4.8、5.4、6.0 m 等典型泵機(jī)揚(yáng)程的真機(jī)運(yùn)行數(shù)據(jù)進(jìn)行基于三次多項(xiàng)式指數(shù)矩陣處理方法的修正，取矩陣修正系數(shù)α＝0.95，修正替代后重新最小二乘法三次多項(xiàng)式擬合后其特性方程如式（26），繪制的曲線如圖3（b）所示。從圖3（b）可知，修正后的方程其曲線有比較明顯的改變，但是3 個(gè)典型揚(yáng)程下的特性曲線雖然不再交叉，但是依然存不等距現(xiàn)象，不符合泵站主機(jī)組流量功率動(dòng)力特性“揚(yáng)程等間距”的要求。這也是上文所提到的基于三次多項(xiàng)式指數(shù)矩陣處理方法的缺陷，因此需要采用可拓神經(jīng)網(wǎng)絡(luò)方法進(jìn)行進(jìn)一步動(dòng)態(tài)數(shù)據(jù)訓(xùn)練和修正。

按照“同趨不相交”和“揚(yáng)程等間距”的流量功率動(dòng)力特性的要求，將3.5、4.1、4.8、5.4、6.0 m 揚(yáng)程作為泵站數(shù)據(jù)倉(cāng)觸發(fā)器［23］，激發(fā)實(shí)時(shí)獲取后續(xù)運(yùn)行樣本，采用可拓神經(jīng)網(wǎng)絡(luò)方法進(jìn)行動(dòng)態(tài)訓(xùn)練和修正，經(jīng)過(guò)一年多時(shí)間的訓(xùn)練運(yùn)行，獲得各數(shù)據(jù)樣本98 個(gè)，符合可拓距的樣本62 個(gè)，選擇符合聚類可更新數(shù)據(jù)樣本54個(gè)進(jìn)行列表，如表1所示。

表1 各典型揚(yáng)程下的流量功率聚類更新數(shù)據(jù)樣本Tab.1 Cluster updating data samples of traffic and power under each typical head

可拓距調(diào)整每月進(jìn)行一次，最后經(jīng)過(guò)12 次調(diào)整，可拓距閾值距離參數(shù)設(shè)置如下：｛H ≡3.5｝∈[0.02，0.26]、｛H ≡4.1｝∈[0.27，0.46]、 ｛H ≡4.8｝ ∈[0.47，0.65]、 ｛H ≡5.4｝∈[0.66，0.86]、｛H = 6.0｝∈[0.87，0.98]。

經(jīng)過(guò)54個(gè)數(shù)據(jù)樣本的可拓神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)訓(xùn)練修訂后，重新擬合的方程如式（28），特性曲線如圖3（c）。

從圖3（c）可知，泵站主機(jī)組流量功率動(dòng)力特性基本符合“同趨不相交”和“揚(yáng)程等間距”的要求，符合實(shí)際情況。表1 中的數(shù)據(jù)樣本比較集中在中高功率段，且最低揚(yáng)程和最高揚(yáng)程兩個(gè)典型揚(yáng)程的數(shù)據(jù)樣本偏少，這與實(shí)際運(yùn)行的工況密集度有關(guān)。隨著時(shí)間的推移，樣本數(shù)量越來(lái)越多的情況下，特性曲線方程也必將越來(lái)越符合泵站主機(jī)組的實(shí)際運(yùn)行工況，越來(lái)越能指導(dǎo)實(shí)際運(yùn)行調(diào)度與決策［24，25］。

采用C++語(yǔ)言將可拓神經(jīng)網(wǎng)絡(luò)方法編譯形成DLL動(dòng)態(tài)鏈接庫(kù)文件，嵌入到七堡泵站大數(shù)據(jù)倉(cāng)庫(kù)管理信息系統(tǒng)中，計(jì)算結(jié)果可以通過(guò)客戶端軟件泵站主機(jī)組動(dòng)力特性分析系統(tǒng)進(jìn)行展示，系統(tǒng)主界面如圖4。

圖4 泵站主機(jī)組動(dòng)力特性分析系統(tǒng)主界面Fig.4 Cluster updating data samples of traffic and power under each typical head

5 結(jié) 論

通過(guò)以上研究，得出如下結(jié)論：

（1）通過(guò)廠家提供的泵站主機(jī)組模型運(yùn)轉(zhuǎn)綜合特性曲線獲取模型動(dòng)力特性方程，再通過(guò)靜態(tài)和動(dòng)態(tài)相結(jié)合的方法，逐步獲取泵站主機(jī)組真機(jī)動(dòng)力特性方程的方法是可行有效的。

（2）三次指數(shù)矩陣數(shù)據(jù)處理方法可作為靜態(tài)的點(diǎn)數(shù)據(jù)處理，也是不可缺少的中間步驟，它可將真機(jī)歷史運(yùn)行數(shù)據(jù)盡數(shù)挖掘修正的特性曲線方程中，使得曲線方程接近泵站主機(jī)組真機(jī)動(dòng)力特性。

（3）神經(jīng)網(wǎng)絡(luò)可拓訓(xùn)練方法是一種在大數(shù)據(jù)技術(shù)基礎(chǔ)下創(chuàng)新的動(dòng)態(tài)修正方法，是本文研究的核心方法，該方法將可拓理論融入到神經(jīng)網(wǎng)絡(luò)方法中，揚(yáng)長(zhǎng)避短，解決了神經(jīng)網(wǎng)絡(luò)在本案例優(yōu)化計(jì)算中的局部收斂或死循環(huán)，在數(shù)據(jù)處理中發(fā)揮出較好的效果。

（4）應(yīng)用實(shí)踐表明，神經(jīng)網(wǎng)絡(luò)可拓訓(xùn)練方法，具有自適應(yīng)性、自主學(xué)習(xí)性和可拓性，在泵站主機(jī)組動(dòng)力特性方程的動(dòng)態(tài)修正應(yīng)用中是有效而可靠的方法，修正結(jié)果滿足了“同趨不相交”和“揚(yáng)程等間距”等特性要求。 □