CN105740562A - 发电机空载特性曲线确定方法 - Google Patents
发电机空载特性曲线确定方法 Download PDFInfo
- Publication number
- CN105740562A CN105740562A CN201610080020.3A CN201610080020A CN105740562A CN 105740562 A CN105740562 A CN 105740562A CN 201610080020 A CN201610080020 A CN 201610080020A CN 105740562 A CN105740562 A CN 105740562A
- Authority
- CN
- China
- Prior art keywords
- electromotor
- load characteristic
- neutral net
- load
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明提供了一种发电机空载特性曲线确定方法,包括:从发电机的空载试验原始数据中选取空载试验有效数据,并将所述空载试验有效数据编制成训练样本;构建一神经网络,并利用所述训练样本对所述神经网络进行训练;调用训练后的神经网络,通过网络仿真函数,确定待绘制的空载特性曲线中缺少的数据点,作为空载试验补充数据;利用所述空载试验有效数据和所述空载试验补充数据绘制所述空载特性曲线。本发明能够提高参数计算的效率和准确性。
Description
技术领域
本发明涉及发电机技术领域,尤其涉及一种发电机空载特性曲线确定方法。
背景技术
发电机空载特性是指发电机在额定转速下、负载电流为零时,发电机定子电压和转子电流的变化曲线。空载特性曲线是发电机最基本的特性曲线,是确定发电机参数及运行特性的重要依据之一。同步发电机的空载特性曲线不但可以反映发电机设计是否合理,而且直接影响着发电机的其他特性,并且与发电机的其他特性相配合还可以计算出发电机的同步电抗等重要参数。此外,通过发电机的空载特性试验也可以发现励磁系统中存在的故障。因此,空载特性试验一直是新投产机组或者老机组大小修后的一个重要试验。
然而,完整的发电机空载特性曲线并不是轻而易举就能获得的,往往受到各种客观因素的制约。试验规程中要求汽轮机空载特性曲线取到1.2倍额定定子电压的点,而水轮机更是要求取到1.3倍额定定子电压的点,某些机组的接线方式决定了发电机-变压器组不容易分开,也就是说空载试验必须带着变压器进行,如果发电机的定子电压升的过高会影响变压器的安全运行,所以这种情况下是不能获得完整的空载特性曲线的。另外,发电机大小修过后,受发电机过激磁、发变组保护以及现场其他条件的制约,都很难获取完整的发电机空载特性曲线。
现有的手工方法获取发电机空载特性曲线,采用手工记录数据,人工描绘发电机空载特性曲线,耗费时间、人力。另外,受到外界客观因素的制约,发电机机端电压最高只能升至1.05倍或者1.1倍额定定子电压的水平,难以取得完整的空载特性曲线,进一步影响相关参数的计算。
现有的软件模拟方法只能对非实测数据点采取手动绘制曲线方法,而且气隙线和饱和系数参数完全是人为确定,对操作者经验要求比较高,而且受个人主观因素的影响较大,容易带来较大的计算误差。
发明内容
本发明提供一种发电机空载特性曲线确定方法,以解决现有技术中的一项或多项缺失。
本发明提供一种发电机空载特性曲线确定方法,包括:从发电机的空载试验原始数据中选取空载试验有效数据,并将所述空载试验有效数据编制成训练样本;构建一神经网络,并利用所述训练样本对所述神经网络进行训练;调用训练后的神经网络,通过网络仿真函数,确定待绘制的空载特性曲线中缺少的数据点,作为空载试验补充数据;利用所述空载试验有效数据和所述空载试验补充数据绘制所述空载特性曲线。
一个实施例中,该方法还包括:利用录波器采集所述发电机的空载试验原始数据。
一个实施例中,从发电机的空载试验原始数据中选取空载试验有效数据,并将所述空载试验有效数据编制成训练样本,包括:将所述空载试验原始数据转化为标幺值;从所述标幺值中选取所述空载试验有效数据作为所述训练样本。
一个实施例中,构建一神经网络,并利用所述训练样本对所述神经网络进行训练,包括:步骤401:将所述训练样本输入至一训练函数,生成所述神经网络;步骤402:利用网络仿真函数对所述神经网络进行仿真,并输出所有所述训练样本对应的误差;步骤403:以最大的所述误差对应的训练样本为权值,为所述神经网络添加一个隐含层神经元;步骤404:重复执行步骤401至步骤403,对添加所述隐含层神经元后的所述神经网络进行仿真,当所有所述训练样本对应的误差中的最大值达到一设定误差值或者所述神经网络的隐含层神经元个数不再增加时,将最终得到的神经网络作为所述训练后的神经网络。
一个实施例中,所述缺少的数据点为所述发电机的额定定子电压的设定倍数的电压范围内缺少的数据点。
一个实施例中,所述神经网络为RBF神经网络。
一个实施例中,该方法还包括:根据所述发电机的经验定子电压范围和所述空载特性曲线绘制所述发电机的气隙线。
一个实施例中,所述经验定子电压范围的电压的标幺值下限值为0,电压的标幺值上限值在[0.7pu,0.8pu]范围。
一个实施例中,还包括:确定所述空载特性曲线和所述气隙线上设定数据点的励磁电流,根据所述励磁电流计算空载特性曲线相关参数。
一个实施例中,所述空载特性曲线相关参数包括:发电机饱和系数、发电机空载励磁电压基准值及换向系数中的一个或多个。
本发明实施例的方法,针对目前各种试验方法都无法获取理想的发电机空载特性曲线和相关参数的问题,利用不完整的空载试验数据,借助神经网络的方法,获取完美的发电机空载特性曲线及相关参数,能够避免人工绘制的人为因素干扰,大大提高了参数计算的效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明一实施例的发电机空载特性曲线确定方法的流程示意图;
图2是本发明另一实施例的发电机空载特性曲线确定方法的流程示意图;
图3是本发明一实施例中编制神经网络训练样本的方法的流程示意图;
图4是本发明一实施例中训练神经网络的方法的流程示意图;
图5是本发明一实施例中根据发电机空载特性曲线确定发电机气隙线的方法的流程示意图;
图6是本发明一实施例中计算空载特性曲线相关参数的方法的流程示意图;
图7是根据本发明一实施例的方法确定的完整发电机空载特性曲线;
图8是根据本发明一实施例的方法确定的发电机气隙线;
图9是在本发明一实施例中空载特性曲线和气隙线上确定重要数据点的励磁电流的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明的发电机空载特性曲线确定方法是一种人工智能方法,能够利用不完整的发电机空载试验数据,借助神经网络的方法,获取完美的发电机空载特性曲线,进而获得发电机空载特性相关参数。
图1是本发明一实施例的发电机空载特性曲线确定方法的流程示意图。如图1所示,本发明实施例的发电机空载特性曲线确定方法,可包括步骤:
S110:从发电机的空载试验原始数据中选取空载试验有效数据,并将上述空载试验有效数据编制成训练样本;
S120:构建一神经网络,并利用上述训练样本对上述神经网络进行训练;
S130:调用训练后的神经网络,通过网络仿真函数,确定待绘制的空载特性曲线中缺少的数据点,作为空载试验补充数据;
S140:利用上述空载试验有效数据和上述空载试验补充数据绘制上述空载特性曲线。
在上述步骤S110中,该空载试验原始数据可以是转子电流和定子电压的关系数据,通常是不完整的空载特性曲线数据。
一个实施例中,上述缺少的数据点为上述发电机的额定定子电压的设定倍数的电压范围内缺少的数据点。例如,可能缺少1.05~1.2倍额定定子电压范围内的数据点,对于水轮发电机可能缺少1.05~1.3倍额定定子电压范围的数据点。
该空载试验有效数据可从空载试验原始数据中挑选得到。空载试验原始数据可能存在一些明显错误的数据点,剔除这些数据点后得到的空载试验有效数据可以提高训练样本的代表性,从而能够最终提高所得空载特性曲线的准确度。
在上述步骤S120中,构建神经网络及利用训练样本对神经网络进行训练可以在多种仿真环境中进行,例如Matlab仿真环境。其中所构建的神经网络可以是多种类型的神经网络,并可利用相应的函数构建该神经网络,例如,利用newrb函数构建RBF(RadialBasisFunction径向基函数)神经网络,此时,该神经网络为RBF网络。
利用上述训练样本对神经网络训练后,可以保存训练好的神经网络配置文件,以备后续调用训练好的神经网络。
在上述步骤S130中,调用训练好的神经网络,通过网络仿真函数能确定所要绘制的空载特性曲线中缺少的数据点,将获取的数据点作为空载试验补充数据。例如,对于汽轮发电机,利用空载试验数据绘制空载特性曲线时通常缺少1.05倍~1.2倍额定定子电压的数据点,则可通过网络仿真函数获取1.05倍~1.2倍额定定子电压的数据,作为上述空载试验补充数据。再例如,对于水轮发电机,通常缺少1.05倍~1.3倍额定定子电压的数据点,则可通过网络仿真函数获取1.05倍~1.3倍额定定子电压的数据,作为上述空载试验补充数据。
在上述步骤S140中,利用完整的空载特性曲线数据(包括上述空载试验有效数据和上述空载试验补充数据),可使用例如绘制函数绘制发电机的完整空载特性曲线。
本发明实施例的发电机空载特性曲线确定方法,利用不完整的实验数据获取完整的试验数据,所以绘制空载特性曲线可以不受空载试验的客观因素影响,且能够容易地获取空载特性曲线,进而获得相关参数。本发明实施例的方法,使用的神经网络具有很强的非线性拟合能力,可映射任何复杂的非线性关系,且学习规则简单,便于计算机实现,大大简化了空载特性曲线绘制的实现复杂度,能够提高空载特性曲线及相关参数获取效率和准确性。神经网络具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学能力,能够生成准确度高的补充数据点,进而得到符合发电机实际情况的空载特性曲线。
空载试验原始数据是对发电机进行空载特性试验时直接采集的数据,可以通过多种方法采集得到,例如人工记录或录波器采集。
图2是本发明另一实施例的发电机空载特性曲线确定方法的流程示意图。如图2所示,图1所示的发电机空载特性曲线确定方法,在步骤S110之前,还可包括步骤:
S150:利用录波器采集上述发电机的空载试验原始数据。
本实施例中,通过录波器采集试验数据,录制的发电机空载特性原始数据可以直接导入到处理软件进行后续处理,具有便捷的优点,且可以有效避免人为因素对数据输入的影响。
图3是本发明一实施例中编制神经网络训练样本的方法的流程示意图。如图3所示,本发明实施例的发电机空载特性曲线确定方法,上述步骤S110,即从发电机的空载试验原始数据中选取空载试验有效数据,并将上述空载试验有效数据编制成训练样本,可包括步骤:
S111:将上述空载试验原始数据转化为标幺值;
S112:从上述标幺值中选取上述空载试验有效数据作为上述训练样本。
在上述步骤S112中,在编制神经网络训练样本时,可将空载试验有效数据作为输入样本向量,然后得到样本的期望输出向量,以生成神经网络训练样本。
本实施例中,将空载试验原始数据转化为标幺值后再从中选取空载试验有效数据,能够有效剔除无效的或明显错误的数据点,能够避免直接选取有效数据时人为因素的影响。
图4是本发明一实施例中训练神经网络的方法的流程示意图。如图4所示,本发明实施例的发电机空载特性曲线确定方法,上述步骤S120,即构建一神经网络,并利用上述训练样本对上述神经网络进行训练,可包括步骤:
S121:将上述训练样本输入至一训练函数,生成上述神经网络;
S122:利用网络仿真函数对上述神经网络进行仿真,并输出所有上述训练样本对应的误差;
S123:以最大的上述误差对应的训练样本为权值,为上述神经网络添加一个隐含层神经元;
S124:重复执行步骤S121至步骤S123,对添加上述隐含层神经元后的上述神经网络进行仿真,当所有上述训练样本对应的误差中的最大值达到一设定误差值或者上述神经网络的隐含层神经元个数不再增加时,将最终得到的神经网络作为上述训练后的神经网络。
一些实施例中,该神经网络可以是RBF神经网络。例如,可利用newrb函数构建RBF神经网络,并对神经网络进行训练。该newrb函数采用迭代法确定径向基函数RBF的中心,最初神经网络的隐含层神经元个数可为零,通过上述步骤S123,每迭代一次可为神经网络增加一个隐含层神经元。在上述步骤S124中,迭代过程中,神经网络通过仿真能够找到对应于最大输出误差的输入训练样本矢量,然后以该训练样本矢量为权值为神经网络添加一个隐含层神经元,直到误差例如平方和误差下降到目标误差或设定误差值,或者神经网络的隐含层神经元的个数达到最大值时(神经网络的神经元个数不再增加)停止迭代,训练后的神经网络的参数随即确定下来。
本实施例中,RBF神经网络是一种性能优良的前馈型神经网络,可以任意精度逼近任意的非线性函数,可以满足空载特性曲线确定精度的要求。RBF神经网络具有全局逼近能力,能够很好地获取待绘制空载特性曲线中缺少的数据点。RBF神经网络的收敛速度快,能够提高空载特性曲线的获取、绘制速度。
在其他实施例中,该神经网络可以是自组织神经网络或BP(BackPropagation,误差反向传播)神经网络。
一些实施例中,基于上述各实施例的方法得到的空载特性曲线,还可以得到反映发电机性能的其他参数或数据,例如发电机气隙线、空载特性相关参数等。
图5是本发明一实施例中根据发电机空载特性曲线确定发电机气隙线的方法的流程示意图。如图5所示,本实施例的发电机气隙线的确定方法,除了包括上述各实施例的获取空载特性曲线的步骤,还可包括步骤:
S160:根据上述发电机的经验定子电压范围和上述空载特性曲线绘制上述发电机的气隙线。
在上述步骤S160中,确定经验定子电压范围后,根据空载特性曲线所在坐标系中的至少两点,通过例如作直线即可得到发电机的气隙线。
本实施例中,在快速、准确地确定发电机的空载特性曲线,可以进一步快速、准确地确定发电机的气隙线,通过发电机的空载特性曲线和气隙线,可以更好地确定发电机的性能。
在上述实施例中,经验定子电压范围选取不同会影响发电机气隙线的准确性。上述经验定子电压范围的电压的标幺值下限值为0,电压的标幺值上限值可在0.7pu以上,优选地,电压的标幺值上限值在[0.7pu,0.8pu]范围,以此可以提高气隙线确定的准确度。其中,pu是指标幺值,[0.7pu,0.8pu]通常是指额定电压的百分之七十至八十。
在另一个实施例中,可以利用类似于图4所示方法得到的神经网络,在利用神经网络和绘制函数绘制发电机的气隙线。区别可在于,训练气隙线神经网络所需的训练样本是绘制气隙线需的数据点。本实施例中,利用神经网络的方法绘制气隙线可以减少人为因素的影响,提高气隙线绘制的准确度。
图6是本发明一实施例中计算空载特性曲线相关参数的方法的流程示意图。如图6所示,在获取上述发电机空载特性曲线和气隙线的基础上,可以获取空载特性曲线相关参数,具体地,除了包括上述实施例中的步骤,还可包括步骤:
S170:确定上述空载特性曲线和上述气隙线上设定数据点的励磁电流,根据上述励磁电流计算空载特性曲线相关参数。
在上述步骤S170中,例如,该空载特性曲线相关参数可包括:发电机饱和系数、发电机空载励磁电压基准值及换向系数中的一个或多个。能够获得的空载特性曲线相关参数种类多样,不受限制。
本实施例中,在快速、准确地确定发电机的空载特性曲线和气隙线后,可以进一步快速、准确地确定发电机的空载特性曲线相关参数,通过发电机的空载特性曲线、气隙线及空载特性曲线相关参数,可以更好地确定发电机的性能。
一个具体实施例中,通过上述各实施例的方法确定发电机的空载特性曲线、气隙线及空载特性曲线相关参数。具体地,例如可包括步骤:
(1)导入录波器中已经录制的发电机空载特性曲线不完整数据,选取其中有效数据编制成神经网络训练样本。
(2)在Matlab仿真环境中利用newrb函数构建RBF网络,并对网络进行训练,保存训练好的神经网络配置文件。
(3)通过神经网络仿真函数确定空载特性曲线中缺少的数据点(例如,汽轮发电机最高至1.2倍额定定子电压;水轮发电机最高至1.3倍额定定子电压),并用绘图函数绘制完整发电机空载特性曲线。
(4)利用神经网络绘制发电机气隙线,计算空载特性曲线相关参数。
一个实施例中,整定前准备必要的环境及数据。例如,运行Matlab仿真环境;已用录波器录制不完整的发电机空载特性曲线数据(即空载试验原始数据或空载试验有效数据)如表1所示;已知发电机及励磁变相关参数如表2所示。
表1不完整的发电机空载特性曲线数据
表2已知发电机及励磁变相关参数
首先,可导入录波器中已经录制的发电机空载特性曲线不完整数据,并且把这些数据转化成标幺值。选取其中有效数据编制成神经网络训练样本,主要程序例如如下所示:
p1=xlsread('kz','E100:E2806');
N=20;
R=1:N+1:size(p1,1);
p2=p1(R,:);
p=p2/2510;
t1=xlsread('kz','C100:C2806');
t2=t1(R,:);
t=t2/20;
其中,p为输入样本向量,t为样本的期望输出向量,kz可表示空载数据。
然后,利用newrb函数构建RBF神经网络,并对神经网络进行训练。该newrb函数采用迭代法确定径向基函数的中心,最初网络隐含层神经元个数为零,每迭代一次增加一个隐含神经元。程序迭代过程中网络通过仿真找到对应于最大输出误差的输入样本矢量,然后以该矢量为权值添加一个隐含层神经元,直到平方和误差下降到目标误差以下或隐含层神经元个数达到最大值时停止迭代,网络参数随即确定下来。保存训练好的神经网络配置文件,主要程序例如如下:
net=newrb(t',p');
time_cost=toc;
save('kztx','net');
其中,kztx可表示是空载特性曲线数据的配置文件,net可表示神经网络。
神经网络训练,误差为零,最终的网络参数保存在'kztx.mat'文件中。以下是训练过程中神经网络添加隐含层节点和误差MSE的下降过程:
NEWRB,neurons=0,MSE=0.0151722
NEWRB,neurons=2,MSE=0.000129027
NEWRB,neurons=3,MSE=1.37045e-05
…………
NEWRB,neurons=128,MSE=3.26017e-08
NEWRB,neurons=129,MSE=0
之后,调用已经训练好的神经网络(load('-mat','kztx');)通过神经网络仿真函数确定空载特性曲线中缺少的1.05~1.2倍额定定子电压范围内数据点(水轮发电机可为1.05~1.3倍额定定子电压范围),并用绘图函数绘制完整发电机空载特性曲线701(如图7所示),主要程序如下:
x=1.2;
y=1.0;
Ifa'=sim(net,x);
Ifa=sim(net,y);
te=0:0.01:1.2
out=sim(net,te);
plot(p,t);
holdon;
plot(out,te,'r-');
plot(Ifa',x,'ro');
plot(Ifa,y,'r*');
一个实施例中,利用神经网络绘制发电机气隙线801(如图8所示),主要程序如下:
q=sim(net,0.66);
xq=0:0.01:q;
yq=(0.66/q)*xq;
net=newrbe(yq',xq',0.1);
save('qixi','net');
load('-mat','qixi')
yqx=0:0.01:1.3;
xqx=sim(net,yqx);;
plot(xqx,yqx,'b-');
进一步,确定空载特性曲线和气隙线上重要数据点的励磁电流(Ifa、Ifb、Ifa'、Ifb'等)取值(如图9所示),利用程序计算空载特性曲线相关参数,主要程序如下:
Ifb=xqx=sim(net,y;
Ifb'=xqx=sim(net,x);
plot(Ifb',1.2,'bo');
plot(Ifb,1.0,'b*');
最后,利用程序计算空载特性曲线相关参数。
a)发电机饱和系数:
SG1=Sg1.0=(Ifa-Ifb)/Ifb=(995-888)/888=0.121(pu)
SG2=Sg1.2=(Ifa'-Ifb')/Ifb'=(1580-1068)/1068=0.479(pu)
其中,SG1为1倍额定定子电压下的标幺点,SG2为1.2倍额定定子电压下的标幺点。
b)发电机空载励磁电压基准值:
Rfb=Ufn/Ifn=368V/2897A=0.127Ω;
Ufb=Ifb×Rfb=868.56A×0.127Ω=110.38V;
其中,Rfb为发电机转子电阻,Ufn、Ifn分别为额定励磁电压和额定励磁电流基值(参数已知,如表2所示)。
c)换相系数Kc的计算公式为:
Kc=(3UkU2 2Ifb)/(πUfbSn)
=(3*0.0841*8002*868.56)/(3.14*110.38*3700000)=0.109(pu)
其中,参数值如表2所示。Uk表示励磁变短路电压(pu);U2表示励磁变二次额定电压(V);Sn表示励磁变额定容量(VA);Ufb、Ifb分别表示励磁电压和励磁电流基值(单位分别为V、A)。
本发明实施例的方法,利用不完整的空载试验数据,借助神经网络的方法,获取完美的发电机空载特性曲线及相关参数,能够避免人工绘制的人为因素干扰,大大提高了参数计算的效率和准确性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“例如”、“一个具体实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种发电机空载特性曲线确定方法,其特征在于,包括:
从发电机的空载试验原始数据中选取空载试验有效数据,并将所述空载试验有效数据编制成训练样本;
构建一神经网络,并利用所述训练样本对所述神经网络进行训练;
调用训练后的神经网络,通过网络仿真函数,确定待绘制的空载特性曲线中缺少的数据点,作为空载试验补充数据;
利用所述空载试验有效数据和所述空载试验补充数据绘制所述空载特性曲线。
2.如权利要求1所述的发电机空载特性曲线确定方法,其特征在于,还包括:
利用录波器采集所述发电机的空载试验原始数据。
3.如权利要求1所述的发电机空载特性曲线确定方法,其特征在于,从发电机的空载试验原始数据中选取空载试验有效数据,并将所述空载试验有效数据编制成训练样本,包括:
将所述空载试验原始数据转化为标幺值;
从所述标幺值中选取所述空载试验有效数据作为所述训练样本。
4.如权利要求1所述的发电机空载特性曲线确定方法,其特征在于,构建一神经网络,并利用所述训练样本对所述神经网络进行训练,包括:
步骤401:将所述训练样本输入至一训练函数,生成所述神经网络;
步骤402:利用网络仿真函数对所述神经网络进行仿真,并输出所有所述训练样本对应的误差;
步骤403:以最大的所述误差对应的训练样本为权值,为所述神经网络添加一个隐含层神经元;
步骤404:重复执行步骤401至步骤403,对添加所述隐含层神经元后的所述神经网络进行仿真,当所有所述训练样本对应的误差中的最大值达到一设定误差值或者所述神经网络的隐含层神经元个数不再增加时,将最终得到的神经网络作为所述训练后的神经网络。
5.如权利要求1所述的发电机空载特性曲线确定方法,其特征在于,所述缺少的数据点为所述发电机的额定定子电压的设定倍数的电压范围内缺少的数据点。
6.如权利要求1至5任一项所述的发电机空载特性曲线确定方法,其特征在于,所述神经网络为RBF神经网络。
7.如权利要求1所述的发电机空载特性曲线确定方法,其特征在于,还包括:
根据所述发电机的经验定子电压范围和所述空载特性曲线绘制所述发电机的气隙线。
8.如权利要求7所述的发电机空载特性曲线确定方法,其特征在于,所述经验定子电压范围的电压的标幺值下限值为0,电压的标幺值上限值在[0.7pu,0.8pu]范围。
9.如权利要求7所述的发电机空载特性曲线确定方法,其特征在于,还包括:
确定所述空载特性曲线和所述气隙线上设定数据点的励磁电流,根据所述励磁电流计算空载特性曲线相关参数。
10.如权利要求9所述的发电机空载特性曲线确定方法,其特征在于,所述空载特性曲线相关参数包括:发电机饱和系数、发电机空载励磁电压基准值及换向系数中的一个或多个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610080020.3A CN105740562A (zh) | 2016-02-04 | 2016-02-04 | 发电机空载特性曲线确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610080020.3A CN105740562A (zh) | 2016-02-04 | 2016-02-04 | 发电机空载特性曲线确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105740562A true CN105740562A (zh) | 2016-07-06 |
Family
ID=56245019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610080020.3A Pending CN105740562A (zh) | 2016-02-04 | 2016-02-04 | 发电机空载特性曲线确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740562A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106768532A (zh) * | 2017-02-17 | 2017-05-31 | 浙江运达风电股份有限公司 | 一种变桨电机转矩输出能力评估方法及测试系统 |
CN109188185A (zh) * | 2018-08-17 | 2019-01-11 | 中国大唐集团科学技术研究院有限公司 | 一种发电机转子绕组匝间短路早期在线检测方法 |
CN110007232A (zh) * | 2019-05-23 | 2019-07-12 | 广东工业大学 | 一种鼠笼式异步电机运行效率的预测方法及相关装置 |
CN110889218A (zh) * | 2019-11-20 | 2020-03-17 | 天生桥二级水力发电有限公司天生桥水力发电总厂 | 基于神经网络的水轮机非线性建模方法 |
CN115598530A (zh) * | 2022-11-29 | 2023-01-13 | 南方电网调峰调频发电有限公司(Cn) | 发电机空载特性的评估方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095494A (zh) * | 2012-12-31 | 2013-05-08 | 北京邮电大学 | 一种电力通信网风险评估方法 |
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
CN104299035A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于聚类算法和神经网络的变压器故障诊断方法 |
CN104573142A (zh) * | 2013-10-10 | 2015-04-29 | 无锡市思库瑞科技信息有限公司 | 基于神经网络的口令属性分析方法 |
-
2016
- 2016-02-04 CN CN201610080020.3A patent/CN105740562A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095494A (zh) * | 2012-12-31 | 2013-05-08 | 北京邮电大学 | 一种电力通信网风险评估方法 |
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
CN104573142A (zh) * | 2013-10-10 | 2015-04-29 | 无锡市思库瑞科技信息有限公司 | 基于神经网络的口令属性分析方法 |
CN104299035A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于聚类算法和神经网络的变压器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
王海波等: "一种新型的调压器动态性能测试方法研究", 《微计算机信息》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106768532A (zh) * | 2017-02-17 | 2017-05-31 | 浙江运达风电股份有限公司 | 一种变桨电机转矩输出能力评估方法及测试系统 |
CN109188185A (zh) * | 2018-08-17 | 2019-01-11 | 中国大唐集团科学技术研究院有限公司 | 一种发电机转子绕组匝间短路早期在线检测方法 |
CN110007232A (zh) * | 2019-05-23 | 2019-07-12 | 广东工业大学 | 一种鼠笼式异步电机运行效率的预测方法及相关装置 |
CN110007232B (zh) * | 2019-05-23 | 2021-09-03 | 广东工业大学 | 一种鼠笼式异步电机运行效率的预测方法及相关装置 |
CN110889218A (zh) * | 2019-11-20 | 2020-03-17 | 天生桥二级水力发电有限公司天生桥水力发电总厂 | 基于神经网络的水轮机非线性建模方法 |
CN110889218B (zh) * | 2019-11-20 | 2023-09-01 | 天生桥二级水力发电有限公司天生桥水力发电总厂 | 基于神经网络的水轮机非线性建模方法 |
CN115598530A (zh) * | 2022-11-29 | 2023-01-13 | 南方电网调峰调频发电有限公司(Cn) | 发电机空载特性的评估方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740562A (zh) | 发电机空载特性曲线确定方法 | |
Ma et al. | Reducing identified parameters of measurement-based composite load model | |
CN104184144B (zh) | 一种用于多电压等级电网模型的抗差状态估计方法 | |
CN103401238B (zh) | 一种基于总体测辨法的电力负荷建模方法 | |
CN106295911B (zh) | 一种基于层析分析法的电网支路参数评价方法 | |
CN111224404B (zh) | 含可控移相器的电力系统潮流快速控制方法 | |
CN102403720A (zh) | 一种基于暂态电压安全裕度的超实时重合时序整定方法 | |
CN115469259B (zh) | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 | |
CN115392141B (zh) | 一种自适应的电流互感器误差评估方法 | |
CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
CN114139377A (zh) | 一种电力系统建模方法、系统、可读存储介质及服务器 | |
CN106443276A (zh) | 一种交流高压多回输电线路无线电干扰计算方法及系统 | |
CN106655152A (zh) | 一种基于ami量测特性的配电网状态估计方法 | |
CN108649597B (zh) | 一种故障迁移方法和故障对hvdc换相失败影响的分析方法 | |
CN106199193A (zh) | 双馈风机阻抗硬件在环测试系统及方法 | |
CN113162002B (zh) | 一种计及宽频测量环节的直流行波保护方法及系统 | |
CN101788608A (zh) | 一种独立三绕组变压器电抗参数的估计方法 | |
Rodríguez-García et al. | Methodology for measurement-based load modeling considering integration of dynamic load models | |
CN104898415A (zh) | 一种基于低通滤波的发电机组转动惯量参数的在线辨识方法 | |
CN109462245B (zh) | 基于最小二乘法的局域电网负序不平衡综合治理方法 | |
CN107069698A (zh) | 一种基于粒子群算法的电力系统负荷建模方法 | |
CN115954956A (zh) | 一种配电网分布式电源接入容量评估方法及系统 | |
CN109670254B (zh) | 机电暂态与电磁暂态混合仿真的接口位置选择方法及系统 | |
CN113794198A (zh) | 抑制宽频振荡的方法、装置、终端及存储介质 | |
CN113721461A (zh) | 一种基于多试验场景的新能源机组参数辨识方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160706 |
|
RJ01 | Rejection of invention patent application after publication |