CN106326540A - 水电站水能动态模拟算法 - Google Patents

Abstract

本发明涉及水电站技术领域，具体涉及一种水电站水能动态模拟算法，它采用如下的方法步骤：1)将水轮机模型转轮综合特性曲线图导入数据库；根据厂家提供的水轮机模型转轮综合特性曲线图，采集图中反映的关系曲线数据以及出力限制线数据，将采集的数据导入数据库；2)建立神经网络模型，通过数据训练，使之能够反映和刻画水轮机的关系曲线，模型满足足够精度要求；3)导入发电站长年日径流量序列及水头数据；4)导入水轮机参数(转速n_i、直径D_i，安装高程▽)；它在给定转轮及水文过程的基础上，通过寻优的智能算法模型对电站的发电过程进行数学模拟，得出电站的年发电量指标，它为水轮发电机造型和水电站技术经济分析，提供可靠的依据。

Description

水电站水能动态模拟算法

【技术领域】

本发明涉及水电站技术领域，具体涉及一种水电站水能动态模拟算法。

【背景技术】

随着社会的不断发展,，能源作为不可再生的资源，越来越少，最终形成当下社会能源紧张。石油、煤炭等不可再生资源日益枯竭，使人们对可再生资源的依赖日益增加。因此清洁无污染的水电、风电、太阳能发电则得以蓬勃发展的。

而在上述的若干可再生能源中，水电的经济性最优。但是因受到传统水能计算及机组选型方法的限制，使得设计人员在设计过程中缺乏系统思考，导致设计方案所选机型与电站实际并非最优匹配，设计过程中计算的理论年发电量与实际发电情况相差较远。例如：传统的水电站设计机组选型时，人们总是循着水能计算—水轮机选型—发电机匹配的这一过程，来决定水轮发电机组的选择，既由规划专业，通过水能计算，得出装机容量和年发电量，再由水机专业进行机组造型，这种将水文过程和机组特性割裂开的算法，在水电站设计的理论和实践中，造成了较大的误差，产生了一些不良的后果。

在水能分析时根据基本出力公式：N_i＝kQ_iH_i

其中：k为综合系数，一般取值7.5～8.75；

电能按如下公式计算：ΔE_i＝N_it_i

总电能E＝∑ΔE_i

上述水能计算方法有其不可避免的缺点，由于k的取值固定，导致整个计算方法不能反映不同工况下水轮机效率的变化特点，这样就难以区分不同机型下水能的差别，同时使整个电站的水能分析结果误差较大。在水轮机选型上，关注的重点也仅在额定工况点，或者说，在设计水头下，选择水轮机发电机组的各最佳参数。然而水利动能的利用是一个复杂的系统工程，水文特性、机组特性是相互关联的，它们相互作用，影响着机组的动能指标。如何将水轮机、发电机、水文过程、调度控制联系起来，科学地分析电站电能指标，然后合理地选择水轮机机型是一项新技术，具有较大的经济潜力，也是目前要解决的问题。

【发明内容】

本发明的目的在于针对现有技术的缺陷和不足，提供一种结构简单，设计合理、使用方便的水电站水能动态模拟算法，它在给定转轮及水文过程的基础上，通过寻优的智能算法模型对电站的发电过程进行数学模拟，得出电站的年发电量指标，它为水轮发电机造型和水电站技术经济分析，提供可靠的依据。

本发明所述的水电站水能动态模拟算法，它采用如下的方法步骤：

1)将水轮机模型转轮综合特性曲线图导入数据库；根据厂家提供的水轮机模型转轮综合特性曲线图，采集图中反映的关系曲线数据以及出力限制线数据，将采集的数据导入数据库；

2)建立神经网络模型，通过数据训练，使之能够反映和刻画水轮机的关系曲线，模型满足足够精度要求；

3)导入发电站长年日径流量序列及水头数据；

4)导入水轮机参数(转速n_i、直径D_i，安装高程▽)；

5)建立以年发电量E最大为目标函数的优化模型；根据目标函数和安全稳定限制条件的要求，采用优化算法(动态规划或遗传算法)，求得年发电量E。

进一步地，步骤2)中所述神经网络模型采用BP神经网络模型。

进一步地，步骤5)中所述目标函数要求为年发电量最大，所述限制条件为吸出高度限制、导叶开度限制、最大出力限制。

采用上述结构后，本发明有益效果为：本发明所述的水电站水能动态模拟算法，它在给定转轮及水文过程的基础上，通过寻优的智能算法模型对电站的发电过程进行数学模拟，得出电站的年发电量指标，它为水轮发电机造型和水电站技术经济分析，提供可靠的依据。

【具体实施方式】

下面以具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。

本具体实施方式所述的水电站水能动态模拟算法，它采用如下的方法步骤：

1)将水轮机模型转轮综合特性曲线图导入数据库；根据厂家提供的水轮机模型转轮综合特性曲线图，采集图中反映的关系曲线数据以及出力限制线数据，将采集的数据导入数据库；

2)建立神经网络模型，通过数据训练，使之能够反映和刻画水轮机的关系曲线，模型满足足够精度要求；

3)导入发电站长年日径流量序列及水头数据；

4)导入水轮机参数(转速n_i、直径D_i，安装高程▽)；

5)建立以年发电量E最大为目标函数的优化模型；根据目标函数和安全稳定限制条件的要求，采用优化算法(动态规划或遗传算法)，求得年发电量E。

作为本发明的一种优选，步骤2)中所述神经网络模型采用BP神经网络模型。

作为本发明的一种优选，步骤5)中所述目标函数要求为年发电量最大，所述限制条件为吸出高度限制、导叶开度限制、最大出力限制。

本发明中，步骤5)中的，所述优化模型其数学表达式如下：

$\max E={\∫}_0^{8760}\underset{i}{\Σ}9.\mathrm{\δ}1{\mathrm{\η}}^i(Q_{11}^i,n_{11}^i)Q_{11}^i{D}_i^2{\[H\left(t\right)\]}^{1.5}{\mathrm{\η}}_{g}dt$

$s.t\left\{\begin{array}{c}9.81{\mathrm{\η}}^i(Q_{11}^i,n_{11}^i)Q_{11}^i{D}_i^2{\[H\left(t\right)\]}^{1.5}{\mathrm{\η}}_g\≤P_i\\ H_{\min }\≤H\left(t\right)\≤H_{max}\\ 0\≤{\mathrm{\α}}^i\≤{\mathrm{\α}}_{\max }^i\\ 0\≤{\mathrm{\β}}^i\≤{\mathrm{\β}}_{\max }^i\\ H_s\≤H_{aTs}\\ \underset{i}{\Σ}{Q}^i\≤Q\\ Q_{11}^{\left(i\right)}=Q^i/D_i^2\sqrt{H\left(t\right)}\\ n_{11}^{\left(i\right)}=n_i{D}_i/\sqrt{H\left(t\right)}\end{array}\right.$

式中：

E为年发电量；

P_i为第i台水轮机的最大出力；

ηⁱ为第i台水轮机效率；

η_g为发电机效率；

H(t)为t时刻所对应水头；

Qⁱ为第i台水轮机的引用流量；

Q为电站总来水流量；

n_i为第i台水轮机转速；

为第i台水轮机的单位转速；

为第i台水轮机单位流量；

D_i为第i台水轮机直径；

H_s为吸出高度；H_aTs为水轮机容许吸出高度；

αⁱ为第i台水轮机导叶开度；为最大导叶开度；

βⁱ为第i台水轮机桨叶开度；为最大桨叶开度；

上述约束条件s.t中的第一式表明最大出力限制；第三、四式分别表明，最大出力受导叶开度与桨叶开度限制；第五式表明最大出力受空蚀条件即吸出高度、空蚀系数(σ)的限制；第六式表明水轮机引水不超过来水流量。

本发明所述的水电站水能动态模拟算法，它在给定转轮及水文过程的基础上，通过寻优的智能算法模型对电站的发电过程进行数学模拟，得出电站的年发电量指标，它为水轮发电机造型和水电站技术经济分析，提供可靠的依据。

以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。

Claims (3)

1.水电站水能动态模拟算法，其特征在于：它采用如下的方法步骤：

1)将水轮机模型转轮综合特性曲线图导入数据库；根据厂家提供的水轮机模型转轮综合特性曲线图，采集图中反映的关系曲线数据以及出力限制线数据，将采集的数据导入数据库；

2)建立神经网络模型，通过数据训练，使之能够反映和刻画水轮机的关系曲线，模型满足足够精度要求；

3)导入发电站长年日径流量序列及水头数据；

4)导入水轮机参数(转速n_i、直径D_i，安装高程)；

5)建立以年发电量E最大为目标函数的优化模型；根据目标函数和安全稳定限制条件的要求，采用优化算法(动态规划或遗传算法)，求得年发电量E。

2.根据权利要求1所述的水电站水能动态模拟算法，其特征在于：步骤2)中所述神经网络模型采用BP神经网络模型。

3.根据权利要求1所述的水电站水能动态模拟算法，其特征在于：步骤5)中所述目标函数要求为年发电量最大，所述限制条件为吸出高度限制、导叶开度限制、最大出力限制。