CN106599993A - 一种小水电机组自动调节系统及其方法 - Google Patents
一种小水电机组自动调节系统及其方法 Download PDFInfo
- Publication number
- CN106599993A CN106599993A CN201610989556.7A CN201610989556A CN106599993A CN 106599993 A CN106599993 A CN 106599993A CN 201610989556 A CN201610989556 A CN 201610989556A CN 106599993 A CN106599993 A CN 106599993A
- Authority
- CN
- China
- Prior art keywords
- unit
- power station
- small power
- cavitation
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 32
- 210000002569 neuron Anatomy 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 28
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 230000007935 neutral effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 230000002706 hydrostatic effect Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种小水电机组自动的调节系统及其方法,包括小水电机组的临界空化试验数据的数学模型构建模块,运行小水电机组数据的采集模块、伺服调节模块、机组实时监控模块。小水电机组的临界空化试验数据是机组空化特性研究的基础数据库。数学模型构建模块基于小水电机组临界空化的数据库,采用径向神经网络的算法对基础数据库进行规律特性的研究,通过对样本的数据的不断的学习以获得该机组空化特性的最佳的拟合参数,动态反映机组的空化状态,并向伺服调节模块发出信号,从而极大的降低噪音,提高机组的效率。
Description
技术领域
本发明属于流体机械及水利水电工程设备技术领域,特别是涉及一种利用神经网络算法的进行空化性能预测与调节的一种小水电机组自动的调节系统及其方法。
背景技术
小水电机组适应性强,投资成本低,技术要求不高,能极大程度的利用局部区域水量小,水头较低的水资源进行发电,正因为如此,对小水电机组的运行人员的技术不高,加上微水头的水资源其易受到外界的干扰,这就导致小水电机组的工况更加复杂,虽然小水电的机组的模型水力特性较为优秀,但是由于机组容易受到外界干扰,这就常常导致小水电机组处于非工况状态,这就容易导致小水电机组处于空化状态。虽然现有的机组的都带有空化检测系统,然而这些空化检测系统多数是基于机组的噪音来进行判断的,事实上,机组的噪音未必都是空化造成,不稳定的流场也可能引起机组的共振,其他部件的装配不合理或者润滑不理想也容易导致振动,如油膜振动。加上小水电机组功率较低,经济效益不高,故机组的运行人员的技术水平参差不齐,虽有基于噪音的空化检测系统,但是该系统对运行的人员技术要求高,这就导致多数基于噪音信号开发的空化检测系统多数处于闲置状态。如何设计一种算法简单,空化预测准确,且对运行人员的技术要求低的空化预测且能自动调节系统,是目前亟待解决的技术问题。
发明内容
为了克服上述问题,本发明提供一种小水电机组自动调节系统及其方法。
本发明的技术方案是提供一种小水电机组自动调节系统,其特征在于,其包括:
小水电机组临界空化系统的数学模型构建模块,用于依据径向神经网络的算法及小水电机组的临界空化试验数据,通过对小水电机组临界空化系统进行训练,得出求取小水电机组的临界空化系数σ的函数:σ=f(Q11,n11),其中Q11是小水电机组的单位流量,n11是小水电机组的单位转速;
小水电机组运行数据的采集模块,用于采集小水电机组实时运行状态的数据;
伺服调节模块,驱动小水电的导水机构,实施机组的流量与转速的调整;
机组实时监控模块,用于将所述小水电机组实时运行状态的数据送入所述的临界空化系数σ的函数中,获得临界空化系数σ;并比较临界空化系数σ和计算得到的小水电机组的装置的空化系数σzz;如果σzz>σ,则启动伺服调节模块,以驱动小水电的导水机构,实施机组的流量与转速的调整;如果σzz≤σ则无需调节伺服模块。
优选的,所述小水电机组的装置的空化系数σzz为其中,ρ为水的密度,PA为大气的压力,Pva为设定水温下的气化压力,Hs为吸出高度或称静水真空,H为水头,ρ为水的密度,g为重力加速度。
本发明还提供一种小水电机组自动调节方法,其特征在于,其包括以下步骤:
1)依据径向神经网络的算法及小水电机组的临界空化试验数据,通过对小水电机组临界空化系统进行训练,得出求取小水电机组的临界空化系数σ的函数:σ=f(Q11,n11),其中Q11是小水电机组的单位流量,n11是小水电机组的单位转速;
2)计算得到的小水电机组的装置的空化系数σzz;
3)采集小水电机组实时运行状态的数据,并送入函数σ=f(Q11,n11),计算得到小水电机组的临界空化系数σ;
4)比较σzz和σ,如果σzz>σ,则启动伺服调节模块,以驱动小水电的导水机构,实施机组的流量与转速的调整;如果σzz≤σ则无需调节伺服模块。
优选的,所述小水电机组的装置的空化系数σzz为其中,ρ为水的密度,PA为为大气的压力,Pva为设定水温下的气化压力,Hs为吸出高度或称静水真空,H为水头,ρ为水的密度,g为重力加速度。
优选的,所述径向神经网络采用的三层前向的网络,包括输入层,隐层和输出层;输入层包含n个神经元,其输入为XP=(X1p,X1p,...,Xnp)(p=1,2,...,P),其中X1p是第一个样本,P是神经网络学习的样本数;隐层包含m个神经元,隐层的神经元的激发函数为高斯函数radbas,其中,a为径向基函数;隐层的神经元的输出为Oi(i=1,2,...,m),对于某样本的输入值Xp有,Oip=radbas(||Cij-Xp||θi);这里Cij(i=1,2,...,m;j=1,2,...,n)为径向基函数的中心,θi(i=1,2,...,m)为隐层的神经元的阈值;输出层包含一个神经元,其输出为yp,yp也是整个网络的输出,其输出值与隐层的神经元的输出值的关系为其中f()为输出层的神经元的激发函数,选用tan-sigmoid函数,wi(i=1,2,...,m)为输入层的神经元与隐层的神经元的连接权,θ为输出层的神经元的阈值。
优选的,所述步骤1)中,采用径向神经网络的算法对小水电机组临界空化系统进行训练的方法是:
样本的输入X=(x1p,x2p,...xnp),期望输出是dp(p=1,2,...,P),当网格的输出yp和期望的输出dp不一致,则将其误差信号从输出端沿网络反向传播,在传播的过程中,对W的值不断的调整,使得神经网络的输出结果趋近于期望输出。
优选的,所述步骤1)中,采用径向神经网络的算法对小水电机组临界空化系统进行训练时,对于某一样本p=(1,2,...P),在完成网络的连接权值调整后,在送入另一个样本,进行训练,直至完成P各样本的学习,在往复循环的进行训练,直到到达规定的学习次数或者预先设定的精度要求。
优选的,对于样本p,径向神经网络的输出的二次型误差函数为:
式中ep为样本p个样本神经网络输出误差。
优选的,连接权W值的调整按E函数梯度变化的反方向进行调整,使网络的输出趋近期望输出:
式中:I为单位矩阵,μ是比例系数或者试探性参数,η是学习效率;Wk表示第k次迭代的权值和阈值所组成的向量
对误差e进行泰勒级数展开,得到的Jacobian矩阵含有网络训练的误差e的一阶导数作为连接权W的函数,即
式中,num为连接权W中元素的个数,T是数学符号,表转置;
对公式(a)引入公式(b)得连接权的修正计算公式:
Wk+1=Wk-(JTJ+μI)-1JTe(c),式中,μ是比例系数或者试探性参数。
本发明公开了一种小水电机组自动的调节系统及其方法,包括小水电机组的临界空化试验数据的数学模型构建模块,运行小水电机组数据的采集模块、伺服调节模块、机组实时监控模块,以在线可视化的方式对机组的空化特性进行检测并进行自动的调节。小水电机组的临界空化试验数据是机组空化特性研究的基础数据库,也是小水电空特性预测及拟合的样本数据。数学模型构建模块基于小水电机组临界空化的数据库,采用径向神经网络的算法对基础数据库进行规律特性的研究,通过对样本的数据的不断的学习以获得该机组空化特性的最佳的拟合参数。机组实时监控模块是基于算法的可视化的界面系统,可以将机组的实时采集数据进行数据处理,以动态反映机组的空化状态,并向伺服调节模块发出信号。伺服调节模块是基于监控系统结果而进行的调节机构,以快速驱动小水电的导水机构,实机组的流量与转速的调整。机组的空化特性是小水电固有属性,故本预测方法针对性极强,同时该算法的通用性很强。整个预测系统体系结构简单,能够针对运行工况复杂的小水电机组进行实时的空化特性的追踪并实时对机组的状态进行调整,以提高小水电机组的运行寿命。尤其是过流部件的寿命,同时极大的降低噪音,提高机组的效率。
附图说明
图1为本发明的训练样本示例;
图2为径向神经网络的结构示意图;
图3为样本的数据的拟合;
图4是本发明的小水电机组自动的调节方法的处理流程图。
具体实施方式
下面对本发明的具体实施方式作进一步详细的描述。
如图1至图4所示,本发明提供一种小水电机组自动的调节系统及其方法。该系统包括:小水电机组临界空化系统的数学模型构建模块,负责依据径向神经网络的算法及小水电机组的临界空化试验数据,通过对小水电机组临界空化系统进行训练,得出求取小水电机组的临界空化系数σ的函数:σ=f(Q11,n11),其中Q11是小水电机组的单位流量,n11是小水电机组的单位转速;
小水电机组运行数据的采集模块,负责采集小水电机组实时运行状态的数据;
伺服调节模块,驱动小水电的导水机构,实施机组的流量与转速的调整;
机组实时监控模块,负责将所述小水电机组实时运行状态的数据送入所述的临界空化系数σ的函数中,获得临界空化系数σ;并比较临界空化系数σ和计算得到的小水电机组的装置的空化系数σzz;如果σzz>σ,则启动伺服调节模块,以驱动小水电的导水机构,实施机组的流量与转速的调整;如果σzz≤σ则无需调节伺服模块。
本发明的一种小水电机组自动的调节方法采用径向神经网络的算法,该算法具有非线性数据的处理能力和容错能力,其采用的三层前向的网络,网络有输入层,隐层和输出层组成,如图2所示。该算法的网络结构是输入层n个神经元,其输入为XP=(X1p,X1p,...,Xnp)(p=1,2,...,P),P是神经网络学习的样本数。隐层包含m个神经元,神经元的激发函数选用高斯函数radbas,隐层神经元的输出为Oi=(i=1,2,...,m),对于某样本的输入值Xp有,Oip=radbas(||Cij-Xp||θi),这里Cij(i=1,2,...,m;j=1,2,...,n)为径向基函数的中心,θi(i=1,2,...,m)为隐层神经元的阈值。输出层有一个神经元,其输出为yp,yp也是整个网络的输出,其输出值与隐层神经元的输出值的关系为f()为输出层神经元的激发函数,选用tan-sigmoid函数,wi(i=1,2,...,m)为输入层神经元与隐层神经元的连接权,θ为输出层神经元的阈值。
公式径向基函数前向网络的正向计算公式,定义该径向神经网络的总的连接权W为W=(Cij,θi,wi,θ),当给出径向神经网络学习样本后,必须通过一定的学习方法确定W的值。
所述空化预测涉及到的算法,Levenberg-Marquardt模型数据的训练方法,其具体情况:样本的输入X=(x1p,x2p,...xnp),期望输出是dp(p=1,2,...,P),径向神经网络采用有导师制的学习方法,即当网格的输出yp和期望的输出dp不一致,则将其误差信号从输出端沿网络反向传播,在传播的过程中,对W的值不断的调整,使得神经网络的输出结果尽可能的接近期望输出。
径向神经网络的训练过程是这样进行的,对于某一样本p=(1,2,...P),在完成网络的连接权值调整后,在送入另一个样本,进行训练,直至完成P各样本的学习,在往复循环的进行训练,直到到达规定的学习次数或者预先设定的精度要求。
对于样本p,定义径向神经网络的输出的二次型误差函数为:
式中ep为样本p个样本神经网络输出误差。
连接权W值的调整应按E函数梯度变化的反方向进行调整,使网络的输出尽量接近期望输出。径向神经网络的算法取:式中:I为单位矩阵。
如果对误差e进行泰勒级数展开,得到的Jacobian矩阵(雅克比矩阵)含有网络训练的误差e的一阶导数,是连接权W的函数,即有num为连接权W中元素的个数,对公式(a)进行一系列的推导,并引入公式(b)得:Wk+1=Wk-(JTJ+μI)-1JTe(c),公式(c)就是Levenberg-Marquardt算法中对连接权的修正计算公式。
小水电机组的装置的空化系数σzz为其中ρ为水的密度,PA为为大气的压力,Pva为某水温下的气化压力,Hs为吸出高度或称静水真空。
综上,本发明的小水电机组自动的调节系统依据径向神经网络的算法,通过对临界空化系统进行训练,得出小水电机组的单位流量Q11以及单位转速n11与临界空化系数σ的函数关系σ=f(Q11,n11),其可视化的映射图像,如图3。伺服系统的执行依据:根据机组单位流量Q11以及单位转速n11计算出出σ,同时依据系统检测其他参数,依据计算出σZZ,比较σzz的σ大小:如果σzz>σ,则启动伺服调节模块,以驱动小水电的导水机构,实施机组的流量与转速的调整;如果σzz≤σ则无需调节伺服模块。
以上实施例仅为本发明其中的一种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种小水电机组自动调节系统,其特征在于,其包括:
小水电机组临界空化系统的数学模型构建模块,用于依据径向神经网络的算法及小水电机组的临界空化试验数据,通过对小水电机组临界空化系统进行训练,得出求取小水电机组的临界空化系数σ的函数:σ=f(Q11,n11),其中Q11是小水电机组的单位流量,n11是小水电机组的单位转速;
小水电机组运行数据的采集模块,用于采集小水电机组实时运行状态的数据;
伺服调节模块,驱动小水电的导水机构,实施机组的流量与转速的调整;
机组实时监控模块,用于将所述小水电机组实时运行状态的数据送入所述的临界空化系数σ的函数中,获得临界空化系数σ;并比较临界空化系数σ和计算得到的小水电机组的装置的空化系数σzz;如果σzz>σ,则启动伺服调节模块,以驱动小水电的导水机构,实施机组的流量与转速的调整;如果σzz≤σ则无需调节伺服模块。
2.根据权利要求1所述的一种小水电机组自动调节系统,其特征在于:所述小水电机组的装置的空化系数σzz为其中,ρ为水的密度,PA为大气的压力,Pva为设定水温下的气化压力,Hs为吸出高度或称静水真空,H为水头,ρ为水的密度,g为重力加速度。
3.一种小水电机组自动调节方法,其特征在于,其包括以下步骤:
1)依据径向神经网络的算法及小水电机组的临界空化试验数据,通过对小水电机组临界空化系统进行训练,得出求取小水电机组的临界空化系数σ的函数:σ=f(Q11,n11),其中Q11是小水电机组的单位流量,n11是小水电机组的单位转速;
2)计算得到的小水电机组的装置的空化系数σzz;
3)采集小水电机组实时运行状态的数据,并送入函数σ=f(Q11,n11),计算得到小水电机组的临界空化系数σ;
4)比较σzz和σ,如果σzz>σ,则启动伺服调节模块,以驱动小水电的导水机构,实施机组的流量与转速的调整;如果σzz≤σ则无需调节伺服模块。
4.根据权利要求3所述的一种小水电机组自动调节方法,其特征在于:所述小水电机组的装置的空化系数σzz为其中,ρ为水的密度,PA为为大气的压力,Pva为设定水温下的气化压力,Hs为吸出高度或称静水真空,H为水头,ρ为水的密度,g为重力加速度。
5.根据权利要求3所述的一种小水电机组自动调节方法,其特征在于:所述径向神经网络采用的三层前向的网络,包括输入层,隐层和输出层;输入层包含n个神经元,其输入为XP=(X1p,X1p,...,Xnp)(p=1,2,...,P),其中X1p是第一个样本,P是神经网络学习的样本数;隐层包含m个神经元,隐层的神经元的激发函数为高斯函数radbas,其中,a为径向基函数;隐层的神经元的输出为Oi(i=1,2,...,m),对于某样本的输入值Xp有,Oip=radbas(||Cij-Xp||θi);这里Cij(i=1,2,...,m;j=1,2,...,n)为径向基函数的中心,θi(i=1,2,...,m)为隐层的神经元的阈值;输出层包含一个神经元,其输出为yp,yp也是整个网络的输出,其输出值与隐层的神经元的输出值的关系为其中f()为输出层的神经元的激发函数,选用tan-sigmoid函数,wi(i=1,2,...,m)为输入层的神经元与隐层的神经元的连接权,θ为输出层的神经元的阈值。
6.根据权利要求5所述的一种小水电机组自动调节方法,其特征在于:所述步骤1)中,采用径向神经网络的算法对小水电机组临界空化系统进行训练的方法是:
样本的输入X=(x1p,x2p,...xnp),期望输出是dp(p=1,2,...,P),当网格的输出yp和期望的输出dp不一致,则将其误差信号从输出端沿网络反向传播,在传播的过程中,对W的值不断的调整,使得神经网络的输出结果趋近于期望输出。
7.根据权利要求6所述的一种小水电机组自动调节方法,其特征在于:所述步骤1)中,采用径向神经网络的算法对小水电机组临界空化系统进行训练时,对于某一样本p=(1,2,...P),在完成网络的连接权值调整后,在送入另一个样本,进行训练,直至完成P各样本的学习,在往复循环的进行训练,直到到达规定的学习次数或者预先设定的精度要求。
8.根据权利要求7所述的一种小水电机组自动调节方法,其特征在于:对于样本p,径向神经网络的输出的二次型误差函数为:
式中ep为样本p个样本神经网络输出误差。
9.根据权利要求8所述的一种小水电机组自动调节方法,其特征在于:连接权W值的调整按E函数梯度变化的反方向进行调整,使网络的输出趋近期望输出:
式中:I为单位矩阵,μ是比例系数或者试探性参数,η是学习效率;Wk表示第k次迭代的权值和阈值所组成的向量
对误差e进行泰勒级数展开,得到的Jacobian矩阵含有网络训练的误差e的一阶导数作为连接权W的函数,即
式中,num为连接权W中元素的个数,T是数学符号,表转置;
对公式(a)引入公式(b)得连接权的修正计算公式:
Wk+1=Wk-(JTJ+μI)-1JTe (c),式中,μ是比例系数或者试探性参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610989556.7A CN106599993A (zh) | 2016-11-10 | 2016-11-10 | 一种小水电机组自动调节系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610989556.7A CN106599993A (zh) | 2016-11-10 | 2016-11-10 | 一种小水电机组自动调节系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106599993A true CN106599993A (zh) | 2017-04-26 |
Family
ID=58590111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610989556.7A Pending CN106599993A (zh) | 2016-11-10 | 2016-11-10 | 一种小水电机组自动调节系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599993A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109245665A (zh) * | 2018-11-22 | 2019-01-18 | 哈尔滨工业大学 | 一种基于数据学习的电机伺服控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060071666A1 (en) * | 1999-09-28 | 2006-04-06 | Reliance Electric Technologies, Llc | Detection of pump cavitation/blockage and seal failure via current signature analysis |
CN101017515A (zh) * | 2007-02-12 | 2007-08-15 | 三峡大学 | 水电站水力学的水流精细模拟方法 |
CN101575845A (zh) * | 2008-05-07 | 2009-11-11 | 历洪德 | 垫水发电站 |
CN101825871A (zh) * | 2010-04-09 | 2010-09-08 | 哈尔滨工程大学 | 斜舵船舶垂荡和纵摇装置智能自适应控制方法 |
-
2016
- 2016-11-10 CN CN201610989556.7A patent/CN106599993A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060071666A1 (en) * | 1999-09-28 | 2006-04-06 | Reliance Electric Technologies, Llc | Detection of pump cavitation/blockage and seal failure via current signature analysis |
CN101017515A (zh) * | 2007-02-12 | 2007-08-15 | 三峡大学 | 水电站水力学的水流精细模拟方法 |
CN101575845A (zh) * | 2008-05-07 | 2009-11-11 | 历洪德 | 垫水发电站 |
CN101825871A (zh) * | 2010-04-09 | 2010-09-08 | 哈尔滨工程大学 | 斜舵船舶垂荡和纵摇装置智能自适应控制方法 |
Non-Patent Citations (2)
Title |
---|
赵林明等: "水轮机空化特性的人工神经网络模型", 《水利学报》 * |
辛喆: "混流式水轮机全部通流元件的三维湍流流场分析与性能预测", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109245665A (zh) * | 2018-11-22 | 2019-01-18 | 哈尔滨工业大学 | 一种基于数据学习的电机伺服控制方法 |
CN109245665B (zh) * | 2018-11-22 | 2020-08-07 | 哈尔滨工业大学 | 一种基于数据学习的电机伺服控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194625B (zh) | 基于神经网络的风电场弃风电量评估方法 | |
CN112818590A (zh) | 一种风电场发电量评估及微观选址模型建立方法 | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN101344065B (zh) | 基于满意控制的水轮机调速系统参数优化方法 | |
CN107066712B (zh) | 基于导叶开度—功率特性的水轮机模型参数辨识方法及装置 | |
CN1105950C (zh) | 汽轮机叶片温度预测方法 | |
CN105260786B (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
CN107392304A (zh) | 一种风电机组异常数据识别方法及装置 | |
CN103926874A (zh) | 数控机床热误差补偿建模温度测点组合的选择优化方法 | |
CN107944648A (zh) | 一种大型船舶航速油耗率精准预测方法 | |
Lermer et al. | Creation of digital twins by combining fuzzy rules with artificial neural networks | |
US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
US20140257577A1 (en) | Optimization of a multi-period model for valuation applied to flow control valves | |
CN107230003A (zh) | 一种新能源发电系统的功率预测方法 | |
CN112464478B (zh) | 一种水轮机调速系统的控制规律优化方法及装置 | |
CN106599993A (zh) | 一种小水电机组自动调节系统及其方法 | |
Ansari et al. | Wind power forecasting using artificial neural network | |
CN103294847B (zh) | 基于水力平差的供水管网模型模糊辨识方法 | |
CN112990674A (zh) | 一种海上浮式风电场多目标运行调度方法 | |
CN107527093A (zh) | 一种风电机组运行状态诊断方法及装置 | |
CN116292057A (zh) | 一种可变速抽水蓄能机组的控制方法、装置、设备及介质 | |
CN107634544A (zh) | 火电机组的动态功率控制方法和系统 | |
CN111556107A (zh) | 一种基于“应激-反射”模型的智能物联网应用方法 | |
CN111308337A (zh) | 一种离心风机入口导叶调节阀门性能评价方法 | |
CN107016470A (zh) | 风力发电场风能预测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |