CN107643684A - 一种阀门流量函数优化方法及装置 - Google Patents
一种阀门流量函数优化方法及装置 Download PDFInfo
- Publication number
- CN107643684A CN107643684A CN201710680608.7A CN201710680608A CN107643684A CN 107643684 A CN107643684 A CN 107643684A CN 201710680608 A CN201710680608 A CN 201710680608A CN 107643684 A CN107643684 A CN 107643684A
- Authority
- CN
- China
- Prior art keywords
- mrow
- valve flow
- flow function
- msubsup
- msub
- 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.)
- Granted
Links
Landscapes
- Complex Calculations (AREA)
Abstract
本发明提供的一种阀门流量函数优化方法及装置，该方法包括：基于阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值。从而根据插值点终值得到拟合度较好的阀门流量函数，并且该方法易于通过计算机编程实现，利用计算机的运算能力，该方法能够自动实现对阀门流量函数的分段线性插值，解决了以往对阀门流量函数需要人工插值的问题，极大地缩短了插值过程所需时间，同时也减少由于人工插值所带来的拟合误差。
Description
技术领域
本发明涉及数据处理技术领域，更具体地，涉及一种阀门流量函数优化方法及装置。
背景技术
火电机组的阀门流量特性是指汽轮机调节阀门开度与通过阀门的蒸汽流量的对应关系，阀门流量函数是指总阀位指令与单个阀门阀位指令之间的对应函数关系。其中，汽轮机调节阀门是汽轮机数字电液控制系统(Digital Electric Hydraulic ControlSystem，DEH)的主要执行机构，其流量特性偏差过大会导致节流损失加大、一次调频的响应负荷波动等，最终影响机组的安全稳定运行。汽轮发电机组由于长时间运行及大修后安装过程中的调整使阀门的实际流量曲线有所变动，因此长时间运行或大修后很有必要对机组的阀门流量曲线进行试验校正，以使机组各项指标趋于最优。
工程应用中，由于存在阀门流量特性与阀门流量函数不匹配的情况，从而可能导致机组的控制性能下降，如出现一次调频性能下降或机组发生功率振荡。为了能够解决阀门流量特性与阀门流量函数的匹配问题，需要以阀门流量特性试验结果为依据，修正阀门流量函数。
一般来说，阀门流量函数具有非线性曲线形态。在分布式控制系统(DistributedControl System，DCS)组态中，阀门流量函数通常采用分段线性插值函数表示。受限于插值点数，技术人员往往需要反复调整插值点位置以使分段线性插值函数与阀门流量函数尽可能吻合。这一过程通常需要耗费大量的时间，同时最终选择的插值点也未必就是理想值。
发明内容
针对上述的技术问题，本发明提供一种阀门流量函数优化方法及装置。
第一方面，本发明提供一种阀门流量函数优化方法，包括：基于阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值。
其中，所述所述阀门流量函数的插值点初始值的获取包括：S1，对所述阀门流量函数进行离散化处理，获取离散点数据集；S2，根据所述离散点数据集获取所述阀门流量函数的插值点初始值。
其中，所述S1中的离散点数据集包括数据集X和数据集Y，即
X＝{x1,x2,…,xn-1,xn}，
Y＝{y1,y2,…,yn-1,yn}＝{f(x1),f(x2),…,f(xn-1),f(xn)}，
其中，x1为总阀位指令实际下限值；xn为总阀位指令实际上限值；n为离散点的个数，且为正整数；y＝f(x)为阀门流量函数。
其中，所述S2包括：S21，依次获取所述离散点数据集中相邻两点在所述阀门流量函数上的斜率，得到数据集k；S22，依次获取所述数据集k中相邻两数据的差的绝对值，得到数据集d；S23，基于在所述数据集d中按照从大至小的顺序选取的m-2个元素所对应的下标，按照映射关系在所述离散点数据集中选取所述插值点初始值，即
其中，m为阀门流量函数插值点的数量，且m＞2；j为所述m-2个元素在数据集d中对应的下标，且j＝{j1,…,jm-2}。
其中，所述优化目标函数为：且其中，yi是数据集Y中对应的第i个元素；xi是数据集X中对应的第i个元素；为插值点终值数据集XC1中的第s个元素，为插值点终值数据集XC1中的第s+1个元素，且为插值点终值数据集YC1的第s个元素，为插值点终值数据集YC1的第s+1个元素。
其中，所述寻优算法包括：单纯形法、人工神经网络算法、连续型遗传算法、模拟退火算法、蚁群算法、粒子群算法或者人工鱼群算法。
第二方面，本发明提供一种阀门流量函数优化装置，包括：确定模块，用于基于阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值。
其中，所述阀门流量函数优化装置还包括：离散模块，用于对所述阀门流量函数进行离散化处理，获取离散点数据集；获取模块，用于根据所述离散点数据集获取所述阀门流量函数的插值点初始值。
第三方面，本发明提供一种阀门流量函数优化设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
第四方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的方法。
本发明提供的一种阀门流量函数优化方法及装置，基于阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值，从而根据插值点终值得到拟合度较好的阀门流量函数，且该方法易于通过计算机编程实现，利用计算机的运算能力，该方法能够自动实现对阀门流量函数的分段线性插值，解决了以往对阀门流量函数需要人工插值的问题，极大地缩短了插值过程所需时间，同时也减少由于人工插值所带来的拟合误差。
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一简单地介绍，显而易见地，下面描述中的附图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。
图1为本发明实施例提供的阀门流量函数优化方法的流程图；
图2为图1所述的阀门流量函数优化方法中根据所述离散点数据集获取所述阀门流量函数的插值点初始值的流程图；
图3为机组单阀方式下的阀门流量函数的线性图；
图4为利用本发明实施例提供的阀门流量函数优化方法得到的插值点终值的结果图；
图5为本发明实施例提供的阀门流量函数优化装置的结构框图；
图6为本发明实施例提供的阀门流量函数优化设备的结构框图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种阀门流量函数优化方法，包括：基于阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值。
其中，寻优算法效仿生物学中进化和遗传的规律，遵从“生存竞争，优胜劣汰”的原则，从一组随机生成的初始可行群体出发，借助复制、交换(重组)、突变等遗传操作，逐步逼近所研究问题的最优解。从实质而言，寻优算法是一种具有自适应调节功能的搜索寻优技术。
具体地，令已知的阀门流量函数为y＝f(x)，其中y是单个阀门阀位指令，x是总阀位指令。在对该阀门流量函数进行优化时，将已经获取的阀门流量函数的插值点初始值作为插值点终值的初始值，例如，插值点初始值为：
Xco＝{0，13，81，83，87，91，99，100}，Yco＝{0，12.82，31.67，33.05，36.4，40.98，69.48，100}；
通过寻优算法以优化函数的值最小化为目标，例如，寻优算法为单纯形法，反复调整插值点终值中各元素的值，直至寻优过程结束，从而得到阀门流量函数的插值点终值。
在本发明实施例中，基于阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值，从而根据插值点终值得到拟合度较好的阀门流量函数，且该方法易于通过计算机编程实现，利用计算机的运算能力，该方法能够自动实现对阀门流量函数的分段线性插值，解决了以往对阀门流量函数需要人工插值的问题，极大地缩短了插值过程所需时间，同时也减少由于人工插值所带来的拟合误差。
图1为本发明实施例提供的阀门流量函数优化方法的流程图，如图1所示，该方法包括：S1，对所述阀门流量函数进行离散化处理，获取离散点数据集；S2，根据所述离散点数据集获取所述阀门流量函数的插值点初始值；S3，基于获取的阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值。
其中，离散化是把无限空间中有限的个体映射到有限的空间中去，以此提高算法的时空效率。通俗的说，离散化是在不改变数据相对大小的条件下，对数据进行相应的缩小。离散化是程序设计中一个非常常用的技巧，它可以有效的降低时间复杂度。其基本思想就是在众多可能的情况中“只考虑我需要用的值”。离散化可以改进一个低效的算法，甚至实现根本不可能实现的算法。
具体地，对已知的阀门流量函数y＝f(x)进行离散化处理，则得到离散点数据集，例如，设置离散点的个数为100，则该数据集包括：100个自变量x(总阀位指令)组成的数据集X，以及与该100个自变量x相对应的100个因变量y(单个阀门阀位指令)组成的数据集Y。然后对离散点数据集进行处理可以获取到阀门流量函数的插值点初始值，例如，对离散点数据集进行筛选，选取离散点数据集中斜率变化较大的点作为插值点初始值。最后基于该插值点初始值以优化目标函数的值最小化为目标，可以获取到阀门流量函数的插值点终值，由于步骤S3与上述实施例中描述的内容相同，在此不再具述。
在本发明实施例中，通过对阀门流量函数进行离散化处理得到离散点数据集，并基于该离散点数据集得到阀门流量函数的插值点初始值，从而得到较合理的插值点初始值，为优化阀门流量函数提供基础，进而能够得到拟合度更好的阀门流量函数。
在上述各实施例的基础上，所述S1中的离散点数据集包括数据集X和数据集Y，即
X＝{x1,x2,…,xn-1,xn}，
Y＝{y1,y2,…,yn-1,yn}＝{f(x1),f(x2),…,f(xn-1),f(xn)}，
其中，x1为总阀位指令实际下限值；xn为总阀位指令实际上限值；n为离散点的个数，且为正整数；y＝f(x)为阀门流量函数。
具体地，在对已知的阀门流量函数y＝f(x)进行离散化处理，得到离散点数据集，设离散点的个数为n，则得到的离散点数据集为：X＝{x1,x2,…,xn-1,xn}，Y＝{y1,y2,…,yn-1,yn}＝{f(x1),f(x2),…,f(xn-1),f(xn)}。且将数据集X中的第一个元素设置为总阀位指令的实际下限值，以及将数据集X中的第n个元素设置为总阀位指令的实际上限值，则数据集Y中的元素为数据集X中的元素在阀门流量函数上的对应值。然后根据该离散点数据集得到阀门流量函数的插值点初始值，并根据该插值点初始值采用寻优算法以优化目标函数的值最小化为目标，得到阀门流量函数的插值点终值。
在本发明实施例中，通过对离散点数据集中的元素进行限定，使得到的离散点数据集更加合理，并基于该离散点数据集得到阀门流量函数的插值点初始值，从而得到较合理的插值点初始值，为优化阀门流量函数提供基础，进而能够得到拟合度更好的阀门流量函数。
在上述各实施例的基础上，结合图2，所述S2包括：S21，依次获取所述离散点数据集中相邻两点在所述阀门流量函数上的斜率，得到数据集k；S22，依次获取所述数据集k中相邻两数据的差的绝对值，得到数据集d；S23，基于在所述数据集d中按照从大至小的顺序选取的m-2个元素所对应的下标，按照映射关系在所述离散点数据集中选取所述插值点初始值，即
其中，m为阀门流量函数插值点的数量，且m＞2；j为所述m-2个元素在数据集d中对应的下标，且j＝{j1,…,jm-2}。
具体地，在将已知的阀门流量函数进行离散化处理，得到离散点数据集之后，依次获取离散点数据集中相邻两点在阀门流量函数上的斜率，即则数据集k表示为k＝{k1,…,kn-1}，其中，xi为数据集X中的第i个元素，xi+1为数据集X中的第i个元素；yi为数据集y中的第i个元素，yi+1为数据集y中的第i个元素。然后依次获取数据集k中相邻两数据的差的绝对值，即di＝|ki+1-ki|,i＝1,…,n-2，则数据集d表示为：d＝{d1,…,dn-2}，其中，ki为数据集k中的第i个元素，ki+1为数据集k中的第i个元素。
将阀门流量函数的插值点个数设置为m，则按照从大至小的顺序在数据集d中选取m-2个元素，此m-2个元素在数据集d中对应的下标为j，且j＝{j1,…,jm-2}。然后根据该m-2个元素的下标，按照映射关系在离散点数据集X中选取插值点初始值XC0，则
再根据阀门流量函数y＝f(x)得到与插值点初始值XC0对应的YC0，则，得到的插值点初始值数据集XC0包括：总阀位指令实际下限值、总阀位指令实际上限值以及离散点数据集中在阀门流量函数上的斜率变化最大的点，这样保证了插值点初始值的合理性和科学性，为得到更准确的插值点终值做好基础。然后基于该插值点初始值采用寻优算法以优化目标函数的值最小化为目标，确定阀门流量函数的插值点终值。
在本发明实施例中，通过对离散点数据集进行相应处理得到的阀门流量函数的插值点初始值具有较好的合理性和科学性，为得到更准确的插值点终值做好基础，且根据其得到的插值点终值能够得到拟合度较好的阀门流量函数。
在上述各实施例的基础上，所述优化目标函数为：且其中，yi是数据集Y中对应的第i个元素；xi是数据集X中对应的第i个元素；为插值点终值数据集XC1中的第s个元素，为插值点终值数据集XC1中的第s+1个元素，且为插值点终值数据集YC1的第s个元素，为插值点终值数据集YC1的第s+1个元素。
具体地，在对离散点数据集进行相应处理得到阀门流量函数的
插值点初始值XC0和YC0之后，令插值点终值为XC1和YC1，其中
此时XC1和YC1中各元素值未知。将优化目标函数设置为且其中，为数据集XC1的第s个元素，为数据集XC1的第s+1个元素，且s的实际值由约束条件确定；为插值点终值数据集YC1的第s个元素，为插值点终值数据集YC1的第s+1个元素；yi是数据集Y中对应的第i个元素；xi是数据集X中对应的第i个元素。
然后将插值点初始值XC0、YC0分别作为插值点终值XC1、YC1的初始值，采用寻优算法以优化目标函数的e值最小化为目标，反复调整XC1和YC1中各元素的值，直至计算结束，则计算得到的数值即为XC1，YC1的终值。
在本发明实施例中，通过将优化目标函数设置为且以优化目标函数的值最小化为目标，使得根据插值点终值得到的与离散点数据集中的yi误差最小，进而得到较精确的插值点终值，从而可以根据插值点终值可以得到拟合度更好的阀门流量函数。
在上述各实施例的基础上，所述寻优算法包括：单纯形法、人工神经网络算法、连续型遗传算法、模拟退火算法、蚁群算法、粒子群算法或者人工鱼群算法。
具体地，寻优算法在本发明实施例中的作用是基于插值点初始值以优化目标函数的值最小化为目标，从而寻到最优的插值点终值，因此，本发明实施例中的各寻优算法均可以用于上述各实施例中，以得到阀门流量函数的插值点终值。
以下对本发明实施例进行举例说明，但不限制本发明的保护范围。以某300MW亚临界火电机组单阀方式下的阀门流量函数作为优化对象，按本发明实施例提供的阀门流量函数优化方法对其进行分段线性插值。
该机组单阀方式下的阀门流量函数y＝f(x)，如图3所示，设置离散点的个数为101，则x1＝0，x1＝100。按计算离散点数据集X中的各元素，则Xco＝(x1，x2，…，x100，x101}＝{0，1，…，99，100}。将该数据集X中的元素均带入y＝f(x)，则得到离散点数据集Y中的各元素，即
Y＝{y1,y2,…,y100,y101}＝f(X)＝{f(x1),f(x2),…,f(x100),f(x101)}。
计算离散点数据集中相邻两点在阀门流量函数上对应的斜率，则得到数据集k＝{k1,…,kn-1}，其中由数据集k计算得数据集d，d＝{d1,…,dn-2}，其中di＝|ki+1-ki|,i＝1,…,n-2。设置阀门流量函数的分段线性插值点个数为12，按照从小至大的顺序在数据集d中选取10个元素，此10个元素在d中对应的下标为j，
由此可得到阀门流量函数的插值点初始值数据集XC0和YC0，
然后令插值点终值数据集为XC1和YC1表示，此时XC1、YC1中各元素的值未知。采用单纯形法作为寻优算法，其优化目标函数设置为且其中yi是离散点数据集Y中对应的第i个元素；xi是离散点数据集X中对应的第i个元素， 分别为数据集XC1的第s、s+1个元素，且s的实际值由约束条件确定；分别为数据集YC1的第s、s+1个元素。
以插值点初始值XC0、YC0分别作为插值点终值XC1、YC1的初始值，单纯形法以优化目标函数的e值最小化为目标，反复调整XC1和YC1中各元素的值，直至寻优过程结束，此时计算得到的插值点终值XC1、YC1分别为：
XC1＝{0,12.38,46.79,66.18,78.79,87.42,92.68,95.79,97.78,98.79,99.79,100}，
YC1＝{0,12.38,18.93,24.52,30.3,36.81,43.53,50.28,58,65.6,84.47,100}。
如图4所示，计算得到的插值点终值能够较好的将阀门流量函数进行分段线性插值，以得到拟合度较好的阀门流量函数，同时减少由于人工插值所带来的拟合误差。
图5为本发明实施例提供的阀门流量函数优化装置的结构框图，如图5所示，该优化装置包括：离散模块501、获取模块502和确定模块503；离散模块501用于对所述阀门流量函数进行离散化处理，获取离散点数据集；获取模块502用于根据所述离散点数据集获取所述阀门流量函数的插值点初始值；确定模块503用于基于阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值。
具体地，离散模块501对已知的阀门流量函数y＝f(x)进行离散化处理，则得到离散点数据集，例如，设置离散点的个数为100，则该数据集包括：100个自变量x(总阀位指令)组成的数据集X，以及与该100个自变量x相对应的100个因变量y(单个阀门阀位指令)组成的数据集Y。然后获取模块502对离散点数据集进行处理可以获取到阀门流量函数的插值点初始值，例如，对离散点数据集进行筛选，选取离散点数据集中斜率变化较大的点作为插值点初始值，最后确定模块503基于该插值点初始值以优化目标函数的值最小化为目标，反复调整插值点终值中的个元素，直至寻优过程结束，从而得到阀门流量函数的插值点终值。
在本发明实施例中，通过对阀门流量函数进行离散化处理得到离散点数据集，并根据该离散点数据集得到阀门流量函数的插值点初始值，然后基于该插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值，从而得到拟合度较好的阀门流量函数，且该方法易于通过计算机编程实现，利用计算机的运算能力，该方法能够自动实现对阀门流量函数的分段线性插值，解决了以往对阀门流量函数需要人工插值的问题，极大地缩短了插值过程所需时间，同时也减少由于人工插值所带来的拟合误差。
图6为本发明实施例提供的阀门流量函数优化设备的结构框图，如图6所示，该优化设备包括：处理器601、存储器602和总线603；
其中，处理器601和存储器602通过总线603完成相互间的通信；所述处理器601用于调用所述存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：基于阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值。
在另一实施例中，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：基于阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种阀门流量函数优化方法，其特征在于，包括：
基于阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值。
2.根据权利要求1所述的方法，其特征在于，所述阀门流量函数的插值点初始值的获取包括：
S1，对所述阀门流量函数进行离散化处理，获取离散点数据集；
S2，根据所述离散点数据集获取所述阀门流量函数的插值点初始值。
3.根据权利要求2所述的方法，其特征在于，所述S1中的离散点数据集包括数据集X和数据集Y，即
X＝{x1,x2,…,xn-1,xn}，
Y＝{y1,y2,…,yn-1,yn}＝{f(x1),f(x2),…,f(xn-1),f(xn)}，
其中，x1为总阀位指令实际下限值；xn为总阀位指令实际上限值；n为离散点的个数，且为正整数；y＝f(x)为阀门流量函数。
4.根据权利要求3所述的方法，其特征在于，所述S2包括：
S21，依次获取所述离散点数据集中相邻两点在所述阀门流量函数上的斜率，得到数据集k；
S22，依次获取所述数据集k中相邻两数据的差的绝对值，得到数据集d；
S23，基于在所述数据集d中按照从大至小的顺序选取的m-2个元素所对应的下标，按照映射关系在所述离散点数据集中选取所述插值点初始值，即
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>m</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>}</mo>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>j</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>j</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>j</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>3</mn>
</mrow>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>j</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>y</mi>
<mn>1</mn>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>y</mi>
<mn>2</mn>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>y</mi>
<mi>m</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>}</mo>
<mo>=</mo>
<mo>{</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>m</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
其中，m为阀门流量函数插值点的数量，且m＞2；j为所述m-2个元素在数据集d中对应的下标，且j＝{j1,…,jm-2}。
5.根据权利要求1-4任一所述的方法，其特征在于，所述优化目标函数为：且
其中，yi是数据集Y中对应的第i个元素；xi是数据集X中对应的第i个元素；为插值点终值数据集XC1中的第s个元素，为插值点终值数据集XC1中的第s+1个元素，且 为插值点终值数据集YC1的第s个元素，为插值点终值数据集YC1的第s+1个元素。
6.根据权利要求1所述的方法，其特征在于，所述寻优算法包括：单纯形法、人工神经网络算法、连续型遗传算法、模拟退火算法、蚁群算法、粒子群算法或者人工鱼群算法。
7.一种阀门流量函数优化装置，其特征在于，包括：
确定模块，用于基于阀门流量函数的插值点初始值，通过寻优算法以优化目标函数的值最小化为目标，确定所述阀门流量函数的插值点终值。
8.根据权利要求7所述的装置，其特征在于，还包括：
离散模块，用于对所述阀门流量函数进行离散化处理，获取离散点数据集；
获取模块，用于根据所述离散点数据集获取所述阀门流量函数的插值点初始值。
9.一种阀门流量函数优化设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710680608.7A CN107643684B (zh) | 2017-08-10 | 2017-08-10 | 一种阀门流量函数优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710680608.7A CN107643684B (zh) | 2017-08-10 | 2017-08-10 | 一种阀门流量函数优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107643684A true CN107643684A (zh) | 2018-01-30 |
| CN107643684B CN107643684B (zh) | 2021-01-01 |
Family
ID=61110673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710680608.7A Active CN107643684B (zh) | 2017-08-10 | 2017-08-10 | 一种阀门流量函数优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107643684B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472047A (zh) * | 2018-09-28 | 2019-03-15 | 大唐东北电力试验研究院有限公司 | 一种基于反向迭代的阀门管理函数确定方法 |
| CN109508046A (zh) * | 2018-12-29 | 2019-03-22 | 绥中泰德尔自控设备有限公司 | 一种物联网温度平衡阀及其二次网温度平衡系统及流量调节方法 |
| CN111855179A (zh) * | 2020-07-27 | 2020-10-30 | 北京七星华创流量计有限公司 | 流体质量流量控制器的标定方法及标定装置 |
| CN113359450A (zh) * | 2021-06-08 | 2021-09-07 | 国网湖南省电力有限公司 | 一种阀门流量特性曲线拟合方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012157955A (ja) * | 2011-02-02 | 2012-08-23 | Sony Corp | 移動制御装置及び移動制御方法、並びにコンピューター・プログラム |
| CN103366342A (zh) * | 2013-07-02 | 2013-10-23 | 天津大学 | 应用于视频图像放大的分段线性插值方法 |
| CN104200121A (zh) * | 2014-09-19 | 2014-12-10 | 国家电网公司 | 基于机组运行数据的阀门流量函数优化方法 |
-
2017
- 2017-08-10 CN CN201710680608.7A patent/CN107643684B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012157955A (ja) * | 2011-02-02 | 2012-08-23 | Sony Corp | 移動制御装置及び移動制御方法、並びにコンピューター・プログラム |
| CN103366342A (zh) * | 2013-07-02 | 2013-10-23 | 天津大学 | 应用于视频图像放大的分段线性插值方法 |
| CN104200121A (zh) * | 2014-09-19 | 2014-12-10 | 国家电网公司 | 基于机组运行数据的阀门流量函数优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 商建平 等: ""精确实验数据曲线方程的求解"", 《自动化与仪器仪表》 * |
| 陈宝平 等: ""基于改进的遗传算法对B样条曲线拟合"", 《内蒙古农业大学学报》 * |
| 雷仲贤: ""用"带自适应控制的分段线性插值法"实现料流调节阀的精确控制"", 《钢铁技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472047A (zh) * | 2018-09-28 | 2019-03-15 | 大唐东北电力试验研究院有限公司 | 一种基于反向迭代的阀门管理函数确定方法 |
| CN109472047B (zh) * | 2018-09-28 | 2023-05-23 | 大唐东北电力试验研究院有限公司 | 一种基于反向迭代的阀门管理函数确定方法 |
| CN109508046A (zh) * | 2018-12-29 | 2019-03-22 | 绥中泰德尔自控设备有限公司 | 一种物联网温度平衡阀及其二次网温度平衡系统及流量调节方法 |
| CN111855179A (zh) * | 2020-07-27 | 2020-10-30 | 北京七星华创流量计有限公司 | 流体质量流量控制器的标定方法及标定装置 |
| CN113359450A (zh) * | 2021-06-08 | 2021-09-07 | 国网湖南省电力有限公司 | 一种阀门流量特性曲线拟合方法及系统 |
| CN113359450B (zh) * | 2021-06-08 | 2022-06-28 | 国网湖南省电力有限公司 | 一种阀门流量特性曲线拟合方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107643684B (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107643684A (zh) | 一种阀门流量函数优化方法及装置 | |
| Arya | Automatic generation control of two-area electrical power systems via optimal fuzzy classical controller | |
| CN100430943C (zh) | 一种过程工业历史数据智能两级压缩方法 | |
| CN103280821A (zh) | 智能配电系统多时段动态无功优化方法 | |
| CN108490790A (zh) | 一种基于多目标优化的过热汽温自抗扰串级控制方法 | |
| KR101219544B1 (ko) | 배전선로의 최적 연계 해석 방법 | |
| CN111224404B (zh) | 含可控移相器的电力系统潮流快速控制方法 | |
| CN106372756A (zh) | 一种基于繁殖粒子群算法的火电厂负荷优化分配方法 | |
| Zhang et al. | Parameter optimization of PID controllers based on genetic algorithm | |
| CN111738477A (zh) | 基于深层特征组合的电网新能源消纳能力预测方法 | |
| CN110735668A (zh) | 一种间接法配汽函数整定值简化实现方法 | |
| Abass et al. | Methods comparison for optimal capacitor placement in distribution system | |
| CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
| Shankar et al. | Coordination of economic load dispatch and load frequency control for interconnected power system | |
| CN107846022B (zh) | 基于ilutp预处理并行迭代法的大规模配电网潮流分析方法 | |
| CN108599142A (zh) | 一种基于权重的混合整数二次规划多目标调度方法 | |
| CN107968400B (zh) | 一种基于枚举组合和线性规划的月度运行方式变压器变比优化方法 | |
| CN108958029A (zh) | 用于参数整定方法和系统 | |
| Abusorrah | The application of the linear adaptive genetic algorithm to optimal power flow problem | |
| CN114865649B (zh) | 一种风光储一体化场站无功调节方法、装置及电子设备 | |
| CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及系统 | |
| CN102651555B (zh) | 风电场电容确定设备、方法和相应的风电场 | |
| CN109787247A (zh) | 一种基于多参数规划的无功补偿规划方法 | |
| CN112531725B (zh) | 一种对静止无功发生器的参数进行识别的方法及系统 | |
| CN113762646A (zh) | 一种光伏短期功率智能预测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |