CN109856992A - 水泵水轮机特性模拟方法及其模拟器 - Google Patents
水泵水轮机特性模拟方法及其模拟器 Download PDFInfo
- Publication number
- CN109856992A CN109856992A CN201910071028.7A CN201910071028A CN109856992A CN 109856992 A CN109856992 A CN 109856992A CN 201910071028 A CN201910071028 A CN 201910071028A CN 109856992 A CN109856992 A CN 109856992A
- Authority
- CN
- China
- Prior art keywords
- pump turbine
- weight
- value
- neural network
- variable
- 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
Landscapes
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种水泵水轮机特性模拟方法及其模拟器,涉及抽水蓄能方针建模技术领域。本发明的水泵水轮机的特性模拟方法以空间曲面的描述方式来表征水泵水轮机的全特性,不仅可帮助解决其工作参数间强非线性关系表达这一难题,还利于准确掌握其工况转换过程中可逆性变化规律;本发明的水泵水轮机特性模拟器是一种可与实时仿真装置连接的,可以根据实际水泵水轮机数据更为高效方便地模拟水泵水轮机特性的装置。
Description
技术领域
本发明涉及抽水蓄能方针建模技术领域,更具体地说涉及一种水泵水轮机全特性模拟方法及模拟器。
背景技术
随着我国的飞速发展,电力负荷持续增长,电网的稳定运行越来越重要。抽水蓄能电站以其调峰填谷、紧急事故备用、调频、调相等快速响应的特性,成为解决电力系统调峰问题以及确保安全可靠运行的有效手段。
为了完成发电和抽水的功能,抽水蓄能机组要能够以正反两个方向运行,与常规水轮发电机组相比,具有运行水头变化范围大、工况转换频繁及过水系统水力特性复杂等特点。抽水蓄能机组的控制品质和稳定运行与调节系统的控制策略密切相关。为了研究抽水蓄能机组在运行中出现的各种特性问题,进一步优化改进抽水蓄能机组的控制策略,对抽水蓄能机组进行实时仿真建模,与实物控制器进行硬件在环仿真是非常必要的。通过对抽水蓄能机组的各部分进行精细化实时仿真建模,对抽水蓄能机组的安全、稳定和高效运行及发挥其社会经济效益有非常重要的意义。
水泵水轮机作为抽水蓄能发电机组的一部分,要分析水泵水轮机调速系统各个环节的非线性特性以及整个系统的运行特性,必须对水泵水轮机复杂的水力特性进行精细建模。水泵水轮机全特性是指水泵水轮机的导叶开度 y、单位转速N 、单位流量Q和单位力矩M这 4 个工作参数的变化规律。水泵水轮机全特性曲线是由模型机组试验得到的各种工况下一组离散数据序列,对全特性曲线的常用处理方法按照表述方法不同分为二维曲线数学变换和三维曲线或曲面拟合两大类。基于二维坐标下的数学变换主要有 P.Suter 提出的Suter 变换方法以及其改进方法、等开度线长度法、对数投影法、全特性曲线分区处理法、基于元胞自动机的曲线逼近法。基于三维空间的曲线或曲面拟合方法主要有最小二乘曲面拟合的方法、神经网络曲面拟合的方法和 B 样条函数曲面拟合的方法。由于水泵水轮机全特性传统表达方式存在着开度线交叉、聚集和扭卷等强非线性现象,给可逆式机组工作特性的研究与工程计算带来了困难。
发明内容
为了克服上述现有技术中存在的缺陷和不足,本申请提供了一种水泵水轮机特性模拟方法,本发明的发明目的在于解决现有技术中由于水泵水轮机全特性传统表达方式存在着开度线交叉、聚集和扭卷等强非线性现象,给可逆式机组工作特性的研究与工程计算带来了困难的问题,本发明的水泵水轮机的特性模拟方法以空间曲面的描述方式来表征水泵水轮机的全特性,不仅可帮助解决其工作参数间强非线性关系表达这一难题,还利于准确掌握其工况转换过程中可逆性变化规律。
同时,本发明还提供了一种水泵水轮机特性模拟器,本发明的水泵水轮机特性模拟器旨在于提供一种可与实时仿真装置连接的,可以根据实际水泵水轮机数据更为高效方便地模拟水泵水轮机特性的装置。
为了解决上述现有技术中存在的问题,本发明是通过下述技术方案实现的:
水泵水轮机特性模拟方法,其特征在于:包括以下步骤:
A、数据获取步骤,与计算机建立通讯连接,接收计算机输出的水泵水轮机原始数据;或从存储设备中读取水泵水轮机的原始数据;
B、设定BP神经网络参数步骤,采用3层BP神经网络对非线性空间曲面函数M*=M(y*,Q*,N*)进行建模,其输入层有三个节点,输入变量分别为y*,Q*,N*;输出层有一个节点,输出变量为M*;其中y*表示相对导叶开度,Q*表示相对单位流量,N*表示相对单位转速,M*表示相对单位力矩;
C、原始数据相对化处理步骤,对BP神经网络的输入输出数据进行相对化处理,相对化处理原理为:
;其中,X代表各变量,Xmax为变量的最大值,Xmin为变量的最小值,X*为变量相对化处理后的值;
D、BP神经化网络的权值和阈值优化步骤,利用蚁群算法优化BP神经网络的权值和阈值,将权值和阈值分布范围缩小,即将BP神经网络各个权值变量取值均匀分割成K等份,权值取值范围是[0,1],对各个权值变量建立信息素表;
E、权值选择步骤,释放P只蚂蚁,各只蚂蚁按照伪随机比例规则进行概率转移,记录多经过点的标号,即为每个权值变量选择一个值并记录下来;当蚂蚁对各个权值变量的选择值后,即完成一次循环,所记录的值构成神经网络的一组权值,输入训练样本,得到相应的误差;若完成一次循环则进行信息素更新步骤,否则继续进行权值选择步骤;
F、信息素更新步骤,按照蚁群系统的全局更新策略进行信息素更新;
G、判断步骤,重复执行步骤E和步骤F,直到满足最大进化代数,若满足最大进化代数则进行水泵水轮机特性模拟模型生成步骤;
H、水泵水轮机特性模拟模型生成步骤,采用加动量项和自适应学习率BP改进算法进一步训练,直到误差满足要求,选择误差最小的一组权值作为BP神经网络的初始权值,利用原始数据作为目标样本,训练BP神经网络,得到水泵水轮机特性模型。
水泵水轮机特性模拟器,其特征在于:包括主板、显示面板、模拟信号接口和通信与存储接口,所述主板包括供电电路、处理器、模拟信号调理电路、通信与存储接口电路;所述处理器为DSP+FPGA形式的处理器,DSP负责接口功能管理与显示面板交互,FPGA处理器中采用所述的水泵水轮机特性模拟方法对水泵水轮机原始数据进行拟合,得到水泵水轮机的特性模型。
所述显示面板是一块带触摸功能的LCD液晶显示面板,用于显示水泵水轮机特性曲线及采用触控方式对模拟器进行操作。
通信与存储接口包括USB接口和通信接口,所述USB接口用于外接存储设备,所述通信接口用于跟计算机进行通信,实现数据传输和功能设定。
与现有技术相比,本发明所带来的有益技术效果表现在:
1、目前的水泵水轮机特性模拟方法均基于计算机实现,并且不能与实时仿真装置进行联合仿真,本发明可以直接与实时仿真装置进行连接,组件硬件在环测试环境。本发明采用基于蚁群算法的改进BP神经网络算法,对水泵水轮机特性进行拟合。在本发明中,原始数据相对化处理步骤,可以克服训练样本在数量级方面存在的较大差异,本步骤中对神经网络的输入输出数据进行相对化处理,以提高BP网络的学习速度及拟合精度。本发明还对BP神经化网络的权值和阈值进行优化,可以克服BP神经化网络算法容易陷入局部极小值的问题,先用蚁群算法完成前期工作,优化神经网络的权值和阈值。本发明还采取了基于蚁群算法改进的BP神经网络,以及训练过程采取加动量项和自适应学习率,加速训练过程。
2、本发明公开的水泵水轮机特性模拟器,可以直接与实时仿真装置进行连接,组件硬件在环测试环境。基于传统处理器的人工神经网络训练学习比较低效,而本发明的处理器采用了FPGA来进行人工神经网络处理,充分发挥了FPGA类人工智能(AI)芯片的优势,并且采取了基于蚁群算法改进的BP神经网络,以及训练过程采取加动量项和自适应学习率,加速训练过程。本发明还能够将拟合后的水泵水轮机特性曲面在显示面板直观显示。
3、计算机通过通信接口可以将水泵水轮机的特性原始数据传输到水泵水轮机特性模拟器中,水泵水轮机特性模拟器也可以插入USB存储设备,通过显示面板操作导入原始数据。处理器采取高性能DSP+FPGA形式,DSP负责接口功能管理与显示面板交互功能,FPGA处理器运行人工神经网络(ANN)对原始数据进行拟合,得到水泵水轮机的特性模型。为了能够与实时仿真器进行实时数据交换,采取模拟信号通信方式。所述模拟信号通信方式指的是,实时仿真器输出水泵水轮机需要的数据,比如转速信号,将其数据转换为-10V到+10V的模拟信号;而水泵水轮机特性模拟器也通过模拟信号形式输出相关信号。通过显示面板将处理后的水泵水轮机特性进行图形化显示,用户通过触控按键可以进行放大、缩小、旋转操作。通过模拟信号接口实现与外部的实时设备进行实时数据交换,构建实时仿真平台,对过水系统、水泵水轮机、发电机等组成的系统进行控制特性研究。
附图说明
图1为本发明水泵水轮机特性模拟方法的流程图;
图2为本发明水泵水轮机特性模拟器的结构示意图;
图3为本发明水泵水轮机模拟特性图;
图4为本发明水泵水轮机模拟器构建的仿真平台。
具体实施方式
实施例1
作为本发明一较佳实施例,参照说明书附图1和3,本实施例公开了:
水泵水轮机特性模拟方法,包括以下步骤:
A、数据获取步骤,与计算机建立通讯连接,接收计算机输出的水泵水轮机原始数据;或从存储设备中读取水泵水轮机的原始数据;
B、设定BP神经网络参数步骤,采用3层BP神经网络对非线性空间曲面函数M*=M(y*,Q*,N*)进行建模,其输入层有三个节点,输入变量分别为y*,Q*,N*;输出层有一个节点,输出变量为M*;其中y*表示相对导叶开度,Q*表示相对单位流量,N*表示相对单位转速,M*表示相对单位力矩;
C、原始数据相对化处理步骤,对BP神经网络的输入输出数据进行相对化处理,相对化处理原理为:
;其中,X代表各变量,Xmax为变量的最大值,Xmin为变量的最小值,X*为变量相对化处理后的值;
D、BP神经化网络的权值和阈值优化步骤,利用蚁群算法优化BP神经网络的权值和阈值,将权值和阈值分布范围缩小,即将BP神经网络各个权值变量取值均匀分割成K等份,权值取值范围是[0,1],对各个权值变量建立信息素表;
E、权值选择步骤,释放P只蚂蚁,各只蚂蚁按照伪随机比例规则进行概率转移,记录多经过点的标号,即为每个权值变量选择一个值并记录下来;当蚂蚁对各个权值变量的选择值后,即完成一次循环,所记录的值构成神经网络的一组权值,输入训练样本,得到相应的误差;若完成一次循环则进行信息素更新步骤,否则继续进行权值选择步骤;
F、信息素更新步骤,按照蚁群系统的全局更新策略进行信息素更新;
G、判断步骤,重复执行步骤E和步骤F,直到满足最大进化代数,若满足最大进化代数则进行水泵水轮机特性模拟模型生成步骤;
H、水泵水轮机特性模拟模型生成步骤,采用加动量项和自适应学习率BP改进算法进一步训练,直到误差满足要求,选择误差最小的一组权值作为BP神经网络的初始权值,利用原始数据作为目标样本,训练BP神经网络,得到水泵水轮机特性模型。
实施例2
作为本发明又一较佳实施例,参照说明书附图1和3,本实施例公开了:
水泵水轮机特性模拟方法,包括以下步骤:
A、数据获取步骤,与计算机建立通讯连接,接收计算机输出的水泵水轮机原始数据;或从存储设备中读取水泵水轮机的原始数据;
B、设定BP神经网络参数步骤,采用3层BP神经网络对非线性空间曲面函数M*=M(y*,Q*,N*)进行建模,其输入层有三个节点,输入变量分别为y*,Q*,N*;输出层有一个节点,输出变量为M*;其中y*表示相对导叶开度,Q*表示相对单位流量,N*表示相对单位转速,M*表示相对单位力矩;
C、原始数据相对化处理步骤,由于训练样本在数量级方面有较大差异,因此需对神经网络的输入输出数据进行相对化处理,以提高BP网络的学习速度及拟合精度;相对化处理原理为:
上式中:代表各变量,为变量的最大值,为变量的最小值,为变量相对化处理后的值;
D、BP神经化网络的权值和阈值优化步骤,针对BP算法容易陷入局部极小值,可以先用蚁群算法完成前期工作,优化神经网络的权值和阀值,将权值和阀值分布范围缩小;先将神经网络各个权值变量取值均匀分割成K等份,权值取值范围是[0,1],对各个权值变量建立信息素表;
E、权值选择步骤,释放P只蚂蚁,各只蚂蚁按照伪随机比例规则进行概率转移,记录多经过点的标号,即为每个权值变量选择一个值并记录下来;当蚂蚁对各个权值变量的选择值后,即完成一次循环,所记录的值构成神经网络的一组权值,输入训练样本,得到相应的误差;若完成一次循环则进行信息素更新步骤,否则继续进行权值选择步骤;
F、信息素更新步骤,按照蚁群系统的全局更新策略进行信息素更新;
G、判断步骤,重复执行步骤E和步骤F,直到满足最大进化代数,若满足最大进化代数则进行水泵水轮机特性模拟模型生成步骤;
H、水泵水轮机特性模拟模型生成步骤,采用加动量项和自适应学习率BP改进算法进一步训练,直到误差满足要求,选择误差最小的一组权值作为BP神经网络的初始权值,利用原始数据作为目标样本,训练BP神经网络,得到水泵水轮机特性模型。
实施例3
作为本发明又一较佳实施例,参照说明书附图1-4,本实施例公开了:
水泵水轮机特性模拟器,包括主板、显示面板、模拟信号接口和通信与存储接口,所述主板包括供电电路、处理器、模拟信号调理电路、通信与存储接口电路;所述处理器为DSP+FPGA形式的处理器,DSP负责接口功能管理与显示面板交互,FPGA处理器中采用所述的水泵水轮机特性模拟方法对水泵水轮机原始数据进行拟合,得到水泵水轮机的特性模型;所述显示面板是一块带触摸功能的LCD液晶显示面板,用于显示水泵水轮机特性曲线及采用触控方式对模拟器进行操作;通信与存储接口包括USB接口和通信接口,所述USB接口用于外接存储设备,所述通信接口用于跟计算机进行通信,实现数据传输和功能设定。
实施例4
作为本发明又一较佳实施例,参照说明书附图1-4,本实施例公开了:
一种水泵水轮机特性模拟器,包括主板、显示面板、模拟信号接口、通信与存储接口以及特性模拟算法;所述主板包括供电电路、处理器、模拟信号调理电路、通信与存储接口电路;所述显示面板是一块带触摸功能的LCD液晶显示面板,用于显示水泵水轮机特性曲线以及其它触控操作;所述接口包括USB接口用于外接存储设备,还包括通信接口用于跟计算机进行通信,实现数据传输和功能设定。
计算机通过通信接口可以将水泵水轮机的特性原始数据传输到水泵水轮机特性模拟器中,水泵水轮机特性模拟器也可以插入USB存储设备,通过显示面板操作导入原始数据。
处理器采取高性能DSP+FPGA形式,DSP负责接口功能管理与显示面板交互功能,FPGA处理器运行人工神经网络(ANN)对原始数据进行拟合,得到水泵水轮机的特性模型。为了能够与实时仿真器进行实时数据交换,采取模拟信号通信方式。所述模拟信号通信方式指的是,实时仿真器输出水泵水轮机需要的数据,比如转速信号,将其数据转换为-10V到+10V的模拟信号;而水泵水轮机特性模拟器也通过模拟信号形式输出相关信号。
所述人工智能算法具体指的是,水泵水轮机全特性可表示为4个变量:相对导叶开度 y*、相对单位转速N*、相对单位流量Q*和相对单位力矩M*的非线性函数,已知其中任意3个参数,就能唯一确定另一个参数。选取相对单位转速N*、相对单位流量Q*和相对单位力矩M*作为3个变量构成笛卡尔坐标系Ωm(3),选取导叶开度y作为参数变量,将水泵水轮机全特性表征为坐标系Ωm(3)中的空间曲面。将水泵水轮机的原始数据作为人工神经网络的训练目标,采取基于蚁群算法改进的BP神经网络,利用FPGA处理ANN的优势,快速高效的训练得到可模拟水泵水轮机全特性的模型。
水泵水轮机特性模拟器如图1所示,主板作为硬件核心,其中供电部分负责将民用220V交流电源转换为供给处理器、通信接口电路、存储接口电路、模拟信号调理电路、显示面板需要的电源形式。
特性模拟方法由FPGA处理器实现,采取基于蚁群算法的改进BP神经网络算法,具体实现如下步骤所示:
A、数据获取步骤,与计算机建立通讯连接,接收计算机输出的水泵水轮机原始数据;或从存储设备中读取水泵水轮机的原始数据;
B、设定BP神经网络参数步骤,采用3层BP神经网络对非线性空间曲面函数M*=M(y*,Q*,N*)进行建模,其输入层有三个节点,输入变量分别为y*,Q*,N*;输出层有一个节点,输出变量为M*;其中y*表示相对导叶开度,Q*表示相对单位流量,N*表示相对单位转速,M*表示相对单位力矩;
C、原始数据相对化处理步骤,由于训练样本在数量级方面有较大差异,因此需对神经网络的输入输出数据进行相对化处理,以提高BP网络的学习速度及拟合精度;相对化处理原理为:
上式中:代表各变量,为变量的最大值,为变量的最小值,为变量相对化处理后的值;
D、BP神经化网络的权值和阈值优化步骤,针对BP算法容易陷入局部极小值,可以先用蚁群算法完成前期工作,优化神经网络的权值和阀值,将权值和阀值分布范围缩小;先将神经网络各个权值变量取值均匀分割成K等份,权值取值范围是[0,1],对各个权值变量建立信息素表;
E、权值选择步骤,释放P只蚂蚁,各只蚂蚁按照伪随机比例规则进行概率转移,记录多经过点的标号,即为每个权值变量选择一个值并记录下来;当蚂蚁对各个权值变量的选择值后,即完成一次循环,所记录的值构成神经网络的一组权值,输入训练样本,得到相应的误差;若完成一次循环则进行信息素更新步骤,否则继续进行权值选择步骤;
F、信息素更新步骤,按照蚁群系统的全局更新策略进行信息素更新;
G、判断步骤,重复执行步骤E和步骤F,直到满足最大进化代数,若满足最大进化代数则进行水泵水轮机特性模拟模型生成步骤;
H、水泵水轮机特性模拟模型生成步骤,采用加动量项和自适应学习率BP改进算法进一步训练,直到误差满足要求,选择误差最小的一组权值作为BP神经网络的初始权值,利用原始数据作为目标样本,训练BP神经网络,得到水泵水轮机特性模型。
通过显示面板将处理后的水泵水轮机特性进行图形化显示,用户通过触控按键可以进行放大、缩小、旋转操作。
通过模拟信号接口实现与外部的实时设备进行实时数据交换,构建实时仿真平台,对过水系统、水泵水轮机、发电机等组成的系统进行控制特性研究,如图4所示。
Claims (4)
1.水泵水轮机特性模拟方法,其特征在于:包括以下步骤:
A、数据获取步骤,与计算机建立通讯连接,接收计算机输出的水泵水轮机原始数据;或从存储设备中读取水泵水轮机的原始数据;
B、设定BP神经网络参数步骤,采用3层BP神经网络对非线性空间曲面函数M*=M(y*,Q*,N*)进行建模,其输入层有三个节点,输入变量分别为y*,Q*,N*;输出层有一个节点,输出变量为M*;其中y*表示相对导叶开度,Q*表示相对单位流量,N*表示相对单位转速,M*表示相对单位力矩;
C、原始数据相对化处理步骤,对BP神经网络的输入输出数据进行相对化处理,相对化处理原理为:
;其中,X代表各变量,Xmax为变量的最大值,Xmin为变量的最小值,X*为变量相对化处理后的值;
D、BP神经化网络的权值和阈值优化步骤,利用蚁群算法优化BP神经网络的权值和阈值,将权值和阈值分布范围缩小,即将BP神经网络各个权值变量取值均匀分割成K等份,权值取值范围是[0,1],对各个权值变量建立信息素表;
E、权值选择步骤,释放P只蚂蚁,各只蚂蚁按照伪随机比例规则进行概率转移,记录多经过点的标号,即为每个权值变量选择一个值并记录下来;当蚂蚁对各个权值变量的选择值后,即完成一次循环,所记录的值构成神经网络的一组权值,输入训练样本,得到相应的误差;若完成一次循环则进行信息素更新步骤,否则继续进行权值选择步骤;
F、信息素更新步骤,按照蚁群系统的全局更新策略进行信息素更新;
G、判断步骤,重复执行步骤E和步骤F,直到满足最大进化代数,若满足最大进化代数则进行水泵水轮机特性模拟模型生成步骤;
H、水泵水轮机特性模拟模型生成步骤,采用加动量项和自适应学习率BP改进算法进一步训练,直到误差满足要求,选择误差最小的一组权值作为BP神经网络的初始权值,利用原始数据作为目标样本,训练BP神经网络,得到水泵水轮机特性模型。
2.水泵水轮机特性模拟器,其特征在于:包括主板、显示面板、模拟信号接口和通信与存储接口,所述主板包括供电电路、处理器、模拟信号调理电路、通信与存储接口电路;所述处理器为DSP+FPGA形式的处理器,DSP负责接口功能管理与显示面板交互,FPGA处理器中采用所述的水泵水轮机特性模拟方法对水泵水轮机原始数据进行拟合,得到水泵水轮机的特性模型。
3.如权利要求2所述的水泵水轮机特性模拟器,其特征在于:所述显示面板是一块带触摸功能的LCD液晶显示面板,用于显示水泵水轮机特性曲线及采用触控方式对模拟器进行操作。
4.如权利要求2所述的水泵水轮机特性模拟器,其特征在于:通信与存储接口包括USB接口和通信接口,所述USB接口用于外接存储设备,所述通信接口用于跟计算机进行通信,实现数据传输和功能设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071028.7A CN109856992A (zh) | 2019-01-25 | 2019-01-25 | 水泵水轮机特性模拟方法及其模拟器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071028.7A CN109856992A (zh) | 2019-01-25 | 2019-01-25 | 水泵水轮机特性模拟方法及其模拟器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109856992A true CN109856992A (zh) | 2019-06-07 |
Family
ID=66896065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910071028.7A Pending CN109856992A (zh) | 2019-01-25 | 2019-01-25 | 水泵水轮机特性模拟方法及其模拟器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109856992A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102116246A (zh) * | 2011-02-24 | 2011-07-06 | 华中科技大学 | 水力发电机组效率监测装置、系统及方法 |
CN105575121A (zh) * | 2016-02-02 | 2016-05-11 | 陕西安裕智能科技有限公司 | 一种基于智能交通的源头科技治超数据采集系统及方法 |
CN105591579A (zh) * | 2015-12-08 | 2016-05-18 | 钱邦永 | 抽水站水泵发电系统及控制方法 |
CN106082473A (zh) * | 2016-08-02 | 2016-11-09 | 天津万广科技有限公司 | 一种化工污水处理装置 |
-
2019
- 2019-01-25 CN CN201910071028.7A patent/CN109856992A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102116246A (zh) * | 2011-02-24 | 2011-07-06 | 华中科技大学 | 水力发电机组效率监测装置、系统及方法 |
CN105591579A (zh) * | 2015-12-08 | 2016-05-18 | 钱邦永 | 抽水站水泵发电系统及控制方法 |
CN105575121A (zh) * | 2016-02-02 | 2016-05-11 | 陕西安裕智能科技有限公司 | 一种基于智能交通的源头科技治超数据采集系统及方法 |
CN106082473A (zh) * | 2016-08-02 | 2016-11-09 | 天津万广科技有限公司 | 一种化工污水处理装置 |
Non-Patent Citations (4)
Title |
---|
刘星星: "水泵水轮机过渡过程半实物仿真平台的软件设计与实现", 《中国优秀硕士学位论文全文数据库•工程科技||辑》 * |
周孟然: "《煤矿瓦斯的激光光谱检测技术研究》", 31 May 2012 * |
陈泰红: "《手把手教你学DSP 基于TMS320C55x 第2版》", 31 January 2016 * |
黄庆斌: "BP算法的改进及其应用研究", 《中国优秀硕士学位论文全文数据库•信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331543B (zh) | 一种船舶电力推进系统故障诊断专家系统和建立方法 | |
CN110535146A (zh) | 基于深度确定策略梯度强化学习的电力系统无功优化方法 | |
CN102436534B (zh) | 一种电力系统仿真方法 | |
CN103700036B (zh) | 一种适于电力系统多时间尺度的暂态稳定性投影积分方法 | |
CN103019104B (zh) | 一种可视化过程控制系统组态仿真方法 | |
CN111179121A (zh) | 基于专家系统与深度逆向强化学习的电网紧急控制方法 | |
CN103810646B (zh) | 一种基于改进投影积分算法的有源配电系统动态仿真方法 | |
CN104298127B (zh) | 基于rt‑lab的微电网半数字半实物实时仿真系统 | |
CN104537178A (zh) | 一种基于Matlab和Netlogo的电力系统联合仿真建模方法 | |
CN107784180A (zh) | 一种时变凸二次规划求解器设计方法 | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN109765802A (zh) | 一种大型调相机虚拟dcs仿真系统 | |
CN116995682B (zh) | 一种可调节负荷参与有功潮流连续调整方法与系统 | |
CN114139377A (zh) | 一种电力系统建模方法、系统、可读存储介质及服务器 | |
CN104199315B (zh) | 基于rtds的微电网储能系统试验平台 | |
CN109856992A (zh) | 水泵水轮机特性模拟方法及其模拟器 | |
CN104182854A (zh) | 一种面向企业能源管理系统的混合能耗测算的方法 | |
CN116482975A (zh) | 一种虚实融合的船舶能量管理策略验证方法与平台 | |
CN113627533B (zh) | 一种基于强化学习的电力设备检修决策生成方法 | |
Qin et al. | A modified data-driven regression model for power flow analysis | |
CN114415498A (zh) | 一种发电机励磁装置pid参数离线整定方法 | |
CN106448381A (zh) | 一种全数字实时仿真机 | |
Bi et al. | Application of Intelligent Control in Mechatronics System | |
CN110021215A (zh) | 一种电力设备辅助培训终端设备 | |
Li | Intelligent electrical engineering automation on account of particle swarm optimization (PSO) algorithm |
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: 20190607 |