CN110009036A - 一种提高水电站综合效益的方法 - Google Patents

一种提高水电站综合效益的方法 Download PDF

Info

Publication number
CN110009036A
CN110009036A CN201910266855.1A CN201910266855A CN110009036A CN 110009036 A CN110009036 A CN 110009036A CN 201910266855 A CN201910266855 A CN 201910266855A CN 110009036 A CN110009036 A CN 110009036A
Authority
CN
China
Prior art keywords
head
hydropower unit
power station
unit
hydropower
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
Application number
CN201910266855.1A
Other languages
English (en)
Inventor
安学利
潘罗平
江翠伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN201910266855.1A priority Critical patent/CN110009036A/zh
Publication of CN110009036A publication Critical patent/CN110009036A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种提高水电站综合效益的方法，其包括以下步骤：(1)基于预先获取的水电机组的现场效率试验数据，建立基于反距离加权模型的水电机组耗流量预测模型；(2)实时获取水电机组的当前工作水头，将当前工作水头输入水电机组耗流量预测模型，实时计算出当前工作水头下水电机组的耗流量曲线；(3)基于得到的当前水头下不同水电机组的耗流量曲线和机组的实际开机情况，调整水电站的开机顺序，用于提高水电站综合效益。本发明可以广泛应用于水电站综合效益提高领域。

Description

一种提高水电站综合效益的方法
技术领域
本发明涉及一种提高水电站综合效益的方法，属于水电站综合效益评估领域。
背景技术
基于耗流量和机组效率，根据水电站实际来水量和机组的实际开机情况，调整水电站的开机顺序，能有效提高水电站综合效益。即根据水电站来水量和工作水头，完成电网负荷要求所需耗流量最小。分析数据表明，在不增加任何投入的前提下，仅仅通过调整机组的开机顺序，能给水电站带来巨大的经济效益。
常用的计算水轮机组效率的方法有两种：一种是通过水轮机组运行效率试验，获得不同水头下机组的出力、流量和效率等参数，绘出试验水头下机组的效率特性曲线，进而鉴定和校准机组综合运转特性曲线，但是该方法工作量大，没用自适应性，且当运行参数变化时，需要重新计算和绘制曲线。另一种方法是采用人工智能方法，如人工神经网络技术，该方法以机组工作水头、出力为输入样本，效率或耗流量为输出样本，进行网络训练，从而获得机组工作水头、出力和流量的映射关系，用来计算任意水头下的效率曲线，然后计算耗流量。然而，分析发现，BP神经网络具有学习速度慢，需要调节的参数多等缺点；RBF神经网络学习收敛速度明显好于BP神经网络，但该方法存在径向基函数中心、宽度、连接权重等难以确定的问题，且需要人工设置径向基函数的扩展速度，该参数设置不同，计算精度有明显变化，且当训练样本增多时，网络结构和复杂度大大增加，加大了其运算量。
发明内容
针对上述问题，本发明的目的是提供一种提高水电站综合效益的方法，该方法基于反距离加权模型计算水电机组耗流量，能够实时快速计算出不同水头下机组的耗流量曲线，有很高的计算精度。
为实现上述目的，本发明采取以下技术方案：一种提高水电站综合效益的方法，其包括以下步骤：(1)基于预先获取的水电机组的现场效率试验数据，建立基于反距离加权的水电机组耗流量预测模型；(2)实时获取水电机组的当前工作水头，将当前工作水头输入水电机组耗流量预测模型，实时计算出当前工作水头下水电机组的耗流量曲线；(3)基于得到的当前工作水头下不同水电机组的耗流量曲线和水电机组的实际开机情况，调整水电站的开机顺序，以提高水电站综合效益。
进一步的，所述步骤(1)中，基于预先获取的水电机组的现场效率试验数据，建立基于反距离加权模型的水电机组耗流量预测模型的方法，包括以下步骤：(1.1)对水电机组进行现场效率试验，获取水电机组在不同工作水头、不同出力时的耗流量；(1.2)从获取的现场效率实验数据中选取不同工作水头、不同出力及其对应的耗流量作为样本数据；(1.3)将标准样本数据中不同工作水头、不同出力标准样本作为输入，耗流量作为输出，建立反距离加权模型，并对建立的反距离加权模型进行训练。
进一步的，所述步骤(1.2)中，选取标准样本数据的原则为：所选数据能够覆盖水电机组可能的工作水头、出力变化区间。
进一步的，所述步骤(1.3)中，建立的基于反距离加权的水电机组耗流量预测模型为：
式中：Z(xi,yi)为样本点(xi,yi)处的耗流量的实测值，xi为样本点对应的工作水头；yi为样本点对应的出力；为待预测点(x,y)处耗流量的预测值，x为待预测点对应的工作水头；y为待预测点对应的出力；n为样本数；wi为距离权重，其计算公式为：
式中，di(x,y)为待预测点(x,y)与样本点(xi,yi)之间的欧式距离，P为幂指数。
进一步的，所述步骤(3)中，基于得到的当前水头下水电机组的耗流量曲线和机组的实际开机情况，调整水电站的开机顺序的方法为：根据当前水头下不同机组在不同负荷下对应的耗流量曲线，选择将该水电站在该水头下，相同出力时耗流量低的机组参加运行，以达到整个水电站优化经济运行的目的。
本发明由于采取以上技术方案，其具有以下优点：1、本发明提出了基于反距离加权模型的水电机组耗流量方法，根据水电机组现场效率试验得到的标准样本数据对反距离加权模型进行训练，得到的反距离加权模型更加贴近实际工况。2、本发明根据训练好的反距离加权模型以及水电站的实际工作水头，实时快速计算出不同水头下水电机组的耗流量曲线，进而对水电机组的开机顺序进行调整，有很高的计算精度，非常适合水电机组耗流量的在线计算。因此，本发明可以广泛应用于提高水电机组的综合效益领域。
附图说明
图1(a)～图1(c)是本发明实施例中水电机组在不同水头下的耗流量曲线，图1(a)的水头为86m，图1(b)的水头为96m，图1(c)的水头为106m。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
反距离加权是最常用的空间插值法之一，该方法计算方便，在样本点分布均匀的情况下有很好的插值结果，其核心是根据插值点与样本点之间的距离赋予插值权重，距离插值点越近的样本点权重值越大。
基于上述对反距离加权模型的分析，本发明提出一种提高水电站综合效益的方法，其包括以下步骤：
(1)基于预先获取的水电机组的现场效率试验数据，建立反距离加权模型并进行训练；
具体的，包括以下步骤：
(1.1)对水电机组进行现场效率试验，获取水电机组在不同工作水头、不同出力时的耗流量；
(1.2)从获取的现场效率实验数据中选取不同工作水头、不同出力及其对应的耗流量作为样本数据；其中，选取标准样本数据的原则为：所选数据能够覆盖水电机组可能的工作水头、出力变化区间。
(1.3)将标准样本数据中不同工作水头、不同出力标准样本作为输入，耗流量作为输出，建立反距离加权模型，得到基于反距离加权的水电机组耗流量预测模型。
建立的基于反距离加权的水电机组耗流量预测模型为：
式中：Z(xi,yi)为样本点(xi,yi)处的耗流量的实测值，xi为样本点对应的工作水头；yi为样本点对应的出力；为待预测点(x,y)处耗流量的预测值，x为待预测点对应的工作水头；y为待预测点对应的出力；n为样本数；wi为距离权重，其计算公式为：
式中，di(x,y)为待预测点(x,y)与样本点(xi,yi)之间的欧式距离，P为幂指数。
(2)实时获取水电机组的当前工作水头，将当前工作水头输入训练好的反距离加权模型，实时计算出当前工作水头下水电机组的耗流量曲线。
(3)基于得到的当前水头下水电机组的耗流量曲线和机组的实际开机情况，调整水电站的开机顺序，用于提高水电站综合效益。
当电网对该电站需要调度某出力时，通过反距离加权模型，可以实时快速地计算出该水头下，不同机组在不同负荷下对应的耗流量曲线。通过该曲线可以尽量安排该电站在该水头下，相同出力时耗流量低的机组参加运行，达到整个水电站优化经济运行的目的。
下面通过具体实施例对本发明方法做进一步介绍。本实施例中采用的某水电站16号机组的额定出力为710MW，额定转速为75rpm。水电站最大水头为113m，最小水头为61m。对该机组进行升水位试验，上游水位从145.5m～172.4m。采集数据包括上游水位、下游水位、流量、出力等。现选取毛水头(上游水位-下游水位)与出力作为输入样本，流量作为输出样本，建立反距离加权模型，对模型进行训练。
在1790组数据中，抽取990组建立反距离加权模型，获得机组工作水头、出力和流量的精确映射关系；将剩下的800组数据作为测试样本进行模型验证。为了能使反距离加权模型具有很好的回归能力，所选取的1790组数据要尽量覆盖机组可能的工作水头、出力变化区间。
将800测试样本中的工作水头、出力输入反距离加权模型，模型输出机组流量值p(i)，p(i)与实测数据r(i)的比较如表1所示，由于篇幅关系，表1只给出了20组测试样本。从表中可以看出，机组流量计算值和实测值基本吻合，所建模型平均相对误差为0.008％，具有非常高的精度。
表1基于反距离加权模型的设备温度模型的计算结果
同时比较了反距离加权模型和RBF神经网络模型的计算精度，800组测试样本分别代入2个模型进行计算，精度如表2所示。从表中可以看出，反距离加权模型具有很高的计算精度和较快的计算速度，非常适合于水电机组耗流量的在线计算。
表2两个模型计算精度比较表
模型 计算精度(平均相对误差，％) 计算速度(s)
反距离加权模型 0.008 0.79
RBF神经网络模型 0.487 62.54
训练完成后得到的反距离加权模型可以用来计算任意水头下水电机组的耗流量。如图1(a)～图1(c)所示，给出了工作水头分别为86m，96m和106m时，应用反距离加权模型计算得到的该机组的耗流量曲线。从图中可以看出，水电机组在不同水头下出力不同时所需耗流量不同。同一水头下出力越大，耗流量越大。采用反距离加权模型能很好地建立了工作水头、出力和耗流量之间的映射关系，通过该模型可实时计算机组不同水头时，机组不同出力对应的耗流量。
通过反距离加权模型，可以对水电站不同机组建立起对应耗流量模型。当电网对该电站需要调度某出力时，通过反距离加权模型，可以实时快速地计算出该水头下，不同机组在不同负荷下对应的耗流量曲线。通过该曲线可以尽量安排该电站在该水头下，相同出力时耗流量低的机组参加运行，即通过计算各台机组的耗流量，进行合理的机组组合运行，使得整个水电站的耗流量最低，能带来显著的经济效益，达到整个水电站优化经济运行的目的。且该方法不像RBF神经网络需要人工设置径向基函数的扩展速度，该参数设置不同，计算精度有明显变化。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (5)

1.一种提高水电站综合效益的方法，其特征在于包括以下步骤：
(1)基于预先获取的水电机组的现场效率试验数据，建立基于反距离加权的水电机组耗流量预测模型；
(2)实时获取水电机组的当前工作水头，将当前工作水头输入水电机组耗流量预测模型，实时计算出当前工作水头下水电机组的耗流量曲线；
(3)基于得到的当前工作水头下水电机组的耗流量曲线和水电机组的实际开机情况，调整水电站的开机顺序，以提高水电站综合效益。
2.如权利要求1所述的一种提高水电站综合效益的方法，其特征在于：所述步骤(1)中，基于预先获取的水电机组的现场效率试验数据，建立基于反距离加权的水电机组耗流量预测模型的方法，包括以下步骤：
(1.1)对水电机组进行现场效率试验，获取水电机组在不同工作水头、不同出力时的耗流量；
(1.2)从获取的现场效率实验数据中选取不同工作水头、不同出力及其对应的耗流量作为样本数据；
(1.3)将标准样本数据中不同工作水头、不同出力标准样本作为输入，耗流量作为输出，建立反距离加权模型，得到基于反距离加权的水电机组耗流量预测模型。
3.如权利要求2所述的一种提高水电站综合效益的方法，其特征在于：所述步骤(1.2)中，选取标准样本数据的原则为：所选数据能够覆盖水电机组可能的工作水头、出力变化区间。
4.如权利要求2所述的一种提高水电站综合效益的方法，其特征在于：所述步骤(1.3)中，建立的基于反距离加权的水电机组耗流量预测模型为：
式中：Z(xi,yi)为样本点(xi,yi)处的耗流量的实测值，xi为样本点对应的工作水头；yi为样本点对应的出力；为待预测点(x,y)处耗流量的预测值，x为待预测点对应的工作水头；y为待预测点对应的出力；n为样本数；wi为距离权重，其计算公式为：
式中，di(x,y)为待预测点(x,y)与样本点(xi,yi)之间的欧式距离，P为幂指数。
5.如权利要求1所述的一种提高水电站综合效益的方法，其特征在于：所述步骤(3)中，基于得到的当前水头下水电机组的耗流量曲线和机组的实际开机情况，调整水电站的开机顺序的方法为：根据当前水头下不同机组在不同负荷下对应的耗流量曲线，选择将该水电站在该水头下，相同出力时耗流量低的机组参加运行，以达到整个水电站优化经济运行的目的。
CN201910266855.1A 2019-04-03 2019-04-03 一种提高水电站综合效益的方法 Pending CN110009036A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910266855.1A CN110009036A (zh) 2019-04-03 2019-04-03 一种提高水电站综合效益的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910266855.1A CN110009036A (zh) 2019-04-03 2019-04-03 一种提高水电站综合效益的方法

Publications (1)

Publication Number Publication Date
CN110009036A true CN110009036A (zh) 2019-07-12

Family

ID=67169778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910266855.1A Pending CN110009036A (zh) 2019-04-03 2019-04-03 一种提高水电站综合效益的方法

Country Status (1)

Country Link
CN (1) CN110009036A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738626A (zh) * 2020-07-22 2020-10-02 河南郑大水利科技有限公司 一种径流式水电站的开机方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104252647A (zh) * 2014-06-10 2014-12-31 南瑞（武汉）电气设备与工程能效测评中心 基于反距离权重插值法的用电负荷预测方法
CN109541725A (zh) * 2018-10-18 2019-03-29 国网山东省电力公司应急管理中心 一种基于gis的电网工程气象监测预警方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104252647A (zh) * 2014-06-10 2014-12-31 南瑞（武汉）电气设备与工程能效测评中心 基于反距离权重插值法的用电负荷预测方法
CN109541725A (zh) * 2018-10-18 2019-03-29 国网山东省电力公司应急管理中心 一种基于gis的电网工程气象监测预警方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张瑞勋: "枫树坝水电站机组经济运行分析", 《广东省水利发电工程学会论文集》 *
房林东 等: "考虑高程的雨量反距离权重插值法研究", 《人民黄河》 *
林坚 等: "《中国城乡建设用地增长研究》", 31 December 2009 *
赵麦换 等: "径向基神经网络在水轮发电机组耗流量计算中的应用", 《水电自动化与大坝监测》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738626A (zh) * 2020-07-22 2020-10-02 河南郑大水利科技有限公司 一种径流式水电站的开机方法及系统
CN111738626B (zh) * 2020-07-22 2023-07-14 云南大唐国际李仙江流域水电开发有限公司 一种径流式水电站的开机方法及系统

Similar Documents

Publication Publication Date Title
CN108375476B (zh) 一种水电机组健康评估方法
CN111369070B (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN102693451B (zh) 基于多参数的氨法烟气脱硫效率预测方法
CN110070282A (zh) 一种基于综合关联度的低压台区线损影响因素分析方法
CN108876021B (zh) 一种中长期径流预报方法及系统
CN105007170B (zh) 一种基于fahp-svm理论的wlan网络负载综合评价方法
CN112149873B (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN107437135B (zh) 一种新型储能选型方法
CN110298369A (zh) 一种电力系统不良数据的辨识方法及系统
CN106208043B (zh) 一种中低压配电网关键耗能环节辨识方法
CN103324858A (zh) 配电网三相潮流状态估计方法
CN112990627B (zh) 电能质量评估方法
CN117469603B (zh) 一种基于大数据学习的多水厂供水系统压力优化控制方法
CN110009036A (zh) 一种提高水电站综合效益的方法
CN106599541B (zh) 一种动态电力负荷模型的结构和参数在线辨识方法
CN115542236B (zh) 电能表运行误差估计方法及装置
CN112784870A (zh) 一种基于聚类算法的典型台区分类方法及系统
CN115907138B (zh) 一种用于对数据中心的pue值进行预测的方法、系统及介质
CN112116489A (zh) 一种基于泛在互联的主动配电网供电质量复合感知与评价方法及系统
CN111293687A (zh) 一种基于三维粒子群算法的分布式电源选址定容的方法
CN106897771B (zh) 一种基于混沌遗传算法的新能源样板机选择方法及系统
CN106684854B (zh) 一种基于节点等效的有源配电网电压越限风险分析方法
CN105699043B (zh) 一种提高风洞传感器测量稳定性和精准度的方法
CN115313402A (zh) 基于移动式无功补偿装置的山区线路无功补偿优化方法
CN104573197B (zh) 一种水轮机模型参数的测试方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190712