CN110147572A - 一种抽水蓄能电站主进水阀自激振动敏感性分析方法 - Google Patents
一种抽水蓄能电站主进水阀自激振动敏感性分析方法 Download PDFInfo
- Publication number
- CN110147572A CN110147572A CN201910300693.9A CN201910300693A CN110147572A CN 110147572 A CN110147572 A CN 110147572A CN 201910300693 A CN201910300693 A CN 201910300693A CN 110147572 A CN110147572 A CN 110147572A
- Authority
- CN
- China
- Prior art keywords
- inlet valve
- excited vibration
- parameter
- self
- main inlet
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 42
- 238000010206 sensitivity analysis Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 230000002441 reversible effect Effects 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 230000001052 transient effect Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 230000008030 elimination Effects 0.000 abstract description 5
- 238000003379 elimination reaction Methods 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 5
- 235000013350 formula milk Nutrition 0.000 description 21
- 239000000463 material Substances 0.000 description 10
- 238000011144 upstream manufacturing Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000000523 sample Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000003566 sealing material Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 244000145845 chattering Species 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种抽水蓄能电站主进水阀自激振动敏感性分析方法。首先构建抽水蓄能电站主进水阀自激振动精细化数值仿真模型,包含主进水阀柔性阀门模型;其次,采用修正Morris参数筛选法,分析、测算各性能参量对自激振动的影响程度,从众多性能参量中探明对主进水阀自激振动有重要影响的敏感性因素。本发明提出的抽水蓄能电站主进水阀柔性阀门自激振动敏感性分析方法,可以从复杂多变的众多性能参量中准确找出对主进水阀自激振动有重要影响的敏感参量,为主进水阀自激振动的预防与消除提供科学依据和技术支撑,实现简单、可操作性强,可工程实际应用,有效控制自激振动故障。
Description
技术领域
本发明属于抽水蓄能电站有压过水系统振动分析技术领域,特别是涉 及一种抽水蓄能电站主进水阀自激振动敏感性分析方法
背景技术
主进水阀作为抽水蓄能电站重要的设备之一,其作用主要有:①当电 站机组异常时或者需要检修时,可以截断水流;②可以和调速器配合,参 与机组调节以减轻水力振荡。主进水阀的稳定性对其功能的实现具有至关 重要作用,但自激振动严重影响主进水阀的安全稳定运行,因此主进水阀 自激振动的研究对提高抽水蓄能电站运行的可靠性,保证可逆式水轮机的 安全稳定运行具有重要的工程价值。
目前,国内外学者对自激振动现象做了很多研究,周建旭、索丽生和 胡明等采用水力阻抗法探究抽水蓄能电站机组发生自激振动的判断条件和 对应的不稳定区域,并运用非线性振动理论探究可逆式水轮机发生自激振 动时的幅频特性,得出可逆式水轮机自激振动由许多衰减因子为正的模式 相加而成。叶复萌、朱渊岳、张绍春等采用特征线法对抽水蓄能电站自激 振动事故进行研究,结合实例分析一致认为,自激振动可能是由柔性阀门 密封漏水问题引起的,但未探明对主进水阀自激振动有重要影响的性能参 量以及这些参量对主进水阀自激振动的具体影响,较难应用于工程实际。
发明内容
本发明提供一种抽水蓄能电站主进水阀自激振动敏感性分析方法,用 以解决现有因未探明对主进水阀自激振动有重要影响的性能参量而导致工 程实际不能有效控制自激振动故障的技术问题。
本发明解决上述技术问题的技术方案如下:一种抽水蓄能电站主进水 阀自激振动敏感性分析方法,包括:
步骤1、基于已构建的抽水蓄能电站主进水阀自激振动的精细化数值仿 真模型,确定影响所述自激振动的多个参数及其初始参数值,其中,所述 仿真模型包括所述主进水阀的柔性阀门模型;
步骤2、基于所述仿真模型,仿真得到在所有所述初始参数值下所述主 进水阀柔性阀门的第一水头;
步骤3、基于修正Morris参数筛选法、所述仿真模型和所述第一水头, 对每个所述参数的参数值进行更改,并通过仿真和计算,确定所述自激振 动对各个参数的敏感度。
本发明的有益效果是:本发明提出的方法,首先构建抽水蓄能电站主 进水阀自激振动精细化数值仿真模型,包含主进水阀柔性阀门模型,采用 柔性阀门,仿真结果更正确,更贴近工程实际;其次,采用修正Morris参 数筛选法,分析、测算各参量对自激振动的影响程度,从众多性能参量中 探明对主进水阀自激振动有重要影响的敏感性因素。本发明提出的抽水蓄 能电站主进水阀柔性阀门自激振动敏感性分析方法,可以从复杂多变的众 多性能参量中准确找出对主进水阀自激振动有重要影响的敏感参量,为主 进水阀自激振动的预防与消除提供科学依据和技术支撑,实现简单、可操 作性强,可工程实际应用,有效控制自激振动故障。
上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述主进水阀的柔性阀门模型为基于瞬变流理论的柔性阀门 模型。
本发明的进一步有益效果是:采用基于瞬变流理论的主进水阀的柔性 阀门模型,仿真模型更加精细,更贴近工程实际,让数值仿真模型能精确 模拟主进水阀的自激振动过程。
进一步,所述方法还包括:
步骤4、采用控制变量法,依次确定所述多个参数中一个参数为分析参 数,多次改变该分析参数的参数值大小,以基于所述仿真模型,确定该参 数对所述自激振动的周期、发展速率和幅值的影响规律。
本发明的进一步有益效果是:通过控制变量法,设置对比方案,分析、 测算敏感因素对自激振动过程的具体影响,进而判断主进水阀发生自激振 动条件,为主进水阀自激振动的预防与消除,提供科学依据和技术支撑。
进一步,所述仿真模型还包括:基于改进Suter-模糊BP神经网络的可 逆式水轮机模型,以及基于瞬变流理论的有压过水系统模型。
本发明的进一步有益效果是:首先,本发明构建的抽水蓄能电站主进 水阀自激振动精细化数值仿真模型,充分考虑了可逆式机组的非线性和主 进水阀的柔性特性,可以更精确模拟主进水阀的自激振动过程。其次,基 于改进Suter-模糊BP神经网络的可逆式水轮机插值模型,能够消除可逆式 水轮机的全特性曲线在“S”特性区交叉、聚集的影响。另外,基于瞬变流 理论的有压过水系统模型,该模型考虑了上下游水库和上下游调压井等边 界特性。
进一步,所述基于改进Suter-模糊BP神经网络的可逆式水轮机插值模 型的构建方法,包括:
采用改进Suter变换,对可逆式水轮机原始全特性曲线进行变换处理, 得到基于改进Suter变换的可逆式水轮机全特性曲线;
采用模糊BP神经网络的自学习能力,对所述可逆式水轮机全特性曲线 进行奇点修正和数据延展,得到所述基于改进Suter-模糊BP神经网络的可 逆式水轮机插值模型。
进一步,所述模糊BP神经网络的输入层和输出层分别有两个神经元;
所述模糊BP神经网络的隐含层有两层,其中一层有15个神经元,另 一层有14个神经元;
所述采用模糊BP神经网络的自学习能力,对所述可逆式水轮机全特性 曲线进行奇点修正和数据延展时,最大迭代次数为1100次,学习率为0.09, 训练目标误差为1*10-8。
本发明的进一步有益效果是:采用该种模糊BP神经网络,自学习能力 更强,分析结果更加准确。
进一步,所述步骤3包括:
依次对每个参数,在所有初始参数值的基础上,多次改变该参数的参 数值,并通过所述仿真模型,得到每次改变后所述柔性阀门的第二水头;
基于每相邻两次改变对应的该参数的参数值和所述第二水头,得到该 参数在每次参数值改变后对所述柔性阀门的水头的影响程度;
基于该参数在每次参数值改变后对所述柔性阀门的水头的影响程度以 及总的改变次数,计算该参数的敏感性判别因子,确定该参数对所述自激 振动的影响度。
优选的,所述影响程度的表达式为:
其中,Ei+1为第i+1次参数值改变后对所述柔性阀门的水头的影响程度, 第Yi是第i次改变对应的第二水头;Yi+1是第i+1次改变对应的第二水头;Y0是 所述第一水头;Δ为每相邻两次改变对应的该参数的参数值差值百分率;
所述敏感性判别因子的计算公式为:
其中,n为所述总的改变次数。
本发明的进一步有益效果是:本发明提供的基于修正Morris参数筛选 法的主进水阀自激振动分析方法,可以从影响主进水阀自激振动过程的复 杂多变的众多性能参量中准确找出对主进水阀自激振动有重要影响的敏感 因素,从而为自激振动机理分析奠定基础。
本发明还提供一种存储介质,所述存储介质中存储有指令,当计算机 读取所述指令时,使所述计算机执行如上述任一种抽水蓄能电站主进水阀 自激振动敏感性分析方法。
附图说明
图1为本发明实施例中的一种抽水蓄能电站主进水阀自激振动敏感性 分析方法的流程框图;
图2为本发明实施例中的刚性阀门与柔性阀门的漏水特性图;
图3为本发明实施例中的过水系统管路分段图;
图4为本发明实施例中的传统水轮机流量特性曲线;
图5为本发明实施例中的传统水轮机力矩特性曲线;
图6为本发明实施例中的经改进Suter-模糊BP神经网络处理得到的 WH(xqa,y)特性曲线;
图7为本发明实施例中的经改进Suter-模糊BP神经网络预处理得到的 WM(xqa,y)特性曲线;
图8为本发明实施例中的方案1主进水阀上游测压管水头随时间的变 化曲线图;
图9为本发明实施例中的方案2主进水阀上游测压管水头随时间的变 化曲线图;
图10为本发明实施例中的方案3主进水阀上游测压管水头随时间的变 化曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图 及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体 实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的 本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可 以相互组合。
实施例一
一种抽水蓄能电站主进水阀自激振动敏感性分析方法100,如图1所示, 包括:
步骤110、基于已构建的抽水蓄能电站主进水阀自激振动的精细化数值 仿真模型,确定影响自激振动的多个参数及其初始参数值,其中,仿真模 型包括主进水阀的柔性阀门模型;
步骤120、基于仿真模型,仿真得到在所有初始参数值下主进水阀柔性 阀门的第一水头;
步骤130、基于修正Morris参数筛选法、仿真模型和第一水头,对每 个参数的参数值进行更改,并通过仿真和计算,确定自激振动对各个参数 的敏感度。
建立抽水蓄能电站有压过水系统精细化模型,模型建立的重点和难点 主要是主进水阀的建模,国内外学者大都是将主进水阀作为一个刚性阀门 进行建模。为了让数值仿真模型能精确模拟主进水阀的自激振动过程,本 实施例将其作为一个柔性阀门进行建模,建立抽水蓄能电站主进水阀自激 振动精细化数值仿真模型。
该方法首先构建抽水蓄能电站主进水阀自激振动精细化数值仿真模型, 包含主进水阀柔性阀门模型;采用修正Morris参数筛选法,分析、测算各 参量对自激振动的影响程度,从众多性能参量中探明对主进水阀自激振动 有重要影响的敏感性因素。本实施例提出的抽水蓄能电站主进水阀柔性阀 门自激振动敏感性分析方法实现简单、可操作性强,可以从复杂多变的众 多性能参量中准确找出对主进水阀自激振动有重要影响的敏感参量,为主 进水阀自激振动的预防与消除提供科学依据和技术支撑,可工程应用。
优选的,主进水阀的柔性阀门模型为基于瞬变流理论的主进水阀的柔 性阀门模型。
主进水阀根据漏水特性的不同分为刚性阀门和柔性阀门,其漏水特性 如图2所示。在阀门关闭时,如果阀门的漏水量会随着阀门前后压差的增 大而减小,则称之为柔性阀门,本实施例是采用柔性阀门,其漏水量计算 公式为:m1=πDx0;m2=πDρgAf/k。式中,D为阀门直 径,x0为阀门前后差压为0时的密封间隙,Af为阀门密封盖的面积,k为阀 门密封的弹性系数,ρ为水的密度,Q为柔性阀门的流量,H为柔性阀门 的水头,m1和m2为漏水系数。
采用基于瞬变流理论的主进水阀的柔性阀门模型,仿真更正确,更贴 近工程实际,让数值仿真模型能精确模拟主进水阀的自激振动过程。
优选的,方法100还包括:
步骤140、采用控制变量法,依次确定所述多个参数中一个参数为分析 参数,多次改变该分析参数的参数值大小,以基于所述仿真模型,确定该 参数对所述自激振动的周期、发展速率和幅值的影响规律。
采用控制变量法,分别对每一个参数,多次改变该参数的参数值大小, 通过仿真计算,找出随着该参数值变化的趋势,自激振动发生变化的具体 情况。
因而,通过控制变量法,设置对比方案,分析、测算敏感因素对自激 振动过程的具体影响,进而判断主进水阀发生自激振动条件,为主进水阀 自激振动的预防与消除,提供科学依据和技术支撑。
优选的,仿真模型还包括:基于改进Suter-模糊BP神经网络的可逆式 水轮机模型,以及基于瞬变流理论的有压过水系统模型。
有压过水系统模型包括压力管道模型、上下游水库模型和上下游调压 室模型,基于瞬变流理论的压力管道、上下游水库和上下游调压室模型, 考虑了水击,摩擦损失,精确度较高。
例如,利用调整波速法对有压过水系统进行管道划分,管道布置形式 如图3所示,具体参数如表1所示。
表1机组管道系统参数表
对管道列写特征线方程,公式如下:
其中:
Cp=QA+CaHA-CfQA|QA|
Cn=QB-CaHB-CfQB|QB|
Ca=gF/c
Cf=fΔt/2DF
式中:F为管道截面,f为摩阻系数,D为管道截面直径,c为压力波速, Cp、Cn、Ca、Cf为特征线水击特征参数,QA、QB、Qp为对应节点A、B、P 处流量,HA、HB、Hp为对应节点A、B、P处水头,节点A、B、P为计算时 设定的相邻三个节点,用于计算P点的流量和水头。
另外,基于改进Suter-模糊BP神经网络的可逆式水轮机插值模型,能 够消除可逆式水轮机的全特性曲线在“S”特性区交叉、聚集的影响。
优选的,基于改进Suter-模糊BP神经网络的可逆式水轮机插值模型的 构建方法,包括:采用改进Suter变换,对可逆式水轮机原始全特性曲线进 行变换处理,得到基于改进Suter的可逆式水轮机全特性曲线;采用模糊 BP神经网络的自学习能力,对可逆式水轮机全特性曲线进行奇点修正和数 据延展,得到基于改进Suter-模糊BP神经网络的可逆式水轮机插值模型。
采用改进Suter-模糊BP神经网络对可逆式水轮机全特性曲线进行处理, 改进Suter变换的变换公式为:
式中,x为机组当前转速值与额定值的相对值,q为机组当前流量值与额定 值的相对值,h为机组当前水头值与额定值的相对值,mt为机组当面转矩值 与额定值的相对值,y为导叶当前开度值与额定值的相对值,xqa为相对流 量角,k1、k2、Cy、Ch均为改进Suter变换系数,k1>|M11max|/M11r,M11r为 额定单位转矩,M11max为单位转矩最大值,k2=0.5~1.2,Cy=0.1~0.3,Ch=0.4~0.6。
其次,在根据两元三点拉格朗日插值方法和基于改进Suter-模糊BP神 经网络的可逆式水轮机插值模型进行水轮机的水头求解时,采用改进Suter 反变换进行求解,其中,采用传统改进Suter反变换计算机组力矩和水头的 公式如下:
式中,xn为第n次改变下机组当前转速值相当于额定转速的相对值,qn为第n次改变下机组当前流量值相对于额定流量的相对值,hn+1为第n次改 变下机组当前水头值相对于额定水头的相对值,mn+1为第n次改变下机组当 前转矩相对于额定转矩相对值,yn为第n次改变下机组当前开度相对额定 开度的相对值,xqan为相对流量角,n为次数。
采用模糊BP神经网络改进后的改进Suter反变换,计算机组力矩和水 头的公式如下:
如图4和图5所示,分别为可逆式水轮机流量特性和力矩特性曲线, 经改进Suter-模糊BP神经网络得到的曲线如图6和图7所示,其中,图中 的a代表导叶开度。从图中可以看出,经改进Suter变换和模糊BP神经网 络学习,能够消除可逆式水轮机的全特性曲线在“S”特性区交叉、聚集的 影响且延长曲线的长度和平滑度,提高自激振动对各参数的敏感性分析的 精确度。
需要说明的是,在仿真时,可采用两元三点拉格朗日插值方法求解已 构建的基于改进Suter-模糊BP神经网络的可逆式水轮机模型。
本实施例构建的抽水蓄能电站主进水阀自激振动精细化数值仿真模型, 充分考虑了可逆式机组的非线性和主进水阀的柔性特性,可以更精确模拟 主进水阀的自激振动过程。
优选的,模糊BP神经网络的输入层和输出层分别有两个神经元;
所述模糊BP神经网络的隐含层有两层,其中一层有15个神经元,另 一层有14个神经元;
所述采用模糊BP神经网络的自学习能力,对所述可逆式水轮机全特性 曲线进行奇点修正和数据延展时,最大迭代次数为1100次,学习率为0.09, 训练目标误差为1*10-8。
运用模糊BP神经网络对采用改进Suter变换处理后的曲线进行奇点修 正和数据延展,由于WH和WM之间的耦合关系,采用输入为(x,y)、输 出为(WH,WM)的双隐含层结构模糊BP神经网络模型。采用该种模糊 BP神经网络,自学习能力更强,分析结果更加准确。
优选的,步骤130包括:
依次对每个参数,在所有初始参数值的基础上,多次改变该参数的参 数值,并通过仿真模型,得到每次改变后柔性阀门的第二水头;
基于每相邻两次改变对应的该参数的参数值和第二水头,得到该参数 在每次参数值改变后对柔性阀门的水头的影响程度;
基于该参数在每次参数值改变后对柔性阀门的水头的影响程度以及总 的改变次数,计算该参数的敏感性判别因子,确定该参数对自激振动的影 响度。
优选的,影响程度的表达式为:
敏感性判别因子的计算公式为:
其中,n为总的改变次数,Yi是第i次改变对应的第二水头,Yi+1是第i+1 次改变对应的第二水头,Y0是第一水头,Δ为每相邻两次改变对应的该参数 的参数值差值百分率。
运用修正Morris参数筛选法对主进水阀自激振动进行敏感性分析,分 析各种参量对自激振动的敏感程度值,具体步骤如下:
1)构建如下m×k′(m=k′+1)的矩阵B:
在矩阵中,每一个参数都以固定的步长变化取值,其余行用来决定所 有基本因素,k′影响因素参数的个数。
2)从上到下的两个相邻行作模型的输入,且相邻的两行仅具有不同的 第J列元素,即
式中:xj-x′j=Δ,Δ为设定的固定变化量百分率。取B(j)作为模型的 输入,则xj对输出的影响为:
Ej=[y(x1,x2,…,xj-1,xj,…,xl)-y(x1,x2,…,xj-1,x′j,…,xl)]/Δ
式中,y(x1,x2,…,xj-1,xj,…,xl)为参数改变后的输出(第二水头相对值), y(x1,x2,…,xj-1,x′j,…,xl)为参数改变前的输出,Δ为设定的固定变化量百分率, y=Y/Y0。
3)为了增强计算结果的可靠性和可信度,本实施例取Morris多个平均 值作为敏感性判别因子。
4)根据敏感性判别因子值的大小,将其划分为不同的敏感性等级。
敏感性等级具体划分以下4类:
(1)若敏感性判别因子|SN|≥1,则为高敏感参数;
(2)若敏感性判别因子0.2≤|SN|<1,则为敏感参数;
(3)若敏感性判别因子0.05≤|SN|<0.2,则为中等敏感参数;
(4)若敏感性判别因子0≤|SN|<0.05,则为不敏感参数。
例如,选取管道长度、主进水阀高程、主进水阀阀经、主进水阀密封 间隙、主进水阀阀门密封盖面积、主进水阀密封材料、主进水阀的漏水量、 上库水位、下库水位和管道材料等10个性能参量进行敏感性分析,具体分 析步骤如下:
1)构建如下11×10的矩阵B:
在矩阵中,每次选取10个参数中的一个,以5%为固定步长对某一参 数值进行修改,其范围为85%、90%、95%、105%、110%和115%,其余 参数均保持不变,其余行用来决定所有基本因素。
2)从上到下的两个相邻行作模型的输入,且相邻的两行仅具有不同的 第J列元素,即
式中:xj-x′j=Δ,Δ为设定的5%的固定变化量百分率。取B(j)作为模型的 输入,则xj对输出的影响为:
Ej=[y(x1,x2,…,xj-1,xj,…,xl)-y(x1,x2,…,xj-1,x′j,…,xl)]/Δ
式中,y(x1,x2,…,xj-1,xj,…,xl)为参数变化后的输出相对值, y(x1,x2,…,xj-1,x′j,…,xl)为参数变化前的输出相当值,Δ为设定的5%的固定变 化量百分率,y=Y/Y0。
3)基于敏感性判别因子计算公式:
式中,Pi是第i次参数值相对初始参数值的变化百分率;Pi+1是第i+1次参数值 相对初始参数值的变化百分率。
4)判断10个参数的敏感性判别因子是否都已经计算过,若否则返回 第二步。
根据上述步骤计算各参数对主进水阀自激振动的敏感性判别因子,其 计算结果如表2所示。
表2过水系统参数对自激振动的敏感性判别因子
根据表2,下库水位敏感性判别因子<0.05,为不敏感性参数;主进水 阀高程、主进水阀阀径、主进水阀密封间隙、主进水阀阀门密封盖面积、 主进水阀密封材料和上库水位的敏感性判别因子<0.2,为中等敏感性参数; 管道长度、主进水阀漏水量和管道材料的敏感性判别因子<1,为敏感性参 数。
进一步,针对敏感性参量设置对比方案,探究敏感参量对主进水阀自 激振动的具体影响,由敏感性分析探明对主进水阀自激振动影响较大的性 能参量是有压过水系统的管道长度,管道材料和主进水阀的漏水量。为探 究其对主进水阀自激振动的具体影响,本例采用控制变量法设置三个方案:
方案1:将管道Lr2改为756m,其余参数均不改变,其自激振动的计 算结果如图8。
方案2:将主进水阀的渗漏水量增大1.1倍,即将系数m1,m2扩大为原来 的1.1倍,其余参数不变,其自激振动的计算结果如图9。
方案3:将管道Lr2改为另一种材料,管道材料的不同的主要是对应于 不同的水击波速,本例所选的这种材料的水击波速只有1030m/s,其余参数 均不变,其自激振动的计算结果如图10。
由图8知,当过水系统的管道的长度缩短后主进水阀自激振动的幅值 大幅增加,周期缩短,发展速度急剧增大。故可通过增加过水系统管道的 长度,以减缓自激振动发展的速度,减轻自激振动的影响。
由图9知,主进水阀阀门漏水流量增大时,主进水阀自激振动的周期 变化较小,但自激振动振幅增长速率及幅值明显增大。故可通过改进工作 密封特别是密封盘根的结构、材料,以减小主进水阀漏水量,从而抑制自 激振动幅值增长速率,减小自激振动的幅值。
由图10知,过水系统管道更换为水击波速较小的材料之后主进水阀自 激振动的幅值大幅减少,周期增加,发展速度急剧减少。故可以通过更换 水击波速较小的管道材料,以降低自激振动发展的速率,削弱自激振动的 影响,并为消除自激振动提供充裕的时间。
本实施例提供的基于修正Morris参数筛选法的主进水阀自激振动分析 方法,可以从影响主进水阀自激振动过程的复杂多变的众多性能参量中准 确找出对主进水阀自激振动有重要影响的敏感因素,从而为自激振动机理 分析奠定基础。
实施例二
一种存储介质,存储介质中存储有指令,当计算机读取所述指令时, 使所述计算机执行上述任一种磁纳米粒子的温度与浓度成像方法。
相关技术方案同实施例一,在此不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已, 并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等 同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种抽水蓄能电站主进水阀自激振动敏感性分析方法,其特征在于,包括:
步骤1、基于已构建的抽水蓄能电站主进水阀自激振动的精细化数值仿真模型,确定影响所述自激振动的多个参数及其初始参数值,其中,所述仿真模型包括所述主进水阀的柔性阀门模型;
步骤2、基于所述仿真模型,仿真得到在所有所述初始参数值下所述主进水阀柔性阀门的第一水头;
步骤3、基于修正Morris参数筛选法、所述仿真模型和所述第一水头,对每个所述参数的参数值进行更改,并通过仿真和计算,确定所述自激振动对各个所述参数的敏感度。
2.根据权利要求1所述的一种抽水蓄能电站主进水阀自激振动敏感性分析方法,其特征在于,所述主进水阀的柔性阀门模型为基于瞬变流理论的柔性阀门模型。
3.根据权利要求1所述的一种抽水蓄能电站主进水阀自激振动敏感性分析方法,其特征在于,所述方法还包括:
步骤4、采用控制变量法,依次确定所述多个参数中一个参数为分析参数,多次改变该分析参数的参数值大小,以基于所述仿真模型,确定该参数对所述自激振动的周期、发展速率和幅值的影响规律。
4.根据权利要求1所述的一种抽水蓄能电站主进水阀自激振动敏感性分析方法,其特征在于,所述仿真模型还包括:基于改进Suter-模糊BP神经网络的可逆式水轮机模型,以及基于瞬变流理论的有压过水系统模型。
5.根据权利要求4所述的一种抽水蓄能电站主进水阀自激振动敏感性分析方法,其特征在于,所述基于改进Suter-模糊BP神经网络的可逆式水轮机插值模型的构建方法,包括:
采用改进Suter变换,对可逆式水轮机原始全特性曲线进行变换处理,得到基于改进Suter变换的可逆式水轮机全特性曲线;
采用模糊BP神经网络的自学习能力,对所述可逆式水轮机全特性曲线进行奇点修正和数据延展,得到所述基于改进Suter-模糊BP神经网络的可逆式水轮机插值模型。
6.根据权利要求5所述的一种抽水蓄能电站主进水阀自激振动敏感性分析方法,其特征在于,所述模糊BP神经网络的输入层和输出层分别有两个神经元;
所述模糊BP神经网络的隐含层有两层,其中一层有15个神经元,另一层有14个神经元;
所述采用模糊BP神经网络的自学习能力,对所述可逆式水轮机全特性曲线进行奇点修正和数据延展时,最大迭代次数为1100次,学习率为0.09,训练目标误差为0.5*10-8。
7.根据权利要求1所述的一种抽水蓄能电站主进水阀自激振动敏感性分析方法,其特征在于,所述步骤3包括:
依次对每个参数,在所有初始参数值的基础上,多次改变该参数的参数值,并通过所述仿真模型,得到每次改变后所述柔性阀门的第二水头;
基于每相邻两次改变对应的该参数的参数值和所述第二水头,得到该参数在每次参数值改变后对所述柔性阀门的水头的影响程度;
基于该参数在每次参数值改变后对所述柔性阀门的水头的影响程度以及总的改变次数,计算该参数的敏感性判别因子,确定该参数对所述自激振动的影响度。
8.根据权利要求7所述的一种抽水蓄能电站主进水阀自激振动敏感性分析方法,其特征在于,所述影响程度的表达式为:
其中,Ei+1为第i+1次参数值改变后对所述柔性阀门的水头的影响程度,第Yi是第i次改变对应的第二水头;Yi+1是第i+1次改变对应的第二水头;Y0是所述第一水头;Δ为每相邻两次改变对应的该参数的参数值差值百分率;
所述敏感性判别因子的计算公式为:
其中,n为所述总的改变次数。
9.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行权利要求1至8任一项所述的一种抽水蓄能电站主进水阀自激振动敏感性分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300693.9A CN110147572A (zh) | 2019-04-15 | 2019-04-15 | 一种抽水蓄能电站主进水阀自激振动敏感性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300693.9A CN110147572A (zh) | 2019-04-15 | 2019-04-15 | 一种抽水蓄能电站主进水阀自激振动敏感性分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110147572A true CN110147572A (zh) | 2019-08-20 |
Family
ID=67589047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300693.9A Pending CN110147572A (zh) | 2019-04-15 | 2019-04-15 | 一种抽水蓄能电站主进水阀自激振动敏感性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147572A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889218A (zh) * | 2019-11-20 | 2020-03-17 | 天生桥二级水力发电有限公司天生桥水力发电总厂 | 基于神经网络的水轮机非线性建模方法 |
CN111122150A (zh) * | 2020-01-08 | 2020-05-08 | 中国电建集团华东勘测设计研究院有限公司 | 一种抽水蓄能电站进水球阀水力自激振动监测处理装置及方法 |
CN112560242A (zh) * | 2020-12-04 | 2021-03-26 | 中国电建集团华东勘测设计研究院有限公司 | 一种提前判断水电站进水球阀泄漏导致管道自激振荡的方法 |
CN113824152A (zh) * | 2021-10-26 | 2021-12-21 | 国网新源控股有限公司 | 一种计及水头敏感的变速抽蓄协同风光发电调峰调度方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104930295A (zh) * | 2015-06-03 | 2015-09-23 | 国家电网公司 | 抽水蓄能电站引水系统自激振动消除方法 |
CN107203137A (zh) * | 2017-06-26 | 2017-09-26 | 华中科技大学 | 非线性抽水蓄能机组调速系统增益启发式自适应pid控制方法 |
-
2019
- 2019-04-15 CN CN201910300693.9A patent/CN110147572A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104930295A (zh) * | 2015-06-03 | 2015-09-23 | 国家电网公司 | 抽水蓄能电站引水系统自激振动消除方法 |
CN107203137A (zh) * | 2017-06-26 | 2017-09-26 | 华中科技大学 | 非线性抽水蓄能机组调速系统增益启发式自适应pid控制方法 |
Non-Patent Citations (9)
Title |
---|
JIANZHONG ZHOU ET AL.: "《A Real-Time Accurate Model and Its Predictive Fuzzy PID Controller for Pumped Storage Unit via Error Compensation》", 《ENERGIES》 * |
JIANZHONG ZHOU ET AL.: "A Real-Time Accurate Model and Its Predictive Fuzzy PID Controller for Pumped Storage Unit via Error Compensation", 《ENERGIES》 * |
原文林等: "基于Morris-Sobol的临界雨量参数敏感性分析", 《人民黄河》 * |
叶复萌等: "《抽水蓄能电站复杂管系的自激振动研究》", 《水力发电学报》 * |
孙逊等: "桐柏抽水蓄能电站球阀密封自激振荡分析及抑制", 《水电与抽水蓄能》 * |
斯静等: "泵系统中柔性阀门漏水引起的自激振动分析", 《排灌机械工程学报》 * |
蔡龙等: "水泵断电工况下洪屏抽水蓄能电站~#1机组特征参数数学模拟", 《水电能源科学》 * |
高颖会等: "《基于Morris的SWMM模型参数敏感性分析》", 《水资源与水工程学报》 * |
高颖会等: "基于Morris的SWMM模型参数敏感性分析", 《水资源与水工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889218A (zh) * | 2019-11-20 | 2020-03-17 | 天生桥二级水力发电有限公司天生桥水力发电总厂 | 基于神经网络的水轮机非线性建模方法 |
CN110889218B (zh) * | 2019-11-20 | 2023-09-01 | 天生桥二级水力发电有限公司天生桥水力发电总厂 | 基于神经网络的水轮机非线性建模方法 |
CN111122150A (zh) * | 2020-01-08 | 2020-05-08 | 中国电建集团华东勘测设计研究院有限公司 | 一种抽水蓄能电站进水球阀水力自激振动监测处理装置及方法 |
CN112560242A (zh) * | 2020-12-04 | 2021-03-26 | 中国电建集团华东勘测设计研究院有限公司 | 一种提前判断水电站进水球阀泄漏导致管道自激振荡的方法 |
CN113824152A (zh) * | 2021-10-26 | 2021-12-21 | 国网新源控股有限公司 | 一种计及水头敏感的变速抽蓄协同风光发电调峰调度方法 |
CN113824152B (zh) * | 2021-10-26 | 2023-06-23 | 国网新源控股有限公司 | 一种计及水头敏感的变速抽蓄协同风光发电调峰调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147572A (zh) | 一种抽水蓄能电站主进水阀自激振动敏感性分析方法 | |
CN103983453B (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
Pennacchi et al. | Modeling of the dynamic response of a Francis turbine | |
Réthoré | Wind turbine wake in atmospheric turbulence | |
CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
CN102436550B (zh) | 复杂边界及实际地形上溃坝洪水的自适应模拟方法 | |
CN104794293B (zh) | 风力机尾流计算方法 | |
CN111664823B (zh) | 基于介质热传导系数差异的均压电极垢层厚度检测方法 | |
CN104834778A (zh) | 一种地铁站通风空调系统的控制参数优化方法 | |
CN108763785A (zh) | 一种水轮机调节系统实时仿真方法、装置和电子设备 | |
CN105868497A (zh) | 一种带变顶高尾水隧洞水轮机调节系统仿真建模方法及模型 | |
CN109886523A (zh) | 一种综合能源网动态模型多速率计算方法 | |
Gan et al. | New deformation back analysis method for the creep model parameters using finite element nonlinear method | |
CN103942355B (zh) | 一种模拟水轮发电机组电液随动系统的建模方法 | |
Lan et al. | Physical model test and parametric optimization of a hydroelectric generating system with a coaxial shaft surge tank | |
CN114491730B (zh) | 一种高速铁路路基结构动力安定分析迭代方法及装置 | |
CN106156487A (zh) | 一种考虑多河流顶托影响的水库下游水位计算方法 | |
Filion et al. | Extended-period analysis with a transient model | |
WO2022149073A1 (en) | Governor realtime/hardware in the loop testing and hydropower plant operator training | |
CN114757049A (zh) | 流域污水处理厂提标改造的必要性分析验证方法 | |
Holst et al. | Static and dynamic analysis of a NACA 0021 airfoil section at low Reynolds numbers: Drag and moment coefficients | |
Walski | Discussion of “regularization of an inverse problem for parameter estimation in water distribution systems” by Alexander Waldron, Filippo Pecci, and Ivan Stoianov | |
Li et al. | A new processing method combined with BP neural network for Francis turbine synthetic characteristic curve research | |
Ma et al. | A high-precision transient state prediction framework for ageing hydropower systems: Refined model, two-stage parameter identification and impact analysis | |
CN111625987A (zh) | 一种基于深度学习的湍流模型生成方法 |
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 |
Application publication date: 20190820 |