CN110242475A - 水流能发电装置用复合叶轮 - Google Patents

水流能发电装置用复合叶轮 Download PDF

Info

Publication number
CN110242475A
CN110242475A CN201910380987.7A CN201910380987A CN110242475A CN 110242475 A CN110242475 A CN 110242475A CN 201910380987 A CN201910380987 A CN 201910380987A CN 110242475 A CN110242475 A CN 110242475A
Authority
CN
China
Prior art keywords
impeller
water flow
rotation axis
vertical rotation
power generator
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
CN201910380987.7A
Other languages
English (en)
Inventor
高强
袁航
王辰昊
廉帅
周丹妮
闫宏伟
芦艳斌
张昊冬
张宁
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.)
North University of China
Original Assignee
North University of China
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 North University of China filed Critical North University of China
Priority to CN201910380987.7A priority Critical patent/CN110242475A/zh
Publication of CN110242475A publication Critical patent/CN110242475A/zh
Pending legal-status Critical Current

Links

Classifications

    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03BMACHINES OR ENGINES FOR LIQUIDS
    • F03B3/00Machines or engines of reaction type; Parts or details peculiar thereto
    • F03B3/12Blades; Blade-carrying rotors
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03BMACHINES OR ENGINES FOR LIQUIDS
    • F03B3/00Machines or engines of reaction type; Parts or details peculiar thereto
    • F03B3/12Blades; Blade-carrying rotors
    • F03B3/14Rotors having adjustable blades
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/20Hydro energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Other Liquid Machine Or Engine Such As Wave Power Use (AREA)

Abstract

本发明公开了水流能发电装置用复合叶轮,属于水力发电领域;所要解决的技术问题是提供了一种可以用于山区灌渠、江河溪流的低流速的水流能发电的复合叶轮;解决该技术问题采用的技术方案为:水流能发电装置用复合叶轮,包括叶轮轴,叶轮轴左侧套设有第一伞齿轮,右侧套设有叶轮,以第一伞齿轮为中心,均布有多个垂直于第一伞齿轮的垂直齿轮,垂直齿轮中心处设置有垂直于叶轮轴的垂直转轴,垂直转轴上方设置有多个平行于垂直转轴的叶片,叶片与垂直转轴之间通过连杆相连;本发明可广泛应用于水力发电领域。

Description

水流能发电装置用复合叶轮
技术领域
本发明水流能发电装置用复合叶轮,属于水力发电技术领域。
背景技术
目前,山区灌渠和溪流水利参数的实时监测系统需要一个独立的电源系统以维持连续工作,而在山区人工供电比较困难,供电成本高,太阳能和风能在山区供电有很大的局限性。
长期以来,人们认为必须建造大坝以使上流江河形成一定的水位落差,从而利用这样的落差形成水头势能来发电,这样就导致多数河流中水流平缓的区域及其水的动能被忽视了,而现在江河流水的水流能以为其清洁无污染等特点,正在被逐渐的开发利用,这其中的水能源的利用正在日趋成熟,江湖、溪流、渠道水流速虽然慢,但是同样是有大量能量,但是水流速度慢,没有足够的速度对水流发电机的叶轮进行冲刷,无法带动叶轮工作,进而也无法进行发电,所以这成为一只困扰研究机构和科研人员的问题,只有增加水流的动能,以此来冲刷叶轮,叶轮获得的动能越大,其转速就会增大,进而发电机转速增大,转化的电能高,发电效果好。
发明内容
本发明克服了现有技术存在的不足,提供了一种可以用于山区灌渠、江河溪流的低流速的水流能发电的复合叶轮。
为了解决上述技术问题,本发明采用的技术方案为:水流能发电装置用复合叶轮,包括叶轮轴,叶轮轴左侧套设有第一伞齿轮,中部套设有叶轮,以第一伞齿轮为中心,均布有多个与第一伞齿轮啮合的垂直齿轮,垂直齿轮中心处设置有垂直于叶轮轴的垂直转轴,垂直转轴上方环形设置有多个平行于垂直转轴的叶片,叶片与垂直转轴之间通过连杆相连。
所述的垂直齿轮数量为3,所述的叶片数量为3。
所述的叶轮的叶片数量为3。
所述的叶片以垂直转轴为中心环形布置在垂直转轴外围。
所述的叶片为双向翼型叶片。
所述的垂直转轴远离叶轮轴的一侧设置有顶尖。
本发明与现有技术相比具有以下有益效果。
1、叶轮有三个叶片,出水区为3个区域,利用水流的流速,在3个出水区上设置有垂直轴叶轮,每个垂直轴叶轮上设置有3个翼型叶片,翼型叶片与叶轮的叶片相互平行,这样可以用更低的水流启动装置,使叶轮转速加快,功率增大。
2、双向翼型叶片与垂直轴之间通过连杆相连,双向翼型叶片为可调节型翼型叶片,叶片角度可以根据水流速度调节,减少水流能量的损失。
附图说明
下面结合附图对本发明做进一步的说明。
图1为本发明的结构示意图。
图2为图1的左视图。
图3为图1的右视图。
图4为本发明的轴测图。
图5为图1垂直转轴部分结构的俯视图。
图6为图5的侧视图。
图7位T-S模型的模糊神经网络。
图中1为叶轮轴、2为第一伞齿轮、3为叶轮、4为垂直齿轮、5为垂直转轴、6为叶片、7为连杆。
具体实施方式
如图1-7所示,本发明1.水流能发电装置用复合叶轮,包括叶轮轴1,叶轮轴1左侧套设有第一伞齿轮2,中部套设有叶轮3,以第一伞齿轮2为中心,均布有多个与第一伞齿轮2啮合的垂直齿轮4,垂直齿轮4中心处设置有垂直于叶轮轴1的垂直转轴5,垂直转轴5上方环形设置有多个平行于垂直转轴5的叶片6,叶片6与垂直转轴5之间通过连杆7相连,叶片6与连杆7之间为铰接结构,垂直齿轮3数量为3,所述的叶片6数量为3,叶轮3的叶片数量为3,叶片6以垂直转轴5为中心环形布置在垂直转轴5外围,叶片6为双向翼型叶片, 垂直转轴5远离叶轮轴1的一侧设置有顶尖。
本发明在使用时,叶轮轴右端的叶轮会连接发电机,水流通过叶轮后会推动叶轮转动,叶轮的高速转动会带动发电机的转轴进行转动,从而进行发电,水流通过叶轮后会带动垂直转轴上的叶片进行转动,进而带动垂直转轴转动,垂直转轴与叶轮轴之间为伞齿轮相连,在垂直转轴转动的时候,会带动叶轮轴进行旋转,进而加快叶轮转速,可以进行水流的2次能量转换,进一步提高发电效率,可以实现低流速启动。
本发明可以根据不同的使用环境根据流体力学的相似理论进行放大和缩小,在江河、海洋潮汐等大型流域功率可以达到2000W-10000W,在渠道溪流等小流域里功率可以达到 100W-200W,并且可以为监控、导航等系统提供24小时持续供电,采集装置的增速倍数为10-15倍,适用范围广,启动流速低。
翼型叶片的形状是根据叶轮出口水流的流动规律进行确定的,具体叶片参数参考了连续性原理和伯努利定理,同时参考了下述公式(1)-(6):
式中:P——发电机输出功率;ρ——水密度;r——叶轮轮半径;CP——水能利用系数;υ——水流流速;n——叶轮转速。
式中:R——叶轮半径;σ——叶轮实度;N——叶片数;L——叶片弦长。
式中:n——叶轮转速;R——叶轮半径;υ——水流速度;λ——叶尖速比。
式中:Re——雷诺数;ρ——流体密度;μ——流体动力粘度;L——叶片弦长
式中:FL——升力;ρ——流体密度;CL——升力系数;υ——水流速度;L——叶片弦长
式中:FD——升力;ρ——流体密度;CD——升力系数;υ——水流速度;L——叶片弦长
翼型叶片角度可调,可以根据水流的流速和流线进行自适应自力调节,翼型叶片与连杆铰接处设置有弹簧,双向翼型叶片两侧的水流的压差通过弹簧进行调节,调节的角度位置通过综合水流参数和结构参数自适应算法进行确定。
在水流流速从0.4m/s-2.0m/s变化时,水流能发电装置入口进行水流流速加速,经过叶轮进行第一次能量转换,换砖后水流的流速、流线和压力等都会产生急速变化,变化后的水流经过翼型叶片,翼型叶片对水流的相对位置迎角对能量转化影响较大,需要自适应水流流速进行调节,由于水流能量变化很难定量表达,所以调节的数学模型很难建立,自适应算法采用模糊神经网络控制算法进行计算,自动算出迎角的值进行自适应机构调节,具体算法如下:
采用T-S模型的模糊神经网络,其结构如图7所示,本算法一共可以分成两大部分,一个是前件,目的是匹配规则的前件;另一个是后件,目的是产生规则的后件。
前件网络一共有四层构成,分别为:
第一层为输入层。输入共有三个变量,水流流速V,叶片安装角β,和叶轮的转速n。
x=[x1,x2,x3]T
第二层为输入变量的隶属函数层,将输入经过模糊化处理变成模糊量。将水流流速V,叶片安装角β,和叶轮的转速n均划分为3个语言变量值,语言值集合为{低、中、高},即{L,M,H}。每个节点代表了每个系统输入量各自所划分的语言变量值,所以在第二层共有9个神经元。本层主要作用是计算与每个输入相对应的隶属度函数值。即,
其中,i=1,2,3,j=1,2,…,mi,mi为xi的模糊分割数。
第三层为“与”层。该层与第二层之间的连接未完全互连,并且每个节点的输入仅连接到第二层中的每个输入模糊集节点中的一个以构成所有模糊规则。本层共有27个节点,代表有 27条模糊规则。本层主要是匹配规则的条件部分,计算所有规则各自的适用度,即
其中,i1=1,2,3,i2=1,2,3,i3=1,2,3,j=27。
第四层实现归一化。本层节点数为27个,与第三层一样。本层主要是进行实现归一化计算。计算公式为:
后件网络共有三层,分别为:
第一层为输入层。除了系统输入的三个参数,还有一个输入为恒值1的量,这个恒量是为模糊后件产生的常数项。本层共有4个神经元。
第二层是主要的任务是计算规则的后件。同样的,模糊规则都与相应的节点对应,故而,后件第二次具有27个神经元。
yj=pj0+pj1x1+pj2x2+pj3x3
其中,j=1,2,…,27。
第三层为输出层。神经元数为控制系统输出量的个数,输出量为叶片与水流对应的位置即迎角α,因此本层只有1个神经元。本控制器得出的系统输出为对各模糊后件采取加权求和的方法,其系数为前件网络的输出量,其表达式为:
三个变量水流流速V,叶片安装角β,和叶轮的转速n采用均匀分布的高斯函数作为各自的隶属度函数。三个变量的论域对应的分别为:[0,2.0],[0,10],[0,400];
高斯型隶属函数由中心值cij和宽度σij来确定。
需要学习的参数一共有三个。前件有两个,分别为隶属函数的决定参数中心值cij和宽度值σij(i=1,2,3,j=1,2,3);后件有一个,是第二层的连接权值pji(i=1,2,3,j=1,2…,27)。误差的反向传播用于改变需要变化的权值系数,以达到学习优化的目的。
定义误差函数为:
其中,t为输出的目标值,y为输出的实际值。
(1)后件网络权值pji的学习算法:
其中,i=1,2,3,j=1,2…,27。
其中,η为学习速率,η>0。
前件网络中心值cij和宽度值σij的学习算法
在MATLAB中选取大量的fluent流体分析软件的仿真数据作为测试样本进行网络训练和测试,最终得到迎角的值,根据迎角的值进行自适应机构的调节。
上面结合附图对本发明的实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (6)

1.水流能发电装置用复合叶轮,其特征在于:包括叶轮轴(1),叶轮轴(1)左侧套设有第一伞齿轮(2),中部套设有叶轮(3),以第一伞齿轮(2)为中心,均布有多个与第一伞齿轮(2)啮合的垂直齿轮(4),垂直齿轮(4)中心处设置有垂直于叶轮轴(1)的垂直转轴(5),垂直转轴(5)上方环形设置有多个平行于垂直转轴(5)的叶片(6),叶片(6)与垂直转轴(5)之间通过连杆(7)相连。
2.根据权利要求1所述的水流能发电装置用复合叶轮,其特征在于:所述的垂直齿轮(3)数量为3,所述的叶片(6)数量为3。
3.根据权利要求1所述的水流能发电装置用复合叶轮,其特征在于:所述的叶轮(3)的叶片数量为3。
4.根据权利要求1所述的水流能发电装置用复合叶轮,其特征在于:所述的叶片(6)以垂直转轴(5)为中心环形布置在垂直转轴(5)外围。
5.根据权利要求1所述的水流能发电装置用复合叶轮,其特征在于:所述的叶片(6)为双向翼型叶片。
6.根据权利要求1所述的水流能发电装置用复合叶轮,其特征在于:所述的垂直转轴(5)远离叶轮轴(1)的一侧设置有顶尖。
CN201910380987.7A 2019-05-08 2019-05-08 水流能发电装置用复合叶轮 Pending CN110242475A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910380987.7A CN110242475A (zh) 2019-05-08 2019-05-08 水流能发电装置用复合叶轮

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910380987.7A CN110242475A (zh) 2019-05-08 2019-05-08 水流能发电装置用复合叶轮

Publications (1)

Publication Number Publication Date
CN110242475A true CN110242475A (zh) 2019-09-17

Family

ID=67883838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910380987.7A Pending CN110242475A (zh) 2019-05-08 2019-05-08 水流能发电装置用复合叶轮

Country Status (1)

Country Link
CN (1) CN110242475A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100047964A (ko) * 2008-10-30 2010-05-11 송두현 양력과 항력을 이용한 수평축형 풍력발전기
CN102695872A (zh) * 2009-12-24 2012-09-26 艾尼吉恩有限公司 风力发电用转子及具备其的风力发电装置
CN202545113U (zh) * 2012-03-21 2012-11-21 罗洋 垂直轴风力发电机桨叶的桨距角调节机构
CN103195637A (zh) * 2013-04-08 2013-07-10 东南大学 一种潮流发电装置
CN109209773A (zh) * 2018-11-29 2019-01-15 仙居云利智能科技有限公司 一种风力发动机的使用方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100047964A (ko) * 2008-10-30 2010-05-11 송두현 양력과 항력을 이용한 수평축형 풍력발전기
CN102695872A (zh) * 2009-12-24 2012-09-26 艾尼吉恩有限公司 风力发电用转子及具备其的风力发电装置
CN202545113U (zh) * 2012-03-21 2012-11-21 罗洋 垂直轴风力发电机桨叶的桨距角调节机构
CN103195637A (zh) * 2013-04-08 2013-07-10 东南大学 一种潮流发电装置
CN109209773A (zh) * 2018-11-29 2019-01-15 仙居云利智能科技有限公司 一种风力发动机的使用方法

Similar Documents

Publication Publication Date Title
Strom et al. Intracycle angular velocity control of cross-flow turbines
CN106870283B (zh) 教学用小型风力发电机变速率变桨控制方法及控制系统
Nikolić et al. Adaptive neuro-fuzzy estimation of diffuser effects on wind turbine performance
CN101598109B (zh) 一种风力发电机偏航系统的智能控制方法
CN111608868B (zh) 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法
CN102495637B (zh) 深海悬浮式风力发电机组的主动平衡控制系统
CN110298093B (zh) 一种浮式风机缩比模型性能相似叶片设计方法
CN104050517A (zh) 基于grnn神经网络的光伏发电预测方法
CN115544884A (zh) 一种基于数据驱动的大型风电场尾流快速计算方法及系统
CN112990674A (zh) 一种海上浮式风电场多目标运行调度方法
CN102900603B (zh) 基于有限时间非脆/保成本稳定的风电机组变桨距控制器设计方法
Chen et al. Surrogate models for twin-VAWT performance based on Kriging and artificial neural networks
Dong et al. The mean wake model and its novel characteristic parameter of H-rotor VAWTs based on random forest method
CN107527093B (zh) 一种风电机组运行状态诊断方法及装置
CN110242475A (zh) 水流能发电装置用复合叶轮
Asghar et al. Online estimation of wind turbine tip speed ratio by adaptive neuro-fuzzy algorithm
Kim et al. Optimal control of a wind farm in time-varying wind using deep reinforcement learning
Karami et al. Real-time wind direction estimation using machine learning on operational wind farm data
Zhao et al. Numerical analysis of the performance of a three-bladed vertical-axis turbine with active pitch control using a coupled unsteady Reynolds-averaged Navier-Stokes and actuator line model
Hossain et al. Prediction of power generation of small scale vertical axis wind turbine using fuzzy logic
Wang et al. BP neural network model based on cluster analysis for wind power prediction
Abdalrahman et al. Individual Blade Pitch Controller Based on Fuzzy Logic Control (FLC) and Artificial Neural Networks (ANNs) for a Small H-Darrieus Vertical Axis Wind Turbine
Anicic et al. Adaptive neuro-fuzzy approach for ducted tidal turbine performance estimation
Wei et al. Research on variable speed constant frequency energy generation based on deep learning for disordered ocean current energy
Li et al. Numerical simulation of hydrodynamic performance of blade position-variable hydraulic turbine

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: 20190917

RJ01 Rejection of invention patent application after publication