CN110889218B - 基于神经网络的水轮机非线性建模方法 - Google Patents
基于神经网络的水轮机非线性建模方法 Download PDFInfo
- Publication number
- CN110889218B CN110889218B CN201911143114.0A CN201911143114A CN110889218B CN 110889218 B CN110889218 B CN 110889218B CN 201911143114 A CN201911143114 A CN 201911143114A CN 110889218 B CN110889218 B CN 110889218B
- Authority
- CN
- China
- Prior art keywords
- sample
- neural network
- water turbine
- flow
- characteristic
- 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.)
- Active
Links
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Abstract
本发明公开了一种基于神经网络的水轮机非线性建模方法,该方法首先从水轮机模型综合特性曲线和飞逸特性曲线上读取数据,然后对数据进行处理延拓,获取足够充分的样本数据,将得到的数据样本通过适当的神经网络训练,利用训练得到的权值与阈值进行水轮机的非线性建模,为满足实时仿真的要求,采用一个6次多项式替代神经网络隐层神经元的传递函数,实现基于神经网络的水轮机非线性建模与实时仿真。
Description
技术领域
本发明属于水力机械建模与仿真技术领域,尤其涉及一种基于神经网络的水轮机非线性建模方法。
背景技术
水电作为一种清洁能源,在我国的能源战略发展中占据重要地位,水电机组作为水电站生产的核心设备,其运行状态直接影响能源转换效率及电网的安全稳定运行,提高控制系统的控制质量已成为学者们关注的热点,也是水电站急需解决的实际问题。通过建立水电机组的数学模型,仿真模拟水轮机组运行情况,对水电站控制系统及其参数进行研究是一个有效的办法。目前的行业标准已经对现有模型进行了系统的归纳总结,有重要的参考价值,但由于模型系统过于简化,难以满足暂态、振荡、过渡过程等复杂过程的仿真要求,与实际情况有一定误差。
因此,有必要设计一种基于神经网络的水轮机非线性建模方法。
发明内容
本发明的目的是提供一种基于神经网络的水轮机非线性建模方法,能满足工业精度要求进行工作,运用神经网络技术直接得出流量特性与力矩特性相较于传统的分段线性化求传递系数方法,在大波动情况下精度提升明显,与实际情况误差较小。
本发明所述的基于神经网络的水轮机非线性建模方法,包括以下步骤:
步骤1、获取样本数据,对样本数据进行处理和延拓;其中:
获取样本数据是指在水轮机模型综合特性曲线上获取水轮机的流量特性和效率特性,从飞逸特性曲线上获取飞逸特性数据;
对样本数据进行处理是指基于已获取的流量特性和效率特性计算出力矩特性样本数据;
对样本数据的延拓是指用飞逸时水轮机输出力矩为零的特性和水轮机的飞逸特性曲线对所求流量特性和力矩特性样本进行扩充;
步骤2、对描述单位流量、单位转矩与单位转速和导叶开度之间的关系的神经网络进行类型选择、训练和校正;具体包括:
(1)神经网络的选择:选择双输入单输出的双层BP神经网络,神经网络隐层神经元的函数为其中,n为函数的输入变量;
(2)神经网络的训练:利用延拓后的流量特征和力矩特性样本数据,调用MATLAB神经网络工具箱的网络生成函数newff和训练函数train,得到各神经元权值w和神经元阈值b;
(3)神经网络的校正:获取水轮发电机组的出力、开度和水头运行数据,并将这些运行数据作为神经网络的训练样本数据,以实现对神经网络进行校正;
步骤3、提取已训练的神经网络的权值与阈值,进行建模仿真计算。
上述过程中对样本数据进行处理和延拓具体过程如下:
第一步,读取流量特性:在水轮机模型综合特性曲线的各等开度线上读取预设数量的数据点ai,N11i,Q11i,i=1,2,3,…,F,其中,ai为水轮机模型综合特性曲线上第i点的开度,N11i为水轮机模型综合特性曲线上第i点的单位转速,Q11i为水轮机模型综合特性曲线上第i点的单位流量;
读取效率特性:在水轮机模型综合特性曲线的每一条等效率线上读取预设数量的数据点ηj,N11j,Q11j,j=1,2,3,…,E,其中,ηj为水轮机模型综合特性曲线上第j点的效率,N11j为水轮机模型综合特性曲线上第j点的单位转速,Q11j为水轮机模型综合特性曲线上第j点的单位流量;
读取飞逸特性:在水轮机模型飞逸特性曲线上读取预设数量的数据点N11k,Q11k,ak,k=1,2,3,…,R,其中,N11k为水轮机模型飞逸特性曲线上第k点的单位转速,Q11k为水轮机模型飞逸特性曲线上第k点的单位流量,ak为水轮机模型飞逸特性曲线上第k点的开度。
第二步,利用读取的效率特性样本,ηj,N11j,Q11j,j=1,2,3,…,E,经基于多项式的高阶曲面拟合或基于神经网络的拟合,获取如下关系的数值计算公式:
η=fη(N11,Q11);
其中:η为该单位转速和单位流量时对应的水轮机效率,fη为选择的高阶曲面拟合函数或者神经网络拟合函数,N11为单位转速,Q11为单位流量;
再将流量特性样本中的N11i,Q11i代入计算得ηi,并利用以下公式:
计算出单位力矩M11i,M11i,N11i和ai,i=1,2,3,…,F,构成所求力矩样本。
第三步,将飞逸特性样本中的N11k,Q11k,ak,k=1,2,3,…,R,并入流量特性样本;
当导叶开度为零,水轮机流量均为零,构造出样本N11l,Q11l=0,al=0,l=1,2,3,…,N,其中,N111,N112,…,N11N为0单位转速到最大可能单位转速间选取的任意N个点;并将其并入到流量特性样本中,最后得到新的流量样本ai,N11i,Q11i,i=1,2,3,…,F+R+N;新的流量样本由等开度线样本,飞逸样本和零导叶开度样本组成。
第四步,水轮机在零开度下,力矩M11与转速N11的关系为:
式中,C为预先给定的正常数;利用此式构造零开度力矩样本M11n,N11n,an=0,n=1,2,3,…,P,其中,N111,N112,…,N11n为0单位转速到最大可能单位转速间选取的任意P个点。
第五步,当水轮机处于飞逸状态时,水轮机的输出力矩为零,将飞逸特性样本中的N11k,Q11k,ak,k=1,2,3,…,R,直接作为力矩特性样本;将此力矩特性样本和零开度力矩样本一起并入到力矩样本中,即得延拓后新的力矩样本N11m,am,M11m,m=1,2,3,…,F+R+P。
本发明具有以下优点:考虑了水电机组的非线性,运用神经网络技术直接对水轮机流量和力矩进行模拟,忽略了分段线性化中的计算误差,实现了对水轮机模型特性的建模与仿真。
附图说明
图1为本发明提供的基于神经网络的水轮机非线性建模方法流程图;
图2为本发明实施例中某水轮机模型综合特性曲线;
图3为本发明实施例中某水轮机飞逸曲线;
图4为本发明实施例中某水轮机延拓后的流量特性曲线;
图5为本发明实施例中某水轮机延拓后的力矩特性曲线;
图6为本发明实施例中混流式机组的流量或力矩神经网络的结构;
图7为本发明实施例中流量神经网络Q11=f(N11,a)关系曲面;
图8为本发明流量神经网络输出与样本期望值误差;
图9为本发明力矩神经网络M11=f(N11,a)关系曲面;
图10为本发明力矩神经网络输出与样本期望值误差。
具体实施方式
为了更加清楚地展现本发明的优势,下面结合具体实施案例对本发明做进一步解释说明。
本实施例中首先从水轮机模型综合特性曲线上读取数据,然后对数据进行处理延拓,将得到的数据通过适当的神经网络进行训练,利用最终得出的权值与阈值进行建模与仿真。
如图1所示,输入单位转速N11与接力器行程y(接力器行程y与导叶开度为一一对应关系,也可直接输入导叶开度),输出单位流量Q11和单位力矩M11。
本实施例中,一种基于神经网络的水轮机非线性建模方法,包括以下步骤:
步骤1、获取样本数据,对样本数据进行处理和延拓;其中:
获取样本数据是指在水轮机模型综合特性曲线(图1)上获取水轮机的流量特性和效率特性,从飞逸特性曲线(图3)上获取飞逸特性数据;具体实施方式为通过originlab等数据取点软件在模型综合特性曲线上沿着等开度线和等效率线获取每个点的数据组成数据集。
对样本数据进行处理是指基于已获取的流量特性和效率特性计算出力矩特性样本数据;
对样本数据的延拓是指用先验知识(即无论转速如何,只要导叶开度为零,水轮机流量均为零。零开度下水轮机力矩与转速的关系遵循关系:得到飞逸时水轮机输出力矩为零)和水轮机的飞逸特性曲线对所求流量特性和力矩特性样本进行扩充。在大多数情况下,水轮机的模型综合特性曲线只提供高效率区附近的特性,对于非线性实时仿真是远远不够的,必须利用先验知识和已知信息对所求流量特性和力矩特性样本进行尽可能地扩充,这就是样本数据的延拓。
步骤2、对描述单位流量、单位转矩与单位转速和导叶开度之间的关系的神经网络进行类型选择、训练和校正;具体包括:
(1)神经网络的选择:选择双输入单输出的双层BP神经网络,神经网络隐层神经元的传递函数为其中,n为函数的输入变量,如图6所示,图中第一个隐层神经元函数:
公式自变量输入为n=w11*N11+w21*a+b1。其中w11与w21为对应神经元的权值,N11为神经网络输入的单位转速,a为神经网络输入的导叶开度,b1为对应神经元的阈值。
(2)神经网络的训练:利用延拓后的流量特征和力矩特性样本数据,调用MATLAB神经网络工具箱的网络生成函数newff和训练函数train,得到各神经元权值w和神经元阈值b;
(3)神经网络的校正:获取水轮发电机组的出力、开度和水头等运行数据,并将这些运行数据作为神经网络的训练样本数据,以实现对神经网络进行校正;
步骤3、提取已训练的神经网络的权值与阈值,进行建模仿真计算。
以下以混流式水轮机为例对本实施例进行详细的说明:
(1)读取流量特性:在水轮机模型综合特性曲线的各等开度线(即图1上的斜线)上读取预设数量的数据点ai,N11i,Q11i,i=1,2,3,…,F;其中,ai为水轮机模型综合特性曲线上第i点的开度,N11i为水轮机模型综合特性曲线上第i点的单位转速,Q11i为水轮机模型综合特性曲线上第i点的单位流量;比如沿着等开度线ai=20取点,获得的数据如下:a1=20,N111=95,Q111=0.546、a2=20,N112=85,Q112=0.571……此处为举例,实际取点间隔应该尽可能小,以提高拟合精度。
读取效率特性:在水轮机模型综合特性曲线的每一条等效率线(即图2上的封闭曲线)上读取预设数量的数据点ηj,N11j,Q11j,j=1,2,3,…,E;其中,ηj为水轮机模型综合特性曲线上第j点的效率,N11j为水轮机模型综合特性曲线上第j点的单位转速,Q11j为水轮机模型综合特性曲线上第j点的单位流量;比如:沿着等效率线ηj=90取点,获得的数据如下:
η1=90,N111=75,Q111=0.681、a2=20,N112=70,Q112=0.604……此处为举例,实际取点间隔应该尽可能小,以提高拟合精度。
读取飞逸特性:在水轮机模型飞逸特性曲线(图2)上读取预设数量的数据点N11k,Q11k,ak,k=1,2,3,…,R;其中,N11k为水轮机模型飞逸特性曲线上第k点的单位转速,Q11k为水轮机模型飞逸特性曲线上第k点的单位流量,ak为水轮机模型飞逸特性曲线上第k点的开度。如图3所示,其上有11个数据点,a1=12,N111=103,Q111=0.282、a2=14,N112=106.9,Q112=0.321……飞逸曲线上的点应取满所有已知点。
(2)利用读取的效率特性样本,ηj,N11j,Q11j,j=1,2,3,…,E,经基于多项式的高阶曲面拟合或基于神经网络的拟合,获取如下关系的数值计算公式:
η=fη(N11,Q11);
其中:η为该单位转速和单位流量时对应的水轮机效率,fη为选择的高阶曲面拟合函数或者神经网络拟合函数,N11为单位转速,Q11为单位流量;
再将流量特性样本中的N11i,Q11i代入计算得ηi,然后利用公式:
计算出单位力矩M11i。M11i,N11i和ai,i=1,2,3,…,F,就构成了力矩样本。
(3)水轮机的模型飞逸特性本身就包含有飞逸转速下的流量特性,为此,可将飞逸特性样本中的N11k,Q11k,ak,k=1,2,3,…,R,并入流量特性样本。此外,依据无论转速如何,只要导叶开度为零水轮机流量均为零的特点,构造出样本N11l,Q11l=0,al=0,l=1,2,3,…,N,其中,N111,N112,…,N11N为0单位转速到最大可能单位转速间选取的任意N个点,并将其并入到流量特性样本中,最后得到新的流量样本ai,N11i,Q11i,i=1,2,3,…,F+R+N;新的流量样本由等开度线样本,飞逸样本和导叶开度零样本组成,如图4所示。
考虑水轮机在零开度下的力矩特性,在这种情况下,一般认为力矩与转速的关系遵循式中,C为一预先给定的正常数。利用此式构造零开度力矩样本M11n,N11n,an=0,n=1,2,3,…,P,其中,N111,N112,…,N11n为0单位转速到最大可能单位转速间选取的任意P个点。
另外,考虑到在水轮机在飞逸时,水轮机的输出力矩为零,故飞逸特性样本中的N11k,Q11k,ak,k=1,2,3,…,R,可直接作为力矩特性样本。将此样本和零开度样本一起并入到计算出的力矩样本中,得延拓后新的力矩样本N11m,am,M11m,m=1,2,3,…,F+R+P,如图5所示。
本实施例中,N、R、F、P、E均为通过originlab数据取点软件在图中所取的数据点个数。
本实施例中,所述步骤2中:
(1)神经网络的选择:选择双输入单输出的双层BP神经网络,神经网络隐层神经元的传递函数在选择近似的log-sigmoid函数,标准的log-sigmoid函数可表示为在实时仿真计算时,用一个6次多项式替代,即/>因此,在离线训练和实时仿真过程中,隐层实际使用的神经元传递函数计算式为/>其中,n为函数输入变量,神经网络结构如图6所示。
(2)神经网络的训练:利用延拓后的流量特征和力矩特性样本数据,调用MATLAB神经网络工具箱的网络生成函数(newff)和训练函数(train),从而获取各神经元权值w和神经元阈值b。得到的神经网络如图7和图9所示,其中图7为流量神经网络,图9为力矩神经网络。神经网络误差如图8和图10所示,其中图8为流量神经网络与样本的误差,图10为力矩神经网络与样本的误差。
(3)神经网络的校正:如果真实水轮发电机组已经投入运行,并积累了一定的运行数据,诸如空载开度与水头间的关系以及机组出力、开度和水头之间的关系等。这些数据反映了水轮发电机组的真实特性,反过来也可以作为神经网络的训练样本数据,以进一步提高神经网络的模拟机组特性的精度。
为验证本发明对水轮机非线性建模的效果,将基于神经网络的水轮机调节系统非线性建模得到的神经网络输出与水轮机模型样本进行对比。在大多数情况下,无论对于流量网络还是力矩网络,其拟合误差均可控制在±0.02以内。误差产生的可能原因是多种多样的,如模型试验时传感器和仪器仪表读数时引入的误差,模型综合特性曲线绘制过程中引入的误差,神经网络训练时产生的拟合误差等。对于后者,可通过适当增加网络隐层的神经元个数来提高逼近精度。说明基于神经网络的水轮机调节系统非线性建模的方法能够有效地建立水轮机非线性模型。
以上是本发明的具体实施步骤,并不用以限制本发明,凡依本发明技术实施方案所作的改变,所产生的功能属于本发明的精神和原则之内时,均属于本发明的保护范围。
Claims (5)
1.基于神经网络的水轮机非线性建模方法,其特征在于,包括以下步骤:
步骤1、获取样本数据,对样本数据进行处理和延拓;其中:
获取样本数据是指在水轮机模型综合特性曲线上获取水轮机的流量特性和效率特性,从飞逸特性曲线上获取飞逸特性数据;
对样本数据进行处理是指基于已获取的流量特性和效率特性计算出力矩特性样本数据;
对样本数据的延拓是指用飞逸时水轮机输出力矩为零的特性和水轮机的飞逸特性曲线对所求流量特性和力矩特性样本进行扩充;
步骤2、对描述单位流量、单位转矩与单位转速和导叶开度之间的关系的神经网络进行类型选择、训练和校正;具体包括:
(1)神经网络的选择:选择双输入单输出的双层BP神经网络,神经网络隐层神经元的函数为其中,n为函数的输入变量;
(2)神经网络的训练:利用延拓后的流量特征和力矩特性样本数据,调用MATLAB神经网络工具箱的网络生成函数newff和训练函数train,得到各神经元权值w和神经元阈值b;
(3)神经网络的校正:获取水轮发电机组的出力、开度和水头运行数据,并将这些运行数据作为神经网络的训练样本数据,以实现对神经网络进行校正;
步骤3、提取已训练的神经网络的权值与阈值,进行建模仿真计算;
其中,读取流量特性:在水轮机模型综合特性曲线的各等开度线上读取预设数量的数据点ai,N11i,Q11i,i=1,2,3,…,F,其中,ai为水轮机模型综合特性曲线上第i点的开度,N11i为水轮机模型综合特性曲线上第i点的单位转速,Q11i为水轮机模型综合特性曲线上第i点的单位流量;
读取效率特性:在水轮机模型综合特性曲线的每一条等效率线上读取预设数量的数据点ηj,N11j,Q11j,j=1,2,3,…,E,其中,ηj为水轮机模型综合特性曲线上第j点的效率,N11j为水轮机模型综合特性曲线上第j点的单位转速,Q11j为水轮机模型综合特性曲线上第j点的单位流量;
读取飞逸特性:在水轮机模型飞逸特性曲线上读取预设数量的数据点N11k,Q11k,ak,k=1,2,3,…,R,其中,N11k为水轮机模型飞逸特性曲线上第k点的单位转速,Q11k为水轮机模型飞逸特性曲线上第k点的单位流量,ak为水轮机模型飞逸特性曲线上第k点的开度。
2.根据权利要求1所述的基于神经网络的水轮机非线性建模方法,其特征在于:
利用读取的效率特性样本,ηj,N11j,Q11j,j=1,2,3,…,E,经基于多项式的高阶曲面拟合或基于神经网络的拟合,获取如下关系的数值计算公式:
η=fη(N11,Q11);
其中:η为该单位转速和单位流量时对应的水轮机效率,fη为选择的高阶曲面拟合函数或者神经网络拟合函数,N11为单位转速,Q11为单位流量;
再将流量特性样本中的N11i,Q11i代入计算得ηi,并利用以下公式:
计算出单位力矩M11i;M11i,N11i和ai,i=1,2,3,…,F,构成所求力矩样本。
3.根据权利要求2所述的基于神经网络的水轮机非线性建模方法,其特征在于:将飞逸特性样本中的N11k,Q11k,ak,k=1,2,3,…,R,并入流量特性样本;
当导叶开度为零,水轮机流量均为零,构造出样本N11l,Q11l=0,al=0,l=1,2,3,…,N,其中,N111,N112,…,N11N为0单位转速到最大可能单位转速间选取的任意N个点;并将其并入到流量特性样本中,最后得到新的流量样本ai,N11i,Q11i,i=1,2,3,…,F+R+N;新的流量样本由等开度线样本,飞逸样本和零导叶开度样本组成。
4.根据权利要求3所述的基于神经网络的水轮机非线性建模方法,其特征在于:水轮机在零开度下,力矩M11与转速N11的关系为:
式中,C为预先给定的正常数;利用此式构造零开度力矩样本M11n,N11n,an=0,n=1,2,3,…,P,其中,N111,N112,…,N11n为0单位转速到最大可能单位转速间选取的任意P个点。
5.根据权利要求4所述的基于神经网络的水轮机非线性建模方法,其特征在于:当水轮机处于飞逸状态时,水轮机的输出力矩为零,将飞逸特性样本中的N11k,Q11k,ak,k=1,2,3,…,R,直接作为力矩特性样本;将此力矩特性样本和零开度力矩样本一起并入到力矩样本中,即得延拓后新的力矩样本N11m,am,M11m,m=1,2,3,…,F+R+P。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143114.0A CN110889218B (zh) | 2019-11-20 | 2019-11-20 | 基于神经网络的水轮机非线性建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143114.0A CN110889218B (zh) | 2019-11-20 | 2019-11-20 | 基于神经网络的水轮机非线性建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889218A CN110889218A (zh) | 2020-03-17 |
CN110889218B true CN110889218B (zh) | 2023-09-01 |
Family
ID=69748113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911143114.0A Active CN110889218B (zh) | 2019-11-20 | 2019-11-20 | 基于神经网络的水轮机非线性建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889218B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733455B (zh) * | 2021-01-15 | 2022-02-08 | 五凌电力有限公司株溪口水电厂 | 水轮机建模数据的修正方法、系统、装置和存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1077948A (ja) * | 1996-09-04 | 1998-03-24 | Mitsubishi Electric Corp | 水車発電機監視装置 |
CN103093663A (zh) * | 2013-02-24 | 2013-05-08 | 天生桥二级水力发电有限公司 | 水电站三维精确建模及可视化仿真培训系统及其实施方法 |
CN103426027A (zh) * | 2013-07-24 | 2013-12-04 | 浙江大学 | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN105160059A (zh) * | 2015-07-11 | 2015-12-16 | 西安工业大学 | 一种基于bp和ga的叶片加工切削用量优化选择方法 |
CN105740562A (zh) * | 2016-02-04 | 2016-07-06 | 华北电力科学研究院有限责任公司 | 发电机空载特性曲线确定方法 |
CN106357184A (zh) * | 2016-11-01 | 2017-01-25 | 安徽大学 | 基于神经网络的车用永磁同步电机输出转矩的温度补偿方法 |
CN106778594A (zh) * | 2016-12-12 | 2017-05-31 | 燕山大学 | 基于lmd熵特征和lvq神经网络的运动想象脑电信号识别方法 |
WO2017192629A1 (en) * | 2016-05-02 | 2017-11-09 | The Regents Of The University Of California | System and method for estimating perfusion parameters using medical imaging |
CN107480805A (zh) * | 2017-06-23 | 2017-12-15 | 河海大学 | 一种基于遗传算法的潮流能水轮机阵列优化方法 |
CN108763831A (zh) * | 2018-06-25 | 2018-11-06 | 国家电网有限公司 | 一种水泵水轮机线性模型参数辨识方法 |
CN108763690A (zh) * | 2018-05-17 | 2018-11-06 | 华中科技大学 | 一种水轮机固定导叶叶型智能优化方法 |
CN109884894A (zh) * | 2019-03-08 | 2019-06-14 | 福州大学 | 电液助力转向系统神经网络积分滑模控制方法 |
CN110147572A (zh) * | 2019-04-15 | 2019-08-20 | 江西洪屏抽水蓄能有限公司 | 一种抽水蓄能电站主进水阀自激振动敏感性分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10732621B2 (en) * | 2016-05-09 | 2020-08-04 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for process adaptation in an internet of things downstream oil and gas environment |
-
2019
- 2019-11-20 CN CN201911143114.0A patent/CN110889218B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1077948A (ja) * | 1996-09-04 | 1998-03-24 | Mitsubishi Electric Corp | 水車発電機監視装置 |
CN103093663A (zh) * | 2013-02-24 | 2013-05-08 | 天生桥二级水力发电有限公司 | 水电站三维精确建模及可视化仿真培训系统及其实施方法 |
CN103426027A (zh) * | 2013-07-24 | 2013-12-04 | 浙江大学 | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 |
CN105160059A (zh) * | 2015-07-11 | 2015-12-16 | 西安工业大学 | 一种基于bp和ga的叶片加工切削用量优化选择方法 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN105740562A (zh) * | 2016-02-04 | 2016-07-06 | 华北电力科学研究院有限责任公司 | 发电机空载特性曲线确定方法 |
WO2017192629A1 (en) * | 2016-05-02 | 2017-11-09 | The Regents Of The University Of California | System and method for estimating perfusion parameters using medical imaging |
CN106357184A (zh) * | 2016-11-01 | 2017-01-25 | 安徽大学 | 基于神经网络的车用永磁同步电机输出转矩的温度补偿方法 |
CN106778594A (zh) * | 2016-12-12 | 2017-05-31 | 燕山大学 | 基于lmd熵特征和lvq神经网络的运动想象脑电信号识别方法 |
CN107480805A (zh) * | 2017-06-23 | 2017-12-15 | 河海大学 | 一种基于遗传算法的潮流能水轮机阵列优化方法 |
CN108763690A (zh) * | 2018-05-17 | 2018-11-06 | 华中科技大学 | 一种水轮机固定导叶叶型智能优化方法 |
CN108763831A (zh) * | 2018-06-25 | 2018-11-06 | 国家电网有限公司 | 一种水泵水轮机线性模型参数辨识方法 |
CN109884894A (zh) * | 2019-03-08 | 2019-06-14 | 福州大学 | 电液助力转向系统神经网络积分滑模控制方法 |
CN110147572A (zh) * | 2019-04-15 | 2019-08-20 | 江西洪屏抽水蓄能有限公司 | 一种抽水蓄能电站主进水阀自激振动敏感性分析方法 |
Non-Patent Citations (1)
Title |
---|
余晓辉,杜林.《基于BP神经网络的水轮机调速系统故障诊断》.《重庆大学学报》.2001,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110889218A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334672B (zh) | 基于有效风速估计的变速风力发电机组最大风能捕获方法 | |
CN110222828B (zh) | 一种基于混合深度神经网络的非定常流场预测方法 | |
CN107066712B (zh) | 基于导叶开度—功率特性的水轮机模型参数辨识方法及装置 | |
CN103197596B (zh) | 一种数控加工参数自适应模糊控制规则优化方法 | |
CN106979126A (zh) | 基于svr的风力发电机组高风速段有效风速估计方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN107045574A (zh) | 基于svr的风力发电机组低风速段有效风速估计方法 | |
CN111608868A (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 | |
CN110889218B (zh) | 基于神经网络的水轮机非线性建模方法 | |
CN107527093B (zh) | 一种风电机组运行状态诊断方法及装置 | |
CN103530508B (zh) | 一种建立风速功率转换概率模型的方法 | |
CN116292057A (zh) | 一种可变速抽水蓄能机组的控制方法、装置、设备及介质 | |
CN103362741A (zh) | 基于adaline技术的风力发电机组系统辨识方法 | |
CN107918920B (zh) | 多光伏电站的出力关联性分析方法 | |
CN116187508A (zh) | 一种融合知识图谱和深度学习的风电机组故障预测方法 | |
CN115146538A (zh) | 基于消息传递图神经网络的电力系统状态估计方法 | |
CN113536685B (zh) | 一种基于神经网络外推的风速概率模型的建模方法 | |
CN112669168B (zh) | 一种风电功率短期预测方法 | |
CN105303056B (zh) | 一种风速实时变化速率刻画方法 | |
Anbalagan et al. | Fuzzy membership-function-dependent design of aperiodic sample-data control scheme for nonlinear PMSG-based WECS with quantization measurements via refined looped Lyapunov functional | |
CN104167735B (zh) | 一种风电场非机理等效建模方法与装置 | |
Li et al. | A new processing method combined with BP neural network for Francis turbine synthetic characteristic curve research | |
CN104123442B (zh) | 一种风电机组有功功率在线等值模型建模方法 | |
CN102809966B (zh) | 基于半闭环的软测量仪表及其软测量方法 | |
CN110674605A (zh) | 一种基于运行参数的风机功率建模方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |