CN112464478A - 一种水轮机调速系统的控制规律优化方法及装置 - Google Patents
一种水轮机调速系统的控制规律优化方法及装置 Download PDFInfo
- Publication number
- CN112464478A CN112464478A CN202011372246.3A CN202011372246A CN112464478A CN 112464478 A CN112464478 A CN 112464478A CN 202011372246 A CN202011372246 A CN 202011372246A CN 112464478 A CN112464478 A CN 112464478A
- Authority
- CN
- China
- Prior art keywords
- model
- dimensional
- neural network
- water turbine
- module
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 107
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 68
- 238000005457 optimization Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 75
- 230000001052 transient effect Effects 0.000 claims abstract description 61
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000007704 transition Effects 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 230000008878 coupling Effects 0.000 claims description 51
- 238000010168 coupling process Methods 0.000 claims description 51
- 238000005859 coupling reaction Methods 0.000 claims description 51
- 239000002245 particle Substances 0.000 claims description 33
- 238000010276 construction Methods 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 16
- 239000012530 fluid Substances 0.000 claims description 14
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000010248 power generation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000010349 pulsation Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
本发明公开了一种水轮机调速系统的控制规律优化方法及装置，属于水力发电技术领域，获取方法具体包括：基于水轮机调速系统的神经网络代理模型，以导叶控制规律为变量，建立转速、摆度和转轮应力的目标函数；采用多目标优化方法求解目标函数，获取机组的最优控制规律。其中，水轮机调速系统的神经网络代理模型基于一维瞬变流特性线法、神经网络以及水电站过渡过程数值模拟技术获取。本发明公开的水轮机调速系统的控制规律优化方法及装置，精确反映机组过渡过程动态特性，显著提高算法的计算效率。
Description
技术领域
本发明属于水力发电技术领域，更具体地，涉及一种水轮机调速系统的控制规律优化方法及装置。
背景技术
近年来我国水电机组正向大型化和复杂化的方向发展，具有机组容量大、结构日趋复杂、集成化程度高、引水系统复杂、水流惯性巨大和水力电力耦合密切等特点，同时电力系统调频、调峰和事故备用动态响应能力要求高，因此，对水电机组调节系统的控制性能提出了更高要求。基于上述原因，有必要提出合理的大型水电机组控制方法，使机组过渡过程更加平稳，以显著降低转轮动应力，且有效减小转轮裂纹萌生的可能以及疲劳破坏，以延长转轮寿命。
但是传统导叶开启及关闭规律优化常常仅建立一维数值模型，以机组转速上升和管道压力脉动为目标函数进行导叶控制规律优化，尚未考虑导叶控制规律对转轮动应力应变的影响。基于一维瞬变流理论的过渡过程数值建模方法虽然在一定程度上满足了工程需求，但水轮机内部为三维非定常湍流流动，具有时间和空间的多尺度效应，因此，一维瞬变流数值方法无法充分反映水轮机内详实的内特性信息，且机组在开关过程中内部流动结构的演变作为转轮的水力激励对其应力具有直接影响，开展三维瞬态数值模拟对揭示转轮应力演变特征十分必要，但若同时整个水力单元都采用三维计算，既费时间又不实际。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种水轮机调速系统的控制规律优化方法及装置，旨在解决采用现有的水电机组调节系统的控制方法获取传统导叶开启及关闭规律优化存在计算复杂度较高的问题。
为实现上述目的，本发明提供了一种水轮机调速系统的控制规律优化方法，包括如下步骤：
基于已建立完毕的水轮机调速系统的神经网络代理模型，以导叶控制规律为变量，建立机组流量、水压、实际转速、振摆和动应力的目标函数；
采用多目标优化方法求解目标函数，获取机组的最优控制规律。
优选地，水轮机调速系统的神经网络代理模型的建立方法，包括如下步骤：
(1)采用一维瞬变流特性线法、计算流体力学以及水电站过渡过程数值模拟技术，建立水轮机调速系统的多维耦合暂态模型；
(2)设置不同的导叶控制规律，输入至水轮机调速系统的多维耦合暂态模型，获取对应的机组流量、水压、实际转速、振摆和动应力；
导叶控制规律与机组流量、水压、实际转速、振摆和动应力用于构建训练样本；
(3)采用训练样本训练神经网络后，结合一维瞬变流特性线法获取的一维过水系统模型，构建水轮机调速系统的神经网络代理模型。
优选地，水轮机调速系统的多维耦合暂态模型的构建方法，包括如下步骤：
(1.1)采用一维瞬变流特性线法构建一维过水系统模型，且采用计算流体力学构建三维水轮机内部流动模型；
(1.2)基于步骤(1.1)获取的两模型实时交换流量和压力边界条件，采用水电站过渡过程数值模拟技术，将两模型耦合，获取水轮机调速系统的多维耦合暂态模型。
优选地，步骤(3)具体包括如下步骤：
(3.1)以导叶开度和单位转速为输入，以机组流量、水压、实际转速、振摆和动应力为输出，训练神经网络，构建三维水轮机神经网络模型；
(3.2)将三维水轮机神经网络模型与一维过水系统模型相耦合，获取水轮机调速系统的神经网络代理模型。
优选地，多目标优化方法为多目标粒子群优化方法，其中粒子位置向量控制规律。
基于上述提供的水轮机调速系统的控制规律优化方法，本发明提供了相应的优化装置，包括目标函数建立模块和目标函数获取模块；
目标函数建立模块用于基于水轮机调速系统的神经网络代理模型，以导叶控制规律为变量，建立机组流量、水压、实际转速、振摆和动应力的目标函数；
目标函数获取模块用于利用多目标优化方法求解目标函数，获取机组的最优控制规律。
优选地，水轮机调速系统的神经网络代理模型由神经网络模块获取；神经网络模块包括暂态模型的构建模块、训练样本的获取模块和神经网络构建模块；
暂态模型的构建模块用于采用一维瞬变流特性线法、计算流体力学以及水电站过渡过程数值模拟技术，建立水轮机调速系统的多维耦合暂态模型；
训练样本的获取模块用于设置不同的导叶控制规律，输入至水轮机调速系统的多维耦合暂态模型，获取对应的机组流量、水压、实际转速、振摆和动应力；
采用导叶控制规律与机组流量、水压、实际转速、振摆和动应力构建训练样本；
神经网络构建模块用于采用训练样本训练神经网络后，结合一维瞬变流特性线法获取的一维过水系统模型，构建水轮机调速系统的神经网络代理模型。
优选地，暂态模型的构建模块包括：一维模型构建模块、三维模型构建模块、数据交互模块、第一模型耦合模块；
一维模型构建模块用于采用一维瞬变流特性线法构建一维过水系统模型；
三维模型构建模块用于采用计算流体力学构建三维水轮机内部流动模型；
数据交互模块用于实时交互一维过水系统模型与三维水轮机内部流动模型的流量和压力边界条件；
第一模型耦合模块用于采用水电站过渡过程数值模拟技术，将一维过水系统模型与三维水轮机内部流动模型耦合，完成水轮机调速系统的多维耦合暂态模型的构建。
神经网络构建模块包括三维神经网络的构建模块和第二模型耦合模块；
三维神经网络的构建模块用于以导叶开度和单位转速为输入，以机组流量、水压、实际转速、振摆和动应力为输出，训练神经网络，完成三维水轮机神经网络模型的构建；
第二模型耦合模块用于将三维水轮机神经网络模型与一维过水系统模型相耦合，获取水轮机调速系统的神经网络代理模型。
需指出，上述提供的水轮机调速系统的控制规律优化方法，可采用计算机可读存储介质存储。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
针对水轮机三维仿真模型计算复杂度高，难以应用于导叶控制规律的优化方法，本发明基于神经网络建立三维水轮机神经网络，结合采用一维瞬变流特性线法获取的一维过水系统模型，采用水电站过渡过程数值模拟技术将两者耦合，获取水轮机调速系统的神经网络代理模型，可精确反映机组过渡过程动态特性，显著提高算法的计算效率。
本发明提出了一种同时考虑转轮动静应力、机组振动、摆度和压力脉动的水轮机协同优化控制方法，因此，本发明提供的水轮机调速系统的控制规律优化方法可应用于大型水轮机的优化控制，为提高水电站精细化运行提供了技术支撑。
附图说明
图1是本发明提供的水轮机调速系统的控制规律优化方法示意图；
图2是本发明提供的神经网络代理模型的建立方法的整体示意图；
图3是本发明提供的多维耦合暂态模型的构建方法示意图；
图4是本发明提供的基于训练样本构建神经网络代理模型的示意图；
图5是本发明实施例提供的求解目标函数的流程图。
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。
如图1所示，本发明提供了一种水轮机调速系统的控制规律优化方法，包括如下步骤：
基于已建立完毕的水轮机调速系统的神经网络代理模型，以导叶控制规律为变量，建立机组流量、水压、实际转速、振摆和动应力的目标函数；
采用多目标优化方法求解目标函数，获取机组的最优控制规律。
优选地，如图2所示，水轮机调速系统的神经网络代理模型的建立方法，包括如下步骤：
(1)采用一维瞬变流特性线法、计算流体力学以及水电站过渡过程数值模拟技术，建立水轮机调速系统的多维耦合暂态模型；
(2)设置不同的导叶控制规律，输入至水轮机调速系统的多维耦合暂态模型，获取对应的机组流量、水压、实际转速、振摆和动应力；
导叶控制规律与机组振动、摆度和转轮应力用于构建训练样本；
(3)采用训练样本训练神经网络后，结合一维瞬变流特性线法获取的一维过水系统模型，构建水轮机调速系统的神经网络代理模型。
优选地，如图3所示，水轮机调速系统的多维耦合暂态模型的构建方法，包括如下步骤：
(1.1)采用一维瞬变流特性线法构建一维过水系统模型，且采用计算流体力学构建三维水轮机内部流动模型；
(1.2)基于步骤(1.1)获取的两模型实时交换流量和压力边界条件，采用水电站过渡过程数值模拟技术，将两模型耦合，获取水轮机调速系统的多维耦合暂态模型。
优选地，如图4所示，步骤(3)具体包括如下步骤：
(3.1)以导叶开度和单位转速为输入，以机组流量、水压、实际转速、振摆和动应力为输出，训练神经网络，构建三维水轮机神经网络模型；
(3.2)将三维水轮机神经网络模型与一维过水系统模型相耦合，获取水轮机调速系统的神经网络代理模型。
优选地，优化方法为多目标粒子群优化方法，其中粒子位置向量为控制规律；粒子目标函数值对应目标函数的输出量；
输出量包括机组流量、水压、实际转速、振摆和动应力。
基于上述提供的水轮机调速系统的控制规律优化方法，本发明提供了相应的优化装置，包括目标函数建立模块和目标函数获取模块；
目标函数建立模块用于基于水轮机调速系统的神经网络代理模型，以导叶控制规律为变量，建立机组流量、水压、实际转速、振摆和动应力的目标函数；
目标函数获取模块用于利用多目标优化方法求解目标函数，获取机组的最优控制规律。
优选地，水轮机调速系统的神经网络代理模型由神经网络模块获取；神经网络模块包括暂态模型的构建模块、训练样本的获取模块和神经网络构建模块；
暂态模型的构建模块用于采用一维瞬变流特性线法、计算流体力学以及水电站过渡过程数值模拟技术，建立水轮机调速系统的多维耦合暂态模型；
训练样本的获取模块用于设置不同的导叶控制规律，输入至水轮机调速系统的多维耦合暂态模型，获取对应的机组流量、水压、实际转速、振摆和动应力；
采用导叶控制规律与机组流量、水压、实际转速、振摆和动应力构建训练样本；
神经网络构建模块用于采用训练样本训练神经网络后，结合一维瞬变流特性线法获取的一维过水系统模型，构建水轮机调速系统的神经网络代理模型。
优选地，暂态模型的构建模块包括：一维模型构建模块、三维模型构建模块、数据交互模块和第一模型耦合模块；
一维模型构建模块用于采用一维瞬变流特性线法构建一维过水系统模型；
三维模型构建模块用于采用计算流体力学构建三维水轮机内部流动模型；
数据交互模块用于实时交互一维过水系统模型与三维水轮机内部流动模型的流量和压力边界条件；
第一模型耦合模块用于采用水电站过渡过程数值模拟技术，将一维过水系统模型与三维水轮机内部流动模型耦合，完成水轮机调速系统的多维耦合暂态模型的构建。
优选地，神经网络构建模块包括三维神经网络的构建模块和第二模型耦合模块；
三维神经网络的构建模块用于以导叶开度和单位转速为输入，以机组流量、水压、实际转速、振摆和动应力为输出，训练神经网络，完成三维水轮机神经网络模型的构建；
第二模型耦合模块用于将三维水轮机神经网络模型与一维过水系统模型相耦合，获取水轮机调速系统的神经网络代理模型。
需指出，上述提供的水轮机调速系统的控制规律优化方法，可采用计算机可读存储介质存储。
实施例
水轮机调速系统包括控制器、电液随动系统、过水系统、水轮机、发电机及负荷；其中，电液随动系统、过水系统、水轮机、发电机及负荷构成被控对象，由控制器进行调节控制；在本实施例中，针对过水系统，采用一维瞬变流特性线法构建一维过水系统模型；针对水轮机，采用计算流体力学(CFD)构建三维水轮机内部流动模型；其他部件构成的管路系统使用现有的一维模型。
如图5所示，本实施例的优化方法为多目标粒子群优化方法，粒子群方法具体如下：
(1)算法初始化；
设置算法参数，包括种群规模NPOP、精英档案集规模NREP、最大迭代次数Max_It、惯性权重w、衰减因子wdamp、学习因子c1、学习因子c2、划分网格数ngrid；
确定粒子位置范围
在此区间随机初始化群体位置
初始化粒子速度v为零；初始化迭代次数t＝0；
(2)将种群粒子位置向量x带入目标函数，计算粒子目标函数值；
本实施例中粒子位置向量为导叶开度和单位转速构成的向量，粒子目标函数值对应目标函数的输出量；输出量包括机组流量、水压、实际转速、振摆和动应力；
(3)基于粒子目标函数值和Pareto支配关系定义，确定种群粒子的支配关系，选出所有非支配解，并将其存储于精英档案集中；
(4)对精英档案集中粒子目标空间进行自适应网格划分，基于每个粒子的目标函数确定粒子的网格位置；网格宽度计算公式如下：
其中，m为目标空间维度，ngrid为网格划分个数；fi(x)为目标函数；
基于构建完的自适应网格，假设外部精英档案集中非支配解为x*，可根据如下公式计算其在网格中的位置：
其中，Li为非支配解x*在自适应网格中的位置，mod表示对ti/di取整数；
(5)初始化粒子当前个体最优值Pbest；
(6)基于目标空间中粒子的拥挤距离，从精英档案集中选取全局最优位置Gbest；
(7)更新种群粒子的速度和位置，具体公式为：
其中，
为粒子速度；
(8)更新粒子的目标函数值；
(9)更新粒子个体最优位置Pbest；
(10)更新种群粒子的支配关系，更新精英档案集；
(11)对精英档案集中所有粒子进行邻域搜索产生新的个体，并计算新个体对应的目标函数值；
(12)将新产生的个体与原始外部精英档案集中个体混合，并确定个体之间的支配关系，保留所有非支配解存储于精英档案集中；
(13)对精英档案集中粒子目标空间重新进行自适应网格划分，确定粒子的网格位置；
(14)判断精英档案集是否超过最大容量，若超过则进行精英档案集中非支配解修剪；否则，转至步骤(15)；
(15)令t＝t+1；如果t<Max_It，转至步骤(6)，否则结束循环，得到精英档案集即为最优控制参数集。
水轮机调速系统的控制规律优化方法法如下：
步骤(1)：构建水轮机调速系统的多维耦合暂态模型；
具体为：采用一维瞬变流特性线法构建一维过水系统模型，采用计算流体力学构建三维水轮机内部流动模型；两个模型相互之间提供实时的流量和压力边界条件，从而获取三维计算域进口动态边界条件；基于三维计算域进口动态边界条件，利用水电站过渡过程数值模拟技术，将两模型耦合，获取水轮机调速系统的多维耦合暂态模型。一维过水系统模型采用的计算软件是Flowmaster，三维水轮机内部流动模型采用的计算软件为Fluent。
步骤(2)：建立水轮机调速系统的神经网络代理模型；
具体为：在不同工况下，设置不同的导叶控制规律，采用建立的水轮机调速系统的多维耦合暂态模型，获取机组振动、转轮应力数据，揭示不同导叶控制策略下的机组振动、摆度和转轮应力演变规律；将上述获取的数据作为神经网络的训练样本；基于上述获取的数据作为神经网络训练样本，构建三维水轮机神经网络模型，解析机组流量、水头和出力等状态参量与机组振动、转轮应力之间的关联关系；并且三维水轮机神经网络模型结合基于二端口网络的一维过水系统模型，建立水轮机调速系统的神经网络代理模型；
步骤(2)具体包括如下步骤：
(2.1)设置不同的导叶控制规律，输入至水轮机调速系统的多维耦合暂态模型，获取对应的机组振动、摆度和转轮应力；导叶控制规律与机组振动、摆度和转轮应力用于构建训练样本；
(2.2)以导叶开度和单位转速为输入，以机组振动、摆度和转轮应力为输出，训练神经网络，构建三维水轮机神经网络模型；
(2.3)将三维水轮机神经网络模型与一维过水系统模型相耦合，获取水轮机调速系统的神经网络代理模型。
步骤(3)：建立多目标优化函数；
具体为：基于已建立完毕的水轮机调速系统的神经网络代理模型，以导叶控制规律为优化变量，以转速、振动和转轮动应力为多目标；
步骤(4)：采用多目标优化方法求解目标函数，获取机组的最优控制规律；
本实施例多目标优化方法采用的是粒子群方法，其中粒子位置向量为导叶开度和单位转速构建的向量；粒子目标函数值对应目标函数的输出量；输出量包括机组振动、摆度和转轮应力。
与现有技术相比，本发明存在以下优势：
针对水轮机三维仿真模型计算复杂度高，难以应用于导叶控制规律的优化方法，本发明基于神经网络建立三维水轮机神经网络，结合采用一维瞬变流特性线法获取的一维过水系统模型，采用水电站过渡过程数值模拟技术将两者耦合，获取水轮机调速系统的神经网络代理模型，可精确反映机组过渡过程动态特性，显著提高算法的计算效率。
本发明提出了一种同时考虑转轮动静应力、机组振动、摆度和压力脉动的水轮机协同优化控制方法，因此，本发明提供的水轮机调速系统的控制规律优化方法可应用于大型水轮机的优化控制，为提高水电站精细化运行提供了技术支撑。
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 (10)
1.一种水轮机调速系统的控制规律优化方法，其特征在于，包括如下步骤：
基于水轮机调速系统的神经网络代理模型，以导叶控制规律为变量，建立机组流量、水压、实际转速、振摆和动应力的目标函数；
采用多目标优化方法求解目标函数，获取机组的最优控制规律。
2.根据权利要求1所述的控制规律优化方法，其特征在于，所述水轮机调速系统的神经网络代理模型的建立方法，包括如下步骤：
(1)采用一维瞬变流特性线法、计算流体力学以及水电站过渡过程数值模拟技术，建立水轮机调速系统的多维耦合暂态模型；
(2)设置不同的导叶控制规律，输入至水轮机调速系统的多维耦合暂态模型，获取对应的机组流量、水压、实际转速、振摆和动应力；
采用导叶控制规律与机组流量、水压、实际转速、振摆和动应力构建训练样本；
(3)采用训练样本训练神经网络后，结合一维瞬变流特性线法获取的一维过水系统模型，构建水轮机调速系统的神经网络代理模型。
3.根据权利要求2所述的控制规律优化方法，其特征在于，所述水轮机调速系统的多维耦合暂态模型的构建方法，包括如下步骤：
(1.1)采用一维瞬变流特性线法构建一维过水系统模型，且采用计算流体力学构建三维水轮机内部流动模型；
(1.2)基于步骤(1.1)获取的两模型实时交换的流量和压力边界条件，采用水电站过渡过程数值模拟技术，将两模型耦合，完成水轮机调速系统的多维耦合暂态模型的构建。
4.根据权利要求2所述的控制规律优化方法，其特征在于，所述步骤(3)具体包括如下步骤：
(3.1)以导叶开度和单位转速为输入，以机组流量、水压、实际转速、振摆和动应力为输出，训练神经网络，完成三维水轮机神经网络模型的构建；
(3.2)将三维水轮机神经网络模型与一维过水系统模型相耦合，获取水轮机调速系统的神经网络代理模型。
5.根据权利要求1至4任一所述的控制规律优化方法，其特征在于，所述优化方法为多目标粒子群优化方法，其中粒子位置向量为控制规律。
6.一种基于权利要求1所述的控制规律优化方法的优化装置，其特征在于，包括目标函数建立模块和目标函数获取模块；
目标函数建立模块用于基于水轮机调速系统的神经网络代理模型，以导叶控制规律为变量，建立机组流量、水压、实际转速、振摆和动应力的目标函数；
目标函数获取模块用于利用多目标优化方法求解目标函数，获取机组的最优控制规律。
7.根据权利要求6所述的优化装置，其特征在于，所述水轮机调速系统的神经网络代理模型由神经网络模块获取；神经网络模块包括暂态模型的构建模块、训练样本的获取模块和神经网络构建模块；
暂态模型的构建模块用于采用一维瞬变流特性线法、计算流体力学以及水电站过渡过程数值模拟技术，建立水轮机调速系统的多维耦合暂态模型；
训练样本的获取模块用于设置不同的导叶控制规律，输入至水轮机调速系统的多维耦合暂态模型，获取对应的机组流量、水压、实际转速、振摆和动应力；
采用导叶控制规律与机组流量、水压、实际转速、振摆和动应力构建训练样本；
神经网络构建模块用于采用训练样本训练神经网络后，结合一维瞬变流特性线法获取的一维过水系统模型，构建水轮机调速系统的神经网络代理模型。
8.根据权利要求7所述的优化装置，其特征在于，所述暂态模型的构建模块包括：一维模型构建模块、三维模型构建模块、数据交互模块和第一模型耦合模块；
一维模型构建模块用于采用一维瞬变流特性线法构建一维过水系统模型；
三维模型构建模块用于采用计算流体力学构建三维水轮机内部流动模型；
数据交互模块用于实时交互一维过水系统模型与三维水轮机内部流动模型的流量和压力边界条件；
第一模型耦合模块用于采用水电站过渡过程数值模拟技术，将一维过水系统模型与三维水轮机内部流动模型耦合，完成水轮机调速系统的多维耦合暂态模型的构建。
9.根据权利要求7所述的优化装置，其特征在于，所述神经网络构建模块包括三维神经网络的构建模块和第二模型耦合模块；
三维神经网络的构建模块用于以导叶开度和单位转速为输入，以机组流量、水压、实际转速、振摆和动应力为输出，训练神经网络，完成三维水轮机神经网络模型的构建；
第二模型耦合模块用于将三维水轮机神经网络模型与一维过水系统模型相耦合，获取水轮机调速系统的神经网络代理模型。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011372246.3A CN112464478B (zh) | 2020-11-30 | 2020-11-30 | 一种水轮机调速系统的控制规律优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011372246.3A CN112464478B (zh) | 2020-11-30 | 2020-11-30 | 一种水轮机调速系统的控制规律优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112464478A true CN112464478A (zh) | 2021-03-09 |
| CN112464478B CN112464478B (zh) | 2023-06-30 |
Family
ID=74805844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011372246.3A Active CN112464478B (zh) | 2020-11-30 | 2020-11-30 | 一种水轮机调速系统的控制规律优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112464478B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114856902A (zh) * | 2022-05-12 | 2022-08-05 | 华能澜沧江水电股份有限公司 | 水轮机调速系统优化方法及系统、电子设备和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2009100458A (ru) * | 2009-01-11 | 2010-07-20 | Государственное образовательное учреждение высшего профессионального образования Волгоградский государственный технический универ | Способ адаптивного управления скоростью вращения ротора поворотно-лопастной гидротурбины |
| CN106874542A (zh) * | 2017-01-04 | 2017-06-20 | 滨州东瑞机械有限公司 | 一种液力透平叶轮多工况多目标优化设计方法 |
| CN107480103A (zh) * | 2017-07-10 | 2017-12-15 | 华中科技大学 | 一种抽水蓄能机组水泵断电工况导叶关闭规律的优化方法 |
| CN108280263A (zh) * | 2017-12-26 | 2018-07-13 | 华中科技大学 | 一种抽水蓄能机组导叶关闭规律双目标优化方法及系统 |
| CN110032770A (zh) * | 2019-03-18 | 2019-07-19 | 华中科技大学 | 抽水蓄能机组双机相继开机规律的多目标优选方法及系统 |
| CN110059345A (zh) * | 2019-03-08 | 2019-07-26 | 华中科技大学 | 一种抽水蓄能机组相继甩负荷关机规律优化方法与系统 |
| US20190383221A1 (en) * | 2018-06-15 | 2019-12-19 | Dalian University Of Technology | Design method of aero-engine on-line optimization and multivariable control based on model prediction |
| CN111027177A (zh) * | 2019-11-08 | 2020-04-17 | 华中科技大学 | 一种抽水蓄能机组调频参数优化方法及调频方法 |
| CN111144027A (zh) * | 2020-01-02 | 2020-05-12 | 辽宁石油化工大学 | 一种基于bp神经网络全特性曲线函数的逼近方法 |
| CN111259864A (zh) * | 2020-03-04 | 2020-06-09 | 哈尔滨理工大学 | 一种水轮机运转状态识别方法 |
-
2020
- 2020-11-30 CN CN202011372246.3A patent/CN112464478B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2009100458A (ru) * | 2009-01-11 | 2010-07-20 | Государственное образовательное учреждение высшего профессионального образования Волгоградский государственный технический универ | Способ адаптивного управления скоростью вращения ротора поворотно-лопастной гидротурбины |
| CN106874542A (zh) * | 2017-01-04 | 2017-06-20 | 滨州东瑞机械有限公司 | 一种液力透平叶轮多工况多目标优化设计方法 |
| CN107480103A (zh) * | 2017-07-10 | 2017-12-15 | 华中科技大学 | 一种抽水蓄能机组水泵断电工况导叶关闭规律的优化方法 |
| CN108280263A (zh) * | 2017-12-26 | 2018-07-13 | 华中科技大学 | 一种抽水蓄能机组导叶关闭规律双目标优化方法及系统 |
| US20190383221A1 (en) * | 2018-06-15 | 2019-12-19 | Dalian University Of Technology | Design method of aero-engine on-line optimization and multivariable control based on model prediction |
| CN110059345A (zh) * | 2019-03-08 | 2019-07-26 | 华中科技大学 | 一种抽水蓄能机组相继甩负荷关机规律优化方法与系统 |
| CN110032770A (zh) * | 2019-03-18 | 2019-07-19 | 华中科技大学 | 抽水蓄能机组双机相继开机规律的多目标优选方法及系统 |
| CN111027177A (zh) * | 2019-11-08 | 2020-04-17 | 华中科技大学 | 一种抽水蓄能机组调频参数优化方法及调频方法 |
| CN111144027A (zh) * | 2020-01-02 | 2020-05-12 | 辽宁石油化工大学 | 一种基于bp神经网络全特性曲线函数的逼近方法 |
| CN111259864A (zh) * | 2020-03-04 | 2020-06-09 | 哈尔滨理工大学 | 一种水轮机运转状态识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 丁蕊;冯宪彬;姚远峰;金大博;: "多目标优化算法求解导叶关闭规律问题", 大电机技术, no. 05 * |
| 于辉;周建中;王康生;赵志高;赖昕杰;许颜贺;: "基于精细化模型的水泵断电工况导叶关闭规律多目标优化", 水电能源科学, no. 07 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114856902A (zh) * | 2022-05-12 | 2022-08-05 | 华能澜沧江水电股份有限公司 | 水轮机调速系统优化方法及系统、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112464478B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | A coordinated optimization framework for flexible operation of pumped storage hydropower system: Nonlinear modeling, strategy optimization and decision making | |
| Lai et al. | Multi-objective optimization of the closure law of guide vanes for pumped storage units | |
| Liu et al. | Nonlinear modeling and multi-scale damping characteristics of hydro-turbine regulation systems under complex variable hydraulic and electrical network structures | |
| Zhang et al. | Control optimisation for pumped storage unit in micro‐grid with wind power penetration using improved grey wolf optimiser | |
| Feng et al. | Controller optimization approach using LSTM-based identification model for pumped-storage units | |
| Derakhshan et al. | Optimization of GAMM Francis turbine runner | |
| CN110378016A (zh) | 一种针对泵轮可调式液力变矩器的多目标优化设计方法 | |
| Liu et al. | Optimization and mechanism of the wicket gate closing law for high-head pumped storage power stations | |
| Lv et al. | Characteristic analysis and optimal regulation of primary frequency regulation condition in low water head area based on hydraulic-mechanical-electrical coupling model of pumped storage unit | |
| CN112464478B (zh) | 一种水轮机调速系统的控制规律优化方法及装置 | |
| CN111881492B (zh) | 一种基于cfd方法的汽轮机阀门配汽管理函数生成方法 | |
| CN114114922A (zh) | 一种水轮机调节系统控制参数优化方法 | |
| Xu et al. | Design of type-2 fuzzy fractional-order proportional-integral-derivative controller and multi-objective parameter optimization under load reduction condition of the pumped storage unit | |
| Lu et al. | Comprehensive stability analysis of complex hydropower system under flexible operating conditions based on a fast stability domain solving method | |
| Wang et al. | Efficiency-house optimization to widen the operation range of the double-suction centrifugal pump | |
| Gao et al. | Transient voltage control based on physics-informed reinforcement learning | |
| Li et al. | Two-stage design optimization of groove flow control technique to improve energy performance of an axial-flow pump | |
| Zhang et al. | Multi‐objective optimization and decision‐making of the combined control law of guide vane and pressure regulating valve for hydroelectric unit | |
| Guan et al. | Towards the integration of distributed renewables: Operation analysis of pumped storage system under off-design condition based on CFD | |
| Fu et al. | Multi-objective co-optimization of the guide vane closure law and rotor inertia in pumped-storage power system | |
| Wen et al. | Intelligent control for rapidity and security of all-electric ships gas turbine under complex mutation load using optimized neural network | |
| Lei et al. | Three-Dimensional Multi-Objective Design Optimization of a 6.5-Stage Axial Flow Compressor Blades With Lean and Twist | |
| Cardoso Netto et al. | Surrogate-Based Design Optimization of a H-Darrieus Wind Turbine Comparing Classical Response Surface, Artificial Neural Networks, and Kriging | |
| Bao et al. | Research on hydrodynamic characteristics and performance improvement of ball valve integrating fluid regulation and energy harvesting | |
| Fritsche et al. | Numerical Performance Predictions of Artificial Intelligence-Driven Centrifugal Compressor Designs |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No.1, Xiba Jianshe Road, Xiling District, Yichang City, Hubei Province Patentee after: CHINA YANGTZE POWER Co.,Ltd. Country or region after: China Patentee after: HUAZHONG University OF SCIENCE AND TECHNOLOGY Patentee after: Nengshida Electric Co.,Ltd. Address before: No.1, Xiba Jianshe Road, Xiling District, Yichang City, Hubei Province Patentee before: CHINA YANGTZE POWER Co.,Ltd. Country or region before: China Patentee before: HUAZHONG University OF SCIENCE AND TECHNOLOGY Patentee before: Nengshida Electric (Wuhan) Co.,Ltd. Address after: No.1, Xiba Jianshe Road, Xiling District, Yichang City, Hubei Province Patentee after: CHINA YANGTZE POWER Co.,Ltd. Country or region after: China Patentee after: HUAZHONG University OF SCIENCE AND TECHNOLOGY Patentee after: Nengshida Electric (Wuhan) Co.,Ltd. Address before: No.1, Xiba Jianshe Road, Xiling District, Yichang City, Hubei Province Patentee before: CHINA YANGTZE POWER Co.,Ltd. Country or region before: China Patentee before: HUAZHONG University OF SCIENCE AND TECHNOLOGY Patentee before: THREE GORGES NENGSHIDA ELECTRIC Co.,Ltd. |