CN112733455B - 水轮机建模数据的修正方法、系统、装置和存储介质 - Google Patents
水轮机建模数据的修正方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN112733455B CN112733455B CN202110054355.9A CN202110054355A CN112733455B CN 112733455 B CN112733455 B CN 112733455B CN 202110054355 A CN202110054355 A CN 202110054355A CN 112733455 B CN112733455 B CN 112733455B
- Authority
- CN
- China
- Prior art keywords
- guide vane
- vane opening
- correction
- water turbine
- opening
- 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
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Water Turbines (AREA)
Abstract
本申请涉及一种水轮机建模数据的修正方法、系统、装置和存储介质。该方法包括:从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值;划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度;优化所述修正函数的修正系数,得到目的导叶开度,通过所述目的导叶开度完成所述建模数据的修正。利用对导叶开度分段进行修正,修正不同开度区间的初始导叶开度,显著提高了导叶开度修正的精准度,避免了水轮机的机组实际运行时产生的数据的偏差;使得在后续水轮机的建模和真实水轮机的运行更加相似,提高了水轮机模型的仿真效果。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种水轮机建模数据的修正方法、系统、装置和存储介质。
背景技术
在发电设备的调试过程中,对于水轮机而言,需要针对水轮机进行建模和仿真,在建模的过程中,由于建模时采用的是模型综合特性曲线的数据,通常会与机组实际运行时产生的数据有一定的偏差,其中,造成这方面偏差的原因有多方面,比如水力因素,例如流道设计,蜗壳尾水管设计等;还比如是机械因素,像机组转轮发生变形腐蚀等;或者是电磁因素,如导叶角度与实际控制角度不符等。为解决这一问题则必须对模型进行一定的修正才能运用到仿真运行中,才能对机组的实际运行有可参考的价值。
但是,现有的技术对于模型的修正中采用的方法部分是针对模型建立完成后进行完善从而提高模型的准确度,另一部分针对模型建立过程中通过分段线性化处理数据,从而提高数据采集的精准度,进而提高模型的精准度,然而上述的修正目前从后续的仿真来看,效果不佳,其主要原因在于上述对于模型建立过程中修正的幅度有限。
发明内容
基于此,有必要针对上述技术问题,提供一种水轮机建模的修正方法、系统、装置和存储介质。
第一方面,本发明实施例提供了一种水轮机建模数据的修正方法,包括以下步骤:
通从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值;
划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度;
优化所述修正函数的修正系数,得到目的导叶开度,通过所述目的导叶开度完成所述建模数据的修正。
进一步的,所述从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值,包括:
通过所述水轮机特性曲线,对所述建模数据进行数据筛选,抽取水轮机的转速和初始导叶开度;
得到所述初始导叶开度和所述转速对应的单位力矩,通过神经网络训练函数,得到对应的权值与阈值;
根据所述权值和阈值描绘出力矩神经网络对应的输入和输出曲面图。
进一步的,所述划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度,包括:
预估所述初始导叶开度的修正精度和修正运行时间确定所述开度区间的个数;
根据所述开度区间的个数,并利用所述水轮机的机组开停机和运行过程,在0~1范围内将所述初始导叶开度划分为若干连续段;
通过多项式修正函数将不同开度区间的所述初始导叶开度进行修正,并根据所述初始导叶开度的修正误差确定所述多项式修正函数的修正项次数。
进一步的,对所述建模数据进行数据筛选,包括:删除所述水轮机停机状态数据,并剔除误差超多5%的所述初始导叶开度。
另一方面,本发明实施例还提供了一种水轮机建模数据的修正系统,包括
数据处理模块,从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值;
函数修正模块,用于划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度;
修正优化模块,用于优化所述修正函数的修正系数,得到目的导叶开度,通过所述目的导叶开度完成所述建模数据的修正。
进一步的,所述数据获取模块包括数据训练单元,所述数据训练单元用于:
通过所述水轮机特性曲线,对所述建模数据进行数据筛选,抽取水轮机的转速和初始导叶开度;
得到所述初始导叶开度和所述转速对应的单位力矩,通过神经网络训练函数,得到对应的权值与阈值;
根据所述权值和阈值描绘出力矩神经网络对应的输入和输出曲面图。
进一步的,所述函数修正模块包括区间划分单元,所述区间划分单元用于:
预估所述初始导叶开度的修正精度和修正运行时间确定所述开度区间的个数;
根据所述开度区间的个数,并利用所述水轮机的机组开停机和运行过程,在0~1范围内将所述初始导叶开度划分为若干连续段;
通过多项式修正函数将不同开度区间的所述初始导叶开度进行修正,并根据所述初始导叶开度的修正误差确定所述多项式修正函数的修正项次数。
进一步的,所述数据筛选模块对对训练后的所述建模数据进行数据筛选包括:删除所述水轮机停机状态数据,并剔除误差超多5%的所述初始导叶开度。
本发明实施例还提供了一种水轮机建模数据的修正装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值;
划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度;
优化所述修正函数的修正系数,得到目的导叶开度,通过所述目的导叶开度完成所述建模数据的修正。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值;
划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度;
优化所述修正函数的修正系数,得到目的导叶开度,通过所述目的导叶开度完成所述建模数据的修正。
本发明的有益效果是,本发明实施例公开了一种水轮机建模数据的修正方法、系统、装置和存储介质,通过对水轮机特性曲线获取建模数据的训练和筛选,将对水轮机建模过程中的重要参数导叶开度进行修正,得到了修正后的导叶开度及其对应的修正后的转速和力矩数据。通过该方法,在进行数据修复过程中,利用对导叶开度分段进行修正,修正不同开度区间的导叶开度,显著提高了导叶开度修正的精准度和修正幅度,避免了水轮机的机组实际运行时产生的数据的偏差。同时通过数据的修正,使得在后续水轮机的建模和真实水轮机的运行更加接近,提高了水轮机模型的仿真效果。
附图说明
图1为一个实施例中水轮机建模数据的修正方法的流程示意图;
图2为一个实施例中获取的数据进行处理过程的流程示意图;
图3为一个实施例中通过修正函数修正导叶开度的流程示意图;
图4为一个实施例中水轮机建模数据的修正系统的结构框图;
图5为一个实施例中水轮机建模数据的修正装置的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种水轮机建模数据的修正方法,包括以下步骤:
步骤S101,从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值;
步骤S102,划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度;
步骤S103,优化所述修正函数的修正系数,得到目的导叶开度,通过所述目的导叶开度完成所述建模数据的修正;
具体地,在对发电设备的水轮机进行建模和仿真过程中,如何提高建模的精准度直接决定了后续仿真的结果,建模越接近水轮机的实际运行结果,仿真越真实,因此,对于水轮机建模的过程中,通过提高建模数据的精准度来间接使得水轮机的模型更加适合。在水轮机的建模中,涉及到下面的变量,单位力矩M11,单位转速n11,单位流量Q11,导叶开度a,且上述变量存在的函数关系为:
M11=fm(a,n11);Q11=fq(a,n11),
进一步将上述函数变换得到如下关系:
其中,n为实际转速,D为转轮直径,H为实际水头,Q为实际流量,Mt为实际力矩。因此,在建模过程中,导叶开度作为中间变量,通过导叶开度可以直接找到对应的单位力矩和单位转速,在进行数据修正的过程中,直接修正导叶开度,进而得到修正后的转速和力矩数据。通过水轮机特性曲线获取建模数据,可以方便的采集到导叶开度、单位力矩和单位转速;提高对导叶开度进行数据训练和筛选,剔除掉超范围的干扰数据,提高了数据的采集质量,进而提高了后续建模的精准度,筛选过后,将初始导叶开度转变为处理后的导叶开度,然后利用合适的修正函数对处理后的导叶开度进行修正,例如利用多项式函数进行修正,通过修正,得到不同的开度区间的目的导叶开度,通过和实际数据的比较,并优化修正函数和修正系数,提高优化的精准度,完成整个水轮机建模数据的修正过程,将对水轮机建模过程中的重要参数导叶开度进行修正,得到了修正后的导叶开度及其对应的修正后的转速和力矩数据。通过该方法,在进行数据修复过程中,通过对导叶开度分段进行修正,多次修正不同开度区间的导叶开度,显著提高了导叶开度修正的精准度和修正幅度,避免了水轮机的机组实际运行时产生的数据的偏差。同时通过数据的修正,使得在后续水轮机的建模和真实水轮机的运行更加相似,提高了水轮机的仿真效果。
在一个实施例中,如图2所示,提供了在水轮机特性曲线中获取的数据进行进一步的处理过程的流程图,包括:
步骤S201,通过所述水轮机特性曲线,对所述建模数据进行数据筛选,抽取水轮机的转速和初始导叶开度;
步骤S202,得到所述初始导叶开度和所述转速对应的单位力矩,通过神经网络训练函数,得到对应的权值与阈值;
步骤S203,根据所述权值和阈值描绘出力矩神经网络对应的输入和输出曲面图。
具体地,特性曲线一般为厂家直接给与,若厂家没有相关数据则可通过机组类型选择相近的标准水轮机模型综合特性曲线进行建模,在对从水轮机特性曲线采集时,获取的数据较多,包括导叶开度、转速、实际水头、实际流量、实际力矩等数据,因此,需要首先对采集的数据进行处理,获得关键变量单位力矩、初始导叶开度和单位转速,为拟合上述的单位力矩、初始导叶开度和单位转速,需要首先进行神经网路训练,得到所述初始导叶开度对应的权值和阈值,然后描绘出三维坐标体系下,单位力矩、初始导叶开度和单位转速之间的曲面图,从上述曲面图中可以明显看出三者的对应关系,进而便于后续的数据修正。
在一个实施例中,如图3所示,提供了修正函数修正导叶开度的流程示意图,包括:
步骤S301,预估所述初始导叶开度的修正精度和修正运行时间确定所述开度区间的个数;
步骤S302,根据所述开度区间的个数,并利用所述水轮机的机组开停机和运行过程,在0~1范围内将所述初始导叶开度划分为若干连续段;
步骤S303,通过多项式修正函数将不同开度区间的所述初始导叶开度进行修正,并根据所述初始导叶开度的修正误差确定所述多项式修正函数的修正项次数。
具体地,在进行修正之前,首先需要了解的是修正的精准度、修正函数的修正次数和修正运行的时间关系,修正越好,修正函数可以采用不同的修正模型,同时修正的次数越多,修正运行的时间的越多,修正效率也就降了下来,因此,需要根据修正的结果需求,确定修正函数和修正次数。另一方面,本实施例通过对导叶开度进行分段,也就是利用开度区间进步不同的修正,显著提高了修正的精确度,在结合实际需求之后,本实施例在确定了多项式的修正函数的基础上,确定了三个开度区间,并利用所述水轮机的机组开停机和运行过程,在0~1范围内将所述处理后的导叶开度划分为若干连续段,开度区间分别0-0.45、0.45-0.70、0.70-1.0,并结合实际需求确定的修正函数为:a′=b0+b1a+b2a2+b3a3,其中,a′为修正后的目的导叶开度,b0、b1、b2、b3为修正系数,a为初始导叶开度经过处理后的处理后的导叶开度。其中,多项式的修正函数也可以根据需求进行变换为其他修正模型,且多项式的项数也可以根据修正的精确度要求进行适当的增加,在此不再详述。通过上述多项式的修正,可以明显发明在不同开度区间的修正结果,从而找到在逼近实际数据结果的目的导叶开度,进而确定出合适的修正结果。
在一个实施例中,所述对训练后的所述建模数据进行数据筛选,包括:删除所述水轮机停机状态数据,并剔除误差超多5%的所述初始导叶开度。此外,在初次修正完成后,可以根据修正的结果和实际数据的比较后差异,对修正函数进行优化,例如,采用灰狼智能优化算法对多项式修正系数进行优化,从而提高修正的精度度,使得最终的修正结果更加逼近实际数据。
其中,为提高在修正过程的产生的非必要误差,首先需要对从采集的建模数据进行剔除和筛选,剔除掉非正常的数据,例如水轮机停机状态下,转速为零的数据显然不符合要求,误差超过5%的数据等,从而提高修正的精确度,若需进一步提高精度则需要厂方对采集的初始数据进行筛选、细分导叶开度区间、更换修正函数及采用更好的智能优化算法等。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种水轮机建模数据的修正系统,包括:
数据处理模块401,从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值;
函数修正模块402,用于划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度;
修正优化模块403,用于优化所述修正函数的修正系数,得到目的导叶开度,通过所述目的导叶开度完成所述建模数据的修正。
在一个实施例中,如图4所示,所述数据获取模块401包括数据训练单元4011,所述数据训练单元4011用于:
通过所述水轮机特性曲线,对所述建模数据进行数据筛选,抽取水轮机的转速和初始导叶开度;
得到所述初始导叶开度和所述转速对应的单位力矩,通过神经网络训练函数,得到对应的权值与阈值;
根据所述权值和阈值描绘出力矩神经网络对应的输入和输出曲面图。
在一个实施例中,如图4所示,所述函数修正模块402包括区间划分单元4022,所述区间划分单元4022用于:
预估所述初始导叶开度的修正精度和修正运行时间确定所述开度区间的个数;
根据所述开度区间的个数,并利用所述水轮机的机组开停机和运行过程,在0~1范围内将所述初始导叶开度划分为若干连续段;
通过多项式修正函数将不同开度区间的所述初始导叶开度进行修正,并根据所述初始导叶开度的修正误差确定所述多项式修正函数的修正项次数。
在一个实施例中,所述数据处理模块对所述建模数据进行数据筛选,包括:删除所述水轮机停机状态数据,并剔除误差超多5%的所述初始导叶开度。
关于水轮机建模数据的修正系统的具体限定可以参见上文中对于水轮机建模数据的修正方法的限定,在此不再赘述。上述水轮机建模数据的修正系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于装置中的处理器中,也可以以软件形式存储于装置中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图5示出了一个实施例中水轮机建模数据的修正装置的内部结构图。如图5所示,该装置包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该装置的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现权限异常检测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行权限异常检测方法。该装置的显示屏可以是液晶显示屏或者电子墨水显示屏,该装置的输入装置可以是显示屏上覆盖的触摸层,也可以是装置外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的装置的限定,具体的装置可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种水轮机建模数据的修正装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值;划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度;优化所述修正函数的修正系数,得到目的导叶开度,通过所述目的导叶开度完成所述建模数据的修正。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过所述水轮机特性曲线,对所述建模数据进行数据筛选,抽取水轮机的转速和初始导叶开度;得到所述初始导叶开度和所述转速对应的单位力矩,通过神经网络训练函数,得到对应的权值与阈值;根据所述权值和阈值描绘出力矩神经网络对应的输入和输出曲面图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:预估所述初始导叶开度的修正精度和修正运行时间确定所述开度区间的个数;根据所述开度区间的个数,并利用所述水轮机的机组开停机和运行过程,在0~1范围内将所述初始导叶开度划分为若干连续段;通过多项式修正函数将不同开度区间的所述初始导叶开度进行修正,并根据所述初始导叶开度的修正误差确定所述多项式修正函数的修正项次数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述建模数据进行数据筛选,包括:删除所述水轮机停机状态数据,并剔除误差超多5%的所述初始导叶开度。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值;划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度;优化所述修正函数的修正系数,得到目的导叶开度,通过所述目的导叶开度完成所述建模数据的修正。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过所述水轮机特性曲线,对所述建模数据进行数据筛选,抽取水轮机的转速和初始导叶开度;得到所述初始导叶开度和所述转速对应的单位力矩,通过神经网络训练函数,得到对应的权值与阈值;根据所述权值和阈值描绘出力矩神经网络对应的输入和输出曲面图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:预估所述初始导叶开度的修正精度和修正运行时间确定所述开度区间的个数;根据所述开度区间的个数,并利用所述水轮机的机组开停机和运行过程,在0~1范围内将所述初始导叶开度划分为若干连续段;通过多项式修正函数将不同开度区间的所述初始导叶开度进行修正,并根据所述初始导叶开度的修正误差确定所述多项式修正函数的修正项次数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述建模数据进行数据筛选,包括:删除所述水轮机停机状态数据,并剔除误差超多5%的所述初始导叶开度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种水轮机建模数据的修正方法,其特征在于,包括以下步骤:
从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值;
划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度;包括:预估所述初始导叶开度的修正精度和修正运行时间确定所述开度区间的个数;根据所述开度区间的个数,并利用所述水轮机的机组开停机和运行过程,在0~1范围内将所述初始导叶开度划分为若干连续段;通过多项式修正函数将不同开度区间的所述初始导叶开度进行修正,并根据所述初始导叶开度的修正误差确定所述多项式修正函数的修正项次数;
优化所述修正函数的修正系数,得到目的导叶开度,通过所述目的导叶开度完成所述建模数据的修正。
2.根据权利要求1所述的水轮机建模数据的修正方法,其特征在于,所述从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值,包括:
通过所述水轮机特性曲线,对所述建模数据进行数据筛选,抽取水轮机的转速和初始导叶开度;
得到所述初始导叶开度和所述转速对应的单位力矩,通过神经网络训练函数,得到对应的权值与阈值;
根据所述权值和阈值描绘出力矩神经网络对应的输入和输出曲面图。
3.根据权利要求2所述的水轮机建模数据的修正方法,其特征在于,对所述建模数据进行数据筛选,包括:删除所述水轮机停机状态数据,并剔除误差超过5%的所述初始导叶开度。
4.一种水轮机建模数据的修正系统,其特征在于,包括
数据处理模块,从水轮机的建模数据中得到初始导叶开度,并根据所述建模数据进行神经网络的训练,得到对应的权值与阈值;
函数修正模块,用于划分所述初始导叶开度的开度区间,根据所述权值与阈值,并通过所述开度区间对应的修正函数修正所述初始导叶开度;所述函数修正模块包括区间划分单元,所述区间划分单元用于:预估所述初始导叶开度的修正精度和修正运行时间确定所述开度区间的个数;根据所述开度区间的个数,并利用所述水轮机的机组开停机和运行过程,在0~1范围内将所述初始导叶开度划分为若干连续段;通过多项式修正函数将不同开度区间的所述初始导叶开度进行修正,并根据所述初始导叶开度的修正误差确定所述多项式修正函数的修正项次数;
修正优化模块,用于优化所述修正函数的修正系数,得到目的导叶开度,通过所述目的导叶开度完成所述建模数据的修正。
5.根据权利要求4所述的水轮机建模数据的修正系统,其特征在于,所述数据处理模块包括数据训练单元,所述数据训练单元用于:
通过所述水轮机特性曲线,对所述建模数据进行数据筛选,抽取水轮机的转速和初始导叶开度;
得到所述初始导叶开度和所述转速对应的单位力矩,通过神经网络训练函数,得到对应的权值与阈值;
根据所述权值和阈值描绘出力矩神经网络对应的输入和输出曲面图。
6.根据权利要求5所述的水轮机建模数据的修正系统,其特征在于,所述数据处理模块对所述建模数据进行数据筛选,包括:删除所述水轮机停机状态数据,并剔除误差超过5%的所述初始导叶开度。
7.一种水轮机建模数据的修正装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
8.一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3中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054355.9A CN112733455B (zh) | 2021-01-15 | 2021-01-15 | 水轮机建模数据的修正方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054355.9A CN112733455B (zh) | 2021-01-15 | 2021-01-15 | 水轮机建模数据的修正方法、系统、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733455A CN112733455A (zh) | 2021-04-30 |
CN112733455B true CN112733455B (zh) | 2022-02-08 |
Family
ID=75591625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110054355.9A Active CN112733455B (zh) | 2021-01-15 | 2021-01-15 | 水轮机建模数据的修正方法、系统、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733455B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113315240B (zh) * | 2021-07-29 | 2022-01-21 | 湖南五凌电力科技有限公司 | 水电机组的全工况稳定性样本获取及管理方法及装置 |
CN114017248B (zh) * | 2021-10-27 | 2022-10-11 | 中国水利水电科学研究院 | 全功率变频抽蓄水轮机工况运行全路径优化方法和系统 |
CN117685871B (zh) * | 2024-02-04 | 2024-04-16 | 东方电气集团东方电机有限公司 | 导叶开口监测方法、监测装置及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103850872A (zh) * | 2014-03-06 | 2014-06-11 | 国家电网公司 | 转桨式水轮机协联关系综合优化试验方法 |
CN108763785A (zh) * | 2018-05-31 | 2018-11-06 | 湖南五凌电力科技有限公司 | 一种水轮机调节系统实时仿真方法、装置和电子设备 |
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 |
CN111489027A (zh) * | 2020-04-08 | 2020-08-04 | 五凌电力有限公司近尾洲水电厂 | 一种水电机组波形数据趋势预测方法及其系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109404202A (zh) * | 2018-10-09 | 2019-03-01 | 西华大学 | 一种贯流式水轮机最优协联优化方法 |
CN111507637B (zh) * | 2020-04-22 | 2023-05-02 | 云南电力试验研究院(集团)有限公司 | 电力系统稳定计算用水轮机及引水系统参数建模与测试方法 |
-
2021
- 2021-01-15 CN CN202110054355.9A patent/CN112733455B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103850872A (zh) * | 2014-03-06 | 2014-06-11 | 国家电网公司 | 转桨式水轮机协联关系综合优化试验方法 |
CN108763785A (zh) * | 2018-05-31 | 2018-11-06 | 湖南五凌电力科技有限公司 | 一种水轮机调节系统实时仿真方法、装置和电子设备 |
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 |
CN111489027A (zh) * | 2020-04-08 | 2020-08-04 | 五凌电力有限公司近尾洲水电厂 | 一种水电机组波形数据趋势预测方法及其系统 |
Non-Patent Citations (3)
Title |
---|
A New Processing Method Combined with BP Neural Network for Francis Turbine Synthetic Characteristic Curve Research;Junyi Li等;《International Journal of Rotating Machinery》;20171231;全文 * |
BP和RBF神经网络在水轮机非线性特性拟合中的应用比较;张培等;《中国农村水利水电》;20111231(第11期);全文 * |
基于输入-输出修正的水轮机特性曲线精细化模型;刘冬等;《水利学报》;20190531;第50卷(第5期);第555-564页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112733455A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733455B (zh) | 水轮机建模数据的修正方法、系统、装置和存储介质 | |
US11441542B2 (en) | Operating a wind turbine using estimated wind speed while accounting for blade torsion | |
Bertetta et al. | CPP propeller cavitation and noise optimization at different pitches with panel code and validation by cavitation tunnel measurements | |
CN108829928B (zh) | 一种涡轴发动机自适应部件级仿真模型构建方法 | |
US10331810B2 (en) | Method for determining a model of an output quantity of a technical system | |
CN109612738B (zh) | 一种涡扇发动机的气路性能改进的分布式滤波估计方法 | |
CN108647428A (zh) | 一种涡扇发动机自适应部件级仿真模型构建方法 | |
CN108256173A (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
CN110083896B (zh) | 风电机组运行功率曲线达标符合度评价方法 | |
CN103452674A (zh) | 一种挖掘航空发动机的加速潜能的控制系统及控制方法 | |
CN109489987A (zh) | 涡扇发动机测量偏置容错的气路性能分布式滤波估计方法 | |
CN112459971A (zh) | 风力发电机组塔筒的异常振动检测方法 | |
CN113708389A (zh) | 基于实际功率响应的风电场一次调频模型参数辨识方法及系统 | |
CN114611437A (zh) | 基于cfd技术的飞行器气动模型数据库的建立方法及装置 | |
CN106682292A (zh) | 一种降维模拟退火算法的叶根结构优化方法 | |
CN114092906A (zh) | 一种车道线分段拟合方法、系统、电子设备及存储介质 | |
Frese et al. | Design optimisation of an impeller with CFD and Meta-Model of optimal Prognosis (MoP) | |
CN111351628B (zh) | 一种高超声速风洞连续变攻角试验数据处理方法 | |
CN111310341B (zh) | 风机运行参数确定方法、装置、设备及可读存储介质 | |
CN116734970A (zh) | 一种发动机空气流量计修正方法、装置、设备及存储介质 | |
CN117518866A (zh) | 船舶蒸汽动力系统的性能测试方法及装置 | |
CN116579252A (zh) | 基于粒子群算法的涡旋机械排气孔优化方法及系统 | |
CN116739147A (zh) | 基于bim的智能能耗管理与动态碳排放计算联合方法及系统 | |
CN107610210B (zh) | 骨骼动画系统优化方法、装置及骨骼动画系统 | |
CN116257943A (zh) | 一种核电汽轮机压力参数仿真方法 |
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 |