CN114547987B - 一种基于改进人工神经网络的离心泵作透平性能预测方法 - Google Patents

一种基于改进人工神经网络的离心泵作透平性能预测方法 Download PDF

Info

Publication number
CN114547987B
CN114547987B CN202210426339.2A CN202210426339A CN114547987B CN 114547987 B CN114547987 B CN 114547987B CN 202210426339 A CN202210426339 A CN 202210426339A CN 114547987 B CN114547987 B CN 114547987B
Authority
CN
China
Prior art keywords
neural network
artificial neural
turbine
centrifugal pump
bep
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
Application number
CN202210426339.2A
Other languages
English (en)
Other versions
CN114547987A (zh
Inventor
周佩剑
余文进
牟介刚
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.)
China University of Metrology
Original Assignee
China University of Metrology
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 China University of Metrology filed Critical China University of Metrology
Priority to CN202210426339.2A priority Critical patent/CN114547987B/zh
Publication of CN114547987A publication Critical patent/CN114547987A/zh
Application granted granted Critical
Publication of CN114547987B publication Critical patent/CN114547987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明公开一种基于改进人工神经网络的离心泵作透平性能预测方法，该方法首先分段计算每个比转速下泵作透平的最佳工况点的扬程H BEP,T、流量Q BEP,T，计算透平状态下的各个工况点的流量Q i与Q BEP,T的比值a和Q i对应的H i与H BEP,T的比值的平方根b；构建训练集，每个训练样本包括离心泵的几何参数、流量、a、b和透平状态下的每个流量对应的扬程、效率；构建人工神经网络，对人工神经网络同时进行L1和L2正则化；采用所述训练集对所述人工神经网络进行训练；最后将待预测的离心泵在透平状态下的几何参数、a、b输入训练后的人工神经网络，输出每个流量工况对应的扬程和效率。本发明的方法适用范围广，预测精度高，计算周期短。

Description

一种基于改进人工神经网络的离心泵作透平性能预测方法
技术领域
本发明属于离心泵作透平性能预测领域，具体涉及到一种基于改进人工神经网络的离心泵作透平性能预测方法。
背景技术
电力是日常生产生活中必不可少的能源，从发电方式来看，目前，我国仍以火力发电为主要发电方式。但随着我国及世界对环境问题的越发重视，必将逐渐减少火力发电厂对电力生产的贡献占比，转而大力发展新型能源及环境友好型能源的方法来促进可持续发展。正是在这种情况下，微水电越来越受到重视。对于偏远地区，水轮机安装不便且维护成本高，采用泵反转作透平的方式可以有效降低成本，提升微水电覆盖范围。此外，泵作透平也同样适用于高压能量回收的场合，如：钢铁、石油、化工企业的高压液体压力能回收，海洋液体压力能开发等。相较于传统的小功率液体压力能回收与开发装置，采用泵反转作透平的方式有着以下几点优势：
（1）泵的适用范围更广，可以提供更加多样的水头与流量选择；
（2）泵的装机成本更低，可以更好地降低初始投入成本；
（3）泵的发展已经趋于成熟，能够提供更加多样化的标准件，使得泵在后期使用过程中能更加简单便捷的更换诸如密封件，轴承等的零部件，便于后期维护。
但是在使用泵作透平的过程中仍存在一些问题，其中最主要的便是难以准确预测透平状态下泵的性能，预测的准确性决定了整个工程项目的时间及经济成本，而每一种类型的泵在不同的工作环境下都会有一个在该环境下的最佳工况点，要想准确预测透平性能数据仍是目前亟待解决的一大难题。
对于传统的采用CFD进行仿真的方法而言，其准确率及预测速度确实可以达到很高程度，但其建模过程繁琐，预测精度受网格质量影响较大，且运算需要占用大量资源等缺点，使得该方法无法适用在需要快速获取离心泵作透平性能参数等的工程问题中。对于利用损失函数模型进行预测的方法而言，其模型建立难度较大，输入参数获取不便，模型泛化能力差等问题，对于需要快速获取离心泵作透平性能参数的工程问题仍未很好的解决。
近年来，以神经网络为主的机器学习方法迅速发展起来，神经网络是一种通过不断迭代来达到拟合效果的学习模型，有着较好的适用性与泛化性能。目前利用人工神经网络对离心泵透平状态下最佳工况点的预测已经可以达到一定的精度，但对于透平状况下全工况的水力特性预测方法仍旧较少，且精度较低。
发明内容
针对现有技术的不足，本发明提供一种基于改进人工神经网络的离心泵作透平性能预测方法，能够在已知泵送状态下部分参数的情况下较为准确快速的预测出泵在透平状态下的水力特性。
本发明的目的通过如下的技术方案来实现：
一种基于改进人工神经网络的离心泵作透平性能预测方法，其包括：
步骤一：分段计算每个比转速下泵作透平的最佳工况点的扬程H BEP,T、流量Q BEP,T；
Figure 572175DEST_PATH_IMAGE001
其中，N s,T为透平状态下比转速，N s,T=0.9237 N s,P-2.6588；N s,P为泵送状态下的比转速；H BEP,T为透平状态下最佳工况点的扬程，Q BEP,T为透平状态下最佳工况点的流量，Q BEP,P为泵送状态下最佳工况点的流量，H BEP,P为泵送状态下的最佳工况点的扬程，n为泵的转速；η p为泵送状态下的效率；ω为叶轮角速度，g为重力常数，D 0为叶轮出口直径；
步骤二：选取透平状态下的各个工况点的流量Q i，计算Q i与Q BEP,T的比值a和Q i对应的H i与H BEP,T的比值的平方根b；
步骤三：构建训练集，所述训练集包括多台离心泵在透平状态下的运行数据，每个训练样本包括离心泵的几何参数、流量、a、b和透平状态下的每个流量对应的扬程、效率；
步骤四：构建人工神经网络，对人工神经网络同时进行L1和L2正则化；采用所述训练集对所述人工神经网络进行训练；
步骤五：将待预测的离心泵在透平状态下的几何参数、流量、a、b输入训练后的人工神经网络，输出每个流量工况对应的扬程和效率。
进一步地，所述人工神经网络包括一个输入层、两个隐藏层和一个输出层，所述输入层包括10个神经元，分别对应离心泵泵送状态下的比转速、每个工况下的流量、叶片数、叶轮进口直径、叶轮出口直径、蜗壳进口直径、蜗壳出口直径、叶轮出口宽度、a和b；所述输出层包括两个神经元，分别为输入层输入的流量对应的扬程、效率；两个隐藏层的神经元个数满足如下公式：
Figure 196054DEST_PATH_IMAGE002
其中，m为输入层神经元个数，n为输出层神经元个数，k为当前隐藏层神经元个数，L为隐藏层层数，
Figure 137465DEST_PATH_IMAGE003
表示向上取整。
进一步地，所述激活函数为LeakyReLU函数，其表达式如下：
Figure 719756DEST_PATH_IMAGE004
其中，ai为(1,+∞)内的固定参数，1/ai为负斜率系数，取值为0.01；xi表示上一层神经元的输入量，yi表示当前层神经元的输出量。
进一步地，采用L1和L2正则化方法对人工神经网络进行正则化的计算公式如下：
Figure 910566DEST_PATH_IMAGE005
其中，
Figure 338137DEST_PATH_IMAGE006
和
Figure 868475DEST_PATH_IMAGE007
分别为L1和L2的正则化项，λ为正则化系数，w为输入与输出间的权重矩阵，N为输出个数；T表示矩阵转置。
进一步地，所述人工神经网络训练时采用Nadam优化器进行初始优化。
进一步地，所述人工神经网络训练时在采用Nadam优化器进行初始优化的基础上，采用SGD优化器对模型参数进行进一步优化。
本发明的有益效果如下：
（1）本发明的离心泵作透平性能预测方法对按照离心泵的运行特性，按照比转速进行分段计算透平状态下最佳工况点的扬程和流量，并通过对流量、扬程分别处理后获得精确的训练数据，从而对人工神经网络进行训练；并在训练时对人工神经网络同时进行L1和L2正则化，防止出现过拟合现象，并选用优化器，进一步保证训练精度。
（2）本发明的离心泵作透平性能预测方法能够对各类离心泵在透平状态下的各个流量工况对应的性能参数均能进行预测，适用范围广，预测精度高。
（3）本发明的离心泵作透平性能预测方法相对于现有的数值模拟的方法更简便，计算周期短。
附图说明
图1为离心泵作透平性能预测流程图。
图2为离心泵叶轮及压水室结构参数图，其中图2中的（a）为叶轮结构参数图，图2中的（b）为压水室结构参数图。
图3为四种方法的扬程预测误差的对比图。
图4为四种方法的效率预测误差的对比图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，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，本发明的基于改进人工神经网络的离心泵作透平性能预测方法包括如下步骤：
步骤一：分段计算每个比转速下泵作透平的最佳工况点的扬程H BEP,T、流量Q BEP,T；
当离心泵在泵送状态下的比转速N s,P∈(0,30]时，由于超低比转速泵内部流场与常见离心泵存在较大差异，故采用泵送状态下比转速与透平状态下比转速转换关系式确定扬程转换因子的方法来获取透平状态下最佳工况点的性能参数，计算公式如下：
Figure 418405DEST_PATH_IMAGE008
其中，N s,T为透平状态下比转速，N s,P为泵送状态下的比转速；H BEP,T为透平状态下最佳工况点的扬程，Q BEP,T为透平状态下最佳工况点的流量，H BEP,P为泵送状态下的最佳工况点的扬程， h为扬程转换因子，n为泵的转速。
当离心泵在泵送状态下的比转速N s,P∈(30,80]时，此时泵送状态下最佳工况点效率与泵透平状态下最佳工况点性能参数之间关联度较强，可以通过泵送状态最佳工况点效率回归出扬程与流量转换因子，且该比转速下泵存在低流动功率，大摩擦面积和大摩擦损失与机械损失等问题，故采用叶轮参数计算转换因子误差较大。计算方法如下：
Figure 299774DEST_PATH_IMAGE009
其中，q为流量转换因子，η p为泵送状态下的效率。
当离心泵在泵送状态下的比转速N s,P∈(80,200]时，该比转速范围内泵内部流场较为稳定，且利用叶轮参数计算精度相较于前两方法高，故采用该方法计算。计算方法如下：
Figure 531035DEST_PATH_IMAGE010
其中，D s为叶轮比直径，ω为叶轮角速度，g为重力常数，D 0为叶轮出口直径，h为扬程转换因子， q为流量转换因子。
步骤二：为提高预测精度，选取透平状态下的各个工况点的流量Q i，计算Q i与Q BEP,T的比值a和Q i对应的H i与H BEP,T的比值的平方根b，作为人工神经网络输入量，其计算方法如下：
Figure 181459DEST_PATH_IMAGE011
在该实施例中，计算所得部分结果如表1所示。
表1 部分泵水力特性及其计算后a、b的数据
Figure 636711DEST_PATH_IMAGE013
步骤三：构建训练集，所述训练集包括多台离心泵在透平状态下的运行数据，每个训练样本包括离心泵的几何参数、流量、a、b和透平状态下的每个流量对应的扬程、效率；
在该实施例中，每个训练样本中输入层的输入有10个，包括离心泵泵送状态下的比转速、每个工况下的流量、叶片数、叶轮进口直径、叶轮出口直径、蜗壳进口直径、蜗壳出口直径、叶轮出口宽度、a、b。输出层的输出为两个，分别为输入层输入的流量对应的扬程、效率。离心泵叶轮及压水室结构参数图如图2所示，图中，D0为叶轮出口直径，D1为叶轮进口宽度，D2为蜗壳基圆直径，D3为蜗壳出口直径，D4为蜗壳进口直径，b为叶轮出口宽度。
训练集部分数据如下表2所示。
表2 离心泵作透平部分训练集数据
Figure 5375DEST_PATH_IMAGE015
其中，Z为叶片数。
步骤四：构建人工神经网络。
该实施例中，人工神经网络包括一个输入层、两层隐藏层和一个输出层。两个隐藏层神经元个数利用下面的经验公式初步确定
Figure 774748DEST_PATH_IMAGE016
其中，m为输入层神经元个数，n为输出层神经元个数，k为当前隐藏层神经元个数，L为隐藏层层数。
采用LeakyReLU函数作为激活函数，相较于其它激活函数，ReLU激活函数能够更好地挖掘相关特征，拟合训练数据，且采用ReLU函数能够有效的解决梯度消失问题。而LeakyReLU激活函数则是在ReLU函数的基础上对负值部分添加了一个很小的斜率，解决了神经元死亡的问题。LeakyReLU激活函数如下所示：
Figure 545258DEST_PATH_IMAGE017
其中，ai为(1,+∞)内的固定参数，1/ai为负斜率系数，取值为0.01；xi表示上一层神经元的输入量，yi表示当前层神经元的输出量。
其次，在训练过程中，由于样本数量较少，训练过程中过拟合现象发生次数较多，为尽量防止出现过拟合现象，对模型进行正则化，在多个特征相互关联的网络中，L1+L2正则化方法其稳定性与特征选取能力要强于L1与L2单独作用，故采用L1+L2正则化。L1+L2正则化方式如下所示
Figure 171412DEST_PATH_IMAGE005
其中，
Figure 761793DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
分别为L1和L2的正则化项，λ为正则化系数，w为输入与输出间的权重矩阵，N为输出个数；T表示矩阵转置。
优化器部分采用Nadam优化器进行初始更新各信息权重，相较于adam优化器，其对跨度过大时的梯度进行修正，使得收敛速度更快，减少振荡。误差修正方法如下所示：
Figure 89785DEST_PATH_IMAGE020
其中，g t 是其中一个权值或者阈值在第t次迭代时误差对其的梯度，m t 和V t 分别是梯度的一阶矩和二阶矩估计；β2 、β1为优化器参数，β2为0.999，β1为0.9。利用经验公式获取初始隐藏层神经元个数后，开始试训练，并依据试凑法调整神经元个数，取初始值k正负五个神经元数量为试凑区间，带入训练集数据进行试训练，观察训练效果，并依次增减隐藏层神经元个数，直到达到最佳训练效果。
确定神经元个数后，带入训练集数据进行训练，训练直至损失函数收敛后，更换优化器设置，采用SGD优化器进行再优化，依据损失函数更新学习率，直到损失函数达到最小值。SDG优化器初始学习率设置为0.01。
步骤五：将待预测的离心泵在透平状态下的几何参数、a、b输入训练后的人工神经网络，输出每个流量工况对应的扬程和效率。
图3和图4为比转速为129.3的离心泵性能预测结果对比图，其中，方法一为未代入a，b两项且无正则化时的预测曲线；方法二为代入a，b两项，无正则化时的预测曲线；方法三为未代入a，b两项，使用正则化时的预测曲线；方法四为代入a，b两项且正则化时的预测曲线。如图3所示，在采用无量纲参数且对模型正则化后，预测输出的效率与目标的最大相对误差为基本在2%以内，预测输出的扬程与目标的最大误差在10%左右，相较于传统的预测方法一，该方法对效率的预测精度提升了1%左右，对扬程的预测精度提升了5%左右，提升了工程精度。
本发明的方法与现有预测离心泵作透平性能方法的不同之处在于，考虑了泵在透平状态下最佳工况点对性能曲线的约束作用，将无量纲量作为参数输入改进人工神经网络算法，可以在一定程度上提升对离心泵在透平状态下性能的预测精度。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (6)

1.一种基于改进人工神经网络的离心泵作透平性能预测方法，其特征在于，其包括：
步骤一：分段计算每个比转速下泵作透平的最佳工况点的扬程H BEP,T、流量Q BEP,T；
Figure 622128DEST_PATH_IMAGE001
其中，N s,T为透平状态下比转速，N s,T=0.9237N s,P-2.6588；N s,P为泵送状态下的比转速；H BEP,T为透平状态下最佳工况点的扬程，Q BEP,T为透平状态下最佳工况点的流量，Q BEP,P为泵送状态下最佳工况点的流量，H BEP,P为泵送状态下的最佳工况点的扬程，n为泵的转速；η p为泵送状态下的效率；ω为叶轮角速度，g为重力常数，D 0为叶轮出口直径；
步骤二：选取透平状态下各个工况点的流量Q i，计算Q i与Q BEP,T的比值a和Q i对应的H i与H BEP,T的比值的平方根b；
步骤三：构建训练集，所述训练集包括多台离心泵在透平状态下的运行数据，每个训练样本包括离心泵的几何参数、流量、a、b和透平状态下的每个流量对应的扬程、效率；
步骤四：构建人工神经网络，对人工神经网络同时进行L1+L2正则化；采用所述训练集对所述人工神经网络进行训练；
步骤五：将待预测的离心泵的几何参数、流量、a、b输入训练后的人工神经网络，输出每个流量工况对应的扬程和效率。
2.根据权利要求1所述的基于改进人工神经网络的离心泵作透平性能预测方法，其特征在于，所述人工神经网络包括一个输入层、两个隐藏层和一个输出层，所述输入层包括10个神经元，分别对应离心泵泵送状态下的比转速、每个工况下的流量、叶片数、叶轮进口直径、叶轮出口直径、蜗壳进口直径、蜗壳出口直径、叶轮出口宽度、a和b；所述输出层包括两个神经元，分别为输入层输入的流量对应的扬程、效率；两个隐藏层的神经元个数满足如下公式：
Figure 967658DEST_PATH_IMAGE002
其中，m为输入层神经元个数，n为输出层神经元个数，k为当前隐藏层神经元个数，L为隐藏层层数，
Figure 321279DEST_PATH_IMAGE003
表示向上取整。
3.根据权利要求1所述的基于改进人工神经网络的离心泵作透平性能预测方法，其特征在于，所述人工神经网络训练时采用的激活函数为LeakyReLU函数，其表达式如下：
Figure 390910DEST_PATH_IMAGE004
其中，ai为(1,+∞)内的固定参数，1/ai为负斜率系数，取值为0.01；xi表示上一层神经元的输入量，yi表示当前层神经元的输出量。
4.根据权利要求1所述的基于改进人工神经网络的离心泵作透平性能预测方法，其特征在于，采用L1+L2正则化方法对人工神经网络进行正则化，计算公式如下：
Figure 120968DEST_PATH_IMAGE005
其中，
Figure 321006DEST_PATH_IMAGE006
和
Figure 111107DEST_PATH_IMAGE007
分别为L1和L2的正则化项，λ1为L1正则化系数，λ2为L2正则化系数，w为输入与输出间的权重矩阵，N为输出个数；T表示矩阵转置。
5.根据权利要求1所述的基于改进人工神经网络的离心泵作透平性能预测方法，其特征在于，所述人工神经网络训练时采用Nadam优化器进行初始优化。
6.根据权利要求5所述的基于改进人工神经网络的离心泵作透平性能预测方法，其特征在于，所述人工神经网络训练时在采用Nadam优化器进行初始优化的基础上，采用SGD优化器对模型参数进行进一步优化。
CN202210426339.2A 2022-04-22 2022-04-22 一种基于改进人工神经网络的离心泵作透平性能预测方法 Active CN114547987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210426339.2A CN114547987B (zh) 2022-04-22 2022-04-22 一种基于改进人工神经网络的离心泵作透平性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210426339.2A CN114547987B (zh) 2022-04-22 2022-04-22 一种基于改进人工神经网络的离心泵作透平性能预测方法

Publications (2)

Publication Number Publication Date
CN114547987A CN114547987A (zh) 2022-05-27
CN114547987B true CN114547987B (zh) 2022-07-26

Family

ID=81666973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210426339.2A Active CN114547987B (zh) 2022-04-22 2022-04-22 一种基于改进人工神经网络的离心泵作透平性能预测方法

Country Status (1)

Country Link
CN (1) CN114547987B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925481B (zh) * 2022-06-30 2023-04-28 江苏大学 一种基于能效指标的水力模型库离心泵性能提升方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169605A (zh) * 2021-12-06 2022-03-11 西安交通大学 一种适用于泵和水力透平的物理场和性能协同预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105201729B (zh) * 2015-10-19 2017-07-18 江苏大学 离心泵作透平水力性能和外场流激噪声多目标优化方法
US10928811B2 (en) * 2017-10-25 2021-02-23 General Electric Company Method and system to model industrial assets using heterogenous data sources
CN110081016B (zh) * 2019-05-27 2021-04-06 湘潭大学 一种可匹配驱动轴转速的离心泵选型方法
CN111985725A (zh) * 2020-08-30 2020-11-24 浙江工业大学 一种基于改进bp神经网络的离心泵性能参数预测方法
CN113158590B (zh) * 2021-02-07 2024-04-02 浙江工业大学 一种基于混合模型预测不同转速下离心泵效率预测的方法
CN114109859B (zh) * 2021-10-27 2023-10-17 中国计量大学 一种无流量传感的离心泵性能神经网络预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169605A (zh) * 2021-12-06 2022-03-11 西安交通大学 一种适用于泵和水力透平的物理场和性能协同预测方法

Also Published As

Publication number Publication date
CN114547987A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN110739726B (zh) 一种考虑海上风电接入的多类型电源容量长期规划方法
CN108549962B (zh) 基于历史分段序列搜索和时序稀疏化的风电功率预测方法
CN111898828A (zh) 一种基于极限学习机的水力发电预测方法
CN102135021B (zh) 一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法
CN110009135B (zh) 一种基于宽度学习的风电功率预测方法
CN114547987B (zh) 一种基于改进人工神经网络的离心泵作透平性能预测方法
Liu et al. Optimization model for rotor blades of horizontal axis wind turbines
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN112149905A (zh) 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法
CN116522795A (zh) 基于数字孪生模型的综合能源系统仿真方法及系统
CN109902382B (zh) 一种大中型混流式水轮机比转速的统计计算方法
CN113361047B (zh) 面向多层感知结构的叶轮高维优化及选型方法
CN114139439A (zh) 基于模拟退火粒子群算法的汽轮机最优初压确定方法
CN117235912A (zh) 一种基于智能算法考虑叶片角度约束的水泵调节方法
CN107066686B (zh) 一种基于遗传算法的轴流泵叶轮水力优化设计方法
CN107515996B (zh) 一种达里厄水轮机导流罩型线的优化设计方法
Wang et al. Artificial neural network for the performance improvement of a centrifugal pump
CN114169605A (zh) 一种适用于泵和水力透平的物理场和性能协同预测方法
CN113503750B (zh) 一种直接空冷机组最佳背压确定方法
CN111428906B (zh) 一种基于图像变换的工业锅炉蒸汽量预测方法
CN109165792B (zh) 一种基于soa-wnn的光伏短期输出功率预测方法
CN112464478A (zh) 一种水轮机调速系统的控制规律优化方法及装置
CN112632728A (zh) 基于深度学习的透平机械叶型设计及性能预测方法
CN114201926B (zh) 离心泵性能曲线样本获取方法及其在机器学习中的应用
Niu et al. Optimizing Pump Scheduling for Water Supply through Improved Multiple Population Genetic Algorithm

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