CN117074939A - 一种水轮发电机组模拟试验系统 - Google Patents
一种水轮发电机组模拟试验系统 Download PDFInfo
- Publication number
- CN117074939A CN117074939A CN202311035688.2A CN202311035688A CN117074939A CN 117074939 A CN117074939 A CN 117074939A CN 202311035688 A CN202311035688 A CN 202311035688A CN 117074939 A CN117074939 A CN 117074939A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- axis
- speed
- swing
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 48
- 238000004088 simulation Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000001105 regulatory effect Effects 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- XDDAORKBJWWYJS-UHFFFAOYSA-N glyphosate Chemical compound OC(=O)CNCP(O)(O)=O XDDAORKBJWWYJS-UHFFFAOYSA-N 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水轮发电机组模拟试验系统,涉及实验模拟领域,包括多个水轮发电机组,还包括:水轮发电机组切换模块,所述水轮发电机组切换模块用于切换不同的水轮发电机组进行模拟实验;该水轮发电机组模拟试验系统,通过轴线信息采集模块采集实验过程中电机轴线的摆动信息,通过轴线摆动预测模块预测在当前实验环境下轴线的摆动,通过轴线校准模块收集轴线摆动预测模块的轴线摆动预测结果,并对轴线进行校准,通过粒子群对其网络参数进行优化,使用历史最大摆动对其进行训练,得到轴线摆动,再结合轴线计算公式得到轴线调整量,为及时发现机组轴线偏移曲折以及寻找解决方案提供可靠依据,且适用于轴线调整。
Description
技术领域
本发明涉及实验模拟技术,具体涉及一种水轮发电机组模拟试验系统。
背景技术
随着国民经济的高速发展,我国水电装机总容量得到了很大的发展,水电站水轮发电机组数量也得到持续增加。水轮发电机是水电站的核心设备,为了保障其安全运行,需要实时监测其运行的电量参数和非电量参数。非电量参数主要包括转速、温度及机械振摆参数,通过监测非电量参数值,可以实时掌握水轮发电机运行的安全状态。
水轮发电机主要机械部件包括上机架、下机架、转子、定子、大轴、金属瓦及油箱等部件,在水轮发电机高转速运行状态下,水轮发电机各个部件温度及机械振动摆度参数会发生相应变化,通过集中监测这些参数可以提前判断发电机的安全运行状态。因电站建设运行条件的差别,转速、温度测量装置分散于不同盘柜,转速、温度参数只进入监控系统,转速多少温度高低没有与振动摆度参数联系起来统一综合判断,甚至现地未建立振动摆度监测系统,不能全面掌握机组动态运行参数。
发明内容
本发明的目的是提供一种水轮发电机组模拟试验系统,以解决现有技术中的上述不足之处。
为了实现上述目的,本发明提供如下技术方案:一种水轮发电机组模拟试验系统,包括多个水轮发电机组,还包括:
水轮发电机组切换模块,所述水轮发电机组切换模块用于切换不同的水轮发电机组进行模拟实验;
环境采集模块,所述环境采集模块用于采集不同水轮发电机组在使用过程中的环境信息;
环境模拟模块,所述环境模拟模块用于根据环境采集模块采集的环境信息对实验环境进行模拟;
电机转速采集模块,所述电机转速采集模块用于采集当前水轮发电机组的电机转速;
发电信息采集模块,所述发电信息采集模块用于采集当前电机转速下的水轮发电机组发电信息,并判断当前水轮发电机组是否满足工作需求;
电机调速模块,所述电机调速模块用于实现拖动电机的恒速、恒扭矩运行;
轴线信息采集模块,所述轴线信息采集模块用于采集实验过程中电机轴线的摆动信息;
轴线摆动预测模块,所述轴线摆动预测模块用于预测在当前实验环境下轴线的摆动;
轴线校准模块,所述轴线校准模块用于收集轴线摆动预测模块的轴线摆动预测结果,并对轴线进行校准;
实验数据分析模块,所述实验数据分析模块用于分析多个水轮发电机组的模拟实验数据;
实验数据记录模块,所述实验数据记录模块用于记录多个水轮发电机组的模拟实验数据;
结果展示模块,所述结果展示模块用于展示多个水轮发电机组的模拟实验数据。
进一步地,所述电机调速模块包括:
参考模块,用于获取电机的转速参考数据;
转速判断模块,用于获取预设调速阈值并与所述转速参考数据比较,据以判断所述转速值是否大于所述预设调速阈值;
常速判定模块,用于在所述转速值大于所述预设调速阈值时,判定所述电机调速系统处于常速模式;
低速判定模块,用于在所述转速值小于或等于所述预设调速阈值时,判定电机调速系统处于低速模式;
控制信息获取模块,用于根据调速模式信息获取调速控制信息;
调速模块,用于根据所述调速控制信息,调节电机的转速与转速参考数据一致。
进一步地,所述控制信息获取模块,包括:
模式获取模块,用于提取所述调速模式信息中的模式判断结果;
常速电机数据模块,用于当所述电机调速系统在所述常速模式下时,获取电机的比例积分微分数据;
常速调速信号模块,用于根据所述比例积分微分数据计算常速调速信号;
低速电机数据模块,用于当所述电机调速系统在所述低速模式下时,获取所述直流电机的微步进电流数据;
低速调速信号模块,用于根据所述微步进电流数据计算低速调速信号。
进一步地,所述实验数据分析模块的具体工作步骤包括:
A1,数据整合,用于将多个进行数据整合;
A2,数据抽取,用于抽取数据整合后的多源电力营销数据;
A3,数据特征提取,用于提取抽取完成的电力营销数据的数据特征;
A4,重要信息提取,用于提取符合数据特征的电力营销数据中含有的重要信息;
A5,信息评价,用于评价重要信息的重要程度;
A6,信息重要程度建模,根据信息评价的信息的重要程度设置对应参数的建模比重。
进一步地,B1,对不同数据源的同一特征序列的趋势项进行归一化(0-1)和降采样处理,特征序列的趋势项经过归一化和降采样处理后变为降采样处理的主要计算公式如下:
M=K/F,
g(f)=(Roundup(f×m)-Roundup((f-1)×m)+1),
其中:F表示将的时间长度平均分成F个区间,同时也是将采样后特征值的总个数;m表示每个区间的长度且不取整;Rounduo(*)为向上取整函数;g(f)表示第f个区间的长度;/>表示第f个区间降采样后特征的取值,/>表示第i个来源数据的第r个特征序列,经指数加权移动平滑处理后的趋势项为
B2,对不同来源数据的同一特征序列之间的相关性进行计算,计算同一特征序列在两两轴承之间的相关性值具体计算公式如下:
式中:n表示数据来源的总个数,表示第1个数据源的第r个特征序列/>与第2个数据源的第r个特征序列/>之间的相关性值;
B3,对步骤B2中计算出的结果进行取均值处理,获得得分Qr,具体计算公式如下:
式中:E表示qr中的个数。
进一步地,所述轴线摆动预测模块的具体工作步骤包括:
S1,确定RBF神经网络结构,包含输入层的节点数,隐含层的节点数,输出层的节点数,将历史轴线最大摆动作为输入;
S2,初始化PSO算法相关参数,所述参数包含PSO粒子群的群数,惯性参数,学习参数,以及最大迭代次数;
S3,计算最大摆动粒子的适应度值;
S4,更新最大摆动粒子群的速度和位置;
S5,计算调整后的最大摆动的粒子适应度值;
S6,更新最大摆动种群的个体极值。如果当前的适应度比之前的迭代值更好,那么当前最大摆动的适应度值就是新的个体极值;
S7,更新最大摆动的全局极值。通过比较前面算法获得的最大摆动最优适应度和整体最优适应度,若整体最优适应度好于整体最优,则用新获得的整体最优适应度代替整体最优;
S8,对所设定的终止条件进行判定,如果符合,则前进到下一步,如果不符合,则返回步骤S3。将终止条件设定为最大化的迭代数;
S9,使用粒子群算法得到的RBF神经网络的最优参数后,赋值给RBF神经网络,得到轴线最大摆动预测模型;
S10,利用建立好的模型进行预测,得到轴线最大摆动预测结果。
进一步地,所述轴线摆动预测模块的算法步骤为:
设目标搜索空间的维度是N,粒子群中粒子的数目为D,粒子群优化算法内容如下:
D1,第i个粒子的所处位置为:
Xi=(xi,1,xi,2,…,xi,N),i=1,2,…,D
其中xi,N代表第i个粒子第N次所处的位置;
D2,第i个粒子的运动速度为:
Vi=(vi,1,vi,2,…,vi,N),i=1,2,…,D
其中vi,N代表第i个粒子第N次的速度;
D3,第i个粒子目前搜索到的适应度最高的个体最优解:
pbest=(pi,1,pi,2,...,pi,N),i=1,2,...,D;
D4,粒子群落迄今为止搜索的全局最优解:
gbest=(g1,g2,…,gN);
D5,粒子在迭代过程中,逐步更新运动速度和所处位置:
其中,c为学习因子,r1,r2为[0,1]区间的随机数,t代表当前迭代次数,□ω为惯性权重因子。
与现有技术相比,本发明提供的一种水轮发电机组模拟试验系统,通过轴线信息采集模块采集实验过程中电机轴线的摆动信息,通过轴线摆动预测模块预测在当前实验环境下轴线的摆动,通过轴线校准模块收集轴线摆动预测模块的轴线摆动预测结果,并对轴线进行校准,通过粒子群对其网络参数进行优化,使用历史最大摆动对其进行训练,得到轴线摆动,再结合轴线计算公式得到轴线调整量,为及时发现机组轴线偏移曲折以及寻找解决方案提供可靠依据,且适用于轴线调整。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的整体结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面将结合附图对本发明作进一步的详细介绍。
请参阅图1,一种水轮发电机组模拟试验系统,包括多个水轮发电机组,还包括:
水轮发电机组切换模块,所述水轮发电机组切换模块用于切换不同的水轮发电机组进行模拟实验;
环境采集模块,所述环境采集模块用于采集不同水轮发电机组在使用过程中的环境信息,其中环境信息包括水轮发电机组目标使用环境中水流流速变化规律以及水轮发电机组目标使用环境中环境温度变化规律,此技术在本发明中仅为了给环境模拟模块提供模拟数据,故作为现有技术不做解释;
环境模拟模块,所述环境模拟模块用于根据环境采集模块采集的环境信息对实验环境进行模拟;
电机转速采集模块,所述电机转速采集模块用于采集当前水轮发电机组的电机转速;
发电信息采集模块,所述发电信息采集模块用于采集当前电机转速下的水轮发电机组发电信息,并判断当前水轮发电机组是否满足工作需求;
电机调速模块,所述电机调速模块用于实现拖动电机的恒速、恒扭矩运行;
轴线信息采集模块,所述轴线信息采集模块用于采集实验过程中电机轴线的摆动信息;
轴线摆动预测模块,所述轴线摆动预测模块用于预测在当前实验环境下轴线的摆动;
轴线校准模块,所述轴线校准模块用于收集轴线摆动预测模块的轴线摆动预测结果,并对轴线进行校准;
实验数据分析模块,所述实验数据分析模块用于分析多个水轮发电机组的模拟实验数据;
实验数据记录模块,所述实验数据记录模块用于记录多个水轮发电机组的模拟实验数据;
结果展示模块,所述结果展示模块用于展示多个水轮发电机组的模拟实验数据。
这样设置,通过水轮发电机组切换模块切换不同的水轮发电机组进行模拟实验,通过环境采集模块采集不同水轮发电机组在使用过程中的环境信息,通过环境模拟模块根据环境采集模块采集的环境信息对实验环境进行模拟,通过电机转速采集模块采集当前水轮发电机组的电机转速,通过发电信息采集模块采集当前电机转速下的水轮发电机组发电信息,并判断当前水轮发电机组是否满足工作需求,通过电机调速模块实现拖动电机的恒速、恒扭矩运行,通过轴线信息采集模块采集实验过程中电机轴线的摆动信息,通过轴线摆动预测模块预测在当前实验环境下轴线的摆动,通过轴线校准模块收集轴线摆动预测模块的轴线摆动预测结果,并对轴线进行校准,通过实验数据分析模块分析多个水轮发电机组的模拟实验数据,通过实验数据记录模块记录多个水轮发电机组的模拟实验数据,通过结果展示模块展示多个水轮发电机组的模拟实验数据,同时通过环境模拟模块和轴线摆动预测模块,可以模拟在不同工作环境下水润发电机的轴线摆动幅度。
所述电机调速模块包括:
参考模块,用于获取电机的转速参考数据;
转速判断模块,用于获取预设调速阈值并与所述转速参考数据比较,据以判断所述转速值是否大于所述预设调速阈值;
常速判定模块,用于在所述转速值大于所述预设调速阈值时,判定所述电机调速系统处于常速模式;
低速判定模块,用于在所述转速值小于或等于所述预设调速阈值时,判定电机调速系统处于低速模式;
控制信息获取模块,用于根据调速模式信息获取调速控制信息;
调速模块,用于根据所述调速控制信息,调节电机的转速与转速参考数据一致。
所述控制信息获取模块,包括:
模式获取模块,用于提取所述调速模式信息中的模式判断结果;
常速电机数据模块,用于当所述电机调速系统在所述常速模式下时,获取电机的比例积分微分数据;
常速调速信号模块,用于根据所述比例积分微分数据计算常速调速信号;
低速电机数据模块,用于当所述电机调速系统在所述低速模式下时,获取所述直流电机的微步进电流数据;
低速调速信号模块,用于根据所述微步进电流数据计算低速调速信号。
所述实验数据分析模块的具体工作步骤包括:
A1,数据整合,用于将多个进行数据整合;
A2,数据抽取,用于抽取数据整合后的多源电力营销数据;
A3,数据特征提取,用于提取抽取完成的电力营销数据的数据特征;
A4,重要信息提取,用于提取符合数据特征的电力营销数据中含有的重要信息;
A5,信息评价,用于评价重要信息的重要程度;
A6,信息重要程度建模,根据信息评价的信息的重要程度设置对应参数的建模比重。
B1,对不同数据源的同一特征序列的趋势项进行归一化(0-1)和降采样处理,特征序列的趋势项经过归一化和降采样处理后变为/>降采样处理的主要计算公式如下:
M=K/F,
g(f)=(Roundup(f×m)-Roundup((f-1)×m)+1),
其中:F表示将的时间长度平均分成F个区间,同时也是将采样后特征值的总个数;m表示每个区间的长度且不取整;Rounduo(*)为向上取整函数;g(f)表示第f个区间的长度;/>表示第f个区间降采样后特征的取值,/>表示第i个来源数据的第r个特征序列,经指数加权移动平滑处理后的趋势项为
B2,对不同来源数据的同一特征序列之间的相关性进行计算,计算同一特征序列在两两轴承之间的相关性值具体计算公式如下:
式中:n表示数据来源的总个数,表示第1个数据源的第r个特征序列/>与第2个数据源的第r个特征序列/>之间的相关性值;
B3,对步骤B2中计算出的结果进行取均值处理,获得得分Qr,具体计算公式如下:
式中:E表示qr中的个数。
所述轴线摆动预测模块的具体工作步骤包括:
S1,确定RBF神经网络结构,包含输入层的节点数,隐含层的节点数,输出层的节点数,将历史轴线最大摆动作为输入;
S2,初始化PSO算法相关参数,所述参数包含PSO粒子群的群数,惯性参数,学习参数,以及最大迭代次数;
S3,计算最大摆动粒子的适应度值;
S4,更新最大摆动粒子群的速度和位置;
S5,计算调整后的最大摆动的粒子适应度值;
S6,更新最大摆动种群的个体极值。如果当前的适应度比之前的迭代值更好,那么当前最大摆动的适应度值就是新的个体极值;
S7,更新最大摆动的全局极值。通过比较前面算法获得的最大摆动最优适应度和整体最优适应度,若整体最优适应度好于整体最优,则用新获得的整体最优适应度代替整体最优;
S8,对所设定的终止条件进行判定,如果符合,则前进到下一步,如果不符合,则返回步骤S3。将终止条件设定为最大化的迭代数;
S9,使用粒子群算法得到的RBF神经网络的最优参数后,赋值给RBF神经网络,得到轴线最大摆动预测模型;
S10,利用建立好的模型进行预测,得到轴线最大摆动预测结果。
这样设置,通过粒子群对其网络参数进行优化,使用历史最大摆动对其进行训练,得到轴线摆动,再结合轴线计算公式得到轴线调整量,为及时发现机组轴线偏移曲折以及寻找解决方案提供可靠依据,且适用于轴线调整。
所述轴线摆动预测模块的算法步骤为:
设目标搜索空间的维度是N,粒子群中粒子的数目为D,粒子群优化算法内容如下:
D1,第i个粒子的所处位置为:
Xi=(xi,1,xi,2,…,xi,N),i=1,2,…,D
其中xi,N代表第i个粒子第N次所处的位置;
D2,第i个粒子的运动速度为:
Vi=(vi,1,vi,2,…,vi,N),i=1,2,…,D
其中vi,N代表第i个粒子第N次的速度;
D3,第i个粒子目前搜索到的适应度最高的个体最优解:
pbest=(pi,1,pi,2,...,pi,N),i=1,2,...,D;
D4,粒子群落迄今为止搜索的全局最优解:
gbest=(g1,g2,…,gN);
D5,粒子在迭代过程中,逐步更新运动速度和所处位置:
其中,c为学习因子,r1,r2为[0,1]区间的随机数,t代表当前迭代次数,ω为惯性权重因子。
工作原理:使用时,通过水轮发电机组切换模块切换不同的水轮发电机组进行模拟实验,通过环境采集模块采集不同水轮发电机组在使用过程中的环境信息,通过环境模拟模块根据环境采集模块采集的环境信息对实验环境进行模拟,通过电机转速采集模块采集当前水轮发电机组的电机转速,通过发电信息采集模块采集当前电机转速下的水轮发电机组发电信息,并判断当前水轮发电机组是否满足工作需求,通过电机调速模块实现拖动电机的恒速、恒扭矩运行,通过轴线信息采集模块采集实验过程中电机轴线的摆动信息,通过轴线摆动预测模块预测在当前实验环境下轴线的摆动,通过轴线校准模块收集轴线摆动预测模块的轴线摆动预测结果,并对轴线进行校准,通过实验数据分析模块分析多个水轮发电机组的模拟实验数据,通过实验数据记录模块记录多个水轮发电机组的模拟实验数据,通过结果展示模块展示多个水轮发电机组的模拟实验数据。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
Claims (7)
1.一种水轮发电机组模拟试验系统,包括多个水轮发电机组,其特征在于,还包括:
水轮发电机组切换模块,所述水轮发电机组切换模块用于切换不同的水轮发电机组进行模拟实验;
环境采集模块,所述环境采集模块用于采集不同水轮发电机组在使用过程中的环境信息;
环境模拟模块,所述环境模拟模块用于根据环境采集模块采集的环境信息对实验环境进行模拟;
电机转速采集模块,所述电机转速采集模块用于采集当前水轮发电机组的电机转速;
发电信息采集模块,所述发电信息采集模块用于采集当前电机转速下的水轮发电机组发电信息,并判断当前水轮发电机组是否满足工作需求;
电机调速模块,所述电机调速模块用于实现拖动电机的恒速、恒扭矩运行;
轴线信息采集模块,所述轴线信息采集模块用于采集实验过程中电机轴线的摆动信息;
轴线摆动预测模块,所述轴线摆动预测模块用于预测在当前实验环境下轴线的摆动;
轴线校准模块,所述轴线校准模块用于收集轴线摆动预测模块的轴线摆动预测结果,并对轴线进行校准;
实验数据分析模块,所述实验数据分析模块用于分析多个水轮发电机组的模拟实验数据;
实验数据记录模块,所述实验数据记录模块用于记录多个水轮发电机组的模拟实验数据;
结果展示模块,所述结果展示模块用于展示多个水轮发电机组的模拟实验数据。
2.根据权利要求1所述的一种水轮发电机组模拟试验系统,其特征在于,所述电机调速模块包括:
参考模块,用于获取电机的转速参考数据;
转速判断模块,用于获取预设调速阈值并与所述转速参考数据比较,据以判断所述转速值是否大于所述预设调速阈值;
常速判定模块,用于在所述转速值大于所述预设调速阈值时,判定所述电机调速系统处于常速模式;
低速判定模块,用于在所述转速值小于或等于所述预设调速阈值时,判定电机调速系统处于低速模式;
控制信息获取模块,用于根据调速模式信息获取调速控制信息;
调速模块,用于根据所述调速控制信息,调节电机的转速与转速参考数据一致。
3.根据权利要求2所述的一种水轮发电机组模拟试验系统,其特征在于,所述控制信息获取模块,包括:
模式获取模块,用于提取所述调速模式信息中的模式判断结果;
常速电机数据模块,用于当所述电机调速系统在所述常速模式下时,获取电机的比例积分微分数据;
常速调速信号模块,用于根据所述比例积分微分数据计算常速调速信号;
低速电机数据模块,用于当所述电机调速系统在所述低速模式下时,获取所述直流电机的微步进电流数据;
低速调速信号模块,用于根据所述微步进电流数据计算低速调速信号。
4.根据权利要求1所述的一种水轮发电机组模拟试验系统,其特征在于,所述实验数据分析模块的具体工作步骤包括:
A1,数据整合,用于将多个进行数据整合;
A2,数据抽取,用于抽取数据整合后的多源电力营销数据;
A3,数据特征提取,用于提取抽取完成的电力营销数据的数据特征;
A4,重要信息提取,用于提取符合数据特征的电力营销数据中含有的重要信息;
A5,信息评价,用于评价重要信息的重要程度;
A6,信息重要程度建模,根据信息评价的信息的重要程度设置对应参数的建模比重。
5.根据权利要求4所述的一种水轮发电机组模拟试验系统,其特征在于,所述信息评价的具体方法为:
B1,对不同数据源的同一特征序列的趋势项进行归一化(0-1)和降采样处理,特征序列的趋势项经过归一化和降采样处理后变为/>降采样处理的主要计算公式如下:
M=K/F,
g(f)=(Roundup(f×m)-Roundup((f-1)×m)+1),
其中:F表示将的时间长度平均分成F个区间,同时也是将采样后特征值的总个数;m表示每个区间的长度且不取整;Rounduo(*)为向上取整函数;g(f)表示第f个区间的长度;表示第f个区间降采样后特征的取值,/>表示第i个来源数据的第r个特征序列,经指数加权移动平滑处理后的趋势项为
B2,对不同来源数据的同一特征序列之间的相关性进行计算,计算同一特征序列在两两轴承之间的相关性值具体计算公式如下:
式中:n表示数据来源的总个数,表示第1个数据源的第r个特征序列/>与第2个数据源的第r个特征序列/>之间的相关性值;
B3,对步骤B2中计算出的结果进行取均值处理,获得得分Qr,具体计算公式如下:
式中:E表示qr中的个数。
6.根据权利要求1所述的一种水轮发电机组模拟试验系统,其特征在于,所述轴线摆动预测模块的具体工作步骤包括:
S1,确定RBF神经网络结构,包含输入层的节点数,隐含层的节点数,输出层的节点数,将历史轴线最大摆动作为输入;
S2,初始化PSO算法相关参数,所述参数包含PSO粒子群的群数,惯性参数,学习参数,以及最大迭代次数;
S3,计算最大摆动粒子的适应度值;
S4,更新最大摆动粒子群的速度和位置;
S5,计算调整后的最大摆动的粒子适应度值;
S6,更新最大摆动种群的个体极值。如果当前的适应度比之前的迭代值更好,那么当前最大摆动的适应度值就是新的个体极值;
S7,更新最大摆动的全局极值。通过比较前面算法获得的最大摆动最优适应度和整体最优适应度,若整体最优适应度好于整体最优,则用新获得的整体最优适应度代替整体最优;
S8,对所设定的终止条件进行判定,如果符合,则前进到下一步,如果不符合,则返回步骤S3。将终止条件设定为最大化的迭代数;
S9,使用粒子群算法得到的RBF神经网络的最优参数后,赋值给RBF神经网络,得到轴线最大摆动预测模型;
S10,利用建立好的模型进行预测,得到轴线最大摆动预测结果。
7.根据权利要求6所述的一种水轮发电机组模拟试验系统,其特征在于,所述轴线摆动预测模块的算法步骤为:
设目标搜索空间的维度是N,粒子群中粒子的数目为D,粒子群优化算法内容如下:
D1,第i个粒子的所处位置为:
Xi=(xi,1,xi2,…,xi,N),i=1,2,…,D
其中xi,N代表第i个粒子第N次所处的位置;
D2,第i个粒子的运动速度为:
Vi=(vi,1,vi,2,…,vi,N),i=1,2,…,D
其中vi,N代表第i个粒子第N次的速度;
D3,第i个粒子目前搜索到的适应度最高的个体最优解:
D4,粒子群落迄今为止搜索的全局最优解:
D5,粒子在迭代过程中,逐步更新运动速度和所处位置:
其中,c为学习因子,r1,r2为[0,1]区间的随机数,t代表当前迭代次数,ω为惯性权重因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035688.2A CN117074939A (zh) | 2023-08-17 | 2023-08-17 | 一种水轮发电机组模拟试验系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035688.2A CN117074939A (zh) | 2023-08-17 | 2023-08-17 | 一种水轮发电机组模拟试验系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117074939A true CN117074939A (zh) | 2023-11-17 |
Family
ID=88716480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311035688.2A Pending CN117074939A (zh) | 2023-08-17 | 2023-08-17 | 一种水轮发电机组模拟试验系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117074939A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787065A (zh) * | 2024-02-23 | 2024-03-29 | 南方电网调峰调频发电有限公司 | 发电机轴系稳定性优化方案生成方法、装置及计算机设备 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1495339A2 (en) * | 2002-04-16 | 2005-01-12 | Teradyne, Inc. | Semiconductor test system with easily changed interface unit |
DE102004042664A1 (de) * | 2004-09-01 | 2006-03-02 | Wilo Ag | Verfahren zur berührungslosen Drehzahlmessung für Elektromotoren |
US20080122432A1 (en) * | 2003-03-31 | 2008-05-29 | Intest Corporation | Test head positioning system and method |
KR20100126157A (ko) * | 2009-05-21 | 2010-12-01 | 시부야 코교 가부시키가이샤 | 전자부품의 분배장치 |
CN101950000A (zh) * | 2010-08-14 | 2011-01-19 | 潮州市汇能电机有限公司 | 一种大中型水轮发电机特性试验运行的拖动装置 |
US20120169360A1 (en) * | 2010-12-29 | 2012-07-05 | Caterpillar Inc. | System and methods for testing electrical power system components |
CN106706322A (zh) * | 2017-03-23 | 2017-05-24 | 河海大学 | 一种水轮机碰摩故障模拟实验装置及模拟方法 |
CN110805517A (zh) * | 2019-10-11 | 2020-02-18 | 大唐水电科学技术研究院有限公司 | 一种水电机组健康评估方法 |
CN111525849A (zh) * | 2019-03-20 | 2020-08-11 | 合肥工业大学 | 电机调速方法及系统 |
CN113076524A (zh) * | 2021-03-11 | 2021-07-06 | 湖南五凌电力工程有限公司 | 一种基于蚁群算法的水轮机轴线检测数据优化处理方法 |
WO2021185671A1 (de) * | 2020-03-19 | 2021-09-23 | Siemens Aktiengesellschaft | Prüffahrzeug |
CN215219083U (zh) * | 2021-06-07 | 2021-12-17 | 淮安洪通智能装备有限公司 | 一种电机老化测试辅助装置 |
CN114330122A (zh) * | 2021-12-28 | 2022-04-12 | 东北电力大学 | 一种基于机器学习的水轮发电机组大轴轴线调整方法 |
CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
JP2023053534A (ja) * | 2021-10-01 | 2023-04-13 | 東芝インフラシステムズ株式会社 | 放電測定方法および放電測定装置 |
RU2796640C1 (ru) * | 2022-12-21 | 2023-05-29 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ" | Устройство создания нагрузочного момента двигателя постоянного тока |
-
2023
- 2023-08-17 CN CN202311035688.2A patent/CN117074939A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1495339A2 (en) * | 2002-04-16 | 2005-01-12 | Teradyne, Inc. | Semiconductor test system with easily changed interface unit |
US20080122432A1 (en) * | 2003-03-31 | 2008-05-29 | Intest Corporation | Test head positioning system and method |
DE102004042664A1 (de) * | 2004-09-01 | 2006-03-02 | Wilo Ag | Verfahren zur berührungslosen Drehzahlmessung für Elektromotoren |
KR20100126157A (ko) * | 2009-05-21 | 2010-12-01 | 시부야 코교 가부시키가이샤 | 전자부품의 분배장치 |
CN101950000A (zh) * | 2010-08-14 | 2011-01-19 | 潮州市汇能电机有限公司 | 一种大中型水轮发电机特性试验运行的拖动装置 |
US20120169360A1 (en) * | 2010-12-29 | 2012-07-05 | Caterpillar Inc. | System and methods for testing electrical power system components |
CN106706322A (zh) * | 2017-03-23 | 2017-05-24 | 河海大学 | 一种水轮机碰摩故障模拟实验装置及模拟方法 |
CN111525849A (zh) * | 2019-03-20 | 2020-08-11 | 合肥工业大学 | 电机调速方法及系统 |
CN110805517A (zh) * | 2019-10-11 | 2020-02-18 | 大唐水电科学技术研究院有限公司 | 一种水电机组健康评估方法 |
WO2021185671A1 (de) * | 2020-03-19 | 2021-09-23 | Siemens Aktiengesellschaft | Prüffahrzeug |
CN113076524A (zh) * | 2021-03-11 | 2021-07-06 | 湖南五凌电力工程有限公司 | 一种基于蚁群算法的水轮机轴线检测数据优化处理方法 |
CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
CN215219083U (zh) * | 2021-06-07 | 2021-12-17 | 淮安洪通智能装备有限公司 | 一种电机老化测试辅助装置 |
JP2023053534A (ja) * | 2021-10-01 | 2023-04-13 | 東芝インフラシステムズ株式会社 | 放電測定方法および放電測定装置 |
CN114330122A (zh) * | 2021-12-28 | 2022-04-12 | 东北电力大学 | 一种基于机器学习的水轮发电机组大轴轴线调整方法 |
RU2796640C1 (ru) * | 2022-12-21 | 2023-05-29 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ" | Устройство создания нагрузочного момента двигателя постоянного тока |
Non-Patent Citations (4)
Title |
---|
MANISH MOHANPURKAR: "Real-time co-simulation of adjustable-speed pumped storage hydro for transient stability analysis", 《ELECTRIC POWER SYSTEMS RESEARCH》, pages 276 - 286 * |
江松坤: "卧式水轮发电机工厂拖动试验研究", 《机电工程技术》, vol. 40, no. 7, pages 125 - 127 * |
王春林 等: "《人工智能》", 西安电子科技大学出版社, pages: 42 - 44 * |
谭会林: "水电机组轴线摆度计算与分析系统的研究和开发", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 037 - 45 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787065A (zh) * | 2024-02-23 | 2024-03-29 | 南方电网调峰调频发电有限公司 | 发电机轴系稳定性优化方案生成方法、装置及计算机设备 |
CN117787065B (zh) * | 2024-02-23 | 2024-05-03 | 南方电网调峰调频发电有限公司 | 发电机轴系稳定性优化方案生成方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Self-attention ConvLSTM and its application in RUL prediction of rolling bearings | |
CN108375474B (zh) | 一种航空发动机过渡态关键性能参数预测方法 | |
WO2020168584A1 (zh) | 一种基于深度神经网络和蒙特卡洛法的机床热误差模型可靠度计算方法 | |
CN109933923B (zh) | 一种基于数字孪生的机电装备精益设计方法 | |
CN106127192A (zh) | 一种基于相似性的轴承剩余使用寿命预测方法 | |
CN117074939A (zh) | 一种水轮发电机组模拟试验系统 | |
CN106769032B (zh) | 一种回转支承使用寿命的预测方法 | |
CN113326969A (zh) | 基于改进鲸鱼算法优化elm的短期风速预测方法及系统 | |
CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
CN115859837B (zh) | 基于数字孪生建模的风机叶片动态冲击检测方法及系统 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN112070272A (zh) | 一种输电线路的覆冰厚度预测方法及装置 | |
CN110504878B (zh) | 一种无轴承永磁同步电机转子转速和位移软测量方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN107527093B (zh) | 一种风电机组运行状态诊断方法及装置 | |
CN110441061B (zh) | 基于c-drgan和ad的行星轮轴承寿命预测方法 | |
CN117435956A (zh) | 一种基于igwo-adam-bp神经网络的电化学储能电池数据分析方法 | |
CN111967187A (zh) | 一种预测燃气轮机启动过程输出数据的建模方法及设备 | |
CN116910513A (zh) | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 | |
CN111241749A (zh) | 一种基于储备池计算的永磁同步电动机混沌预测方法 | |
CN113742638B (zh) | 基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN114239938A (zh) | 一种基于状态的能源数字孪生体的构建方法 | |
CN107559212B (zh) | 一种火电机组定速循环水泵组泵效率在线监测方法及系统 |
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 |