[發明專利]基于神經網絡的水輪機非線性建模方法

有效

• 申請號: 201911143114.0
• 申請日: 2019-11-20
• 公開（公告）號: CN110889218B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 高菘;付恩狄;姚明亮;楊虎;張龍浩;黃果芳;張勇;梁宇柔;陳遠政
• 申請（專利權）人: 天生橋二級水力發電有限公司天生橋水力發電總廠
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/28;G06N3/048;G06N3/084
• 代理公司: 重慶華科專利事務所 50123
• 代理人: 譚小琴

1.基于神經網絡的水輪機非線性建模方法，其特征在于，包括以下步驟：

步驟1、獲取樣本數據，對樣本數據進行處理和延拓；其中：

獲取樣本數據是指在水輪機模型綜合特性曲線上獲取水輪機的流量特性和效率特性，從飛逸特性曲線上獲取飛逸特性數據；

對樣本數據進行處理是指基于已獲取的流量特性和效率特性計算出力矩特性樣本數據；

對樣本數據的延拓是指用飛逸時水輪機輸出力矩為零的特性和水輪機的飛逸特性曲線對所求流量特性和力矩特性樣本進行擴充；

步驟2、對描述單位流量、單位轉矩與單位轉速和導葉開度之間的關系的神經網絡進行類型選擇、訓練和校正；具體包括：

(1)神經網絡的選擇：選擇雙輸入單輸出的雙層BP神經網絡，神經網絡隱層神經元的函數為其中，n為函數的輸入變量；

(2)神經網絡的訓練：利用延拓后的流量特征和力矩特性樣本數據，調用MATLAB神經網絡工具箱的網絡生成函數newff和訓練函數train，得到各神經元權值w和神經元閾值b；

(3)神經網絡的校正：獲取水輪發電機組的出力、開度和水頭運行數據，并將這些運行數據作為神經網絡的訓練樣本數據，以實現對神經網絡進行校正；

步驟3、提取已訓練的神經網絡的權值與閾值，進行建模仿真計算；

其中，讀取流量特性：在水輪機模型綜合特性曲線的各等開度線上讀取預設數量的數據點a_i，N_11i，Q_11i，i＝1,2,3,…,F，其中，a_i為水輪機模型綜合特性曲線上第i點的開度，N_11i為水輪機模型綜合特性曲線上第i點的單位轉速，Q_11i為水輪機模型綜合特性曲線上第i點的單位流量；

讀取效率特性：在水輪機模型綜合特性曲線的每一條等效率線上讀取預設數量的數據點η_j，N_11j，Q_11j，j＝1,2,3,…,E，其中，η_j為水輪機模型綜合特性曲線上第j點的效率，N_11j為水輪機模型綜合特性曲線上第j點的單位轉速，Q_11j為水輪機模型綜合特性曲線上第j點的單位流量；

讀取飛逸特性：在水輪機模型飛逸特性曲線上讀取預設數量的數據點N_11k，Q_11k，a_k，k＝1,2,3,…,R，其中，N_11k為水輪機模型飛逸特性曲線上第k點的單位轉速，Q_11k為水輪機模型飛逸特性曲線上第k點的單位流量，a_k為水輪機模型飛逸特性曲線上第k點的開度。

2.根據權利要求1所述的基于神經網絡的水輪機非線性建模方法，其特征在于：

利用讀取的效率特性樣本，η_j，N_11j，Q_11j，j＝1,2,3,…,E，經基于多項式的高階曲面擬合或基于神經網絡的擬合，獲取如下關系的數值計算公式：

η＝f_η(N₁₁,Q₁₁)；

其中：η為該單位轉速和單位流量時對應的水輪機效率,f_η為選擇的高階曲面擬合函數或者神經網絡擬合函數,N₁₁為單位轉速,Q₁₁為單位流量；

再將流量特性樣本中的N_11i，Q_11i代入計算得η_i，并利用以下公式：

計算出單位力矩M_11i；M_11i，N_11i和a_i，i＝1,2,3,…,F，構成所求力矩樣本。