水轮机模型综合特性曲线数值处理方法研究

水轮机模型综合特性曲线的数值处理对水轮机选型、水电站优化运行及计算机仿真有着重要的作用。不同的数值处理方法得到的结果可能不同,各结果间的差别及反映的各参数间的相关关系的差异性可能造成水轮机实际运行和预估值间的不同,严重影响水轮机的安全和经济运行。为了比较不同数值处理方法的差异性及适用范围,以A858a-36. 6型水轮机为例,对其模型综合特性曲线分别进行高阶曲面拟合法、三维空间曲面插值法及BP神经网络拟合法的数值处理,并以数据处理值和真实样本值间相对误差累加值的大小作为评判基准。结果表明:这3种方法均适用于水轮机模型综合特性曲线的数值处理,但高阶曲面拟合法精度差,适用于短时间内粗略求解各参数间相关关系;三维空间曲面插值法精度最高,适用于纯图像类型或可视化问题的数据处理; BP神经网络拟合法精度在二者之间,可作为三维空间曲面插值法的补充处理,样本容量越多其精度越高。     

轴流转桨式水轮机特性神经网络三维建模

针对轴流转桨式水轮机复杂的非线性特性以及水力机组过渡过程仿真计算所需的水轮机流量与力矩特性难以准确描述的情况,介绍了基于BP神经网络的轴流转桨式水轮机特性建模方法：利用BP神经网络强大的非线性数值逼近功能,由已知的综合特性曲线、定桨特性曲线、飞逸特性曲线得到离散数据以及边界约束条件,建立轴流转桨式水轮机流量和力矩特性模型,对导叶小开度区、低转速区和高转速区等未知区域进行三维曲面延拓。建立导叶桨叶三维协联特性模型,以提高水轮机特性曲线数据处理的精度。     

基于改进BP网络的轴流式水轮机调节特性仿真

为了获得水力机组在小开度、小流量工况点下非线性特性数据,利用改进BP网络与MATLAB神经网络工具箱相结合的方法,将已知的水轮机综合特性曲线数据与边界约束点相结合,经网络自动"学习"训练可获得低效区的流量延拓、力矩延拓仿真曲面。改进BP网络模型可以大大地提高水轮机综合特性曲线数据处理的效率与精度,是研究水轮机控制系统的一种新的非线性建模仿真模型。     

基于BP和RBF神经网络的水轮机综合特性曲线的拟合

关于大波动过渡过程中水轮机特性曲线的处理有很多种方法,其中有用神经网络方法来训练相关数据形成网络从而预测待求数据点,其中BP和RBF两种网络为较为常用的神经网络方法。本文通过学习Matlab中神经网络工具箱的调用,比较分析了BP和RBF两种神经网络在水轮机特性曲线拟合上的区别,试图找出BP网络隐含层神经元个数对其拟合精度的影响,以及随着其神经元个数增加而拟合度增加的情况。     

基于遗传算法与支持向量回归的水轮机综合特性建模研究

针对水轮机复杂的非线性特性以及水轮机调节系统仿真与分析所需的水轮机流量与力矩特性难以准确描述的情况,介绍了基于遗传算法参数寻优的支持向量回归水轮机综合特性建模。由已知的综合特性曲线、飞逸特性曲线得到离散数据,向导叶小开度区和低转速区数据进行合理延拓;利用具有很强全局优化搜索能力的遗传算法寻找支持向量回归(SVR)模型的最优参数,训练获得流量和力矩特性的SVR模型。仿真结果表明,与传统的BP神经网络模型比较,所提出基于遗传算法参数寻优的支持向量回归模型具有更高的精确度。     

MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的应用

由于单一的BP神经网络预测模型存在一些缺陷,对于复杂的非线性问题,BP神经网络预测模型的拟合能力具有局限性,容易陷入局部极小值,网络权值和阈值的选择具有随机性。运用具有全局寻优能力的思维进化算法(MEA)对BP神经网络的初始权值和阈值进行优化,建立MEA-BP预测模型。将单一的BP神经网络预测模型、基于遗传算法(GA)优化的BP神经网络预测模型与MEA-BP预测模型应用到实际工程中进行对比,预测结果表明MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的预测精度最高,效果最好,具有一定的实际应用价值。     

基于MATLAB与VC＋＋的水轮机综合特性曲线处理系统研究

采用MATLAB与VC＋＋混合编程,开发了水轮机综合特性曲线数据处理系统。该系统利用VC＋＋友好的界面编程对水轮机综合特性曲线已知区域数据进行提取,使用MATLAB搜索引擎调用RBF人工神经网络库对提取数据进行拟合并结合边界约束条件对未知区域内的数据进行预测。该系统可代替许多繁琐的手工取值、非可视化编程调试工作,可提高水轮机综合特性曲线数据处理的数据精度和工作效率。     

基于BP神经网络的水轮机调节系统建模与仿真

采用BP神经网络对水轮机综合特性曲线进行处理,将水轮机非线性特性转换为可用于实时仿真的力矩和流量神经网络,可避免建立水轮机特性变量间复杂的函数关系式。将其应用于水轮机调节系统的大波动过渡过程计算,可使计算更为简洁,且由于曲面是光滑的且导数连续,更容易保证计算过程的收敛。建立的机组非线性模型更贴近实际情况,仿真试验表明应用效果良好。     

元胞自动机在水轮机特性数据处理中的应用

给出一种基于元胞自动机的曲线逼近方法,并将这种方法应用于对水轮机的特性数据进行数值逼近。实例计算结果表明,使用基于元胞自动机的曲线逼近方法逼近水轮机的特性数据,所得到的逼近结果具有计算精度高、能够真实反映水轮机特性的特点,可以用于水轮机的控制和优化运行等方面。     

基于输入-输出修正的水轮机特性曲线精细化模型

目前常用的水轮机特性曲线模型包括线性模型和非线性模型,它们都是根据描述水轮机内外特性的方程或试验数据得到的。然而在建模的过程中,各种误差难以避免,如模型误差、测量误差和读数误差等,可能造成预测值与实际值不相符,影响模型的精度。同时,有关水轮机特性曲线模型修正的文献较少,缺乏行之有效的方法或准则,不利于相关研究成果的实际应用。本文以水轮机神经网络模型为例,提出了基于输入-输出修正的水轮机特性曲线精细化建模方法,并验证了该方法的有效性。首先根据模型综合特性曲线和边界条件,分别建立混流式和轴流式两种机组的非线性特性曲线模型。其次利用粒子群优化算法和二次多项式逼近原理,依次对模型输入和输出参数进行修正,得到最优修正系数。最后整合原始模型和修正部分,得到水轮机特性曲线的精细化模型。试验结果表明该方法能够有效提高模型的仿真精度,对研究真实机组的非线性特性具有重要意义。     

基于神经网络的轴流转桨式水轮机传递系数

建立水轮机数学模型是研究机组稳定性,优化机组运行的基础。工程实际中,对水轮机小扰动工况的研究多采用分段线性化模型,需要求取不同工况下水轮机的传递系数。然而,传统的求取方法计算量大,得到的传递系数数量有限且在轻载工况时误差较大。本文基于外特性法和神经网络求导,研究了轴流转桨式水轮机传递系数的计算方法。利用模型综合特性曲线、飞逸曲线以及边界条件,获取水轮机模型的原始数据,训练并得到反映水轮机流量特性和力矩特性的神经网络。对包含神经网络的数学表达式进行求导,推导传递系数的计算式,它是工况点的函数。最后,对比了该方法和曲线拟合法在一些工况点处求得的传递系数,分析了各自的特点。结果表明,本文提出的基于神经网络求导的水轮机传递系数求取方法精度较高,减少了计算量,且有利于全面的认识传递系数随工况的变化情况。     

基于BP神经网络的水泵全特性曲线拟合

介绍水泵全特性曲线绘制的一般方法，提出利用BP神经网络绘制全特性曲线的方法。通过在MATLAB仿真软件上的仿真，得出了神经网络完全可以很好地拟合水泵全特性曲线的结论。图1幅。     

基于ANN的离心式水泵特性曲线拟合方法研究

如何精确地绘制和应用特性曲线对生产产家和用户都有十分重要的实际意义。针对传统特性曲线绘制方法的不足，提出了用ANN拟合离心式水泵特性曲线以提高特性曲线绘制精度，解决数值泛化等问题的新方法。通过应用BP网络对特性曲线的拟合研究，对应用ANN拟合特性曲线的方法、特点等进行了分析。     

基于VB与MATLAB的水轮机运转特性曲线绘制的研究

从自动绘制水轮机运转综合特性曲线出发,探讨了水轮机模型特性曲线的数字化的问题。采用VB和MAT-LAB结合的方法既可方便地设计出良好的用户界面,快速地对模型特性曲线进行数据采集;又可提高数据处理的精度和效率,降低成本,减少科研设计人员的工作量。     

用三维曲面插值技术求解水轮机实时运行参数

针对水利工程中经常遇到的复杂曲线图插值问题,提出了一种提高精度和效率的程序化处理方法。通过提取水轮机运转综合特性曲线上的点坐标生成三维曲面,选择自然邻近内插法或克里格插值方法对曲面进行光滑处理以提高曲面精度,并根据精度要求离散至网格单元处,输出网格化的水轮机参数数据,再与实时工况进行匹配,获得水轮机的实时效率和过流量参数。     

某电站调速器负荷异常波动分析

针对某电站1号机调速器负荷波动情况,结合监控数据绘制曲线,对照水轮机运转特性曲线,分析在当时的水头下,机组运行范围超出机组正常运行范围,水轮机效率急剧下降,从而导致导叶和桨叶打开,而机组出力反而下降的情况。本文重点分析了负荷波动发生的原因,并讨论了防范此类事件发生的措施,对同类型电站具有一定的参考意义。     

轴流式水轮机能量特性预测分析

采用数值计算方法研究轴流式水轮机的能量特性。计算模型建立在雷诺平均的Navier-Stokes方程的基础上，采用k-ε紊流模型,至水轮机流道内部流动进行三维紊流计算。计算不同的工况下机组的特性，绘制转轮在不同桨叶角度下的定桨特性曲线，在此基础上得出转轮的协联曲线及综合运转特性曲线，从而对机组的能量性能作用合理的判断。轴流转桨式水轮机运行效率较高的关键在于，其活动导叶和转轮桨叶之间具有最佳可调性能的协联关系。目前对协联线的绘制有包络线法和最高效率点法，采用何种方法值得进一步研究，针对具体电站机组，应该在最优效率区并偏重安全运行特性来绘制。     

基于GA-ANN算法的层状路基土参数预测模型

将BP神经网络和遗传算法两种智能方法结合起来,建立起自适应遗传算法-BP神经网络系统。利用土工试验得到的不同土层物理力学参数汇总整理形成的试验数据作为样本值,对路基土层物理力学参数进行了预测,将预测结果和单独使用BP神经网络时的预测结果进行了对比分析。结果表明:当样本数据离散性小时,这两种预测方法均能取得理想的预测效果,自适应遗传算法-BP神经网络系统还具有有效防止"过训练"和提高网络自身的泛化能力;当样本规模大,且样本数据具有一定的离散性时,网络系统的预测优势能更好地体现出来。更多还原     

基于PCA-SHO-SVM和PCA-SHO-BP模型的径流预测

为提高径流预测精度,研究主成分分析(PCA)、斑鬣狗优化(SHO)算法与支持向量机(SVM)、BP神经网络相融合的预测方法.在样本数据筛选上选取PCA方法进行数据降维,使数据样本简洁且更具代表性.利用SHO算法优化SVM关键参数及BP神经网络权阈值,分别提出PCA-SHO-SVM、PCA-SHO-BP径流量预测模型,并...     

基于 GA -ANN 算法的层状路基土参数预测模型

将BP神经网络和遗传算法两种智能方法结合起来,建立起自适应遗传算法-BP神经网络系统。利用土工试验得到的不同土层物理力学参数汇总整理形成的试验数据作为样本值,对路基土层物理力学参数进行了预测,将预测结果和单独使用BP神经网络时的预测结果进行了对比分析。结果表明：当样本数据离散性小时,这两种预测方法均能取得理想的预测效果,自适应遗传算法-BP神经网络系统还具有有效防止“过训练”和提高网络自身的泛化能力;当样本规模大,且样本数据具有一定的离散性时,网络系统的预测优势能更好地体现出来。