长引水大流量水电站小波动调节保证设计仿真计算

水电站小波动运行是否稳定取决于自身特性,与所受干扰无关。长引水大流量水电站水流惯性极大,小波动过渡过程稳定性问题突出。文章以四川地区某水电站为例,针对该水电站引水发电系统小波动稳定性问题开展了计算分析,根据计算结果,在满足系统稳定运行和提高调节品质的条件下,提出了最优调压室断面尺寸和调速器参数。     

基于ECT技术的充填管道内固液两相流仿真方法研究

矿山充填过程中,管道中产生的结块和充填料浆中夹杂的废石会造成堵管或爆管等严重安全事故,制约了矿山充填技术的应用与发展,所以及时对管道内堵塞结块及废石的方位和大小进行检测,对矿山充填的安全稳定有着重要意义。以电容层析成像(ECT)技术为基础,研究了矿山充填管道的检测方法。针对传统ECT重建算法成像质量差、精度低等问题,提出了一种适用于充填管道内固液两相流检测的基于极限学习机和卷积神经网络的ECT图像重建方法。该图像重建网络由单隐藏层前馈神经网络和图像预测网络两部分组成。利用极限学习机建立电容数据与介电常数值的映射关系,并通过图像预测网络完成对图像的重建。通过充填管道仿真试验,证明了该方法不仅能够有效减少重建图像的伪影和变形,提高图像重建准确度,而且对充填管道中可能出现的复杂情况有较好的重建效果。所提出的ECT图像重建方法对于矿山充填管道内存在的堵塞结块及废石的检测有很好的效果,可以有助于推动ECT技术在充填管道检测领域的应用和推广。     

汉江某水电站技术供水系统安全高效运行设计改造

汉江流域由于其独特的地理条件,具有自身的复杂水质和含渣成分特点。汛期来水中含有大量悬浮物,容易造成滤水器堵塞,继而引发减压阀堵塞、磨损、失效、发电机运行温度过高甚至电站被迫停机等问题,直接影响电站的安全运行和经济效益。在传统滤水器基础上进行改型,选用新型复合式全自动排污滤水器,既彻底清排沉积杂物,又能够排泄较大浮渣,水电站实际运行效果良好。     

基于PSO-DBN-ELM的管道流型辨识算法研究

电容层析成像技术(Electrical Capacitance Tomography, ECT)是一种基于电容敏感场的过程层析成像技术,该技术通过传感器测量所需电容数据,实现充填管道流型检测,从而满足管道流型可控性。传统ECT流型辨识方法识别速率较低、运算较为复杂,成像结果也存在误差。为了改善传统方法存在的问题,提出一种基于粒子群优化算法(Particle Swarm Optimization, PSO)优化深度置信网络—极限学习机(Deep Belief Networks-Extreme Learning Machine, DBN-ELM)的流型识别算法,电容数据采集模块采集电容数据并制作相应数据集,经过DBN网络提取电容数据特征,在DBN网络顶层添加ELM完成对抽象电容流型数据的辨识;DBN隐含层神经元个数影响着整个模型的学习能力和信息处理能力,因此引入PSO优化算法首先计算出每层玻尔兹曼机(Restricted Boltzmann Machine, RBM)的最优神经元个数。与其他流型辨识算法相比,所需时间短,成像效果较好,对加快工业智能化发展有着重要的意义。     

供水泵站工程水泵选型计算实例分析

水泵选型计算主要受水泵特性曲线及管路系统特性曲线影响,水泵性能曲线表明水泵能在性能曲线上任一点所对应的工况下运行.水泵设计选型完成后,结合管道系统特性,需要找到不同工况下水泵的实际工作点,由此检验水泵和动力机选型的合理性.文章采用数解法对某泵站水泵运行的实际工作点进行推求,结果表明水泵和动力机选型合理.     

超低水头潮汐电站机组选型设计

以山东乳山口潮汐电站机组选型为例,阐述了超低水头潮汐电站在机组机型、机组参数选择方面的特殊性,为超低水头电站、竖井贯流式电站机组选型及机组参数选择提供参考。     

水电站气垫式调压室调节保证设计仿真计算

气垫式调压室是一种性能优越的涌浪控制及防止水力振动调压方案,与常规调压室相比具有投资低,工期短,利于环保等优势。调节保证设计是评价水电站气垫式调压室输水发电系统技术经济合理性的重要研究内容之一。本文以西藏地区某水电站为例,开展了水电站气垫式调压室大波动、小波动调节保证设计仿真计算,分析了主要控制参数变化规律,根据计算结果对输水发电系统安全性和各项调节保证设计参数作出评价。     

基于支持向量机方法的水电机组状态识别

模式识别理论是水电机组状态识别与故障诊断的基础,通过选择不同类型的分类器来实现模式识别。支持向量机(SVM)算法有效地改善了传统分类方法的缺陷,具有较强理论依据,适合小样本的模式识别分类。结合水电机组振动信号特点,采用Hilbert-Huang变换对信号做前期处理,以IMF函数能量值为基本元素构造特征向量,将特征向量输入SVM进行模式识别。结果表明对于小样本分类,SVM方法简单有效,切实可用。