轴流转桨式水轮机协联特性模型

轴流转桨式水轮机协联特性模型

0模型精度难保证自动驾驶控制系统是一个本质上复杂的非线性管理制度。,数字仿真是分析其动态过渡过程的一种行之有效的方法。水轮机调节系统非线性仿真的关键在于非线性仿真模型的精度。由于水轮机力矩和流量变化很难用解析式来描述,往往采用以水轮机模型综合特性曲线为基础的数表或曲线表示,而用数表和曲线表示的函数关系精度不高,计算复杂,较难建立一个比较准确的水轮机非线性模型,也就影响仿真效果。多层前向神经网络能够充分逼近任意复杂的非线性系统,能够学习严重不确定性系统的动力学行为,并且具有高度的并行运算能力和很强的容错性及鲁棒性,因此,用神经网络来建立水轮机非线性仿真模型是一种十分有效的途径。1轴流转桨式水轮机的非线性特性轴流转桨式水轮机特性可用下面2个方程来表示:Mt=Mt(H,n,α,φ)(1)Q=Q(H,n,α,φ)(2)式中:Mt为水轮机主动力矩;Q为水轮机的流量;H为工作水头;n为水轮机转速,α为导水叶开度,φ为轮叶转角。式(1)和(2)的函数都呈非线性关系,即轴流转桨式水轮机存在本质非线性特性。对轴流转桨式水轮机进行神经网络建模,可首先建立综合特性神经网络模型NZZM。1.1预防长式机械pcr由轴流转桨式水轮机综合特性曲线可得出在不同的α、φ和n′1(单位转速)值下对应的η和Q′1(单位流量)值。因此轴流转桨式水轮机神经网络模型NZZM采用3层前馈神经网络,其输入量为导叶开度α、轮叶转角φ和n′1,输出量为效率η和Q′1。上述3层前馈神经网络采用Levenberg-Marquardt(LM)算法进行训练。该算法采用二阶训练而不用计算Hessian矩阵,是训练中等大小的前馈神经网络最快的方法,也是在Matlab环境中实现的有效方法。综合特性神经网络模型NZZM训练样本可从轴流转桨式水轮机综合特性曲线得到。而现有水轮机综合特性曲线中,一般都缺少小开度部分的特性,而这部分特性却是水电站和水轮机进行数字仿真的关键。目前通常用大开度特性曲线外延或内插来取得这部分特性,具体方法有图解法、列表函数插值法和拟合多项式计算法等。当采用有控制条件的向小开度扩展方式时,所得的小开度特性比较精确,其控制点就是空载开度αx。空载开度与小开度特性补缺的关系见图1。由图1可知,水轮机小开度特性仍是非线性特性,如前所述,采用前馈神经网络进行非线性拟合来补充小开度特性,是十分恰当的,因为前馈神经网络对多元函数拟合更能体现出其他方法所不及的优势,综合特性神经网络模型NZZM可全面描述轴流转桨式水轮机大开度及小开度下的流量及效率特性。这样,综合特性神经网络模型NZZM的训练样本就包括了大开度样本、向小开度扩展的控制点和零点。大开度样本是由轴流转桨式水轮机综合特性曲线得出的在不同的α、φ和n′1值下对应的η和Q′1值。向小开度扩展的控制点可由轴流转桨式水轮机的飞逸特性和空载特性求得。轴流转桨式水轮机的飞逸特性和空载特性仍是多元非线性关系,可以建立飞逸特性神经网络模型。1.2轴流转桨式水轮机的飞逸特性模型由于某种事故原因,水轮发电机组可以突然甩掉全部负荷。如果此时调速机构又刚好失灵,导叶不能及时关闭,则机组转速将不断增大直到最大值。显然,在飞逸工况下,水力矩为零,输出功率为零,水轮机效率也为零。空载工况是指水轮发电机组在额定转速下,输出功率为零时的工况。此时,水轮机效率及水力矩等皆为零。因此,可以说空载工况是飞逸转速等于额定转速时的飞逸工况,此时的飞逸开度就是空载开度αx。空载工况下的流量称为空载流量Q1x。由飞逸特性和空载特性可知,轴流转桨式水轮机在单位飞逸转速n′1x和空载开度αx及叶轮转角φx(一般φx为全关时的角度)下所对应的单位空载(飞逸)流量为Q′1x,效率为零。这就是轴流转桨式水轮机从大开度向小开度扩展的控制点。该控制点可由轴流转桨式水轮机的飞逸特性神经网络模型迅速、准确地求得。轴流转桨式水轮机的飞逸特性神经网络模型考虑了飞逸特性的如下2种情况:(1)保持协联关系时。飞逸转速特性神经网络模型为NZZNB,其输入量为n′1x和n′1,输出量为αx。飞逸流量特性神经网络模型为NZZQB,其输入量为αx和n′1,输出量为单位飞逸流量Q′1x。(2)协联破坏时。飞逸转速特性神经网络模型为NZZN,其输入量为n′1x和φx,输出量为αx。飞逸流量特性神经网络模型为NZZQ,其输入量为αx和φx,输出量为Q′1x。轴流转桨式水轮机飞逸特性神经网络模型仍采用3层前馈神经网络及LM算法进行训练。网络一旦训练好后,应当由式(3)得到的n′1x作为网络NZZNB(或NZZN)的输入,即可得αx,由网络NZZQB(或NZZQ)又得到Q′1x,再由式(4)得到空载流量Q1x。n′1x=nxD1H√(3)n′1x=nxD1Η(3)Q1x=Q′1xD21H−−√(4)Q1x=Q′1xD12Η(4)将轴流转桨式水轮机飞逸特性神经网络模型求得的向小开度扩展控制点(n′1x,αx,φx→Q′1x,0)和零点及大开度样本作为综合特性神经网络模型NZZM的训练样本,NZZM网络学好后,无论是在大开度还是在小开度工况下,输入一个αx、φx和n′1x,即可得到对应的η和Q′1x。轴流转桨式水轮机的α和φ之间保持着协联关系,其协联特性的非线性关系也可由神经网络描述。2协联特性神经网络模型nzc轴流转桨式水轮机调速器中的协联部分担负着导水机构和叶轮调整机构的协联调节任务。只有在协联工况下,导叶开度与叶轮转角保持最佳配合时,才能保证机组效率最优。在水头一定的条件下,导叶开度与轮叶转角的协联关系曲线是一个单变量函数。而严格地讲,轴流转桨式水轮机的协联关系曲线是一个非线性的二元函数,即:φ=f(α,h)(5)式中:h为水轮机的相对工作水头;其余符号意义同前。根据轴流转桨式水轮机的协联关系曲线,可建立协联特性神经网络模型NZZC。NZZC也采用3层前馈神经网络及LM算法进行训练。NZZC的输入量为α和h,输出量为φ。3q、h、mt模块轴流转桨式水轮机神经网络模型ZZ587包括综合特性神经网络模型NZZM、协联特性神经网络模型NZZC和一些其他计算模块。ZZ587计算模块的公式如下:(1)计算n′1模块。n1=nxx+n0(6)n′1=n1D1/H−−√(7)n′1=n1D1/Η(7)(2)计算q模块。Q=Q′1D2112(8)q=(Q-Q0)/Qr(9)(3)计算水锤模块。h(s)=−TwS1+kTwSq(s)(8)h(s)=-ΤwS1+kΤwSq(s)(8)(4)计算H模块。H=H0+Hrh(11)(5)计算Mt模块。Mt=9.81Q′1D3113Hη/n′1(12)(6)计算mt模块。mt=(Mt-Mt0)/Mr(13)式中:下标“0”代表某一稳定工况(初始值);下标“r”表示额定值;q、h、y、mt分别是Q、H、Y、Mt的偏差相对值;Y是接力器行程;x是频率相对值;其余符号意义同前。4非线性仿真模型本文以福建省古田溪三级电站2号机为例,进行了轴流转桨式水轮机神经网络建模与非线性仿真。该转桨式水轮机型号为ZZ587-LJ-330。有关参数为:Nr=17.75MW,Hr=28.5m,nr=214.3r/min,Qr=71.1m3/s,D1=3.3m,Ta=8.86s,Tw=1.45s。4.1神经网络模型nzc首先根据该水轮机的飞逸特性曲线得到飞逸特性神经网络模型NZZN和NZZQ的样本点,网络NZZN的结构为2-10-1,网络NZZQ的结构为2-8-1。2个网络分别用LM学习算法训练,得到各自一组最优权值。据此可以得到在不同叶轮转角下,额定单位转速所对应不同的空载开度αx和空载流量Q′1x,即大开度向小开度扩展的控制点。再将综合特性曲线的所有样本对(n′1、α、φ)→(η、Q′1)及控制点,一起作为水轮机神经网络NZZM的学习样本,网络结构为3-10-2,采用LM学习算法训练,得到该水轮机完整的综合特性神经网络模型NZZM。综合特性神经网络模型NZZM采用LM学习算法训练,收敛速度快,系统误差小,拟合精度高。同样根据该水轮机的协联曲线得到神经网络模型NZZC的学习样本,优化设计后的网络结构为2-10-1,并经过学习得到最优结果。NZZC训练后所得的协联曲线见图2。图2中的“+”表示的是协联特性神经网络模型NZZC的训练样本,7条曲线则表示的是NZZC训练后所得的协联曲线。协联特性神经网络模型NZZC采用LM学习算法训练,收敛速度快,系统误差小,拟合精度高。4.2负载扰动下非线性仿真型号为ZZ587-LJ-330的水轮机综合特性神经网络模型NZZM和协联特性神经网络模型NZZC训练好后,与其他一些计算模块组成了轴流转桨式水轮机神经网络模型ZZ587,再按图3用Simulink进行负载扰动下的非线性仿真。设初始工况为α0=30mm,H0=29mm,φ0=10mm,η=0.818,当突减10%额定负载时,Ty=0.1s,调速器参数为KI=0.4,KP=2,KD=2.4。其系统响应过程曲线见图4、图5、图6、图7。由于轴流转桨式水轮机神经网络模型ZZ587存在本质非线性,当采用简单的PID控制时,控制参数较难调,控制结果也不尽满意。因此需要对轴流转桨式水轮机调节系统控制策略进行进一步的研究,而其内部参数的变化为新的控制策略研究提供了良好的基础。5综合特性神经网络模型的建立轴流转桨式水轮机存在本质多元非线性特性,如果采用传统数表、曲线或拟合多项式法建模,其计算非常复杂繁琐。本文利用3层前馈神经网络强大的多元非线性逼近能力,建立了轴流转桨式水轮机飞逸特性神经网络模型、综合特性神经网络模型、协联特性神经网络模型和轴流转桨式水轮机神经网络模型。上述神经网络模型采用Levenberg-Marquardt算法进行训练。训练结果表明,LM算法收敛速度快,系统误差小,拟合精度高。由轴流转桨式水轮机飞逸特性神经网络模型求得的向小开度扩展控制点(n′1x,αx,φx→Q