【技术实现步骤摘要】
本专利技术涉及水电机组爬坡能力评估，特别是一种基于多层感知器的水电机组爬坡能力评估方法。
技术介绍
1、随着可再生能源的快速发展，风能和太阳能等可再生能源在电力系统中的比例逐步增加。可再生能源的出力受天气影响较大，波动性较强，火电、水电等传统能源承担着确保电力系统稳定与可靠的责任。在电力系统中，机组的爬坡能力是一个重要的参数，爬坡能力是指机组单位时间内能增加或减少的出力，机组的爬坡能力越强，其负荷跟踪的能力越强，机组的爬坡能力在面对快速变化的负荷需求和电力系统中可再生能源出力不稳定时显得尤其重要。
2、目前，针对水电机组爬坡能力的研究较少，主要研究中都将水电机组的爬坡能力设定为恒定值，没有充分挖掘机组的爬坡能力。为了挖掘水电机组的爬坡能力，以机组安全稳定运行下的全工况仿真模型求解结果为出发点，探明水电机组调峰的爬坡能力显得尤其重要。水轮机运转特性曲线往往呈现非线性关系，甚至可能存在转折点较多的情况，曲线变化趋势较复杂且存在急剧变化的情况，采用传统的线性插值方法会导致结果失真、精度受到影响。
3、基于神经网络算法的方法在解决结果失真等问题上展现了出色的性能。神经网络是一种机器学习模型，通过对大量数据进行训练，可以自动地学习输入和输出之间的复杂关系。利用神经网络模型，可以对机组运转特性曲线进行训练，基于机组安全运行下的导叶最大启闭速率，快速地获取机组的爬坡能力。这种方法可以减少试验成本，通过仿真计算得到的边界约束条件，即可确定机组的爬坡能力。
技术实现思路
1、
2、鉴于上述或现有技术中存在的问题，提出了本专利技术。
3、因此，本专利技术解决的技术问题是：针对水电机组爬坡能力的研究较少，主要研究中都将水电机组的爬坡能力设定为恒定值，没有充分挖掘机组的爬坡能力。
4、为解决上述技术问题，本专利技术提供如下技术方案：一种基于多层感知器的水电机组爬坡能力评估方法，其包括评估正爬坡和负爬坡需求并进行判断；
5、从水轮机运转特性曲线图中摘取数据，形成数据集；
6、构建多层感知器神经网络模型，通过处理后的数据集对神经网络进行训练；
7、将爬坡时间依照设定的步长进行分段，基于神经网络模型计算各时段导叶开度和出力；
8、判断各时段机组出力和导叶开度与允许范围的关系并调整；
9、在需要计算全厂的爬坡能力时，按步骤分别确定各机组的爬坡能力，将各机组的爬坡能力相加，得到全厂的爬坡能力。
10、作为本专利技术所述基于多层感知器的水电机组爬坡能力评估方法的一种优选方案，其中：所述评估正爬坡和负爬坡需求并进行判断包括，
11、通过对电站进行整体评估，确定电站是否需要正爬坡或负爬坡；
12、对发电机组进行建模，通过仿真运行得到机组在安全运行下水轮机导叶允许的最大启闭速率；
13、基于当前机组的运行方式设定各机组的导叶最大启闭速率。
14、作为本专利技术所述基于多层感知器的水电机组爬坡能力评估方法的一种优选方案，其中：所述摘取数据包括，
15、从水轮机运转特性曲线图上找到等开度线，即导叶开度-水头-出力曲线；
16、确定等开度线的数量及对应开度，若图例中有机组长期连续稳定运行范围，则在范围内集中取点，范围外的扩大取点间隔；若没有则根据实际情况确定取点范围；
17、从低水头到高水头摘取与水头对应的机组出力，形成导叶开度-水头-出力数据集；
18、按照步骤获取所有等开度线的数据集，并进行整合处理。
19、作为本专利技术所述基于多层感知器的水电机组爬坡能力评估方法的一种优选方案，其中：所述构建多层感知器神经网络模型包括，
20、使用多层感知器作为神经网络模型，构建三层神经网络：第一层和第二层为隐藏层，第三层为输出层；
21、隐藏层采用relu激活函数，输出层采用线性激活函数；
22、损失函数为均方误差损失函数，表示为：
23、
24、其中，n是样本数量，yi是第i个样本的真实标签，是模型对第i个样本的预测值。
25、作为本专利技术所述基于多层感知器的水电机组爬坡能力评估方法的一种优选方案，其中：所述对神经网络进行训练包括，
26、对导叶开度-水头-出力数据集进行均值-方差归一化处理；
27、将处理好的数据集输入到神经网络中进行训练，计算损失函数的值；
28、使用adam优化算法更新网络参数，设定合适的学习率；
29、训练完成后，将待插值的目标数据输入到训练好的神经网络中，进行前向传播操作，得到所需要插值的目标值；
30、根据神经网络输出的插值结果，基于数据预处理方式对预测结果进行还原，输出还原后的机组实际出力或导叶开度。
31、作为本专利技术所述基于多层感知器的水电机组爬坡能力评估方法的一种优选方案，其中：所述基于神经网络模型计算各时段导叶开度和出力包括，
32、确定计算机组爬坡速率的时间长度，设定计算步长并将爬坡时间分为不同的爬坡时段；
33、根据机组的初始出力及水头，通过训练好的神经网络获取机组初始的导叶开度，基于导叶初始开度及最大启闭速率，获取各时段导叶的最大或最小开度。
34、作为本专利技术所述基于多层感知器的水电机组爬坡能力评估方法的一种优选方案，其中：所述判断各时段机组出力和导叶开度与允许范围的关系并调整包括，
35、判断各时段机组出力和导叶开度是否在允许范围内，若不在允许范围内将机组出力和导叶开度控制在允许范围内，进而计算机组的爬坡能力，若在允许范围内则直接计算机组的爬坡能力。
36、作为本专利技术所述基于多层感知器的水电机组爬坡能力评估方法的一种优选方案，其中：所述若不在允许范围内将机组出力和导叶开度控制在允许范围内，进而计算机组的爬坡能力，若在允许范围内则直接计算机组的爬坡能力包括，
37、判断导叶开度是否在允许范围内，即导叶开度不能小于0，若导叶开度小于0，将导叶开度调整为0，机组出力调整为0；通过所确定的导叶最大启闭速率以及初末的导叶开度计算机组的爬坡时间，根据初末的机组出力以及爬坡时间计算机组出力的变化率，即机组的爬坡能力；
38、若导叶开度在允许范围内；
39、将各时段的导叶开度以及水头输入到训练好的神经网络中，获取各时段与导叶开度所对应的机组出力；
40、判断机组出力是否在允许范围内，若机组出力超过了额定出力，表明导叶开度不能再增大，将机组出力调整至额定出力，通过神经网络计算机组额定出力及对应水头下的导叶开度，得到机组运行所允许的导叶最大开度，并将导叶开度调整为所本文档来自技高网...
【技术保护点】
1.一种基于多层感知器的水电机组爬坡能力评估方法，其特征在于：包括，
2.如权利要求1所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述评估正爬坡和负爬坡需求并进行判断包括，
3.如权利要求2所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述摘取数据包括，
4.如权利要求3所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述构建多层感知器神经网络模型包括，
5.如权利要求4所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述对神经网络进行训练包括，
6.如权利要求5所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述基于神经网络模型计算各时段导叶开度和出力包括，
7.如权利要求6所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述判断各时段机组出力和导叶开度与允许范围的关系并调整包括，
8.如权利要求7所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述若不在允许范围内将机组出力和导叶开度控制在允许范围内，进而
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的基于多层感知器的水电机组爬坡能力评估方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的基于多层感知器的水电机组爬坡能力评估方法的步骤。
...【技术特征摘要】
1.一种基于多层感知器的水电机组爬坡能力评估方法，其特征在于：包括，
2.如权利要求1所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述评估正爬坡和负爬坡需求并进行判断包括，
3.如权利要求2所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述摘取数据包括，
4.如权利要求3所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述构建多层感知器神经网络模型包括，
5.如权利要求4所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述对神经网络进行训练包括，
6.如权利要求5所述的基于多层感知器的水电机组爬坡能力评估方法，其特征在于：所述基于神经网络模型计算各时段导叶开度和出力包括，
7.如权利要求6所...
【专利技术属性】
技术研发人员：李初辉，王军，姚登峰，黄天雄，陈哲之，孔令超，梁银川，熊腾清，
申请(专利权)人：三峡金沙江云川水电开发有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。