融合大数据自学习算法和PID算法的水轮机调速器控制方法与流程

融合大数据自学习算法和pid算法的水轮机调速器控制方法
技术领域
1.本发明属于水轮机组调速器技术领域，具体涉及一种融合大数据自学习算法和pid算法的水轮机调速器控制方法。


背景技术：

2.水电站的主要功能是通过大坝抬高水头，将水的势能转化为电能，从而为社会提供清洁能源。水轮机调速器是水电站的关键设备，它通过控制导叶开度来控制过机流量从而达到控制水轮发电机组的出力；水轮机调速器主要目的是调节功率，功率p是水头h、导叶开度y的函数，转桨机组的桨叶开度φ会跟随导叶开度y运行。
3.目前水轮机普遍采用的控制方式是比例积分微分（pid）调节算法，它是通过比较目标值和实际值的差值、前几次的调节速度和调节效果，利用开出脉冲长短来实现导叶增加减少开度；这种调节方式无法实现一次到位，会形成多个调节周期，在目标值附近振荡来逐渐修正误差，导致调节速度慢，每调节一次需要等待几秒钟确保机械设备反馈到位，才能进行下一周期的调节；一般负荷调节需要通过几个循环周期甚至十几个循环周期，调节时间非常长；因此，需要设计一种融合大数据自学习算法和pid算法的水轮机调速器控制方法来解决上述问题。


技术实现要素：

4.本发明所要解决的技术问题是提供一种融合大数据自学习算法和pid算法的水轮机调速器控制方法，该方法通过记录下每一次调速器调节的结果，包括当前水头h、当前功率p和对应的导叶开度y，形成数据点集合存储在plc中，通过历史大数据对水轮机调速器调节进行目标指导，可快速提升水轮机调速器的调节速度和效果，同时可不断丰富水轮机调速器的调节记录，不断提升大数据丰度；解决了现有技术pid调节方式存在的调节效率低、耗时较长的问题。
5.为解决上述技术问题，本发明所采用的技术方案是：一种融合大数据自学习算法和pid算法的水轮机调速器控制方法，包括如下步骤：s1，记录水轮机调速器每一次调节至稳定工况的数据，包括水头h、功率p和导叶开度y，具体方法如下：水轮机调速器每一次调节至稳定工况时，记录此时对应的一组水头h、功率p和导叶开度y的数据并储存进计算机监控系统作为历史数据库；记录n组数据后，形成a={（h1，p1，y1）
…
（hm，pm，ym）
…
（hn，pn，yn）}的数据点集合a；s2，根据水轮机模型特性曲线，对数据点集合a中的每一组数据均对应计算水头误差值
△
y，具体方法如下：s201，分别对数据点集合a中的每一组数据均进行读取，读取当水头为hm、功率为p
m，
水头为ym时，水轮机模型特性曲线中对应的导叶开度y
m’；s202，令
△
y=|y
m-y
m’|，并且将计算得到的n组
△
y对应导入历史数据库，形成新的
数据点集合r={（h1，p1，y1，
△
y1）, （h2，p2，y2，
△
y2）
…
（hn，pn，yn，
△yn
）}；s3，当计算机监控系统下发目标功率指令p0时，根据当前水头数据h0和功率指令p0，在数据点集合r中进行匹配，找到最接近的一组历史参考数据（h
x
，p
x
，y
x
，
△yx
），其中（h
x
，p
x
，y
x
，
△yx
）∈r，具体方法如下：s301，在历史数据库中的数据点集合r中进行搜索，当搜索到水头h
x
= h0且功率p
x
= p0的一组数据（h
x
，p
x
，y
x
，
△yx
）时，选取该组数据作为历史参考数据，将y
x
作为导叶给定开度目标值，直接跳转至步骤s5进行调速器调节；s302，当没有搜索到水头和功率均相同的一组数据时，对数据点集合r中的多组数据分别进行计算，选取数据点距离差
△
u最小的一组数据作为历史参考数据，
△
u的计算方法如下：
△
u=（|p
x
‑ꢀ
p0|/p
额定
+|h
x
‑ꢀ
h0|/h
额定
）/2；其中，p
x
为数据点集合r中任意一组数据的功率；h
x
为数据点集合r中任意一组数据的水头；p
额定
为机组额定功率，h
额定
为机组额定水头；s4，对s302中选取的历史参考数据（h
x
，p
x
，y
x
，
△yx
），进行最小误差计算，确定与真实值误差最小的参考点，具体方法如下：s401，获取当前目标功率指令p0以及当前水头h
0，
将功率p0和水头h0代入步骤s2中的水轮机模型特性曲线，读取对应的模型导叶开度y0’
；s402，将历史参考数据（h
x
，p
x
，y
x
，
△yx
）中的功率p
x
和水头h
x
代入步骤s2中的水轮机模型特性曲线，读取对应的模型导叶开度y
x’；s403，计算选点误差
△
e=| y
x
’‑ꢀ
y0’
|；s404，对比
△
e和
△yx
的大小：当
△
e小于等于
△yx
时，说明选点误差较小，选取的历史参考点接近当前指令点，此时选取y
x
作为导叶给定开度目标值；当
△
e大于
△yx
时，说明选点误差较大，选取的历史参考点离当前指令点较远，误差较多；此时选取水轮机模型特性曲线中的y0’
作为导叶给定开度目标值；s5，将s3或s4中获取的导叶给定开度目标值赋值给调速器控制系统，调速器直接快速驱动导叶到达目标值；s6，工况稳定后，读取当前功率数据，并通过功率闭环的pid微调进行误差修正，完成整个调速器控制流程；s7，完成误差修正后，将工况稳定后的水头、功率和导叶开度数据记录并储存进计算机监控系统的历史数据库中，对数据点集合a进行更新。
6.优选地，步骤s2中的水轮机模型特性曲线是水轮机组出厂自带的模型水轮机特性曲线。
7.优选地，步骤s202和步骤s302中，通过遍历算法对数据库中每组数据进行读取和计算。
8.本发明提供的融合大数据自学习算法和pid算法的水轮机调速器控制方法的有益效果如下：1，本方法通过调速器根据功率指令动作的历史大数据作为数据库，建立基于水头-功率-导叶开度的三维数据点集，从而可以为后续的调速器动作建立一个可自我更新的
数据模型，避免了单纯通过pid调节导致的调节周期较长的问题；2，本方法中，基于历史大数据和水轮机模型特性曲线，设置了两套调节方式；当功率指令变化后，plc自动读取数据库中的历史数据进行搜索匹配，当匹配到相同功率和水头的数据点时，直接跳过pid计算过程，将历史数据的导叶开度赋值给导叶开度目标值进行调速器动作；当没有搜索匹配到相同的数据点时，通过引入的数据点距离差
△
u以及选点误差
△
e作为参考项，自动优选最接近的历史数据点，并对选取的历史数据参考点进行可用性判定；这一选取最接近历史数据点的过程，可以使调速器先跳过pid计算，使导叶开度直接调整至接近实际值的位置，省去了多次的pid计算循环过程，最后再转入传统的pid计算对剩余的小部分误差进行修正，极大地提升了调速器的动作效率；3，本方法无需对现有设备进行机械改造，便于开展使用；且每次调节后的数据均会更新历史数据库，使下一次的调节效率继续加快且精度继续提高。
附图说明
9.下面结合附图和实施例对本发明作进一步说明：图1为本发明的流程示意图。
具体实施方式
10.如图1中，一种融合大数据自学习算法和pid算法的水轮机调速器控制方法，包括如下步骤：s1，记录水轮机调速器每一次调节至稳定工况的数据，包括水头h、功率p和导叶开度y，具体方法如下：水轮机调速器每一次调节至稳定工况时，记录此时对应的一组水头h、功率p和导叶开度y的数据并储存进计算机监控系统作为历史数据库；记录n组数据后，形成a={（h1，p1，y1）
…
（hm，pm，ym）
…
（hn，pn，yn）}的数据点集合a；s2，根据水轮机模型特性曲线，对数据点集合a中的每一组数据均对应计算水头误差值
△
y，具体方法如下：s201，分别对数据点集合a中的每一组数据均进行读取，读取当水头为hm、功率为p
m，
水头为ym时，水轮机模型特性曲线中对应的导叶开度y
m’；s202，令
△
y=|y
m-y
m’|，并且将计算得到的n组
△
y对应导入历史数据库，形成新的数据点集合r={（h1，p1，y1，
△
y1）, （h2，p2，y2，
△
y2）
…
（hn，pn，yn，
△yn
）}；s3，当计算机监控系统下发目标功率指令p0时，根据当前水头数据h0和功率指令p0，在数据点集合r中进行匹配，找到最接近的一组历史参考数据（h
x
，p
x
，y
x
，
△yx
），其中（h
x
，p
x
，y
x
，
△yx
）∈r，具体方法如下：s301，在历史数据库中的数据点集合r中进行搜索，当搜索到水头h
x
= h0且功率p
x
= p0的一组数据（h
x
，p
x
，y
x
，
△yx
）时，选取该组数据作为历史参考数据，将y
x
作为导叶给定开度目标值，直接跳转至步骤s5进行调速器调节；s302，当没有搜索到水头和功率均相同的一组数据时，对数据点集合r中的多组数据分别进行计算，选取数据点距离差
△
u最小的一组数据作为历史参考数据，
△
u的计算方法如下：
△
u=（|p
x
‑ꢀ
p0|/p
额定
+|h
x
‑ꢀ
h0|/h
额定
）/2；其中，p
x
为数据点集合r中任意一组数据的功率；h
x
为数据点集合r中任意一组数据的水头；p
额定
为机组额定功率，h
额定
为机组额定水头；s4，对s302中选取的历史参考数据（h
x
，p
x
，y
x
，
△yx
），进行最小误差计算，确定与真实值误差最小的参考点，具体方法如下：s401，获取当前目标功率指令p0以及当前水头h
0，
将功率p0和水头h0代入步骤s2中的水轮机模型特性曲线，读取对应的模型导叶开度y0’
；s402，将历史参考数据（h
x
，p
x
，y
x
，
△yx
）中的功率p
x
和水头h
x
代入步骤s2中的水轮机模型特性曲线，读取对应的模型导叶开度y
x’；s403，计算选点误差
△
e=| y
x
’‑ꢀ
y0’
|；s404，对比
△
e和
△yx
的大小：当
△
e小于等于
△yx
时，说明选点误差较小，选取的历史参考点接近当前指令点，此时选取y
x
作为导叶给定开度目标值；当
△
e大于
△yx
时，说明选点误差较大，选取的历史参考点离当前指令点较远，误差较多；此时选取水轮机模型特性曲线中的y0’
作为导叶给定开度目标值；s5，将s3或s4中获取的导叶给定开度目标值赋值给调速器控制系统，调速器直接快速驱动导叶到达目标值；s6，工况稳定后，读取当前功率数据，并通过功率闭环的pid微调进行误差修正，完成整个调速器控制流程；s7，完成误差修正后，将工况稳定后的水头、功率和导叶开度数据记录并储存进计算机监控系统的历史数据库中，对数据点集合a进行更新。
11.优选地，步骤s2中的水轮机模型特性曲线是水轮机组出厂自带的模型水轮机特性曲线。
12.优选地，步骤s202和步骤s302中，通过遍历算法对数据库中每组数据进行读取和计算。
13.上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本技术中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

技术特征：
1.一种融合大数据自学习算法和pid算法的水轮机调速器控制方法，其特征在于，包括如下步骤：s1，记录水轮机调速器每一次调节至稳定工况的数据，包括水头h、功率p和导叶开度y，具体方法如下：水轮机调速器每一次调节至稳定工况时，记录此时对应的一组水头h、功率p和导叶开度y的数据并储存进计算机监控系统作为历史数据库；记录n组数据后，形成a={（h1，p1，y1）
…
（h
m
，p
m
，y
m
）
…
（h
n
，p
n
，y
n
）}的数据点集合a；s2，根据水轮机模型特性曲线，对数据点集合a中的每一组数据均对应计算水头误差值
△
y，具体方法如下：s201，分别对数据点集合a中的每一组数据均进行读取，读取当水头为h
m
、功率为p
m，
水头为y
m
时，水轮机模型特性曲线中对应的导叶开度y
m’；s202，令
△
y=|y
m-y
m’|，并且将计算得到的n组
△
y对应导入历史数据库，形成新的数据点集合r={（h1，p1，y1，
△
y1）, （h2，p2，y2，
△
y2）
…
（h
n
，p
n
，y
n
，
△
y
n
）}；s3，当计算机监控系统下发目标功率指令p0时，根据当前水头数据h0和功率指令p0，在数据点集合r中进行匹配，找到最接近的一组历史参考数据（h
x
，p
x
，y
x
，
△
y
x
），其中（h
x
，p
x
，y
x
，
△
y
x
）∈r，具体方法如下：s301，在历史数据库中的数据点集合r中进行搜索，当搜索到水头h
x
= h0且功率p
x
= p0的一组数据（h
x
，p
x
，y
x
，
△
y
x
）时，选取该组数据作为历史参考数据，将y
x
作为导叶给定开度目标值，直接跳转至步骤s5进行调速器调节；s302，当没有搜索到水头和功率均相同的一组数据时，对数据点集合r中的多组数据分别进行计算，选取
△
u最小的一组数据作为历史参考数据，
△
u的计算方法如下：
△
u=（|p
x
‑ꢀ
p0|/p
额定
+|h
x
‑ꢀ
h0|/h
额定
）/2；其中，p
x
为数据点集合r中任意一组数据的功率；h
x
为数据点集合r中任意一组数据的水头；p
额定
为机组额定功率，h
额定
为机组额定水头；s4，对s302中选取的历史参考数据（h
x
，p
x
，y
x
，
△
y
x
），进行最小误差计算，确定与真实值误差最小的参考点，具体方法如下：s401，获取当前目标功率指令p0以及当前水头h
0，
将功率p0和水头h0代入步骤s2中的水轮机模型特性曲线，读取对应的模型导叶开度y0’
；s402，将历史参考数据（h
x
，p
x
，y
x
，
△
y
x
）中的功率p
x
和水头h
x
代入步骤s2中的水轮机模型特性曲线，读取对应的模型导叶开度y
x’；s403，计算选点误差
△
e=| y
x
’‑ꢀ
y0’
|；s404，对比
△
e和
△
y
x
的大小：当
△
e小于等于
△
y
x
时，说明选点误差较小，选取的历史参考点接近当前指令点，此时选取y
x
作为导叶给定开度目标值；当
△
e大于
△
y
x
时，说明选点误差较大，选取的历史参考点离当前指令点较远，误差较多；此时选取y0’
作为导叶给定开度目标值；s5，将s3或s4中获取的导叶给定开度目标值赋值给调速器控制系统，调速器直接快速驱动导叶到达目标值；s6，工况稳定后，读取当前功率数据，并通过功率闭环的pid微调进行误差修正，完成整
个调速器控制流程；s7，完成误差修正后，将工况稳定后的水头、功率和导叶开度数据记录并储存进计算机监控系统的历史数据库中，对数据点集合a进行更新。2.根据权利要求1所述的融合大数据自学习算法和pid算法的水轮机调速器控制方法，其特征在于：步骤s2中的水轮机模型特性曲线是水轮机组出厂自带的模型水轮机特性曲线。

技术总结
本发明公开了一种融合大数据自学习算法和PID算法的水轮机调速器控制方法，该方法通过记录下每一次调速器调节的结果，包括当前水头h、当前功率P和对应的导叶开度Y并录入历史数据库，形成数据点集合存储在PLC中，引入水轮机模型特性曲线作为参考项进行选点误差判定；通过历史大数据对水轮机调速器调节进行目标指导，可快速提升水轮机调速器的调节速度和效果，同时可不断丰富水轮机调速器的调节记录，不断提升大数据丰度；解决了现有技术PID调节方式存在的调节效率低、耗时较长的问题。耗时较长的问题。耗时较长的问题。


技术研发人员：张家治 刘绍新 俸靖 高晓明
受保护的技术使用者：中国长江电力股份有限公司
技术研发日：2023.03.22
技术公布日：2023/7/3