一种可变速抽水蓄能机组的控制方法、装置、设备及介质与流程

1.本发明涉及一种可变速抽水蓄能机组的控制方法、装置、设备及介质，属于电力系统技术领域。


背景技术：

2.水轮机的出力可以被看作一个有关水头、流量和机组转速的三元函数，其运行状态可以用相关的微分方程表示和求解。在实际运行中，水轮机内部的水流流动较为复杂，虽然原则上可以用各种方法来求解分析水轮机内部的流动，或者用某些几何参数定性地表示水轮机的过流量和力矩等，但实际上仍然只能依靠模型试验的方法来求得水轮机特性的定量表示。水轮机模型综合特性和飞逸特性等均是水轮机的稳态特性。原则上，在分析水力机械过渡过程时应该使用水轮机动态特性，但由于后者至今仍无法通过模型实验求得，故目前只能使用水轮机稳态特性来分析动态过程。水轮机特性在计算机中的处理一般是使用数组来储存水轮机特性：导叶开度、单位转速、机组运行水头和机组单位出力。在实际计算中出现的开度、转速、水头和出力不会恰好是数组储存的值，这时可以用插值的方法来计算对应的数据。传统的水轮机组总是在同步转速运行，可以忽略转速变化的影响，其运行特性表示为在不同水头下机组出力与导叶开度的关系，可以用最小二乘法或者拉格朗日插值表示为不同水头下的多条曲线，从而确定机组在目标出力下的相应导叶开度。由于机组运行状态的测量并不完全精确，在实际测量的过程中可能受到误差的影响，插值拟合的阶数也无法确定，因此在上述拟合的过程中有可能出现欠拟合或者过拟合的情况，使得整个拟合曲线在测量点外或拟合曲线两端出现较大的误差。可变速抽水蓄能机组具有高效、快捷调节机组输出的能力，对控制精度具有较高的需求。其转速可以在一定范围内变化，当目标功率和水头都确定时，需要同时计算机组的最优转速和开度，传统的最小二乘法和拉格朗日插值拟合明显无法满足其精度要求。


技术实现要素：

3.本发明的目的在于克服现有技术中的不足，提供一种可变速抽水蓄能机组的控制方法、装置、设备及介质，可有效提高可变速抽水蓄能机组协调控制的精确度和灵敏度，存在一定的潜在经济效益。
4.为达到上述目的，本发明是采用下述技术方案实现的：
5.第一方面，本发明提供了一种可变速抽水蓄能机组的控制方法，包括：
6.获取当前目标抽水蓄能机组的水头和功率；
7.将获取的水头和功率输入预构建的bp神经网络模型中，获取转速和导叶开度；
8.根据获取的转速和导叶开度对目标抽水蓄能机组进行控制；
9.其中，所述bp神经网络模型的构建包括：
10.获取抽水蓄能机组的历史运行数据，所述历史运行数据包括多个数组，且每个数组均包括水头、功率、导叶开度和转速；
11.将各数组中的水头和功率作为样本，导叶开度和转速作为样本的实际标签，构建样本集；
12.按照预设比例将样本集划分为训练集和验证集；
13.初始化bp神经网络模型，通过训练集对初始化的bp神经网络模型进行训练，通过验证集对训练后的bp神经网络模型进行验证，得到最终的bp神经网络模型。
14.可选的，所述通过训练集对初始化的bp神经网络模型进行训练包括：
15.将训练集中的样本输入初始化的bp神经网络模型，获取样本的预测标签；
16.根据样本的预测标签和实际标签计算均方根误差：
[0017][0018]
式中，k＝1,2分别表示水头和功率，d
ki
、o
ki
分别为第i个样本的实际标签和预测标签，l为样本的数量；
[0019]
将均方根误差作为bp神经网络误差反向传播算法的输入数据对bp神经网络模型进行循环往复训练，直至均方根误差小于预设的期望误差e
ex
，完成训练并保存当前的bp神经网络模型。
[0020]
可选的，所述bp神经网络模型包括输入层、隐藏层和输出层；所述bp神经网络模型采用s型传递函数logsig，其表达式为：
[0021][0022]
所述输入层向前传递至隐藏层的过程为：
[0023]zji
＝f(v
1j
x
1i
+v
2j
x
2i
)j＝1,2
…
,m
[0024]
式中，x
1i
、x
2i
分别第i个样本的水头和功率，v
1j
、v
2j
分别为从第1、2个输入层到第j个隐藏层的连接权重，z
ji
为第i个样本通过第j个隐藏层的输出，m为隐藏层的数量；
[0025]
所述隐藏层的输出z
ji
向前传递至输出层的过程为：
[0026][0027]
式中，w
kj
为从第j个隐藏层到第k个输出层的连接权重，o
ki
为第i个样本通过第k个输出层的输出，即第i个样本的预测标签。
[0028]
可选的，所述对bp神经网络模型进行循环往复训练包括采用梯度下降法对输入层到隐藏层的连接权重、隐藏层到输出层的连接权重进行修正：
[0029][0030][0031]
式中，分别为第n次迭代从第j个隐藏层到第k个输出层的连接权重、连接权重修正量和修正后的连接权重；分别为第n次迭代从第k
个输入层到第j个隐藏层的连接权重、连接权重修正量和修正后的连接权重；
[0032][0033][0034]
式中，γ为预设的权重修正系数；en为第n次迭代的均方根误差；为求偏导函数。
[0035]
第二方面，本发明提供了一种可变速抽水蓄能机组的控制装置，所述装置包括：
[0036]
数据获取模块，用于获取当前目标抽水蓄能机组的水头和功率；
[0037]
模型预测模块，用于将获取的水头和功率输入预构建的bp神经网络模型中，获取转速和导叶开度；
[0038]
机组控制模块，用于根据获取的转速和导叶开度对目标抽水蓄能机组进行控制；
[0039]
其中，所述bp神经网络模型的构建包括：
[0040]
历史数据获取模块，用于获取抽水蓄能机组的历史运行数据，所述历史运行数据包括多个数组，且每个数组均包括水头、功率、导叶开度和转速；
[0041]
样本集构建模块，用于将各数组中的水头和功率作为样本，导叶开度和转速作为样本的实际标签，构建样本集；
[0042]
样本集划分模块，用于按照预设比例将样本集划分为训练集和验证集；
[0043]
训练验证模块，用于初始化bp神经网络模型，通过训练集对初始化的bp神经网络模型进行训练，通过验证集对训练后的bp神经网络模型进行验证，得到最终的bp神经网络模型。
[0044]
第三方面，本发明提供了一种电子设备，包括处理器及存储介质；
[0045]
所述存储介质用于存储指令；
[0046]
所述处理器用于根据所述指令进行操作以执行根据上述方法的步骤。
[0047]
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
[0048]
与现有技术相比，本发明所达到的有益效果：
[0049]
本发明提供的一种可变速抽水蓄能机组的控制方法、装置、设备及介质，提出了基于bp神经网络算法的转速以及开度寻优方法，通过bp神经网络的自适应优化改善实现了抽水蓄能机组特性曲线的高精度拟合和计算，为可变速抽水蓄能机组的准确稳定运行提供了保障；解决了传统的拉格朗日插值法以及最小二乘拟合法分别存在过拟合和欠拟合的缺点，难以消除测量时存在的随机误差，对计算结果的精度难以保证的技术问题。
附图说明
[0050]
图1是本发明实施例一提供的一种可变速抽水蓄能机组的控制方法的流程图；
[0051]
图2是本发明实施例一提供的bp神经网络模型的构建过程的流程图；
[0052]
图3是本发明实施例一提供的实测数据的均方根误差变化曲线示意图；
[0053]
图4是本发明实施例一提供的bp神经网络模型拟合的导叶开度、功率、水头的关系图；
[0054]
图5是本发明实施例一提供的bp神经网络模型拟合的转速、功率、水头的关系图。
具体实施方式
[0055]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0056]
实施例一：
[0057]
如图1所示，本发明实施例提供了一种可变速抽水蓄能机组的控制方法，包括以下步骤：
[0058]
1、获取当前目标抽水蓄能机组的水头和功率；
[0059]
2、将获取的水头和功率输入预构建的bp神经网络模型中，获取转速和导叶开度；
[0060]
3、根据获取的转速和导叶开度对目标抽水蓄能机组进行控制。
[0061]
如图2所示，bp神经网络模型的构建包括：
[0062]
s1、获取抽水蓄能机组的历史运行数据，历史运行数据包括多个数组，且每个数组均包括水头、功率、导叶开度和转速；
[0063]
s2、将各数组中的水头和功率作为样本，导叶开度和转速作为样本的实际标签，构建样本集；
[0064]
s3、按照预设比例将样本集划分为训练集和验证集；
[0065]
s4、初始化bp神经网络模型，通过训练集对初始化的bp神经网络模型进行训练，通过验证集对训练后的bp神经网络模型进行验证(若验证不满足要求，则需要通过训练集重新训练)，得到最终的bp神经网络模型。
[0066]
具体的，通过训练集对初始化的bp神经网络模型进行训练包括：
[0067]
(1)将训练集中的样本输入初始化的bp神经网络模型，获取样本的预测标签；
[0068]
(2)根据样本的预测标签和实际标签计算均方根误差：
[0069][0070]
式中，k＝1,2分别表示水头和功率，d
ki
、o
ki
分别为第i个样本的实际标签和预测标签，l为样本的数量；
[0071]
(3)将均方根误差作为bp神经网络误差反向传播算法的输入数据对bp神经网络模型进行循环往复训练，直至均方根误差小于预设的期望误差e
ex
，完成训练并保存当前的bp神经网络模型。
[0072]
其中，bp神经网络模型包括输入层、隐藏层和输出层；bp神经网络模型采用s型传递函数logsig，其表达式为：
[0073][0074]
输入层向前传递至隐藏层的过程为：
[0075]zji
＝f(v
1j
x
1i
+v
2j
x
2i
)j＝1,2
…
,m
[0076]
式中，x
1i
、x
2i
分别第i个样本的水头和功率，v
1j
、v
2j
分别为从第1、2个输入层到第j个隐藏层的连接权重，z
ji
为第i个样本通过第j个隐藏层的输出，m为隐藏层的数量；
[0077]
隐藏层的输出z
ji
向前传递至输出层的过程为：
[0078][0079]
式中，w
kj
为从第j个隐藏层到第k个输出层的连接权重，o
ki
为第i个样本通过第k个输出层的输出，即第i个样本的预测标签。
[0080]
其中，对bp神经网络模型进行循环往复训练包括采用梯度下降法对输入层到隐藏层的连接权重、隐藏层到输出层的连接权重进行修正：
[0081][0082][0083]
式中，分别为第n次迭代从第j个隐藏层到第k个输出层的连接权重、连接权重修正量和修正后的连接权重；分别为第n次迭代从第k个输入层到第j个隐藏层的连接权重、连接权重修正量和修正后的连接权重；
[0084][0085][0086]
式中，γ为预设的权重修正系数；en为第n次迭代的均方根误差；θ为求偏导函数。
[0087]
为了验证本实施的控制方法的有效性，针对某抽水储能电站的实测数据进行了如下拟合仿真，实测数据如表1所示。
[0088]
表1：某抽水储能电站的实测数据
[0089]
[0090]
[0091]
[0092][0093]
通过实测数据制作训练集和验证集，使用bp神经网络模型进行拟合训练，最终结果如图3所示；由均方根误差的变化可以看出，随着训练次数的增加，系统的均方根误差逐渐减小并最终收敛。当训练次数达到100次左右时能量函数达到最小，大约处于10-2
以下。可以认为当前情况下的系统模型已经完成训练。根据该模型绘制对应的水轮机特性关系图如下图4、5所示，可以较为完整、精确地表示水轮机的输出特性，满足快速查表的相关需求。
[0094]
实施例二：
[0095]
本发明实施例提供了一种可变速抽水蓄能机组的控制装置，装置包括：
[0096]
数据获取模块，用于获取当前目标抽水蓄能机组的水头和功率；
[0097]
模型预测模块，用于将获取的水头和功率输入预构建的bp神经网络模型中，获取转速和导叶开度；
[0098]
机组控制模块，用于根据获取的转速和导叶开度对目标抽水蓄能机组进行控制；
[0099]
其中，bp神经网络模型的构建包括：
[0100]
历史数据获取模块，用于获取抽水蓄能机组的历史运行数据，历史运行数据包括多个数组，且每个数组均包括水头、功率、导叶开度和转速；
[0101]
样本集构建模块，用于将各数组中的水头和功率作为样本，导叶开度和转速作为样本的实际标签，构建样本集；
[0102]
样本集划分模块，用于按照预设比例将样本集划分为训练集和验证集；
[0103]
训练验证模块，用于初始化bp神经网络模型，通过训练集对初始化的bp神经网络模型进行训练，通过验证集对训练后的bp神经网络模型进行验证，得到最终的bp神经网络模型。
[0104]
实施例三：
[0105]
基于实施例一，本发明实施例提供了一种电子设备，包括处理器及存储介质；
[0106]
存储介质用于存储指令；
[0107]
处理器用于根据指令进行操作以执行根据上述方法的步骤。
[0108]
实施例四：
[0109]
基于实施例一，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
[0110]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产
品的形式。
[0111]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0112]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0113]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0114]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

技术特征：
1.一种可变速抽水蓄能机组的控制方法，其特征在于，包括：获取当前目标抽水蓄能机组的水头和功率；将获取的水头和功率输入预构建的bp神经网络模型中，获取转速和导叶开度；根据获取的转速和导叶开度对目标抽水蓄能机组进行控制；其中，所述bp神经网络模型的构建包括：获取抽水蓄能机组的历史运行数据，所述历史运行数据包括多个数组，且每个数组均包括水头、功率、导叶开度和转速；将各数组中的水头和功率作为样本，导叶开度和转速作为样本的实际标签，构建样本集；按照预设比例将样本集划分为训练集和验证集；初始化bp神经网络模型，通过训练集对初始化的bp神经网络模型进行训练，通过验证集对训练后的bp神经网络模型进行验证，得到最终的bp神经网络模型。2.根据权利要求1所述的可变速抽水蓄能机组的控制方法，其特征在于，所述通过训练集对初始化的bp神经网络模型进行训练包括：将训练集中的样本输入初始化的bp神经网络模型，获取样本的预测标签；根据样本的预测标签和实际标签计算均方根误差：式中，k＝1,2分别表示水头和功率，d
ki
、o
ki
分别为第i个样本的实际标签和预测标签，l为样本的数量；将均方根误差作为bp神经网络误差反向传播算法的输入数据对bp神经网络模型进行循环往复训练，直至均方根误差小于预设的期望误差e
ex
，完成训练并保存当前的bp神经网络模型。3.根据权利要求2所述的可变速抽水蓄能机组的控制方法，其特征在于，所述bp神经网络模型包括输入层、隐藏层和输出层；所述bp神经网络模型采用s型传递函数logsig，其表达式为：所述输入层向前传递至隐藏层的过程为：z
ji
＝f(v
1j
x
1i
+v
2j
x
2i
) j＝1，2...，m式中，x
1i
、x
2i
分别第i个样本的水头和功率，v
1j
、v
2j
分别为从第1、2个输入层到第j个隐藏层的连接权重，z
ji
为第i个样本通过第j个隐藏层的输出，m为隐藏层的数量；所述隐藏层的输出z
ji
向前传递至输出层的过程为：式中，w
kj
为从第j个隐藏层到第k个输出层的连接权重，o
ki
为第i个样本通过第k个输出
层的输出，即第i个样本的预测标签。4.根据权利要求3所述的可变速抽水蓄能机组的控制方法，其特征在于，所述对bp神经网络模型进行循环往复训练包括采用梯度下降法对输入层到隐藏层的连接权重、隐藏层到输出层的连接权重进行修正：输出层的连接权重进行修正：式中，分别为第n次迭代从第j个隐藏层到第k个输出层的连接权重、连接权重修正量和修正后的连接权重；分别为第n次迭代从第k个输入层到第j个隐藏层的连接权重、连接权重修正量和修正后的连接权重；入层到第j个隐藏层的连接权重、连接权重修正量和修正后的连接权重；式中，γ为预设的权重修正系数；e
n
为第n次迭代的均方根误差；为求偏导函数。5.一种可变速抽水蓄能机组的控制装置，其特征在于，所述装置包括：数据获取模块，用于获取当前目标抽水蓄能机组的水头和功率；模型预测模块，用于将获取的水头和功率输入预构建的bp神经网络模型中，获取转速和导叶开度；机组控制模块，用于根据获取的转速和导叶开度对目标抽水蓄能机组进行控制；其中，所述bp神经网络模型的构建包括：历史数据获取模块，用于获取抽水蓄能机组的历史运行数据，所述历史运行数据包括多个数组，且每个数组均包括水头、功率、导叶开度和转速；样本集构建模块，用于将各数组中的水头和功率作为样本，导叶开度和转速作为样本的实际标签，构建样本集；样本集划分模块，用于按照预设比例将样本集划分为训练集和验证集；训练验证模块，用于初始化bp神经网络模型，通过训练集对初始化的bp神经网络模型进行训练，通过验证集对训练后的bp神经网络模型进行验证，得到最终的bp神经网络模型。6.一种电子设备，其特征在于，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行根据权利要求1-4任一项所述方法的步骤。7.一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，该程序被处理器执行时实现权利要求1-4任一项所述方法的步骤。

技术总结
本发明公开了一种可变速抽水蓄能机组的控制方法、装置、设备及介质，其方法包括：获取当前目标抽水蓄能机组的水头和功率；将获取的水头和功率输入预构建的BP神经网络模型中，获取转速和导叶开度；根据获取的转速和导叶开度对目标抽水蓄能机组进行控制；其中，BP神经网络模型的构建包括：获取抽水蓄能机组的历史运行数据，构建样本集；按照预设比例将样本集划分为训练集和验证集；初始化BP神经网络模型，通过训练集对初始化的BP神经网络模型进行训练，通过验证集对训练后的BP神经网络模型进行验证，得到最终的BP神经网络模型；本发明能够基于BP神经网络算法的转速以及开度寻优方法，为可变速抽水蓄能机组的准确稳定运行提供了保障。保障。保障。


技术研发人员：白常煜 蔡卫江 杨小龙 张勰 荣红 初云鹏 陈晓勇
受保护的技术使用者：南方电网调峰调频发电有限公司工程建设管理分公司 国网电力科学研究院有限公司
技术研发日：2023.03.30
技术公布日：2023/6/26