混流式水轮机调节系统的非线性状态预测与稳定控制研究
发布时间：2021-03-03 12:31
水资源是重要的可再生清洁资源,优先发展水电已成世界共识。随着水电事业的高速发展,全球单机容量70万千瓦以上的水轮发电机组,超过一半在中国。如此庞大的水轮发电机组,使电站系统在运行的稳定、安全性方面面临更高要求。由水轮机、发电机、调速器、发电机端口侧电力负荷、引水系统构成的水轮机调节系统,是集水、机、电于一体,具有多种典型运行工况的复杂非线性系统。其运行正常与否,将对水轮发电机组甚至整个电网系统的安全可靠产生重大影响。生产实践中国内外大中型水轮发电机组均存在不同程度的稳定性问题。因此,对水轮机调节系统进行稳定性分析和有效控制对水电站的安全运行具有重要意义。而水轮机调节系统状态预测是稳定性控制的前提和基础。本文以在国内外应用最广泛的混流式水轮机调节系统为研究对象,对其非线性预测与稳定性控制中的关键问题开展研究,主要工作与研究结论如下:（1）研究了混流式水轮机调节系统RBF预测。鉴于RBF神经网络在非线性时间序列预测方面的优异性和相空间重构有效地信息提取功能,将RBF神经网络预测模型与相空间重构相结合,研究混流式水轮机调节系统的时间序列状态预测模型。首先运用龙格-库塔法求解水轮机的非线性方程...
【文章来源】：西北农林科技大学陕西省 211工程院校 985工程院校 教育部直属院校
【文章页数】：159 页
【学位级别】：博士
【部分图文】：
状态变量δ,ω,m,y的轨迹图
庞加莱截面上只有一个不动点或者极少数的离散点，运动是周期性的；当截面上是一封闭曲线时，运动是准周期的；当庞加莱截面上出现成片的分形结构的密集点时，运动是混沌的。图2-3是混流式水轮机调节系统的庞加莱截面相图，图中点成片出现且成密集的分形结构，所以该混流式水轮机调节系统表现为混沌运动。(a) ω -δ (b)tm -δ (c)ω-y图 2-3 水轮机调节系统的庞加莱截面图Fig. 2-3 Poincare section of hydraulic turbine governing system2. 2 水轮机调节系统相空间重构2. 2.1 相空间重构基本理论自1980年Packard等人提出相空间重构理论以来，该理论得到了快速发展。主要包括坐标延迟重构法和导数重构法两种，其中坐标延迟法更为常用，该方法主要以嵌入维数m和延迟时间τ这两个参数为研究内容，这两参数的选取决定着重构质量及预测效果(Salkuti 2018)。m及τ的确定方法有多种，本章选取典型的估值法求取这两参数，重0 1 2 3 4 5 6 7 8 9 10-30-20-10010t/sδ0 1 2 3 4 5 6 7 8 9 10-0.1-0.0500.050.1t/sω0 1 2 3 4 5 6 7 8 9 10-4
第二章 混流式水轮机调节系统多步 RBF 扩展预测利用公式（2-12）计算所有a(i，m)的平均值。11( ) ( , )N miE m a i mN m == ∑ (2-1通过观察均值E(m)随m的变化情况来确定嵌入维数，当变化率11( )( )( )E mE mE m+= (2-14化很小时，此时的m再加1所得值即为所求的嵌入维数。利用Cao法对四维水轮机调节系统求取重构嵌入维m，得到E1 ( m)的函数图像如图所示。
【参考文献】：
期刊论文
[1]兼顾一次调频性能和超低频振荡抑制的水轮机调速器PID参数优化[J]. 史华勃,陈刚,丁理杰,韩晓言,张宇栋,陈振,张华,刘畅. 电网技术. 2019(01)
[2]面向金融数据的神经网络时间序列预测模型[J]. 张栗粽,王谨平,刘贵松,罗光春,卢国明. 计算机应用研究. 2018(09)
[3]基于混沌最小二乘支持向量机的时间序列预测研究[J]. 高雄飞. 数学的实践与认识. 2018(08)
[4]基于RBF神经网络的燃气轮机监测参数非线性时间序列预测[J]. 张乔斌,王文华,贺星. 海军工程大学学报. 2018(02)
[5]不同改进的ARIMA模型在水文时间序列预测中的应用[J]. 杜懿,麻荣永. 水力发电. 2018(04)
[6]基于时间序列分解和多变量混沌模型的滑坡阶跃式位移预测[J]. 黄发明,殷坤龙,杨背背,李喜,刘磊,付小林,刘小文. 地球科学. 2018(03)
[7]基于深度学习的短时交通流预测研究[J]. 王祥雪,许伦辉. 交通运输系统工程与信息. 2018(01)
[8]考虑多因素的深基坑轴力支持向量机时间序列预测研究[J]. 高琳,冯旭,郑帅,张学良,王有福. 施工技术. 2017(S2)
[9]非线性时间序列粒子群优化B样条网络预测模型[J]. 龚小龙,孔玲爽,袁川来,肖会芹. 电子测量与仪器学报. 2017(12)
[10]孤网下水轮机PID调速器抗速度饱和研究[J]. 门闯社,南海鹏,关欣,廖伟丽. 农业工程学报. 2017(21)
博士论文
[1]水轮发电机组故障诊断及预测与状态评估方法研究[D]. 朱文龙.华中科技大学 2016
[2]基于神经网络的滑坡预测及其控制研究[D]. 陈煌琼.华中科技大学 2013
硕士论文
[1]滑模神经网络对无刷直流电机混沌的控制[D]. 段天富.华侨大学 2008
本文编号：3061267
【文章来源】：西北农林科技大学陕西省 211工程院校 985工程院校 教育部直属院校
【文章页数】：159 页
【学位级别】：博士
【部分图文】：
状态变量δ,ω,m,y的轨迹图
庞加莱截面上只有一个不动点或者极少数的离散点，运动是周期性的；当截面上是一封闭曲线时，运动是准周期的；当庞加莱截面上出现成片的分形结构的密集点时，运动是混沌的。图2-3是混流式水轮机调节系统的庞加莱截面相图，图中点成片出现且成密集的分形结构，所以该混流式水轮机调节系统表现为混沌运动。(a) ω -δ (b)tm -δ (c)ω-y图 2-3 水轮机调节系统的庞加莱截面图Fig. 2-3 Poincare section of hydraulic turbine governing system2. 2 水轮机调节系统相空间重构2. 2.1 相空间重构基本理论自1980年Packard等人提出相空间重构理论以来，该理论得到了快速发展。主要包括坐标延迟重构法和导数重构法两种，其中坐标延迟法更为常用，该方法主要以嵌入维数m和延迟时间τ这两个参数为研究内容，这两参数的选取决定着重构质量及预测效果(Salkuti 2018)。m及τ的确定方法有多种，本章选取典型的估值法求取这两参数，重0 1 2 3 4 5 6 7 8 9 10-30-20-10010t/sδ0 1 2 3 4 5 6 7 8 9 10-0.1-0.0500.050.1t/sω0 1 2 3 4 5 6 7 8 9 10-4
第二章 混流式水轮机调节系统多步 RBF 扩展预测利用公式（2-12）计算所有a(i，m)的平均值。11( ) ( , )N miE m a i mN m == ∑ (2-1通过观察均值E(m)随m的变化情况来确定嵌入维数，当变化率11( )( )( )E mE mE m+= (2-14化很小时，此时的m再加1所得值即为所求的嵌入维数。利用Cao法对四维水轮机调节系统求取重构嵌入维m，得到E1 ( m)的函数图像如图所示。
【参考文献】：
期刊论文
[1]兼顾一次调频性能和超低频振荡抑制的水轮机调速器PID参数优化[J]. 史华勃,陈刚,丁理杰,韩晓言,张宇栋,陈振,张华,刘畅. 电网技术. 2019(01)
[2]面向金融数据的神经网络时间序列预测模型[J]. 张栗粽,王谨平,刘贵松,罗光春,卢国明. 计算机应用研究. 2018(09)
[3]基于混沌最小二乘支持向量机的时间序列预测研究[J]. 高雄飞. 数学的实践与认识. 2018(08)
[4]基于RBF神经网络的燃气轮机监测参数非线性时间序列预测[J]. 张乔斌,王文华,贺星. 海军工程大学学报. 2018(02)
[5]不同改进的ARIMA模型在水文时间序列预测中的应用[J]. 杜懿,麻荣永. 水力发电. 2018(04)
[6]基于时间序列分解和多变量混沌模型的滑坡阶跃式位移预测[J]. 黄发明,殷坤龙,杨背背,李喜,刘磊,付小林,刘小文. 地球科学. 2018(03)
[7]基于深度学习的短时交通流预测研究[J]. 王祥雪,许伦辉. 交通运输系统工程与信息. 2018(01)
[8]考虑多因素的深基坑轴力支持向量机时间序列预测研究[J]. 高琳,冯旭,郑帅,张学良,王有福. 施工技术. 2017(S2)
[9]非线性时间序列粒子群优化B样条网络预测模型[J]. 龚小龙,孔玲爽,袁川来,肖会芹. 电子测量与仪器学报. 2017(12)
[10]孤网下水轮机PID调速器抗速度饱和研究[J]. 门闯社,南海鹏,关欣,廖伟丽. 农业工程学报. 2017(21)
博士论文
[1]水轮发电机组故障诊断及预测与状态评估方法研究[D]. 朱文龙.华中科技大学 2016
[2]基于神经网络的滑坡预测及其控制研究[D]. 陈煌琼.华中科技大学 2013
硕士论文
[1]滑模神经网络对无刷直流电机混沌的控制[D]. 段天富.华侨大学 2008
本文编号：3061267
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3061267.html
