一种用于水轮机流体量的自适应控制方法及系统

技术领域

本申请涉及智能控制技术领域，特别是涉及一种用于水轮机流体量的自适应控制方法及系统。

背景技术

水轮机是把水流的能量转换为旋转机械能的动力机械，属于流体机械中的透平机械，其优点有安全、环保、高效、使用寿命长等。水轮机广泛应用于水电站中，上游水库中的水经引水管引向水轮机，推动水轮机转轮旋转，带动发电机发电，因此水轮机流体量的自适应控制，对水轮机发电功率至关重要。然而，现有技术水轮机流体量控制智能化程度低，且控制精确性较低，导致影响水轮机运转效果。

发明内容

基于此，有必要针对上述技术问题，提供一种能够实现水轮机流体量智能化自适应控制，提高控制参数分析全面性，提高控制精确性，进而保证水轮机应用效果的一种用于水轮机流体量的自适应控制方法及系统。

一种用于水轮机流体量的自适应控制方法，所述方法包括：采集获取水轮机应用运转数据，所述水轮机应用运转数据包括水轮机流体量数据、水轮机控制参数以及水轮机发电功率数据；对所述水轮机应用运转数据进行聚类划分，获得水轮机应用运转分类数据集合；使用深度学习网络结构对所述水轮机应用运转分类数据集合分别进行训练，获得多因素控制分支模型集合；将所述多因素控制分支模型集合中的各分支模型进行融合，生成此方流体量自适应控制器；通过数据挖掘技术获取多方水轮机应用运转数据，并基于所述多方水轮机应用运转数据进行模型分布式训练，生成多方流体量自适应控制器；对所述此方流体量自适应控制器和所述多方流体量自适应控制器进行模型参数联合训练，获得水轮机流体量自适应控制器，并基于所述水轮机流体量自适应控制器对水轮机流体量进行自适应调控。

一种用于水轮机流体量的自适应控制系统，所述系统包括：水轮机应用运转数据获取模块，用于采集获取水轮机应用运转数据，所述水轮机应用运转数据包括水轮机流体量数据、水轮机控制参数以及水轮机发电功率数据；数据聚类划分模块，用于对所述水轮机应用运转数据进行聚类划分，获得水轮机应用运转分类数据集合；分支模型集合获得模块，用于使用深度学习网络结构对所述水轮机应用运转分类数据集合分别进行训练，获得多因素控制分支模型集合；分支模型融合模块，用于将所述多因素控制分支模型集合中的各分支模型进行融合，生成此方流体量自适应控制器；模型分布式训练模块，用于通过数据挖掘技术获取多方水轮机应用运转数据，并基于所述多方水轮机应用运转数据进行模型分布式训练，生成多方流体量自适应控制器；自适应调控模块，用于对所述此方流体量自适应控制器和所述多方流体量自适应控制器进行模型参数联合训练，获得水轮机流体量自适应控制器，并基于所述水轮机流体量自适应控制器对水轮机流体量进行自适应调控。

上述一种用于水轮机流体量的自适应控制方法及系统，解决了现有技术水轮机流体量控制智能化程度低，且控制精确性较低，导致影响水轮机运转效果的技术问题，达到了实现水轮机流体量智能化自适应控制，提高控制参数分析全面性，提高控制精确性，进而保证水轮机应用效果的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为一个实施例中一种用于水轮机流体量的自适应控制方法的流程示意图；

图2为一个实施例中一种用于水轮机流体量的自适应控制方法中获得多因素控制分支模型集合的流程示意图；

图3为一个实施例中一种用于水轮机流体量的自适应控制系统的结构框图；

附图标记说明：水轮机应用运转数据获取模块11，数据聚类划分模块12，分支模型集合获得模块13，分支模型融合模块14，模型分布式训练模块15，自适应调控模块16。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

如图1所示，本申请提供了一种用于水轮机流体量的自适应控制方法，所述方法包括：

步骤S100：采集获取水轮机应用运转数据，所述水轮机应用运转数据包括水轮机流体量数据、水轮机控制参数以及水轮机发电功率数据；

具体而言，水轮机是把水流的能量转换为旋转机械能的动力机械，属于流体机械中的透平机械，其优点有安全、环保、高效、使用寿命长等。水轮机广泛应用于水电站中，上游水库中的水经引水管引向水轮机，推动水轮机转轮旋转，带动发电机发电，因此水轮机流体量的自适应控制，对水轮机发电功率至关重要。为实现智能化水轮机流体量控制，首先通过本地历史数据遍历采集获取水轮机应用运转数据，所述水轮机应用运转数据包括水轮机流体量数据、水轮机控制参数以及水轮机发电功率数据，为后续自适应模型构建提供数据基础。

步骤S200：对所述水轮机应用运转数据进行聚类划分，获得水轮机应用运转分类数据集合；

在一个实施例中，所述获得水轮机应用运转分类数据集合，本申请步骤S200还包括：

步骤S210：搭建水轮机属性分类器，所述水轮机属性分类器包括水流能量转换特征、规格性能特征；

步骤S220：基于所述水轮机属性分类器对所述水轮机应用运转数据进行属性分类标记，获得运转数据属性信息；

步骤S230：对所述运转数据属性信息进行归类标定，确定水轮机标定参数；

步骤S240：基于所述水轮机标定参数对所述水轮机应用运转数据进行聚类划分，获得所述水轮机应用运转分类数据集合。

具体而言，对所述水轮机应用运转数据进行聚类划分，首先搭建水轮机属性分类器，所述水轮机属性分类器用于对运转数据进行属性分类，分类器属性分类包括水流能量转换特征，即根据转轮转换水流能量方式的不同，水轮机可分为反击式水轮机和冲击式水轮机，以及规格性能特征，即水轮机的规格型号和水头、出力、效率等运转性能。基于所述水轮机属性分类器对所述水轮机应用运转数据进行属性分类标记，获得各运转数据对应的运转数据属性信息。再对所述运转数据属性信息进行归类标定，即对相同的运转数据属性进行归类，并对其进行等级划分，具体等级划分规则依据水轮机应用经验确定，将各属性特征的划分等级作为水轮机标定参数。基于所述水轮机标定参数对所述水轮机应用运转数据进行聚类划分，即将标定参数相同的水轮机应用运转数据划分为一类，聚类获得水轮机应用运转分类数据集合。提高数据聚类划分准确性，进而提高后续模型训练准确性和训练效率。

步骤S300：使用深度学习网络结构对所述水轮机应用运转分类数据集合分别进行训练，获得多因素控制分支模型集合；

在一个实施例中，如图2所示，所述获得多因素控制分支模型集合，本申请步骤S300还包括：

步骤S310：根据所述水轮机应用运转分类数据集合，获得水轮机流体量分类数据、水轮机控制分类参数以及发电功率分类数据；

步骤S320：使用深度学习网络结构对所述水轮机流体量分类数据、水轮机控制分类参数进行训练，构建流体量控制参数分析层；

步骤S330：基于所述水轮机流体量分类数据和所述发电功率分类数据进行拟合训练，生成流量发电转换层；

步骤S340：基于所述流体量控制参数分析层和所述流量发电转换层进行功能层连接，获得所述多因素控制分支模型集合。

具体而言，使用深度学习网络结构对所述水轮机应用运转分类数据集合分别进行训练，首先根据所述水轮机应用运转分类数据集合，获得各标定参数对应的应用运转数据，具体包括水轮机流体量分类数据、水轮机控制分类参数以及发电功率分类数据。使用深度学习网络结构对所述水轮机流体量分类数据、水轮机控制分类参数进行训练，构建流体量控制参数分析层，所述流体量控制参数分析层为神经网络结构，用于对水轮机流量的具体控制参数进行分析，包括水轮机转速、水轮机进口压力、叶片角度等。

再基于所述水轮机流体量分类数据和所述发电功率分类数据进行拟合训练，即对水轮机流量和其对应的发电功率进行函数拟合，根据拟合函数生成流量发电转换层。最后将所述流体量控制参数分析层和所述流量发电转换层进行功能层连接，使得模型功能层包括所述流体量控制参数分析层和所述流量发电转换层，当获取发电功率需求信息时，通过模型功能层进行转换分析，输出相应的水轮机控制参数，进而生成各标定参数训练获得的多因素控制分支模型集合。通过控制分支模型实现水轮机流体量智能化自适应控制，提高控制参数分析准确性和参数控制分析效率。

步骤S400：将所述多因素控制分支模型集合中的各分支模型进行融合，生成此方流体量自适应控制器；

在一个实施例中，所述生成此方流体量自适应控制器，本申请步骤S400还包括：

步骤S410：对所述各分支模型进行适用性评价，获得因素适用度分配集合；

步骤S420：基于所述多因素控制分支模型集合分别进行模型验证，得到模型输出准确率集合；

步骤S430：将所述因素适用度分配集合和所述模型输出准确率集合进行交融，生成模型融合参数集合；

步骤S440：基于所述模型融合参数集合对所述各分支模型进行融合，生成所述此方流体量自适应控制器。

在一个实施例中，本申请步骤S440还包括：

步骤S441：对所述此方流体量自适应控制器进行模型效果验证，获得模型分析损失数据；

步骤S442：根据所述模型分析损失数据，确定模型分析优化度；

步骤S443：基于PSO算法初始化粒子群参数，根据所述模型分析优化度和所述粒子群参数迭代计算粒子群适应度函数；

步骤S444：当达到预设终止条件时，获得所述粒子群适应度函数的输出最优结果粒子，并将所述输出最优结果粒子映射到所述此方流体量自适应控制器进行优化更新训练。

具体而言，将所述多因素控制分支模型集合中的各分支模型进行融合，具体为首先对所述各分支模型进行适用性评价，即通过水轮机应用统计数据对各标定参数对应的分支模型进行适用范围评价，将适用范围比例作为各分支模型的因素适用度分配集合。再基于所述多因素控制分支模型集合分别进行模型验证，得到相应的模型输出准确率集合，将所述因素适用度分配集合和所述模型输出准确率集合进行交融，即可根据适用度分配信息和模型输出准确率的乘积生成对应的模型融合参数集合，其中，适用度越大且模型输出准确率越高的分支模型其对应的模型融合参数相应越大，在模型融合过程中的表决性也越大。基于所述模型融合参数集合对所述各分支模型进行融合，生成分支模型融合后的此方流体量自适应控制器，作为本地水轮机流量控制参数分析模型。

此外，为保证此方流体量自适应控制器分析准确性，对所述此方流体量自适应控制器进行模型效果验证，可通过验证数据对模型进行分析验证，根据模型分析值和真实值之间的差值得到模型分析损失数据。根据所述模型分析损失数据，确定模型分析优化度，即模型需要进行优化的准确率程度。选择PSO算法对所述此方流体量自适应控制器进行优化，即粒子群优化算法，可以模拟并不断迭代最终直到平衡或最优状态，并保存平衡或最优状态。首先基于PSO算法初始化粒子群参数，所述粒子群参数是用于优化所述此方流体量自适应控制器的虚拟空间参数，根据所述模型分析优化度和所述粒子群参数迭代计算粒子群适应度函数，粒子群适应度函数为经验函数构建计算。

进一步更新粒子群内粒子的位置和速度，将所有粒子输入模型内进行训练，通过计算粒子群的适应度函数来评估粒子的好坏，以适应度函数来调整每个粒子的位置和速度，以降低模型输出信息的误差度。当达到预设终止条件时，即当粒子得到平衡或最优状态，获得粒子群适应度函数的输出结果，即最优结果粒子。并将所述输出最优结果粒子映射到所述此方流体量自适应控制器进行优化更新训练，提高优化控制器模型的输出准确性，减小模型输出误差度，进而提高水轮机控制参数分析精确性。

步骤S500：通过数据挖掘技术获取多方水轮机应用运转数据，并基于所述多方水轮机应用运转数据进行模型分布式训练，生成多方流体量自适应控制器；

具体而言，为提升模型训练数据量，通过数据挖掘技术获取其他应用端的多方水轮机应用运转数据，所述多方水轮机应用运转数据包括多方水轮机流体量数据、水轮机控制参数以及水轮机发电功率数据。并依据上述此方流体量自适应控制器的处理训练方式对所述多方水轮机应用运转数据进行模型分布式训练，生成对应的多方流体量自适应控制器，提高模型训练数据量和全面性。

步骤S600：对所述此方流体量自适应控制器和所述多方流体量自适应控制器进行模型参数联合训练，获得水轮机流体量自适应控制器，并基于所述水轮机流体量自适应控制器对水轮机流体量进行自适应调控。

在一个实施例中，所述获得水轮机流体量自适应控制器，申请步骤S600还包括：

步骤S610：提取所述此方流体量自适应控制器和所述多方流体量自适应控制器的此方模型参数信息和多方模型参数信息；

步骤S620：基于加密算法对所述此方模型参数信息和多方模型参数信息进行加密，并将加密后的模型参数信息发送至模型协调聚合端；

步骤S630：设置局部学习因子和全局学习因子，所述模型协调聚合端基于所述局部学习因子和全局学习因子对所述加密后的模型参数信息进行联合训练，生成所述水轮机流体量自适应控制器。

在一个实施例中，本申请步骤S630还包括：

步骤S631：对水轮机运转控制过程进行监测，获得水轮机调控响应速率；

步骤S632：根据所述水轮机调控响应速率，确定水轮机流体量调节延迟系数；

步骤S633：对所述水轮机流体量调节延迟系数进行流量损失分析，获得流量调节损失因子；

步骤S634：基于所述流量调节损失因子对水轮机流体量调控信息进行修正。

具体而言，对所述此方流体量自适应控制器和所述多方流体量自适应控制器进行模型参数联合训练，首先提取所述此方流体量自适应控制器和所述多方流体量自适应控制器的此方模型参数信息和多方模型参数信息，模型参数信息包括模型学习率、隐层维度、隐层数以及模型权重等参数。为保证模型训练安全性，再基于加密算法对所述此方模型参数信息和多方模型参数信息进行加密，例如MD5、SHA1、HMAC等，并将加密后的模型参数信息发送至模型协调聚合端，所述模型协调聚合端为第三方模型聚合训练平台。设置局部学习因子和全局学习因子，局部学习因子为本地此方训练重要程度，全局学习因子为多方训练重要程度，通常全局学习因子大于局部学习因子。所述模型协调聚合端基于所述局部学习因子和全局学习因子对所述加密后的模型参数信息进行联合训练，打破数据孤岛，生成特征分析更加准确的水轮机流体量自适应控制器。并将训练好的所述水轮机流体量自适应控制器发送至本地此方对水轮机流体量进行自适应调控，提高参数控制精确性，进而保证水轮机应用效果。

在水轮机的实际应用过程中，对水轮机运转控制过程进行监测，获得水轮机调控响应速率，所述水轮机调控响应速率为水轮机控制参数变化调节时，水轮机流体量随之的响应调节速率。根据所述水轮机调控响应速率，确定水轮机流体量调节延迟系数，调节延迟系数与响应速率成反比，响应速率越快，其对应的延迟系数就越小。可通过实验计算经验对所述水轮机流体量调节延迟系数进行流量损失分析，即对水轮机控制参数调节过程中的损失水流量进行计算获得流量调节损失因子，延迟系数越大，其对应的流量调节损失因子越大。并基于所述流量调节损失因子对水轮机流体量调控信息进行修正，考虑水轮机响应时间所带来的损失影响，提高水轮机流量控制参数分析全面性，提高参数控制精确性，进而保证水轮机应用效果。

在一个实施例中，如图3所示，提供了一种用于水轮机流体量的自适应控制系统，包括：水轮机应用运转数据获取模块11，数据聚类划分模块12，分支模型集合获得模块13，分支模型融合模块14，模型分布式训练模块15，自适应调控模块16，其中：

水轮机应用运转数据获取模块11，用于采集获取水轮机应用运转数据，所述水轮机应用运转数据包括水轮机流体量数据、水轮机控制参数以及水轮机发电功率数据；

数据聚类划分模块12，用于对所述水轮机应用运转数据进行聚类划分，获得水轮机应用运转分类数据集合；

分支模型集合获得模块13，用于使用深度学习网络结构对所述水轮机应用运转分类数据集合分别进行训练，获得多因素控制分支模型集合；

分支模型融合模块14，用于将所述多因素控制分支模型集合中的各分支模型进行融合，生成此方流体量自适应控制器；

模型分布式训练模块15，用于通过数据挖掘技术获取多方水轮机应用运转数据，并基于所述多方水轮机应用运转数据进行模型分布式训练，生成多方流体量自适应控制器；

自适应调控模块16，用于对所述此方流体量自适应控制器和所述多方流体量自适应控制器进行模型参数联合训练，获得水轮机流体量自适应控制器，并基于所述水轮机流体量自适应控制器对水轮机流体量进行自适应调控。

在一个实施例中，所述系统还包括：

属性分类器搭建单元，用于搭建水轮机属性分类器，所述水轮机属性分类器包括水流能量转换特征、规格性能特征；

属性分类标记单元，用于基于所述水轮机属性分类器对所述水轮机应用运转数据进行属性分类标记，获得运转数据属性信息；

水轮机标定参数确定单元，用于对所述运转数据属性信息进行归类标定，确定水轮机标定参数；

运转分类数据集合获得单元，用于基于所述水轮机标定参数对所述水轮机应用运转数据进行聚类划分，获得所述水轮机应用运转分类数据集合。

在一个实施例中，所述系统还包括：

水轮机分类数据获得单元，用于根据所述水轮机应用运转分类数据集合，获得水轮机流体量分类数据、水轮机控制分类参数以及发电功率分类数据；

控制参数分析层构建单元，用于使用深度学习网络结构对所述水轮机流体量分类数据、水轮机控制分类参数进行训练，构建流体量控制参数分析层；

数据拟合训练单元，用于基于所述水轮机流体量分类数据和所述发电功率分类数据进行拟合训练，生成流量发电转换层；

功能层连接单元，用于基于所述流体量控制参数分析层和所述流量发电转换层进行功能层连接，获得所述多因素控制分支模型集合。

在一个实施例中，所述系统还包括：

适用度分配集合获得单元，用于对所述各分支模型进行适用性评价，获得因素适用度分配集合；

模型验证单元，用于基于所述多因素控制分支模型集合分别进行模型验证，得到模型输出准确率集合；

模型融合参数生成单元，用于将所述因素适用度分配集合和所述模型输出准确率集合进行交融，生成模型融合参数集合；

自适应控制器生成单元，用于基于所述模型融合参数集合对所述各分支模型进行融合，生成所述此方流体量自适应控制器。

在一个实施例中，所述系统还包括：

模型效果验证单元，用于对所述此方流体量自适应控制器进行模型效果验证，获得模型分析损失数据；

模型分析优化度确定单元，用于根据所述模型分析损失数据，确定模型分析优化度；

适应度函数计算单元，用于基于PSO算法初始化粒子群参数，根据所述模型分析优化度和所述粒子群参数迭代计算粒子群适应度函数；

优化更新训练单元，用于当达到预设终止条件时，获得所述粒子群适应度函数的输出最优结果粒子，并将所述输出最优结果粒子映射到所述此方流体量自适应控制器进行优化更新训练。

在一个实施例中，所述系统还包括：

模型参数信息提取单元，用于提取所述此方流体量自适应控制器和所述多方流体量自适应控制器的此方模型参数信息和多方模型参数信息；

模型参数加密单元，用于基于加密算法对所述此方模型参数信息和多方模型参数信息进行加密，并将加密后的模型参数信息发送至模型协调聚合端；

模型联合训练单元，用于设置局部学习因子和全局学习因子，所述模型协调聚合端基于所述局部学习因子和全局学习因子对所述加密后的模型参数信息进行联合训练，生成所述水轮机流体量自适应控制器。

在一个实施例中，所述系统还包括：

调控响应速率获得单元，用于对水轮机运转控制过程进行监测，获得水轮机调控响应速率；

调节延迟系数确定单元，用于根据所述水轮机调控响应速率，确定水轮机流体量调节延迟系数；

流量损失分析单元，用于对所述水轮机流体量调节延迟系数进行流量损失分析，获得流量调节损失因子；

流体量调控信息修正单元，用于基于所述流量调节损失因子对水轮机流体量调控信息进行修正。

关于一种用于水轮机流体量的自适应控制系统的具体实施例可以参见上文中对于一种用于水轮机流体量的自适应控制方法的实施例，在此不再赘述。以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。