水轮机导叶体及该水轮机PID控制参数的优化方法

技术领域

本发明涉及流体机械发电技术领域，具体涉及一种水轮机导叶体及该水轮机PID控制参数的优化方法。

背景技术

随着抽水蓄能电站的大量规划建设，为改提高抽水蓄能机组运行稳定性、改善电网供电质量，有关学者对水泵水轮机翼型结构、调节品质提出了更高要求。

研究显示，水泵水轮机运行过程中，在小流量工况能量损失主要发生在无叶区和活动导叶区，主要由无叶区的高速环流和活动导叶流道内的旋涡造成，无叶区压力脉动主要是由活动导叶与转轮叶片组成的动静叶栅干涉效应以及活动导叶区域出流与转轮叶片工作面发生冲击导致的分流引起，而活动导叶与转轮叶片组成的动静叶栅干涉效应又与水泵水轮机调节性能密切相关。

发明内容

本发明提供一种水轮机导叶体及该水轮机PID控制参数的优化方法。

本发明解决其技术问题所采用的技术方案是：一种水轮机导叶体，包括导叶和辐条，所述导叶数量为偶数个，所述辐条设置在其中一半所述导叶侧壁并围绕各自对应的导叶一周设置，所述辐条平行位于所述导叶的上盖板和下盖板之间，另一半所述导叶侧壁开设有绕导叶一周延伸的导槽，所述导叶和所述导槽交替分布，当相邻两个所述导叶相互接触时，所述导叶插入所述导槽内。

所述导叶和所述导槽在各自对应导叶上的分布数量为奇数个。

所述辐条的宽度为所述导叶上下盖板间距的0.03-0.05倍。

所述导叶和所述导槽的截面均呈弧形，且弧形的直径与所述辐条的宽度相同。

一种基于导叶体的水轮机PID控制参数的优化方法，包括如下步骤：S1、在matlab/simulink中建立水轮机调节系统多工况的非线性模型，搭建改进BP神经网络算法优化PID参数的仿真平台；

S2、生成输入层矩阵并初始化BP神经网络算法参数样本；将输入层矩阵的每个候选解代入仿真平台进行仿真，根据目标信号与响应信号的误差计算水轮机调节性能指标CostFunction目标函数值，CostFunction目标函数值的计算公式如下：

式中，t为仿真时间，e(t)为目标信号与响应信号的误差；

S3、根据目标函数值求得实际的输出结果与期望的输出结果之间产生的误差损失函数值Loss，误差损失函数值Loss的计算公式如下：

式中，n为迭代次数，CostFunction为第i次迭代中所对应的水轮机调节性能指标函数值；

S4、通过改进BP神经网络算法对输入矩阵的每一个神经元输入信号进行迭代计算，得到该次计算各神经元的输出信号，并将该输出信号作为下一次计算各神经元的输入信号；

S5、判断当前样本迭代次数是否达到最大迭代次数，若达到最大迭代次数，则终止迭代计算并输出最终输出信号矩阵；否则继续进行迭代计算。

步骤S4中，输入矩阵通过惯性矩阵W

式中：

学习率步长η根据连续两次迭代的梯度方向选择加倍或减半，实现方式如下：

式中，

通过以上技术方案，相对于现有技术，本发明具有以下有益效果：

1、导叶体上辐条与导槽的引入，使得导叶壁面边界层遭到破环，进而改善活动导叶区域出流状况，削弱与转轮叶片工作面发生的冲击，达到降低无叶区压力脉动的目的；

2、当导叶全关时，相邻两个导叶相互接触，辐条插入导槽内，避免了辐条与导叶产生干涉或导槽与辐条之间形成空隙的情况，利于减少导叶全关时的漏水量；

3、水轮机PID控制参数的优化方法中采用引入动量项、随连续两次迭代的梯度方向变化的BP神经网络算法，运用改进BP神经网络算法求解优化PID控制参数，使得系统CostFunction指标最小，该方法可使得CostFunction指标更快收敛于最小值，控制调节时间、超调量大大减少，并拥有一定的鲁棒性，从而达到提高调速器调节品质的目的，创新地解决了非线性系统的控制参数较难优化的问题。

附图说明

下面结合附图对本发明进一步说明。

图1是本发明的整体结构示意图；

图2是本发明用于体现辐条的示意图；

图3是本发明用于体现水轮机调节系统多工况仿真平台的示意图；

图4是本发明用于体现优化过程中目标函数变化情况的示意图；

图5是本发明用于体现最优控制参数的控制效果的示意图；

图6是本发明用于体现导叶效果对比的示意图。

图中：1、导叶；11、上盖板；12、下盖板；13、前翼型板；14、后翼型板；21、辐条；22、导槽。

具体实施方式

现在结合附图对本发明作进一步详细的说明。本申请的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。

本发明的一种水轮机导叶体及该水轮机PID控制参数的优化方法。

如图1和图2所示，一种水轮机导叶体，包括导叶1和辐条21，导叶1数量为偶数个，导叶1包括上盖板11、下盖板12、前翼型板13和后翼型板14，上盖板11和下盖板12平行设置，前翼型板13和后翼型板14相互连接并固定在上盖板11和下盖板12之间。

辐条21设置在其中一半导叶1侧壁并围绕各自对应的导叶1一周设置，辐条21平行位于导叶1的上盖板11和下盖板12之间，另一半导叶1侧壁开设有绕导叶1一周延伸的导槽22，导叶1和导槽22交替分布，当导叶1全关时，相邻两个导叶1相互接触，导叶1插入导槽22内，以减少漏水量。

辐条21的宽度为导叶1上下盖板12间距的0.03-0.05倍，导叶1和导槽22的截面均呈弧形，且弧形的直径与辐条21的宽度相同。

如图3所示，本申请实施例还公开了一种基于上述导叶体的水轮机PID控制参数的优化方法，包括如下步骤：

S1、在matlab/simulink中建立水轮机调节系统多工况的非线性模型，搭建改进BP神经网络算法优化PID参数的仿真平台。水轮机调节系统分为调速器和调节对象两部分，调速器采用引入动量项、随连续两次迭代的梯度方向变化的BP神经网络算法优化PID控制参数；调节对象采用高阶发电机模型和电网简化模型。仿真平台包含控制器、随动系统、水轮机及引水系统、发电机及负载、励磁系统和电力系统稳定器。

S2、生成输入层矩阵并初始化BP神经网络算法参数样本；将输入层矩阵的每个候选解代入仿真平台进行仿真，根据目标信号与响应信号的误差计算水轮机调节性能指标CostFunction目标函数值，CostFunction目标函数值的计算公式如下：

式中，t为仿真时间，e(t)为目标信号与响应信号的误差。

S3、根据目标函数值求得实际的输出结果与期望的输出结果之间产生的误差损失函数值Loss，误差损失函数值Loss的计算公式如下：

式中，n为迭代次数，CostFunction为第i次迭代中所对应的水轮机调节性能指标函数值，期望的输出结果为当求得的CostFunction指标目标函数值最小时对应的改进BP神经网络算法输出矩阵。

S4、通过改进BP神经网络算法对输入矩阵的每一个神经元输入信号进行迭代计算，得到该次计算各神经元的输出信号，并将该输出信号作为下一次计算各神经元的输入信号，，矩阵形式的迭代计算公式如下：

A

式中：A

惯性矩阵W

式中：

学习率步长η根据连续两次迭代的梯度方向选择加倍或减半，实现方式如下：

式中，

S5、判断当前样本迭代次数是否达到最大迭代次数，若达到最大迭代次数，则终止迭代计算并输出最终输出信号矩阵；否则继续进行迭代计算。

如图4、图5和图6所示，本申请技术方案在水力机组某一工况下与现有技术相比，该方法采用引入动量项、随连续两次迭代的梯度方向变化的BP神经网络算法优化PID控制参数，使得系统的CostFunction指标最小。该方法与传统控制方法相比，可使得CostFunction指标更快收敛于最小值，控制调节时间、超调量大大减少，并拥有一定的鲁棒性，从而拥有更高的调速器调节品质，创新地解决了非线性系统的控制参数较难优化的问题，进一步减轻了相关工程人员的工作负担。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。

本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。