[发明专利]一种提高水电站综合效益的方法

说明书

本发明涉及一种提高水电站综合效益的方法，其包括以下步骤：(1)基于预先获取的水电机组的现场效率试验数据，建立基于反距离加权模型的水电机组耗流量预测模型；(2)实时获取水电机组的当前工作水头，将当前工作水头输入水电机组耗流量预测模型，实时计算出当前工作水头下水电机组的耗流量曲线；(3)基于得到的当前水头下不同水电机组的耗流量曲线和机组的实际开机情况，调整水电站的开机顺序，用于提高水电站综合效益。本发明可以广泛应用于水电站综合效益提高领域。

技术领域

本发明涉及一种提高水电站综合效益的方法，属于水电站综合效益评估领域。

背景技术

基于耗流量和机组效率，根据水电站实际来水量和机组的实际开机情况，调整水电站的开机顺序，能有效提高水电站综合效益。即根据水电站来水量和工作水头，完成电网负荷要求所需耗流量最小。分析数据表明，在不增加任何投入的前提下，仅仅通过调整机组的开机顺序，能给水电站带来巨大的经济效益。

常用的计算水轮机组效率的方法有两种：一种是通过水轮机组运行效率试验，获得不同水头下机组的出力、流量和效率等参数，绘出试验水头下机组的效率特性曲线，进而鉴定和校准机组综合运转特性曲线，但是该方法工作量大，没用自适应性，且当运行参数变化时，需要重新计算和绘制曲线。另一种方法是采用人工智能方法，如人工神经网络技术，该方法以机组工作水头、出力为输入样本，效率或耗流量为输出样本，进行网络训练，从而获得机组工作水头、出力和流量的映射关系，用来计算任意水头下的效率曲线，然后计算耗流量。然而，分析发现，BP神经网络具有学习速度慢，需要调节的参数多等缺点；RBF神经网络学习收敛速度明显好于BP神经网络，但该方法存在径向基函数中心、宽度、连接权重等难以确定的问题，且需要人工设置径向基函数的扩展速度，该参数设置不同，计算精度有明显变化，且当训练样本增多时，网络结构和复杂度大大增加，加大了其运算量。

发明内容

针对上述问题，本发明的目的是提供一种提高水电站综合效益的方法，该方法基于反距离加权模型计算水电机组耗流量，能够实时快速计算出不同水头下机组的耗流量曲线，有很高的计算精度。

为实现上述目的，本发明采取以下技术方案：一种提高水电站综合效益的方法，其包括以下步骤：(1)基于预先获取的水电机组的现场效率试验数据，建立基于反距离加权的水电机组耗流量预测模型；(2)实时获取水电机组的当前工作水头，将当前工作水头输入水电机组耗流量预测模型，实时计算出当前工作水头下水电机组的耗流量曲线；(3)基于得到的当前工作水头下不同水电机组的耗流量曲线和水电机组的实际开机情况，调整水电站的开机顺序，以提高水电站综合效益。

进一步的，所述步骤(1)中，基于预先获取的水电机组的现场效率试验数据，建立基于反距离加权模型的水电机组耗流量预测模型的方法，包括以下步骤：(1.1)对水电机组进行现场效率试验，获取水电机组在不同工作水头、不同出力时的耗流量；(1.2)从获取的现场效率实验数据中选取不同工作水头、不同出力及其对应的耗流量作为样本数据；(1.3)将标准样本数据中不同工作水头、不同出力标准样本作为输入，耗流量作为输出，建立反距离加权模型，并对建立的反距离加权模型进行训练。

进一步的，所述步骤(1.2)中，选取标准样本数据的原则为：所选数据能够覆盖水电机组可能的工作水头、出力变化区间。

进一步的，所述步骤(1.3)中，建立的基于反距离加权的水电机组耗流量预测模型为：

式中：Z(x_i,y_i)为样本点(x_i,y_i)处的耗流量的实测值，x_i为样本点对应的工作水头；y_i为样本点对应的出力；为待预测点(x,y)处耗流量的预测值，x为待预测点对应的工作水头；y为待预测点对应的出力；n为样本数；w_i为距离权重，其计算公式为：