基于主动学习的水力发电机启动优化，以最小化疲劳损伤
数值分析
2024-11-25 v1 数值分析
摘要
水力发电单位(HGUs)在由于其灵活的运行能力而在电网中集成间歇性可再生能源方面发挥着关键作用。这种不断演变的角色导致临界事件(如启动)增加，这些事件对涡轮机施加显著应力，导致涡轮机疲劳加剧并缩短运行寿命。因此，优化启动序列以最小化应力对于水力发电公司至关重要。然而，这一任务具有挑战性，因为对原型机的应力测量成本高昂且耗时。为解决这一难题，我们提出了一种创新的自动化方法，用于在有限预算的测量启动序列下优化HGUs的启动参数。该方法结合了主动学习和黑箱优化技术，利用虚拟应变传感器和HGUs的动态仿真。该方法在针对一个装有仪器的弗朗西斯涡轮机原型机的现场测量活动中进行了实时测试。结果表明，我们的算法仅通过七次测量序列即成功识别了最优启动序列，实现了相对于标准启动序列的最大应变循环幅度的惊人42%降低。这一研究为更高效的HGU启动优化开辟了道路，potentially延长其运行寿命。
引用
@article{arxiv.2411.14617,
title = {Data assimilation in 2D incompressible Navier-Stokes equations, using a stabilized explicit $O(\Delta t)^2$ leapfrog finite difference scheme run backward in time},
author = {Alfred S. Carasso},
journal= {arXiv preprint arXiv:2411.14617},
year = {2024}
}