一种基于数据驱动建模的离心泵效率预测方法技术

一种基于数据驱动建模的离心泵效率预测方法，包括以下步骤:1)通过对离心泵的相关过程知识进行分析将离心泵的效率划分为两个不同区间；2)利用高斯过程回归GPR模型输出的预测方差识别不同转速下离心泵的效率曲线的过程性，并能对两个区间进行自动划分；3)利用GPR的预测方差结合贝叶斯定理的后验概率指标度量近似工况，对不同转速下的数据进行度量，选取近似对高的各组数据组成训练集训练全局模型。本发明专利技术提高了离心泵过程效率预测的预测性能。能。能。

【技术实现步骤摘要】
一种基于数据驱动建模的离心泵效率预测方法


[0001]本专利技术涉离心泵效率预测模型
，具体涉及一种基于数据驱动建模的离心泵效率预测方法。

技术介绍

[0002]泵是一种用途广泛的机械类型。泵消耗了电动机提供全球能源的近22％，具有巨大的节能潜力。离心泵是泵类机械的最大类，广泛应用于引水工程，农业灌溉和城市供水领域，因此节能和稳定运行一直是研究的重点。
[0003]由于当变频技术的成本降低，通过变频驱动器调节离心泵的转速进而满足工况需求，最终实现节能，因此变频技术在离心泵领域被广泛的应用。但是在转速的变化离心泵的最高效率点(BEP)的位置及大小也会发生变化。同时当离心泵与供水系统连接时，离心泵的实际工作点是由离心泵的性能曲线与系统管路曲线共同决定，所以离心泵整体的效率还受到系统管路的影响。如果能准确预测不同转速下离心泵的运行效率，这将更加有效的发挥变频技术的节能效果，同时避免离心泵长期在恶劣工况下运行而降低使用寿命。
[0004]目前，预测不同转速下离心泵的运行状态主要使用的是离心泵的相似定律，但是该定律假设泵在不同转速其效率不变，而实际情况下，当离心泵的转速变化其容积效率(η
v
)，水力效率(η
h
)，机械效率(η
w
)也会发生变化，特别是η
w
，随着转速的下降η
w
会增大，导致离心泵的BEP的大小及位置发生变化。也有一些研究者将新效率与原始效率相关联得到一些经验公式，同时另一些研究者认为效率是雷诺数与管壁粗糙度的函数，从而整理出经验公式预测不同转速下的效率。
[0005]基于离心泵机理的经验公式没考虑管路系统的摩擦损失，所以其本身存在经验误差，同时离心泵转速的差异超出了经验公式的适用范围，其预测性能会大大降低。离心泵连接有静水头的系统时，由于系统静水头的影响，其预测精度会大大降低。离心泵的效率估计仅考虑离心泵本身的效率变化，而忽略了转速发生变化后变频驱动器的效率以及驱动离心泵转动的电动机效率的变化。
[0006]上述基于离心泵机理的经验公式以及泵的相似定律基本都依赖于离心泵的转速，但是在一些工程应用中转速并不是可以容易获取的。离心泵的转速调节主要是通过调节变频驱动器的频率调节实现的，且变频驱动器上的频率并不能直接转换为离心泵的转速，因为离心泵与电机连接时，离心泵的转速并不等于电动机的转速，当调节变频器动驱动频率时存在滑移率。
[0007]最近，作为一种新的方法，通过在流体机械领域中开发的数据驱动的经验模型。与机理模型相比，数据驱动模型并不需要对机理有深入的认识，也不需要很多设计人员的经验，其主要是通过数据本身反映内部规律。众所周知，数据驱动建模的经验模型的准确性取决于建模数据的可靠性，但是在实际情况下，建模数据存在一定的过程性，不同阶段的数据拥有不同的特性，因此使用传统的建模方法很难满足要求。所以在数据驱动的经验建模方法中，必须开发有效的策略来增强模型的预测性能。
[0008]为了对离心泵在不同转速下的运行效率进行合理的预测，适用于小样本情况下的数据驱动模型更合适。高斯过程回归模型(GPR)作为一种概率建模方法，能够很好的适用于小样本情况下。对于不同转速下离心泵的效率曲线，可以通过其过程知识将效率曲线分为两个阶段，即效率上升阶段和效率下降阶段。如果可以预先确定新转速下效率曲线的两个阶段，则可以分别建立效率上升阶段和效率下降阶段的两个局部GPR模型。这样使得两个局部GPR模型充分学习到各个阶段的特性，从而提升预测效果。

技术实现思路

[0009]针对上述技术缺陷，本专利技术通过利用高斯过程回归GPR的预测方差结合贝叶斯定理，提出了一种基于数据驱动建模的离心泵效率预测方法，对不同转速下的数据进行度量，选取近似对高的各组数据组成训练集训练全局模型，提高模型的预测性能。
[0010]本专利技术的技术方案如下：
[0011]一种基于数据驱动建模的离心泵效率预测方法，所述方法包括以下步骤：
[0012]1)收集离心泵运行过程中的数据集作为样本，通过分析不同转速下的效率随流量的变化来确定离心泵特征，并确定预测模型的输入变量及输出变量；
[0013]选取输入变量为入口压力P
s
，出口压力Pd，供水系统的出口阀门开度V，出口流量Q，即x
i
＝{P
si
，P
di
，V
i
，Q
i
}
T
；选取的输出变量为实际效率，y
i
＝η
i
；其中x
i
表示第i个样本的输入变量，即每个样本x
i
包含4个输入变量，y
i
表示第i个样本的输出变量；
[0014]2)通过高斯过程回归GPR的预测方差结合贝叶斯定理及贝叶斯方法对GPR模型进行训练；
[0015]对于输出变量y
i
，GPR模型高斯先验分布，均值为零的回归函数，或者是离散型的回归函数；
[0016](y
i
，
…
，y
N
)
T
～G(0，C)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0017]式中T是转置符号，G是高斯分布符号，C表示第i个元素C＝(x
i
，x
i
)的N
×
N协方差矩阵；利用贝叶斯方法对GPR模型进行训练估算出C；用具有N
t
个输入样本的测试样本集t＝1，
…
，T，X
t
是一个集合，x
t，i
是集合的子元素，i代表1到N
t
个；输出变量以及它的方差的计算方法如下：
[0018][0019][0020]其中k
t，i
＝[C(x
t，i
，x1)，C(x
t，i
，x2)，
…
，C(x
t，i
，x
N
)]T
是新输入数据和训练数据的协方差向量，k
t，i
＝C(x
t，i
，x
t，i
)是新输入数据的协方差，是GPR模型输出的预测方差，其中式(3)提供了预测的置信度；
[0021]被训练的GPR模型的方差呈现不同的阶段特征，分别对应效率曲线的上升阶段和下降阶段，所以概率信息可用于阶段识别；
[0022]3)通过GPR模型中预测方差结合贝叶斯定理组合成的后验概率P(GPR
l
|X
t
)指标的平均值MEPP度量不同转速下的各组样本集的相似性；
[0023]通过不同转速下的样本子集分别训练多个GPR模型，评估单个GPR模型与测试样本集的关系通过基于贝叶斯的条件概率表达即P(GPR
l
|X
t
)指标，其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动建模的离心泵效率预测方法，其特征在于，所述方法包括以下步骤：1)收集离心泵运行过程中的数据集作为样本，通过分析不同转速下的效率随流量的变化来确定离心泵特征，并确定预测模型的输入变量及输出变量；选取输入变量为入口压力P
s
，出口压力P
d
，供水系统的出口阀门开度V，出口流量Q，即x
i
＝{P
si
，P
di
，V
i
，Q
i
}
T
；选取的输出变量为实际效率，y
i
＝η
i
；其中x
i
表示第i个样本的输入变量，即每个样本x
i
包含4个输入变量，y
i
表示第i个样本的输出变量；2)通过高斯过程回归GPR的预测方差结合贝叶斯定理及贝叶斯方法对GPR模型进行训练；对于输出变量y，GPR模型高斯先验分布，均值为零的回归函数，或者是离散型的回归函数；(y
i
，
…
，y
N
)
T
～G(0，C)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中T是转置符号，G是高斯分布符号，C表示第i个元素C＝(x
i
，x
i
)的N
×
N协方差矩阵；利用贝叶斯方法对GPR模型进行训练估算出C；用具有N
t
个输入样本的测试样本集X
t
是一个集合，x
t，i
是集合的子元素，i代表1到N
t
；输出变量以及它的方差的计算方法如下：的计算方法如下：其中k
t，i
＝[C(x
t，i
，x1)，C(x
t，i
，x2)，
…
，C(x
t，i
，x
N
)]
T
是新输入数据和训练数据的协方差向量，k
t，i
＝C(x
t，i
，x
t，i
)是新输入数据的协方差，是GPR模型输出的预测方差，其中式(3)提供了预测的置信度；被训练的GPR模型的方差呈现不同的阶段特征，分别对应效率曲线的上升阶段和下降阶段，所以概率信息可用于阶段识别；3)通过GPR模型中预测方差结合贝叶斯定理组合成的后验概率P(GPR
l
|X
t
)指标的平均值MEPP度量不同转速下的各组样本集的相似性；通过不同转速下的样本子集分别训练多个GPR模型，评估单个GPR模型与测...

【专利技术属性】
技术研发人员：郑水华，付月瑶，夏召顺，柴敏，刘建飞，徐逸伦，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：