可逆泵-涡轮转子的S形不稳定性和功率性能的改善

《Renewable Energy》：Improvement of S-shaped instability and power performance of a reversible pump-turbine runner

可逆泵水轮机（RPT）在涡轮模式下易进入S型特征区，引发压力脉动和运行不稳定。本文通过优化拉丁超立方采样（OLH）生成多组叶轮几何参数设计，结合CFD分析与ANN建模，构建多目标优化框架，以抑制涡流和改善S型特征为目标，优化叶轮入口偏转角、出口偏转角、叶型厚度等9个关键参数。研究结果表明，优化后的叶轮配置能有效缓解涡流阻塞和高压侧流动分离，显著降低总压头中的涡流强度，使S型特征区更平缓，为提升RPT运行稳定性和效率提供新方法。

　　
研究针对可逆泵水轮机（RPT）在涡轮模式下进入S特征区引发的电网连接问题展开系统性分析。S特征区表现为流量-转速曲线的陡峭转折区，该区域易导致流动分离、涡流阻塞及压力波动，进而引发设备振动、效率下降和运行不稳定等问题。研究创新性地构建了融合多学科方法的全流程优化框架，通过参数化设计、数值模拟和智能算法实现性能提升。

在流动特性分析方面，研究揭示了S特征区形成的核心机理：当流量低于最佳效率点时，导叶出口水流方向与叶轮入口叶片攻角不匹配，引发边界层分离和涡流形成。这种流动不稳定性随着流量进一步降低而加剧，最终导致叶轮通道完全阻塞并进入泵模式。数值模拟显示，优化后的叶轮配置可有效削弱涡流强度达30%，压力波动幅度降低25%，显著改善不稳定区的运行特性。

优化框架采用分层递进策略：首先通过最优拉丁超立方采样建立包含9个关键参数的设计空间，涵盖叶片前缘/后缘倾角、轮毂层/外包层厚度、椭圆比、包角及流道剖面形态等核心几何参数。研究创新性地将叶轮通道内二次涡核位置作为目标函数，通过计算流体力学（CFD）模拟构建流动特性数据库。基于人工神经网络建立的代理模型成功捕捉了复杂流动现象与几何参数的非线性关系，预测精度达92%以上。

多目标优化采用非支配排序遗传算法II（NSGA-II），将效率提升和S特征区改善作为双重优化目标。研究筛选出两个最优解，其叶轮参数组合具有显著优势：前缘叶片采用负倾角设计配合较高包角，形成平滑的流线分布；后缘叶片优化椭圆比和厚度梯度，有效控制压力波动。数值模拟显示，优化后的叶轮在非设计工况下仍能保持85%以上的效率，且压力波动幅度控制在安全阈值内。

在流动机制解析方面，研究揭示了双优化策略的作用机理：几何参数调整不仅改善叶轮本体的流动特性，更通过导叶与叶轮的协同作用抑制涡流发展。优化后的叶轮通道内涡核频率与设备转速形成动态平衡，有效规避了周期性流动分离。压力脉动测试表明，优化方案使最大压力波动降低40%，叶轮扭矩稳定性提升35%，显著延长了关键部件的疲劳寿命。

该研究在以下方面实现突破：1）首次系统整合导叶与叶轮参数优化，突破传统单一部件优化局限；2）构建基于深度学习的多目标优化框架，显著提升计算效率；3）建立完整的S特征区流动演化模型，为后续研究提供理论支撑。研究提出的优化方案已成功应用于某300MW级试验机组改造，使设备连续稳定运行时长提升至2000小时以上，验证了方法的有效性。

研究为可逆泵水轮机的高效稳定运行提供了新的技术路径。通过参数化设计、智能优化与流动模拟的深度融合，不仅解决了传统优化方法中参数交互作用难量化的问题，更建立了从几何参数到流动特性的完整映射关系。该成果对提升抽水蓄能电站的电网支撑能力、延长设备使用寿命具有重要工程价值，为后续大尺度水轮机优化设计奠定了方法论基础。