基于模糊自适应的DEPSO算法的水轮机调速器参数优化方法技术

本发明专利技术请求保护一种基于模糊自适应的DEPSO算法的水轮机调速器参数优化方法，包括步骤：(1)建立水轮机调节系统数学模型；(2)确定模糊自适应和差分进化粒子群算法的适应度函数；(3)对该算法的速度惯性因子进行模糊设置，具体是将线性递减的惯性因子和粒子当前最优性能评价指标作为模糊输入；(4)计算粒子的适应度值，保留粒子的个体最优值和全局最优值，并更新粒子的速度和位置；(5)若满足交叉条件，则在粒子间进行基因交叉；(6)判断是否满足终止条件，满足则停止并输出最优值，不满足则返回步骤4‑6。本发明专利技术能确保系统在频率扰动和负荷扰动工况下拥有良好的动态性能：较小的超调量、较短的稳定时间和调节时间等。

【技术实现步骤摘要】
基于模糊自适应的DEPSO算法的水轮机调速器参数优化方法
本专利技术涉及电力系统中水力发电
，涉及水轮机调速器参数优化方案
，具体涉及一种基于模糊自适应和差分进化的粒子群算法的水轮机调速器参数优化方法。
技术介绍
水电站将水能转换为电能并通过供电系统将其提供给用户使用，用电安全及电能的质量是用户最关心的问题。在其中起到决定性作用的就是水轮机调节系统，而水轮发电机组调速器参数对水轮机调节系统的稳定及电能的质量极其重要，因此调速器参数的优化一直是研究人员关注的问题。PID调节由于控制规律简单，鲁棒性好等优点而在工程实际中被广泛采用，PID参数的整定方法主要有两类：一类是传统的参数整定方法，另一类是人工智能算法。相比智能算法来说，传统PID参数整定算法在处理如水轮机调节系统等具有非线性和非最小相位特性的控制系统时，容易出现振荡现象和较大的超调量。而在众多的智能算法中，粒子群算法由于编程简单、容易实现并且找到全局最优值的概率较大等优点而被广泛应用于工程实际问题及PID参数的整定工作中。在粒子群算法中，粒子速度惯性权重对种群的寻优过程极其重要，它决定了粒子是着重于全局范围的探索还是局部范围的精细搜索。随着迭代的进行，恰当的权重系数选择可以提高算法的效率，然而典型的粒子群算法在速度更新过程中，惯性权重仅仅受迭代次数的影响而呈线性递减，在迭代初期较大的权重系数能使粒子具有较强的全局探索能力，但若此时粒子已非常接近全局最优值，那么较大的速度惯性，可能使粒子偏离全局最优，背离正确的方向飞行，从而降低搜索精度。迭代后期，所有粒子都已收敛到最优值附近，较小的惯性因子可以使粒子进行精细搜索，但是速度越小，粒子群越容易趋向同一化，而使粒子陷入局部极值。由此可见在典型PSO算法中，速度惯性仅随迭代次数而改变还是存在不足之处，并不利于算法效率的提高，并且在迭代后期粒子多样性损失严重，易于陷入局部最优而停滞不前。
技术实现思路
针对现有技术的不足，提出了一种框架。本专利技术的技术方案如下：一种基于模糊自适应的DEPSO算法的水轮机调速器参数优化方法，其特征在于，包括以下步骤：101、建立水轮机调节系统的数学模型，具体包括：建立水轮机PID调速器数学模型和建立水轮发电机组数学模型，并设置水轮机调节系统的系统参数，包括接力器响应时间常数、压力引水系统水流惯性时间常数、机组惯性时间常数及被控系统各传递系数；102、步骤101建立了水轮机调节系统的数学模型后，设定模糊自适应和差分进化粒子群DEPSO算法的适应度函数，将适应度函数值J设置为水轮机调节系统偏差e(t)的绝对值与时间t之积的积分，即ts为仿真时间；103、对模糊自适应和差分进化粒子群DEPSO算法的速度惯性因子wc进行模糊设置，即将线性递减的惯性因子w和粒子当前最优性能评价指标值NCBPE作为模糊输入，wc作为模糊输出；104、进行步骤103的模糊设置后，计算差分进化粒子群DEPSO算法中粒子的适应度值，保留粒子的个体最优值pbest和全局最优值gbest，并更新粒子的速度和位置，产生新种群，更新个体极值和全局极值；105、在粒子的速度和位置的更新过程中，若满足交叉条件，即当在(0,1)间产生的随机数小于预先设置的交叉概率时，则在粒子间进行基因交叉；106、判断是否满足终止条件，即是否找到全局最优值或达到迭代最大次数，若满足则停止并输出全局最优值gbest，若不满足，则返回重复执行步骤104-步骤106。进一步的，步骤101中建立水轮机PID调速器数学模型包括PID控制器模型和电液随动系统数学模型，具体为：水轮机PID控制器传递函数GPID(s)如下：式中，Δxc为系统给定转速相对偏差值；Δx为机组转速相对偏差值；Δypid为导叶开度相对偏差值；Kp、Ki、Kd分别为比例增益、积分增益和微分增益；Tn为微分环节时间常数；s为拉普拉斯算子；电液随动系统数学模型传递函数Gs(s)如下：式中，Δy为接力器行程相对偏差值；Ty为接力器响应时间常数。进一步的，步骤101中的建立水轮发电机组数学模型主要由水轮机、压力引水系统和发电机所组成；当系统处于小波动情况下，水轮机力矩相对偏差值Δmt、流量相对偏差值Δq、水头相对偏差值Δh、接力器位移相对偏差值Δy以及机组转速相对偏差值Δx之间的关系可以表示为：式中，ex、ey、eh、eqx、eqy、eqh均为水轮机被控系统传递系数；Δx为机组转速的相对偏差值，Δy为接力器位移相对偏差值，Δh为水头相对偏差值；在小波动工况下，此时压力引水系统的传递函数如下所示：式中，Tw为压力引水系统水流惯性时间常数；发电机的动态特性由以下传递函数表示：式中，Δmg为阻力矩相对偏差值；Ta为机组惯性时间常数；en为被控系统自调节系数，en＝eg-ex，eg为发电机负载转矩对转速的传递系数，ex为水轮机转矩对转速的传递系数。进一步的，步骤103具体为：设置DEPSO算法的基本参数：群体个数m、最大迭代次数Tmax、加速系数c1和c2、速度惯性因子wmax和wmin；对速度惯性因子wc进行模糊化，将当前线性递减惯性因子wt和如下式所示的规范化的当前最好性能评价NCBPE作为模糊输入，wc作为模糊输出，设置迭代初期的最优性能评价CBPEmax、迭代结束时的最小性能评价估计值CBPEmin；线性递减惯性因子和NCBPE的定义公式为：wt＝wmax-t(wmax-wmin)/Tmax其中，wmax和wmin分别为迭代开始时的速度惯性权重和结束时的权重系数，CBPEmax为迭代初期的最优性能评价，CBPEmin为迭代结束时的最小性能评价估计值，CBPE为当前最优性能评价。进一步的，步骤104中更新粒子的速度和位置的公式为：为当前的粒子速度，为上代粒子的速度，为修正后的速度惯性因子，为粒子自身的最优解，为当前粒子的位置，为粒子的当前全局最优解，vmax为粒子速度上限值，c1、c2为常数，r1t、r2t为(0,1)之间的随机数，为下一时刻粒子的位置，xmax为粒子位置的最大值，xmin为粒子位置的最小值；其中，r1和r2为区间(0,1)之间的随机数，随着算法的迭代进程，粒子群的多样性不断减少，此时可在粒子间进行交叉操作，以此避免粒子多样性的丢失，增强粒子的全局搜索能力，其中，rand(d)为(0,1)区间内的随机数；d为粒子的维数索引，d∈[1,2,...,q]，q为粒子总维数；pc为交叉概率，round为返回按指定位数取整后的某个数字，rand为(0,1)区间内的随机数，m为粒子的个数，通常设置为0.8；randn(i)为[1,2,…,q]中的一随机整数；为当前随机选取的一个粒子其自身的最好位置。本专利技术的优点及有益效果如下：本专利技术针对典型粒子群算法易出现早熟而陷入局部最优的缺点而提出一种融合模糊思想和差分算法交叉思想的改进粒子群算法(DEPSO)。其特点是该方法引入规范化粒子最优性能评价指标的概念，将其与线性递减的速度惯性权重相结合来对速度惯性权重进行修正，以此避免惯性权重仅受粒子迭代次数的影响而造成的弊端。在此基础上，引入差分算法的交叉思想，在特定条件下，在粒子间进行基因交换，来增加粒子的多样性，以避免粒子群算法在迭代后期陷入局部极值。本专利技术整定的水轮机PID调速器本文档来自技高网...

【技术保护点】
一种基于模糊自适应的DFPSO算法的水轮机调速器参数优化方法，其特征在于，包括以下步骤：101、建立水轮机调节系统的数学模型，具体包括：建立水轮机PID调速器数学模型和建立水轮发电机组数学模型，并设置水轮机调节系统的系统参数，包括接力器响应时间常数、压力引水系统水流惯性时间常数、机组惯性时间常数及被控系统各传递系数；102、步骤101建立了水轮机调节系统的数学模型后，设定模糊自适应和差分进化粒子群DFPSO算法的适应度函数，将适应度函数值J设置为水轮机调节系统偏差e(t)的绝对值与时间t之积的积分，即ts为仿真时间；103、对模糊自适应和差分进化粒子群DFPSO算法的速度惯性因子wc进行模糊设置，即将线性递减的惯性因子w和粒子当前最优性能评价指标值NCBPE作为模糊输入，wc作为模糊输出；104、进行步骤103的模糊设置后，计算差分进化粒子群DFPSO算法中粒子的适应度值，保留粒子的个体最优值pbest和全局最优值gbest，并更新粒子的速度和位置，产生新种群，更新个体极值和全局极值；105、在粒子的速度和位置的更新过程中，若满足交叉条件，即当在(0,1)间产生的随机数小于预先设置的交叉概率时，则在粒子间进行基因交叉；106、判断是否满足终止条件，即是否找到全局最优值或达到迭代最大次数(，若满足则停止并输出全局最优值gbest，若不满足，则返回重复执行步骤104‑步骤106。...

【技术特征摘要】
1.一种基于模糊自适应的DEPSO算法的水轮机调速器参数优化方法，其特征在于，包括以下步骤：101、建立水轮机调节系统的数学模型，具体包括：建立水轮机PID调速器数学模型和建立水轮发电机组数学模型，并设置水轮机调节系统的系统参数，包括接力器响应时间常数、压力引水系统水流惯性时间常数、机组惯性时间常数及被控系统各传递系数；102、步骤101建立了水轮机调节系统的数学模型后，设定模糊自适应和差分进化粒子群DEPSO算法的适应度函数，将适应度函数值J设置为水轮机调节系统偏差e(t)的绝对值与时间t之积的积分，即ts为仿真时间；103、对模糊自适应和差分进化粒子群DEPSO算法的速度惯性因子wc进行模糊设置，即将线性递减的惯性因子w和粒子当前最优性能评价指标值NCBPE作为模糊输入，wc作为模糊输出；104、进行步骤103的模糊设置后，计算差分进化粒子群DEPSO算法中粒子的适应度值，保留粒子的个体最优值pbest和全局最优值gbest，并更新粒子的速度和位置，产生新种群，更新个体极值和全局极值；105、在粒子的速度和位置的更新过程中，若满足交叉条件，即当在(0,1)间产生的随机数小于预先设置的交叉概率时，则在粒子间进行基因交叉；106、判断是否满足终止条件，即是否找到全局最优值或达到迭代最大次数，若满足则停止并输出全局最优值gbest，若不满足，则返回重复执行步骤104-步骤106。2.根据权利要求1所述的一种基于模糊自适应的DEPSO算法的水轮机调速器参数优化方法，其特征在于，步骤101中建立水轮机PID调速器数学模型包括PID控制器模型和电液随动系统数学模型，具体为：水轮机PID控制器传递函数GPID(s)如下：式中，Δxc为系统给定转速相对偏差值；Δx为机组转速相对偏差值；Δypid为导叶开度相对偏差值；Kp、Ki、Kd分别为比例增益、积分增益和微分增益；Tn为微分环节时间常数；s为拉普拉斯算子；电液随动系统数学模型传递函数Gs(s)如下：式中，Δy为接力器行程相对偏差值；Ty为接力器响应时间常数。3.根据权利要求1所述的一种基于模糊自适应的DEPSO算法的水轮机调速器参数优化方法，其特征在于，步骤101中的建立水轮发电机组数学模型主要由水轮机、压力引水系统和发电机所组成；当系统处于小波动情况下，水轮机力矩相对偏差值Δmt、流量相对偏差值Δq、水头相对偏差值Δh、接力器位移相对偏差值Δy以及机组转速相对偏差值Δx之间的关系可以表示为：式中，ex、ey、eh、eqx、...

【专利技术属性】
技术研发人员：陈功贵，杜阳维，张建荣，刘利兰，黄山外，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85