基于改进TLBO算法的水轮发电机组PID调速器参数优化制造技术

本发明专利技术属于水轮发电技术领域，具体涉及一种基于改进TLBO算法的水轮发电机组PID调速器参数优化。其实现步骤包括：(1)建立水轮机调速系统仿真模型；(2)针对基本TLBO算法做出改进；(3)将改进的TLBO算法运用到水轮机调速系统调速器参数优化中，并得到仿真结果。本发明专利技术在基本的TLBO算法中加入了自适应的教学因子，学生对知识的吸收权重以及教师课后辅导，在保证收敛速度和精度的同时避免了算法陷入早熟，早收敛的情况。将水轮机机组转速偏差的ITAE指标作为标准适应度函数，利用改进的TLBO算法进行调速器的参数优化，其收敛速度优化效率显著提高，并且避免了局部最优的情况。

【技术实现步骤摘要】
基于改进TLBO算法的水轮发电机组PID调速器参数优化
本专利技术属于水轮发电
，具体涉及一种基于改进TLBO算法的水轮发电机组PID调速器参数优化。
技术介绍
在工业生产和日常生活当中，使用电能源的安全性、稳定性是保证我们生命财产安全重要的前提条件。所以作为电能源的提供方式，额定频率和额定电压是保证用电稳定安全的参数标准。水力发电系统是把水的势能转化为电能的一个系统，核心是水轮发电机组。水轮发电机组调节系统以水轮机作为调节装置，将水轮机组作为被控对象，是一个高度非线性、时变不确定、具有死区、时滞、非最小相位的高阶闭环控制系统。水轮机组的调速起着维持电力系统负荷平衡、保持电网稳定(调峰和调频)的作用，因此水轮机调速系统是整个水电站的中心枢纽，其性能的好坏直接影响着水电站能否安全高效运行。目前采用PID(比例，积分，微分)控制算法的水轮机调速器是实际运行的主流控制器，该控制器的关键是其控制参数的选择和优化。控制参数的优化算法随着智能控制算法的快速发展，遗传算法、模糊逻辑、神经网络、粒子群算法等智能控制算法已经运用到水轮机调速器参数优化中。这些算法的研究大大推动了水轮机调速器参数优化的发展，但也有各自局限性。遗传算法的性能很大程度上依赖于参数，并且其编译、复制以及交叉变异操作使得算法过程缓慢，同时也易陷入早熟早收敛。粒子群算法相对于遗传算法具有较少的参数，搜索速度更快，主要是基于粒子自身和群体最优值进行搜索，但在算法后期其收敛速度显著放缓，容易陷入局部最优，搜索精度不高。TLBO算法在2011年由两位印度学者提出，基于群体信息交互的一种启发搜索智能优化算法。其优点是具有较少的参数和收敛速度，但是容易陷入局部收敛。
技术实现思路
针对上述问题，本专利技术提出一种改进的TLBO(Teaching-learning-basedoptimization)算法用以获取更优化的调速器参数值，在基本的TLBO算法中加入了自适应的教学因子，学生对知识的吸收权重以及教师课后辅导，在保证收敛速度和精度的同时避免了算法陷入早熟，早收敛的情况。将水轮机机组转速偏差的ITAE指标作为标准适应度函数，利用改进的TLBO算法进行调速器的参数优化，其收敛速度优化效率显著提高，并且避免了局部最优的情况，是一种良好的参数优化策略。为解决上述技术问题，本专利技术采用技术方案如下：首先建立水轮机调速系统仿真模型，然后对基本TLBO算法改进并推导目标函数，最后结合该算法完成水轮机调速器参数优化，具体步骤包含如下：1.建立水轮机调速模型(1)控制器仿真模型采取PID控制，构建水轮机调速系统中的并联PID控制仿真模型；(2)液压随动系统仿真模型接力器由主配压阀控制，在整个调速器的液压随动系统中是最主要的被控对象，在仿真模型中是一个积分环节。其物理意义表现在，当主配压阀处在中间部位时，接力器开度保持不变；当主配压阀朝着开启方向变化时，接力器的开度亦向着开启方向移动，并且接力器的开启速率与主配压阀中活塞的移动速率成正比；当主配压阀朝着关闭方向变化时，接力器的开度亦向着关闭方向移动，并且接力器的关闭速率与主配压阀中活塞的移动速率成正比；(3)引水系统及水轮机仿真模型对于水轮机调速系统的动态特性而言，由压力引水系统引起的变化不可忽略。在引水系统中压力管道中水流量的变化是由导叶的开度来进行控制，当管道中的水流产生变化时不可避免的会造成“水锤作用”，进而影响着水流流量，在小波动情况下的刚性水锤工程实际中，一般是采用理想化的仿真模型以及利用水轮机中各个特性系数搭建的仿真模型；(4)发电机及其负荷仿真模型水轮机发电机组按照是否并入大电网划分为两种基础的运行模式，孤网运行模式以及并网运行模式。当水利发电站运行在孤网模式时，在研究和分析水轮机调速系统的动态特性过程中可以将其简化为一个一阶环节。2.TLBO算法改进(1)基本TLBO算法TLBO算法是在2011年由两位印度学者提出，基于群体信息交互的一种启发搜索智能优化算法。该算法源自于对教师教学和学生学习过程的模拟，以提高学生成绩。主要思想是以班级为群体单位，将教师和学生作为群体当中的个体，教师则是群体中的最优适应值，而所学习的不同科目则表示决策变量的不同。通过对教师授课和学生之间的相互交流两种方式的模拟划分为“教”与“学”两个阶段。在“教”阶段中，模拟的是教师授课给学生，学生以此来获取知识的过程。该阶段的主要目的是不断的提高群体的平均值水平。当整个学生群体数量为m，所学习的总科目数为n，当迭代次数为j时，对于科目i群体的平均值则为Mi,j。将所有学生中水平最高者作为教师，故选择群体中适应度值最优的一个个体作为这个班级中的教师。其中在该次迭代次数和各个不同科目时，所有学生目前的平均值和此时相对应的教师水平值的差值由式(1)给出：difference_meani,j＝randj(Xi,kbest,j-Tf×Mi,j)(1)式(1)中，Xi,kbest,j表示对于科目i当前群体的最优个体即教师，randj表示的是一个在0和1之间取值的随机值，Tf通常叫做教学因子，它的意义是表示学生群体的平均水平改变的程度，如式(2)：Tf＝round[1+rand(0,1)](2)至此第一阶段“教”阶段可以按照学生群体的平均水平和此时最优解即教师的水平之间的差值difference_meani,j进行更新处理，更新公式如式(3)：x'i,k,j＝xi,k,j+diffrence_meani,j(3)式(3)中，x'i,k,j表示的是xi,k,j经过以上过程更新之后的值，如果更新之后的新值x'i,k,j对应的适应度值相对于xi,k,j的值更加优秀，则更新值为x'i,k,j。“学”阶段通过对学生们之间获取的信息相互传递交流的过程进行模拟，学习成绩差的学生通过向成绩优秀的学生学习，不断更新自己的知识来提高成绩，对于“学”阶段的过程介绍如下：在整个学生群体当中任意抽取两个学生A和B，对应的水平为Xi,A,j和Xi,B,j，则经过上一个阶段之后两位学生相对应的成绩水平为X'i,A,j和X'i,B,j，并且有X'i,A,j≠X'i,B,j，f(x)为优化过程的目标函数，“学”阶段主要依据学生之间存在的差异性互相学习，进而完成对各自成绩的调整，该过程具体如式(4)：若更新之后的新值X”i,A,j对应的适应度值相对于X'i,A,j的值更加优秀，则更新值为X”i,A,j。(2)教学因子改进针对于基本TLBO算法当中的教学因子Tf做出改进，提出一种自适应的教学因子Tf。在算法前期教学因子较大，而随着整个迭代过程的进行，教学因子呈现出线性递减的过程，从而得出更加优异的适应度值，改进之后的教学因子如式(5)：式(5)中，Tfmax为教学因子的最大取值，Tfmin为教学因子的最小取值，ITAEmax是算法最大迭代次数，ITAE是算法当前迭代次数，教学因子由最大值线性递减，使得算法在前期具有较快收敛性，后期则具有更加细致的搜索范围，避免陷入早熟。(3)教学阶段改进在基本TLBO算法中给出吸收权重w来表示教师对于学生获取的知识信任程度，以及学生对于教师所教知识的吸收程度，避免出现全盘接纳现象，从而避免算法早熟，在教阶段引入信任权重w1，如果w1取值较小则表示教师认为本文档来自技高网...

【技术保护点】
一种基于改进TLBO算法的水轮发电机组PID调速器参数优化，其特征在于，包括如下步骤：第一步：建立水轮机调速模型(1)控制器仿真模型采取PID控制，构建水轮机调速系统中的并联PID控制仿真模型；(2)液压随动系统仿真模型接力器由主配压阀控制，在整个调速器的液压随动系统中是最主要的被控对象，在仿真模型中是一个积分环节；(3)引水系统及水轮机仿真模型采用理想化的仿真模型以及利用水轮机中各个特性系数搭建仿真模型；(4)发电机及其负荷仿真模型水轮机发电机组采用孤网运行模式，在研究和分析水轮机调速系统的动态特性过程中可以将其简化为一个一阶环节；第二步：TLBO算法改进(1)基本TLBO算法TLBO算法通过对教师授课和学生之间的相互交流两种方式的模拟划分为“教”与“学”两个阶段：①在“教”的阶段，整个学生群体数量为m，所学习的总科目数为n，当迭代次数为j时，对于科目i群体的平均值则为M

【技术特征摘要】
1.一种基于改进TLBO算法的水轮发电机组PID调速器参数优化，其特征在于，包括如下步骤：第一步：建立水轮机调速模型(1)控制器仿真模型采取PID控制，构建水轮机调速系统中的并联PID控制仿真模型；(2)液压随动系统仿真模型接力器由主配压阀控制，在整个调速器的液压随动系统中是最主要的被控对象，在仿真模型中是一个积分环节；(3)引水系统及水轮机仿真模型采用理想化的仿真模型以及利用水轮机中各个特性系数搭建仿真模型；(4)发电机及其负荷仿真模型水轮机发电机组采用孤网运行模式，在研究和分析水轮机调速系统的动态特性过程中可以将其简化为一个一阶环节；第二步：TLBO算法改进(1)基本TLBO算法TLBO算法通过对教师授课和学生之间的相互交流两种方式的模拟划分为“教”与“学”两个阶段：①在“教”的阶段，整个学生群体数量为m，所学习的总科目数为n，当迭代次数为j时，对于科目i群体的平均值则为Mi,j，选择群体中适应度值最优的一个个体作为这个班级中的教师，在该次迭代次数和各个不同科目时，所有学生目前的平均值和此时相对应的教师水平值的差值由式(1)给出：difference_meani,j＝randj(Xi,kbest,j-Tf×Mi,j)(1)式(1)中，Xi,kbest,j表示对于科目i当前群体的最优个体即教师，randj表示的是一个在0和1之间取值的随机值，Tf通常叫做教学因子，它的意义是表示学生群体的平均水平改变的程度，如式(2)：Tf＝round[1+rand(0,1)](2)至此第一阶段“教”阶段可以按照学生群体的平均水平和此时最优解即教师的水平之间的差值difference_meani,j进行更新处理，更新公式如式(3)：x′i,k,j＝xi,k,j+diffrence_meani,j(3)式(3)中，x′i,k,j表示的是xi,k,j经过以上过程更新之后的值，如果更新之后的新值x′i,k,j对应的适应度值相对于xi,k,j的值更加优秀，则更新值为x′i,k,j；②在“学”的阶段，在整个学生群体当中任意抽取两个学生A和B，对应的水平为Xi,A,j和Xi,B,j，则经过上一个阶段之后两位学生相对应的成绩水平为X′i,A,j和X′i,B,j，并且有X′i,A,j≠X′i,B,j，f(x)为优化过程的目标函数，“学”阶段主要依据学生之间存在的差异性互相学习，进而完成对各自成绩的调整，该过程具体如式(4)：

【专利技术属性】
技术研发人员：王洪雁，裴炳南，万瑞文，房云飞，郑佳，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁,21