【技术实现步骤摘要】
一种基于深度学习的抽蓄机组调节系统辨识方法
[0001]本专利技术属于抽水蓄能机组辨识建模
，更具体地，涉及一种基于深度学习的抽蓄机组调节系统辨识方法。
技术介绍
[0002]抽水蓄能机组调速器是水电站控制系统的重要组成部分，其数学模型的准确性对水电站的自动控制及电网的电能质量具有重要影响。作为抽蓄机组控制系统建模的重要手段，抽蓄机组调节系统辨识对抽蓄机组乃至整个电网的动态分析具有重要意义。经典辨识方法(模糊模型和传统神经网络模型)仍然存在过学习和过拟合的问题，辨识结果难以令人满意，建模性能和泛化外推能力有待提高。为解决这些问题，迫切需要研究抽水蓄能机组调节系统高精度建模策略，进而提高机组的调节控制品质，保障电站稳定高效运行。
技术实现思路
[0003]专利技术目的：针对现有技术的不足，本专利技术提供一种基于深度学习的抽蓄机组调节系统辨识方法，实现对抽水蓄能调节系统的精确辨识，有效提升机组建模精度，进而保障机组控制品质。
[0004]技术方案：本专利技术提出一种基于深度学习的抽蓄机组调节系统辨识...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，包括以下步骤：(1)对抽水蓄能机组调节系统进行机理建模，利用机理模型产生仿真数据，并划分为训练集和测试集，确定深度学习模型的输入变量；(2)建立深度学习模型GRU对训练集的机理模型深层次特征进行挖掘；(3)改进哈里斯鹰优化算法，在逃逸能量中引入一种非线性能量指数递减策略；(4)将改进的哈里斯鹰优化算法实现GRU模型的参数寻优，包括学习率和隐含层节点数；(5)利用训练好的GRU模型和测试集得到预测值。2.根据权利要求1所述的基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，所述步骤训练集和测试集的比为7:3。3.根据权利要求1所述的基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，所述步骤(2)包括以下步骤：(21)计算更新门v
t
，计算公式如下：v
t
＝σ(W
v
*[Y
t
‑1,Z
t
]+b
v
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，σ表示激活函数sigmod，Y
t
‑1为上一个时刻的输出，Z
t
为当前时刻的输入；W
v
为更新门的权重矩阵，b
v
为偏差向量；(22)计算重置门r
t
，计算公式如下：r
t
＝σ(W
r
*[Y
t
‑1,Z
t
]+b
r
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，σ表示激活函数sigmod，Y
t
‑1为上一个时刻的输出，Z
t
为当前时刻的输入；W
r
为重置门的权重矩阵，b
r
为偏差向量；(23)计算出更新门和重置门后，GRU会将会计算候选隐藏状态h
t
，候选隐藏状态h
t
计算公式如下：h
t
＝tanh(W
h
*[r
t
*Y
t
‑1,Z
t
]+b
h
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，tanh(x)表示Tanh激活函数，W
h
为对应的权重参数，b
h
为对应的偏差参数；(24)在最后的t时刻，GRU的输出计算公式如下：y
t
＝(1
‑
v
t
)*Y
t
‑1+v
t
*h
t
。
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)4.根据权利要求1所述的基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，所述步骤(3)包括以下步骤：(31)确定个体的适应值数学模型，公式如下：式中，n表示样本总数；p
i
表示系统在时刻i的实际输出；表示辨识模型在时刻i的模拟输出；(32)参数初始化：将HHO的种群规模初始化为N，群体中个体的维数为d，最大迭代次数为T
max
，随机生成初始种群；(33)根据式(5)计算初始适应度值，将适应度值最优的个体位置设置为当前猎物位置；(34)位置更新，先通过更新猎物逃逸能量，然后根据逃逸能量和生成的随机数执行搜索或者开发行为中对应的位置策略；
...
【专利技术属性】
技术研发人员：张楚，孙伟，李沂蔓，花磊，嵇春雷，马慧心，彭甜，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。