System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及参数识别算法领域,尤其涉及一种火电厂汽轮机再热容积时间常数的参数识别方法及相关装置。
技术介绍
1、参数识别领域现有算法很多,传统的识别方法,如最小二乘法、峰值检测法、解析法等,算法简单、应用方便,但无法得到高精度的参数识别结果。近年来,随着人工智能技术不断发展,其在参数识别领域逐渐得以应用,其中尤以群智能优化算法的出现,为解决复杂参数识别问题提供了新的选择,这类算法主要包括遗传算法(ga)、蚁群算法(aco)、模拟退火算法(sa)、灰狼优化算法(gwo)、海鸥算法(soa)及粒子群算法(pso)等。
2、海鸥算法(soa)是2019年由gaurav dhiman提出的一种新型群智能算法。soa通过模拟海鸥群的觅食行为来进行迭代寻优,其算法结构简单、参数少,具有较低的算法复杂度和高效的计算能力,同时具有易于实现、适应性强等特点,方便进行算法的改进和融合。
3、粒子群算法(pso)是一种基于群体智能特征学习和鸟群觅食行为启发的新型演化计算技术,它通过粒子个体组成的群落与环境及个体之间的合作与竞争等互动行为实现复杂空间中最优解的搜索。自提出以来经历了众多改进和变型,相关研究成果不断涌现,已成为群体智能优化领域的一个重要分支,并在参数识别领域得以广泛应用。
4、尽管soa与pso算法在参数识别方面具有很好的识别精度,但该算法在求解复杂识别问题时容易陷入局部最优,存在收敛精度低、鲁棒性差等问题。
技术实现思路
1、本专利技术公开了一种火电厂
2、为达到上述目的,本专利技术的技术方案是:一种火电厂汽轮机再热容积时间常数的参数识别方法,该识别方法包括如下步骤:
3、s1)采集历史火电厂汽轮机的m个信号点压力信号数据,基于采集的压力数据建立识别数据集;
4、s2)根据粒子群算法设置初始参数,并根据范围限制随机生成粒子种群xk;
5、s3)根据海鸥算法计算附加变量a,并结合粒子种群xk得到第k代重置位置后的粒子种群xk*;
6、s4)将s3)第k代重置位置后的粒子种群xk*代入再热容积时间传递函数中,并结合s1)建立的识别数据集计算函数输出值与历史数据的误差,利用误差得到重置种群粒子拟合度和种群平均拟合度,再结合非线性惯性权重进行分类位置更新;
7、s5)判断是否达到最大迭代次数:如果是,则输出种群最优值即再热容积时间常数;否,返回s3)。
8、进一步,所述压力信号数据包括:火电厂汽轮机调节级压力信号和再热压力信号。
9、进一步,所述s2)的具体步骤为:
10、s2.1)先设置种群个数n、最大迭代次数tmax、种群维度d、位置范围限制、速度限制c1、c2和ωmax、ωmin、初始种群以及个体历史最优拟合度,其中n、tmax、d为大于0的正整数;
11、s2.2)在位置范围限制上下限根据范围内限制随机生成n个d维的数组,数组为粒子种群xk,xk为迭代k次后的粒子种群,k∈[0,tmax]且为整数,初始值为0即粒子种群未经过迭代首次随机生成。
12、进一步,所述s3)的具体步骤为:s3.1)根据以下公式计算附加变量a,公式具体如下所示:
13、a=fc-[t×(fc/tmax)](1),
14、式中:fc为附加变量a的频率,取值范围为2,实现a由2线性下降到0;tmax为设置的最大迭代次数,取值范围为大于0的正整数,t为当前迭代次数;
15、s3.2)将得到的附加变量a代入以下公式,结合s2)生成的粒子种群xk得到重置位置后的粒子种群xk*,公式具体如下所示:
16、xk*=a*xk (2),
17、式中,xk为第k代粒子种群;xk*为第k代重置位置后的粒子种群。
18、进一步,所述s4)的具体步骤为:
19、s4.1)将重置位置后的粒子种群代入到再热容积时间常数传递函数中,以识别数据集中的调节级压力信号数据作为输入,经过传递函数处理后得到对应的输出dfzzr,将识别中再热压力信号dzr与传递函数输出dfzzr通过式(3)计算第k代重置位置后的粒子误差值
20、
21、式中,dzr为识别数据集中再热压力信号对应的值;为第k代第i个重置位置后粒子的误差值;为第k代第i个重置位置后的粒子代入传递函数后的再热压力仿真值,i是介于1到n之间的任意一个整数值;m为数据集中压力采样点数;
22、s4.2)以s4.1)得到的粒子误差值表征拟合度,并通过粒子误差值记录重置位置后粒子种群的个体和种群最优粒子及其拟合值;
23、s4.3)将第k代n个重置位置后粒子的误差值求平均,得到重置位置后第k代种群的平均误差e'avg(xk*),平均误差即种群的平均拟合度favg(xk*);将第k代重置位置后每个粒子的拟合度与此代重置位置后粒子种群平均拟合度作比较,拟合度高于种群平均拟合度的为一组,拟合度低于种群平均拟合度的为另一组;
24、s4.4)将s4.3)中第k代重置位置后的两组粒子种群结合非线性惯性权重进行分类后的位置更新。
25、所述s4.2)中通过粒子误差值记录重置位置后粒子种群的个体和种群最优粒子及其拟合值具体为:
26、若则
27、若则
28、若则
29、其中,和分别为第k代重置位置后第i、j个粒子的误差值;和分别为第k代重置位置后第i、j个粒子的拟合度。
30、进一步,所述s4.4)中分类位置更新公式如下所示:
31、
32、式中,为第k+1代第i个粒子;为第k代重置位置后的第i个粒子;pg为种群最优粒子;为第k代重置位置后第i个粒子的拟合度;favg(xk*)为第k代重置位置后粒子种群的平均拟合度;x、y、z为海鸥算法螺旋攻击行为相关参数;vi(k+1)*第k+1代重置位置后的第i个粒子的移动速度,计算公式如下:
33、
34、式中,vi(k+1)*、vik*分别为第k+1代、第k代重置位置后第i个粒子的移动速度;为第k代重置位置后的第i个粒子,pg为种群最优粒子,pi为个体最优粒子;r1、r2为0到1之间的随机数;c1、c2为常数,ω为惯性因子。
35、进一步,所述s4.4)中采用非线性惯性权重公式描述,如下所示:
36、
37、式中,ωmax、ωmin为设定的ω最大值与最小值;tmax为最大的迭代次数;t为当前迭代次数;1<ρ<tmax。
38、一种信息处理终端,所述信息处理终端用于实现上述的火电厂汽轮机再热容积时间常数的参数识别方法。
39、一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的火电厂汽轮机再热容积时间常本文档来自技高网...
【技术保护点】
1.一种火电厂汽轮机再热容积时间常数的参数识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的识别方法,其特征在于,所述压力信号数据包括:火电厂汽轮机调节级压力信号和再热压力信号。
3.根据权利要求1所述的识别方法,其特征在于,所述S2)的具体步骤为:
4.根据权利要求1所述的识别方法,其特征在于,所述S3)的具体步骤为:
5.根据权利要求2所述的识别方法,其特征在于,所述S4)的具体步骤为:
6.根据权利要求5所述的识别方法,其特征在于,所述S4.2)中通过粒子误差值记录重置位置后粒子种群的个体和种群最优粒子及其拟合值具体为:
7.根据权利要求5所述的识别方法,其特征在于,所述S4.4)中分类位置更新公式如下所示:
8.根据权利要求5所述的识别方法,其特征在于,所述S4.4)中采用非线性惯性权重公式描述,如下所示:
9.一种信息处理终端,其特征在于,所述信息处理终端用于实现如权利要求1-8任一项所述的火电厂汽轮机再热容积时间常数的参数识别方法。
10.一种计算机
...【技术特征摘要】
1.一种火电厂汽轮机再热容积时间常数的参数识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的识别方法,其特征在于,所述压力信号数据包括:火电厂汽轮机调节级压力信号和再热压力信号。
3.根据权利要求1所述的识别方法,其特征在于,所述s2)的具体步骤为:
4.根据权利要求1所述的识别方法,其特征在于,所述s3)的具体步骤为:
5.根据权利要求2所述的识别方法,其特征在于,所述s4)的具体步骤为:
6.根据权利要求5所述的识别方法,其特征在于,所述s4.2)中通过粒子误差值记录重置位置后粒子种群的个...
【专利技术属性】
技术研发人员:何成兵,车其祥,董玉亮,房方,杜艳君,徐振华,王林,姚晔,于庆彬,李军,高嵩,周春生,李睿劼,郭悦彤,
申请(专利权)人:华北电力大学,
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。