CN105117530A - 一种粗细结合调节实现汽轮机及其调速系统参数辨识方法 - Google Patents

Abstract

本发明的目的在于解决传统汽轮机及调速系统参数辨识方法周期长、适应性差和人工参与度过高等问题。基于PSD-BPA提供的汽轮机及调速系统模型，通过对系统中的参数灵敏度分析得到待辨识参数的灵敏度大小，根据参数灵敏度大小采用一种“粗细”结合调节的方式，基于粒子群算法(PSO)，初步定位重要参数的辨识范围，再精细调整次重要参数的辨识范围，最终完成辨识过程。该辨识策略具有辨识速度快、精度高、适应性强、人为干预少、自动化能力强的特点。

Description

一种粗细结合调节实现汽轮机及其调速系统参数辨识方法

1、发明创造的名称：

一种粗细结合调节实现汽轮机及其调速系统参数辨识方法

2、技术领域

本发明涉及电力系统中汽轮机及调速系统关键参数的辨识方法，尤其涉及基于智能优化算法采用一种全新的辨识策略完成其重要参数辨识的方法，属于自动控制技术应用及优化控制领域。

3、背景技术

①作为火力发电机组最重要设备之一的汽轮机担负着电力生产过程中能量转换的重任，其动态性能直接关系到机组经济、安全运行。汽轮机内蒸汽压力的变化直接影响汽轮机功率动态变化情况，根据电力系统分析软件PSD-BPA提供的汽轮机及其调速系统模型，直接反映汽机功率变化的关键参数在于3个容积时间常数，即高压缸容积时间常数TCH，再热管道容积时间常数TRH，低压连接管道容积时间常数TCO，如图1所示(T₁对应TCH，T₂对应TRH，T₃对应TCO)。由于系统复杂性、设备安装调试、机组运行等不定因素的影响，模型中理论设计的容积时间常数往往不能真实地表征汽轮机的实际动态变化，更不能及时有效地模拟实际调速系统的动态响应特性，因此常采用参数辨识的方法完成汽轮机模型的重新建立。

②目前，对于汽轮机及调速系统参数辨识的研究不少，最小二乘法(LS)、遗传算法(GA)、BP神经网络算法和粒子群算法(PSO)等辨识方法用于辨识取得较好效果，但大部分研究仅局限于基于理论数据的辨识和对辨识算法的研究，并未形成一种比较完整合理的辨识方案。因此，基于现场实测数据，结合与之相适宜的辨识策略进行系统参数辨识具有重要意义。实际上，辨识系统采用较好的辨识策略在一定程度上比采用较好的辨识算法具有更高的价值。为此，对于汽轮机及调速系统的辨识问题，工程上急需一种速度快、精度高、适应性强、人为干预少、自动化能力强的高效辨识手段。

4、发明内容

本发明的目的在于解决传统汽轮机及调速系统参数辨识方法周期长、适应性差和人工参与度过高等问题。基于PSD-BPA提供的汽轮机及调速系统模型，通过对系统中的参数灵敏度分析得到待辨识参数的灵敏度大小，根据参数灵敏度大小采用一种“粗细”结合调节的方式，基于粒子群算法(PSO)，初步定位重要参数的辨识范围，再精细调整次重要参数的辨识范围，最终完成辨识过程。该辨识策略具有辨识速度快、精度高、适应性强、人为干预少、自动化能力强的特点。

汽轮机及其调速系统如附图2、3所示，分为2种控制模式：功率控制模式和机炉协调控制模式(CCS)，所需辨识的关键参数有9个：包括执行机构环节开启To/关闭Tc时间常数、汽轮机本体环节的高压容积时间常数TCH、再热容积时间常数TRH、低压连接管道容积时间常数TCO、控制环节P、I、D系数及前馈系数K，模型中其他参数可根据机组相关资料查阅或计算得到。其中，控制环节的P、I、D和K参数可参考实际运行控制系统所设定的控制参数进行整定，因此，本发明集中对汽轮机及调速系统中参数TCH，TRH，TCO的辨识(T₁对应TCH，T₂对应TRH，T₃对应TCO)。

1参数灵敏度分析

模型进行参数灵敏度分析。所谓灵敏度是指随着模型参数的变化，其输入-输出特性的变化程度。针对图1中的汽轮机模型，可定义传递函数灵敏度：

$H(\mathrm{\θ},s)=\underset{\mathrm{\θ}\→0}{\lim }\frac{G(\mathrm{\θ}+\mathrm{\Δ}\mathrm{\θ},s)-G(\mathrm{\θ},s)}{\mathrm{\Δ}\mathrm{\θ}}---\left(1\right)$

汽轮机模型的整体传递函数式(2)所示。

$\begin{array}{c}\mathrm{\Φ}\left(s\right)=\frac{1}{T_{1}s+1}\[\frac{{\mathrm{\λT}}_{2}s+T_{2}s+1}{T_{2}s}{k}_1+\frac{k_2}{T_{2}s+1}+\frac{k_3}{T_2{T}_3{s}^2+(T_2+T_3)s+1}\]\\ =\frac{({\mathrm{\λT}}_2+T_2)k_1{T}_3{s}^2+({\mathrm{\λT}}_2{k}_1+T_2{k}_1+T_3{k}_1+T_3{k}_2)s+k_1+k_2+k_3}{T_1{T}_1{T}_3{s}^3+(T_1{T}_2+T_2{T}_3+T_1{T}_3)s^2+(T_1+T_2+T_3)s+1}\end{array}---\left(2\right)$

其中，待辨识的参数为T₁、T₂和T₃，其余参数均为已知(k₁、k₂、k₃为功率分配系数，λ为功率过调系数)。

为了分析待辨识参数对系统输入-输出的敏感性，由(1)(2)式可分别得到参数T₁、T₂和T₃的关于单位阶跃输入信号下输出的响应特性 和如式(3)～(5)所示。

$\begin{array}{c}{Y}_{T_1}(T_1,s)=H(T_1,s)R\left(s\right)\\ =\frac{-1}{{(T_{1}s+1)}^2}\[\frac{{\mathrm{\λT}}_{2}s+T_{2}s+1}{T_{2}s}{k}_1+\frac{k_2}{T_{2}s+1}+\frac{k_3}{T_2{T}_3{s}^2+(T_2+T_3)s+1}\]\end{array}---\left(3\right)$

$\begin{array}{c}{Y}_{T_1}(T_1,s)=H(T_1,s)R\left(s\right)\\ =\frac{-1}{{(T_{1}s+1)}^2}\[\frac{{\mathrm{\λT}}_{2}s+T_{2}s+1}{T_{2}s}{k}_1+\frac{k_2}{T_{2}s+1}+\frac{k_3}{T_2{T}_3{s}^2+(T_2+T_3)s+1}\]\end{array}---\left(4\right)$

$Y_{T_3}(T_3,s)=H(T_3,s)R\left(s\right)=\frac{k_3}{(T_{1}s+1)(T_{2}s+1){(T_{3}s+1)}^2}---\left(5\right)$

由于系统复杂、方程阶次高的因素，解析法分析常常比较困难，故常采用数值差分方法计算其灵敏度，分析参数特性。为了提高数值计算精度，可采用中值法计算导数，即分两次计算轨迹：

y(θ₁,...,θ_j+△θ_j,...,θ_m,k)(6)

y(θ₁,...,θ_j-△θ_j,...,θ_m,k)

然后，计算轨迹灵敏度(相对值)：

$\frac{\∂\[y(\mathrm{\θ},k)/y_0\]}{\∂\[{\mathrm{\θ}}_j/{\mathrm{\θ}}_{j0}\]}=\frac{\[y({\mathrm{\θ}}_1,...,{\mathrm{\θ}}_j+{\mathrm{\Δ\θ}}_j,...,{\mathrm{\θ}}_m,k)-({\mathrm{\θ}}_1,...,{\mathrm{\θ}}_j-{\mathrm{\Δ\θ}}_j,...,{\mathrm{\θ}}_m,k)\]/y_0}{2{\mathrm{\Δ\θ}}_j/{\mathrm{\θ}}_{j0}}---\left(7\right)$

其中，θ为系统中的参数，△θ_j为参数变化量，k为时间；θ_j0为参数θ_j的给定值，y₀为θ_j0对应的稳态值。为比较各灵敏度的大小，计算轨迹灵敏度的绝对值的平均值：

$A_{ij}=\frac{1}{K}\underset{k=1}{\overset{K}{\Σ}}\left|\frac{\∂\[y(\mathrm{\θ},k)/y_0\]}{\∂\[{\mathrm{\θ}}_j/{\mathrm{\θ}}_{j0}\]}\right|---\left(8\right)$

其中，K为轨迹灵敏度的总时间。

由数值计算可知，参数T₂对系统的灵敏度最大，即T₂的改变对于系统的输出特性影响最大，参数T₁灵敏度次之，参数T₃的灵敏度略小于T₁，对系统的输出响应影响最小。如果T₂的稍微偏离系统真实值，则会引起系统响应较大偏差，而其他参数对系统响应的影响则远远不如T₂明显，故参数辨识的关键在于对T₂的准确辨识，或是率先对T₂在其真实值附近定位，其次才是对其他参数进行调整，使得系统最终响应具有合理性和真实性。

2“粗细”结合调节辨识策略

由于汽轮机调速系统汽机本体部分中参数T₂对输出功率灵敏度最大，其微小变化就会导致输出响应有较大偏差。在辨识过程中，总是试图从众多组解向量中寻找出与实际输出响应偏差最小的一组解，如果能有效定位解向量的范围，则可将寻优效率大大提高，算法收敛速度也可显著加快。因此，首先在初始范围内调节参数T₂，即“粗调节”过程；当满足一定条件后，随即转入调整参数T₁和T₃的过程，同时，参数T₂在其定位值的附近范围内进行细微调整，即“细调节”过程。其中，要实现这种“粗细”结合的辨识思路，拟解决以下3个问题。

1)“粗调节”参数T₂过程中，如何初始给定参数T₁和T₃的值，保证辨识过程顺利进行？

2)如何设定“粗调节”向“细调节”转换的条件？

3)辨识过程采用何种辨识算法？

汽轮机调速系统汽机部分包含3个待辨识参数T₁、T₂和T₃，以实际功率变化数据为输出响应，进行“粗调节”参数T₂完成辨识第一步时，需要给参数T₂和T₃赋初始值，如此才能保证辨识过程的顺利进行。由于确定T₁、T₃的初始值，并非要求特别精确，因此可以在参数T₁、T₃的变化范围，根据解向量个数进行平均分布(一般地，解向量个数为50，足以能够遍历在参数的范围内)，再根据解向量的适应度筛选出最优解，确定T₁、T₃的定位值，即可进入“粗调节”辨识过程。

针对非线性复杂系统，常采用启发式智能寻优算法为辨识算法，因此不得不考虑算法的随机特性。在相对较小的参数空间内寻优效率会明显高于在相对较大的参数空间内寻优，“粗、细”结合调节的参数辨识方式就是利用这一思想，首先定位参数基准，缩小参数空间范围，在满足“粗细”转换条件之后，即进入“细调节”辨识过程。在“粗调节”辨识过程中，其实质是只对参数T₂进行辨识(单参数寻优)，因此在设置好解向量空间大小之后，利用启发式智能算法寻找到全局最优解的。“粗调节”过程中，设置当前迭代时的最优值与前两次迭代最优值之比大于0.95，则可认为T₂收敛到最优解附近，满足“粗细”转换条件，可转入“细调节”辨识过程。

在“细调节”辨识过程中，将T₂参数变化空间限制在其定位值的10％变化范围以内(可根据机组实际情况适当调整)，同时，为了保证各环节的自身特性，限制参数T₁、T₃的变化空间在各自定位值的50％(可根据机组实际情况适当调整)变化范围以内，辨识流程如图4所示。

3辨识算法(PSO)的机理

启发式智能算法因其良好优化性能及较强鲁棒性的特点在近年来得到了显著发展及广泛应用，其中，粒子群算法因其优化原理简单、适应性广的优势在工程上得到了学者们的青睐。粒子群算法(ParticleSwarmOptimizer)是模拟鸟群捕食的行为而进行优化的，最先在1995年由美国心理学家JamesKennedy和电气工程师RussellEberhart共同提出，后又得到更深入的发展，其基本原理如下。

粒子群算法的每个粒子代表一个解，粒子通过速度的更新自己的位置，不断向最优的粒子靠近，直到满足终止条件。

设每个粒子的位置是X_i{x_i1,x_i2,…,x_in}，这些粒子组成群体{X₁,X₂,…,X_N}，每个粒子的速度是V_i{v_i1,v_i2,…,v_in}，记录下每个粒子所经历过的最好的位置P_i{p_i1,p_i2,…,p_in}，筛选出全局最好的粒子X_g{x_g1,x_g2,…,x_gn}。在更新过程中，每个粒子通过式子(9)和(10)更新自身速度与自身的位置：

v_id(t+1)＝w×v_id(t)+c₁×rand₁×(p_id-x_id(t))+c₂×rand₂×(p_gd-x_id(t))(9)

x_id(t+1)＝x_id(t)+v_id(t+1)(10)

式中：w是惯性系数，平衡粒子群算法的局部和全局搜索能力；c₁和c₂是加速系数，调整整体与个体之间的均衡能力；rand₁和rand₂是[0,1]之间的随机数；同时为了使粒子更好地进行优化，还会对粒子进行速度限制和位置限制。

4辨识过程

实际试验中，常在单阀模式下做汽轮机阶跃信号试验，阶跃信号由阀位指令发出，通过执行机构调节阀门行程开度，控制进入汽轮机的蒸汽量，完成汽轮机转速、功率的调整。

首先，整理辨识过程所涉及的试验数据：阀位行程开度变化数据，高压缸调节级压力变化数据，再热管道压力变化数据，中排压力变化数据，功率变化数据。实际过程中，具体辨识步骤如下：

1)T₁、T₃赋初始值。以阀位行程开度变化数据为输入，高压缸调节级压力变化数据为输出，定位T₁值；以再热管道压力变化数据为输入，中排压力变化数据为输出，定位T₃值。

2)“粗”调节过程。以阀位行程开度变化数据为输入，汽轮机功率为输出，保持T₁、T₃定位值不变，基于粒子群算法，迭代优化T₂，直到满足“粗细”转换条件，辨识得到T₂值(定位值)。

3)“细”调节过程。以阀位行程开度变化数据为输入，汽轮机功率为输出，基于粒子群算法，T₂在其定位值正负10％范围内变化，T₁、T₃在其各自定位值正负50％范围内变化，迭代优化T₁、T₂和T₃，直到满足终止条件，完成辨识。

本发明旨在针对汽轮机调速系统的参数高效辨识的问题提出一种全新的辨识策略。根据系统中参数对系统响应的灵敏度确定参数的重要程度，从而采取适宜的辨识手段迅速准确地完成辨识过程，识别出系统的各个参数，建立相应的数学模型。该辨识策略具有以下一些优点：

该辨识策略着重对系统中的重要参数的初步识别，从而有效缩小该参数的寻优空间，使得该参数在“细调节”过程中寻优效率更高；同时，结合其他参数在各自定位值的基础上进行精细调整，使得辨识效率及准确率显著提高。与常规的一次性多参数并行辨识相比，该辨识策略充分利用中间环节的试验数据，保证了系统中间环节参数的物理真实性及有效性，在一定程度上避免了由于智能辨识算法带来的不可靠性(多参数优化易陷入局部最优)，同时也保证了系统整体特性的协调性和准确性；与单参数分环节串行辨识相比，该辨识策略在不失系统中间环节参数的可靠性的基础上，显著提高了辨识效率，加快了辨识速度，降低了计算时间。

最后，此辨识策略不局限于汽轮机及调速系统参数辨识，更可应用于其他更加复杂的系统，通过分析复杂系统参数对输出响应的灵敏度，从而确定系统参数的重要程度，进而快速辨识出系统参数。因此，该辨识策略具有非常大的工程应用价值及潜力。

附图说明：

图1汽轮机模型

图2汽轮机及调速系统功控方式整体模型

图3汽轮机及调速系统CCS控制方式整体模型

图4“粗细”结合辨识流程

1—转速测量及频差放大环节；

2—控制环节：PID—控制环节P、I、D系数，K—前馈系数；

3—执行机构环节：To/Tc—油动机开启/关闭时间常数；

4—汽轮机本体：TCH—高压容积时间常数，TRH—再热容积时间常数，TCH—低压连接管道容积时间常数。

具体实施方式：

实际试验中，常在单阀模式下做汽轮机阶跃信号试验，阶跃信号由阀位指令发出，通过执行机构调节阀门行程开度，控制进入汽轮机的蒸汽量，完成汽轮机转速、功率的调整。

首先，整理辨识过程所涉及的试验数据：阀位行程开度变化数据，高压缸调节级压力变化数据，再热管道压力变化数据，中排压力变化数据，功率变化数据。实际过程中，具体辨识步骤如下：

1)T₁、T₃赋初始值。以阀位行程开度变化数据为输入，高压缸调节级压力变化数据为输出，定位T₁值；以再热管道压力变化数据为输入，中排压力变化数据为输出，定位T₃值。

2)“粗”调节过程。以阀位行程开度变化数据为输入，汽轮机功率为输出，保持T₁、T₃定位值不变，基于粒子群算法，迭代优化T₂，直到满足“粗细”转换条件，辨识得到T₂值(定位值)。

3)“细”调节过程。以阀位行程开度变化数据为输入，汽轮机功率为输出，基于粒子群算法，T₂在其定位值正负10％范围内变化，T₁、T₃在其各自定位值正负50％范围内变化，迭代优化T₁、T₂和T₃，直到满足终止条件，完成辨识。

Claims (4)

1.一种粗细结合调节实现汽轮机及其调速系统参数辨识方法，对汽轮机及调速系统中高压容积时间常数TCH、再热容积时间常数TRH、低压连接管道容积时间常数TCO等参数的辨识；T₁对应TCH，T₂对应TRH，T₃对应TCO，其特征在于：步骤如下：

1参数灵敏度分析

模型进行参数灵敏度分析。所谓灵敏度是指随着模型参数的变化，其输入-输出特性的变化程度。针对图1中的汽轮机模型，可定义传递函数灵敏度：

$H(\mathrm{\θ},s)=\underset{\mathrm{\θ}\→0}{\lim }\frac{G(\mathrm{\θ}+\mathrm{\Δ}\mathrm{\θ},s)-G(\mathrm{\θ},s)}{\mathrm{\Δ}\mathrm{\θ}}---\left(1\right)$

汽轮机模型的整体传递函数式(2)所示。

$\begin{array}{c}\mathrm{\Φ}\left(s\right)=\frac{1}{T_{1}s+1}\[\frac{{\mathrm{\λT}}_{2}s+T_{2}s+1}{T_{2}s}{k}_1+\frac{k_2}{T_{2}s+1}+\frac{k_3}{T_2{T}_3{s}^2+(T_2+T_3)s+1}\]\\ =\frac{({\mathrm{\λT}}_2+T_2)k_1{T}_3{s}^2+({\mathrm{\λT}}_2{k}_1+T_2{k}_1+T_3{k}_2)s+k_1+k_2+k_3}{T_1{T}_1{T}_3{s}^3+(T_1{T}_2+T_2{T}_3+T_1{T}_3)s^2+(T_1+T_2+T_3)s+1}\end{array}---\left(2\right)$

其中，待辨识的参数为T₁、T₂和T₃，其余参数均为已知(k₁、k₂、k₃为功率分配系数，λ为功率过调系数)。

为了分析待辨识参数对系统输入-输出的敏感性，由(1)(2)式可分别得到参数T₁、T₂和T₃的关于单位阶跃输入信号下输出的响应特性和如式(3)～(5)所示；

$\begin{array}{c}{Y}_{T_1}(T_1,s)=H(T_1,s)R\left(s\right)\\ =\frac{-1}{{(T_{1}s+1)}^2}\[\frac{{\mathrm{\λT}}_{2}s+T_{2}s+1}{T_{2}s}{k}_1+\frac{k_2}{T_{2}s+1}+\frac{k_3}{T_2{T}_3{s}^2+(T_2+T_3)s+1}\]\end{array}---\left(3\right)$

$\begin{array}{c}{Y}_{T_1}(T_1,s)=H(T_1,s)R\left(s\right)\\ =\frac{-1}{{(T_{1}s+1)}^2}\[\frac{{\mathrm{\λT}}_{2}s+T_{2}s+1}{T_{2}s}{k}_1+\frac{k_2}{T_{2}s+1}+\frac{k_3}{T_2{T}_3{s}^2+(T_2+T_3)s+1}\]\end{array}---\left(4\right)$

$Y_{T_3}(T_3,s)=H(T_3,s)R\left(s\right)=\frac{k_3}{(T_{1}s+1)(T_{2}s+1){(T_{3}s+1)}^2}---\left(5\right)$

由于系统复杂、方程阶次高的因素，解析法分析常常比较困难，故常采用数值差分方法计算其灵敏度，分析参数特性。为了提高数值计算精度，可采用中值法计算导数，即分两次计算轨迹：

y(θ₁,...,θ_j+△θ_j,...,θ_m,k)

(6)

y(θ₁,...,θ_j-△θ_j,...,θ_m,k)

然后，计算轨迹灵敏度(相对值)：

$\frac{\∂\[y(\mathrm{\θ},k)/y_0\]}{\∂\[{\mathrm{\θ}}_j/{\mathrm{\θ}}_{j0}\]}=\frac{\[y({\mathrm{\θ}}_1,...,{\mathrm{\θ}}_j+{\mathrm{\Δ\θ}}_j,...,{\mathrm{\θ}}_m,k)-({\mathrm{\θ}}_1,...,{\mathrm{\θ}}_j-{\mathrm{\Δ\θ}}_j,...,{\mathrm{\θ}}_m,k)\]/y_0}{2{\mathrm{\Δ\θ}}_j/{\mathrm{\θ}}_{j0}}---\left(7\right)$

其中，θ为系统中的参数，△θ_j为参数变化量，k为时间；θ_j0为参数θ_j的给定值，y₀为θ_j0对应的稳态值；为比较各灵敏度的大小，计算轨迹灵敏度的绝对值的平均值：

$A_{ij}=\frac{1}{K}\underset{k=1}{\overset{K}{\Σ}}\left|\frac{\∂\[y(\mathrm{\θ},k)/y_0\]}{\∂\[{\mathrm{\θ}}_r/{\mathrm{\θ}}_{j0}\]}\right|---\left(8\right)$

其中，K为轨迹灵敏度的总时间。

由数值计算可知，参数T₂对系统的灵敏度最大，即T₂的改变对于系统的输出特性影响最大，参数T₁灵敏度次之，参数T₃的灵敏度略小于T₁，对系统的输出响应影响最小。如果T₂的稍微偏离系统真实值，则会引起系统响应较大偏差，而其他参数对系统响应的影响则远远不如T₂明显，故参数辨识的关键在于对T₂的准确辨识，或是率先对T₂在其真实值附近定位，其次才是对其他参数进行调整，使得系统最终响应具有合理性和真实性。

2“粗细”结合调节辨识策略

由于汽轮机调速系统汽机本体部分中参数T₂对输出功率灵敏度最大，其微小变化就会导致输出响应有较大偏差；在辨识过程中，总是试图从众多组解向量中寻找出与实际输出响应偏差最小的一组解，如果能有效定位解向量的范围，则可将寻优效率大大提高，算法收敛速度也可显著加快；因此，首先在初始范围内调节参数T₂，即“粗调节”过程；当满足一定条件后，随即转入调整参数T₁和T₃的过程，同时，参数T₂在其定位值的附近范围内进行细微调整，即“细调节”过程。

汽轮机调速系统汽机部分包含3个待辨识参数T₁、T₂和T₃，以实际功率变化数据为输出响应，进行“粗调节”参数T₂完成辨识第一步时，需要给参数T₂和T₃赋初始值，如此才能保证辨识过程的顺利进行；由于确定T₁、T₃的初始值，并非要求特别精确，因此可以在参数T₁、T₃的变化范围，根据解向量个数进行平均分布，再根据解向量的适应度筛选出最优解，确定T₁、T₃的定位值，即可进入“粗调节”辨识过程。

针对非线性复杂系统，常采用启发式智能寻优算法为辨识算法，因此不得不考虑算法的随机特性；在相对较小的参数空间内寻优效率会明显高于在相对较大的参数空间内寻优，“粗、细”结合调节的参数辨识方式就是利用这一思想，首先定位参数基准，缩小参数空间范围，在满足“粗细”转换条件之后，即进入“细调节”辨识过程；在“粗调节”辨识过程中，其实质是只对参数T₂进行辨识，也就是单参数寻优，因此在设置好解向量空间大小之后，利用启发式算法寻找到全局最优解的；“粗调节”过程中，设置当前迭代时的最优值与前两次迭代最优值之比大于0.95，则可认为T₂收敛到最优解附近，满足“粗细”转换条件，可转入“细调节”辨识过程。

在“细调节”辨识过程中，将T₂参数变化空间限制在其定位值的10％变化范围以内，同时，为了保证各环节的自身特性，限制参数T₁、T₃的变化空间在各自定位值的50％变化范围以内。

2.根据权利要求1所述一种粗细结合调节实现汽轮机及其调速系统参数辨识方法，其特征在于：第二步中向量解的个数为50。

3.根据权利要求1-2所述一种粗细结合调节实现汽轮机及其调速系统参数辨识方法，其特征在于：第二步中使用的启发式智能算法为粒子群算法，具体如下：设每个粒子的位置是X_i{x_i1,x_i2,...,x_in}，这些粒子组成群体{X₁,X₂,...,X_N}，每个粒子的速度是V_i{v_i1,v_i2,...,v_in}，记录下每个粒子所经历过的最好的位置P_i{p_i1,p_i2,...,p_in}，筛选出全局最好的粒子X_g{x_g1,x_g2,...,x_gn}。在更新过程中，每个粒子通过式子(9)和(10)更新自身速度与自身的位置：

v_id(t+1)＝w×v_id(t)+c₁×rand₁×(p_id-x_id(t))+c₂×rand₂×(p_gd-x_id(t))(9)

x_id(t+1)＝x_id(t)+v_id(t+1)(10)

式中：w是惯性系数，平衡粒子群算法的局部和全局搜索能力；c₁和c₂是加速系数，调整整体与个体之间的均衡能力；rand₁和rand₂是[0,1]之间的随机数；同时为了使粒子更好地进行优化，还会对粒子进行速度限制和位置限制。

4.根据权利要求1-3所述一种粗细结合调节实现汽轮机及其调速系统参数辨识方法，其特征在于：具体辨识步骤如下：

1)T₁、T₃赋初始值。以阀位行程开度变化数据为输入，高压缸调节级压力变化数据为输出，定位T₁值；以再热管道压力变化数据为输入，中排压力变化数据为输出，定位T₃值；

2)“粗”调节过程。以阀位行程开度变化数据为输入，汽轮机功率为输出，保持T₁、T₃定位值不变，基于粒子群算法，迭代优化T₂，直到满足“粗细”转换条件，辨识得到T₂值(定位值)；

3)“细”调节过程。以阀位行程开度变化数据为输入，汽轮机功率为输出，基于粒子群算法，T₂在其定位值正负10％范围内变化，T₁、T₃在其各自定位值正负50％范围内变化，迭代优化T₁、T₂和T₃，直到满足终止条件，完成辨识。