CN105298734B - 一种水轮机调节系统的参数辨识方法 - Google Patents

Abstract

本发明公开了一种水轮机调节系统的参数辨识方法，用于在水轮机调节系统中对系统参数进行有效辨识。根据水轮机调节系统建立仿真模型，然后依据该仿真模型建立采用实际系统输出与辨识系统输出的加权误差平方和作为参数辨识的目标函数，运用本发明设计的优选方法求解目标函数得到最优控制参数。本发明设计的水轮机调节系统参数辨识方法，采用一种新型启发式优化算法优化目标函数，可以搜索到更小的目标函数值，能得到更精确的辨识参数。更精确的辨识参数使得对应的辨识系统与实际系统输出吻合较好。

Description

一种水轮机调节系统的参数辨识方法

技术领域

本发明属于电力系统参数优化技术领域，更具体地，涉及一种水轮机调节系统参数辨识方法。

背景技术

水轮机调节系统是水轮发电机组的重要组成部分，其主要任务是根据负荷的变化，调节机组的频率和出力。参数辨识是一种适用于模型结构已知而具体参数未知系统的重要的建模方法，其原理是：采集系统动态过程输出数据并建立系统的仿真模型，通过一定方法来确定一组参数值，使得由模型计算得到的仿真系统响应输出能最好地拟合实际系统。由于实际运行中，水轮机调节系统的模型参数往往偏离典型工况参数，根据现场采集的数据进行调节系统参数辨识动态获得系统模型是一项非常重要的工作。

近年来有人提出将启发式优化算法用于水轮机调节系统的参数辨识。粒子群优化算法(particleswarmoptimization，PSO)和引力搜索算法(gravitationalsearchalgorithm，GSA)等算法已经被应用于水轮机调节系统的参数辨识。由于PSO、GSA等传统优化方法存在早熟、易陷入局部极值等不足，使得应用这些算法在水轮机调节系统参数辨识过程中，可能无法搜索到全局最优值。

发明内容

针对传统方法的不足，本发明提出了一种基于新型启发式优化算法的水轮机调节系统参数辨识方法，可以有效辨识出系统参数，具有很好的实用价值。

为了实现上述目的，本发明提供了一种水轮机调节系统参数辨识方法，包括如下步骤：

步骤(1)：建立水轮机调节系统仿真模型，水轮机调节系统如图1所示。水轮机调节系统一般由PID控制器、电液随动系统、引水系统与水轮机、发电机及负载组成。具体的，水轮机调节系统是一个典型的反馈控制系统，当频率给定发生改变时，PID控制器根据机组频率偏差产生调节控制信号驱动电液随动系统，改变水轮机导叶开度，水轮机进口流量随之发生改变，在水轮机导叶开度改变瞬间，引水系统中往往发生水锤现象，导致水轮机蜗壳压力发生变化；水轮机进口流量和蜗壳压力的变化，会使水轮机力矩发生改变，从而使水轮机力矩与发电机的负载阻力矩产生差值，发电机转速随之发生变化，转速改变同步地调节了频率大小，达到调节机组频率的目的。

由于在实际生产中，不同水电站所采用的水轮机调节系统各组成部分结构不尽相同，本发明以图2所示系统结构图为例来说明水轮机调节系统模型结构。所述的水轮机调节主要任务是对水电机组维持频率和出力进行调节。图2中c为频率扰动信号，k_p,k_i,k_d为PID控制器参数，T_y1和T_y为电液随动系统的两个时间常数，y_t为导叶开度，m_t为水轮机力矩，m_g0为负荷扰动，T_a为机组惯性时间常数，e_n为发电机与水轮机自调节系数之差，x为机组频率，q为流量，h为水头；T_r为水锤反射时间常数；h_w为引水管道特征常数；e_y、e_h分别为水轮机力矩对导叶开度和水头的传递系数；e_qh、e_qy分别为水轮机流量对导叶开度和水头的传递系数。仿真系统中变量用偏差相对值表示。实际水轮机调节系统在运行中需要辨识的参数为 $\widehat{\mathrm{\θ}}=\[k_p,k_i,k_d,T_{y1},T_y,h_2,T_r,T_a,e_n\];$

步骤(2)：采集实际水轮机调节系统动态过程数据。对系统进行频率扰动试验，采集系统动态过程数据，动态过程数据包括一些关键环节输出，即导叶开度y_t，机组频率x；

步骤(3)：水轮机调节系统参数辨识目标函数。采用实际系统输出与仿真模型输出的加权误差平方和作为参数辨识的目标函数。目标函数定义如下：

$\min f_{WMSE}\left(\widehat{\mathrm{\θ}}\right)=\underset{k=1}{\overset{N_s}{\Σ}}\underset{j=1}{\overset{s}{\Σ}}{w}_j{\left(y_j\right(k)-{\hat{y}}_j(k\left)\right)}^2$

其中N_S为系统输出采样点数，s为系统输出个数，w＝[w₁,w₂]为权重，是待辨识参数。在相同系统输入下，实际系统输出为y_j(k)∈{y_t(k),x(k)},辨识系统输出为其中，是系统待辨识参数的函数，当待辨识参数发生变化时，利用步骤(1)建立的仿真系统得到两个系统输出，即两组输出曲线，用离散序列表示为：计算对应的目标函数值，通过极小化目标函数，即可得到系统待辨识参数；

步骤(4)：运用启发式优化算法求解水轮机调节系统参数辨识的目标函数，得到待辨识系统参数。辨识步骤如下：

Step1：算法初始化：设置算法参数，包括群体规模N_p、最大迭代次数T、个体随机搜索数量N_l，淘汰幅度系数σ、跳跃阈值p；确定搜索待辨识参数的取值范围为[B_L,B_U]，具体k_p∈[k_p,min,k_p,max]，k_i∈[k_i,min,k_i,max]，k_d∈[k_d,min,k_d,max]，T_y1∈[T_y1,min,T_y1,max]，T_y∈[T_y,min,T_y,max]，h_w∈[h_w,min,h_w,max]，T_r∈[T_r,min,T_r,max]，T_a∈[T_a,min,T_a,max]，e_n∈[e_n,min,e_n,max]，即B_L＝[k_p,min,k_i,min,k_d,min,T_y1,min,T_y,min,h_w,min,T_r,min,T_a,min,e_n,min]表示水轮机调节系统待辨识参数的最小值，B_U＝[k_p,max,k_i,max,k_d,max,T_y1,max,T_y,max,h_w,max,T_r,max,T_a,max,e_n,max]表示水轮机调节系统待辨识参数的最大值。在解空间[B_L,B_U]中随机初始化群体中所有个体的位置向量，个体位置向量表示为X_i＝[k_p,k_i,k_d,T_y1,T_y,h_w,T_r,T_a,e_n],i＝1,...,N_p，代表一组控制参数。令当前迭代次数t＝0；

Step2:计算各个个体的目标函数值过程如下：从个体i位置向量X_i(t)解码得到系统参数，其中为位置向量，将系统参数代入步骤(1)中水轮机调节系统仿真平台，仿真得到系统状态变量随时间的变化过程。得到导叶开度y_t和机组频率x。按照步骤(2)中目标函数得到个体i的目标函数值进一步，计算群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体X_B(t)；

Step3:计算惯性向量

Step3.1：令个体搜索次数l＝0；

Step3.2：观望一个位置计算 $X_i^{\mathrm{play}}\left(t\right),i=1,...,N_p:$

$X_i^{play}\left(t\right)=X_i\left(t\right)+rand\·{\mathrm{\ϵ}}_{play}$

rand为(0，1)之间随机数，ε_play为观望步长，ε_play＝0.1·||B_U-B_L||；

Step3.3：计算下一个当前位置

$\left\{\begin{array}{ccc}{X}_i^{self\left(t\right)}=X_i\left(t\right)+rand\&CenterDot;\frac{X_i^{play}\left(t\right)-X_i\left(t\right)}{\left|\right|X_i^{play}\left(t\right)-X_i\left(t\right)\left|\right|}\&CenterDot;{\mathrm{\&epsiv;}}_{step}& if& f\left(X_i^{play}\left(t\right)\right)<f\left(X_i\left(t\right)\right)\\ X_i^{self}\left(t\right)=X_i\left(t\right)& if& f\left(X_i^{play}\left(t\right)\right)\&GreaterEqual;f\left(X_i\left(t\right)\right)\end{array}\right.$

rand为(0，1)之间随机数，ε_step为惯性步长，ε_step＝0.2·||B_U-B_L||；

Step3.4：l＝l+1，如果l<N_l，转至Step3.2；否则，转至Step4。

Step4:计算每个个体受当前最优个体召唤向量

$\left\{\begin{array}{c}{X}_i^{bw}\left(t\right)=X_B\left(t\right)+c_2\&CenterDot;{\mathrm{\&delta;}}_i\\ {\mathrm{\&delta;}}_i=|c_1\&CenterDot;X_B\left(t\right)-X_i\left(t\right)|\end{array}\right.$

其中δ_i为中第i个个体与当前最优个体之间的距离向量，随机数c₁＝2·rand，c₂＝(2·rand-1)(1-t/T)，rand为(0，1)之间随机数；由此可知c₁为(0，2)之间的随机数，表示当前最优个体的号召力，当c₁>1时，表示当前最优个体的影响力增强，反之减弱；c₂为动态随机数，c₂的随机范围由1线性递减到0；

Step5:按照个体位置更新公式更新个体位置：

$X_i(t+1)=2\&CenterDot;rand\&CenterDot;X_i^{bw}\left(t\right)+rand\&CenterDot;X_i^{self}\left(t\right)$

Step6:判断个体是否需要被淘汰并重新初始化：

Step6.1：如果第i个个体满足公式则该个体被淘汰并重新初始化：

$F_i^t>F_{ave}^t+\mathrm{\&omega;}\&CenterDot;(F_{ave}^t-F_{\min }^t),i=1,...,N_p$

其中，是t代种群所有个体目标函数值的平均值，是最小的目标函数值，ω是一个随迭代次数而线性递增的参数，取值范围为[-σ,σ]；

Step6.2：被淘汰的个体初始化：

X_i＝rand(1,D)×(B_U-B_L)+B_L

其中，D为位置向量维数，D＝9；

Step7:判断是否连续p代当前最优个体位置未发生移动，如果是，则认为种群灭亡，按照下式反演重构新的种群：

$X_i=X_B+rand\&times;\frac{R^2}{{\mathrm{\&delta;}}_i},i=1,2,...,N_p$

其中R为反演半径，R＝0.1·||B_U-B_L||；rand为(0，1)之间随机数，p为跳跃阈值；

Step8:t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解；否则，转入Step2。当前最优个体位置即为系统辨识参数向量。

与现有技术相比，本发明有如下优点和效果：

与现有技术相比，利用本发明所述方法辨识水轮机调节系统参数时，可以搜索到更小的目标函数值，能得到更精确的辨识参数。更精确的辨识参数使得对应的辨识系统输出与实际系统输出吻合较好。

附图说明

图1为本发明水轮机调节系统的原理图；

图2为本发明水轮机调节系统的仿真模型结构示意图；

图3为本发明水轮机调节系统参数辨识方法示意图；

图4为不同方法得到的辨识系统与实际系统的机组频率对比图；

图5为不同方法得到的辨识系统与实际系统的导叶开度对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

为说明本发明效果，下面以某水轮机调节系统作为本发明的实施对象对本发明方法进行详细说明：

步骤(1)：建立水轮机调节系统仿真模型，具体水轮机调节系统结构如图2所示。

建立水轮机调节系统仿真模型，确定水轮机调节系统的部分模型参数及待辨识参数。是需要进行辨识的参数水轮机调节系统参数，其辨识方法如图3所示。仿真系统输出用偏差相对值表示。水轮机特征参数为：e_y＝0.9080，e_qy＝0.7887，e_h＝1.4191，e_qh＝0.4571；仿真参数设置为：频率扰动c＝0.04，负荷扰动m_g0＝0，仿真时间为30秒，仿真步长为0.01；

步骤(2)：采集实际水轮机调节系统动态过程数据。对待辨识的实际水轮机调节系统进行空载频率扰动实验，采集实际系统输出，采样时间为30秒，采样间隔为0.01。采集的系统动态过程数据包括如下环节输出：导叶开度y_t，机组频率x；

步骤(3)：建立系统的参数辨识目标函数，以原始系统与辨识系统的输出误差平方和函数作为水轮机调节系统的参数辨识目标函数，目标函数为：

$\min f_{WMSE}\left(\widehat{\mathrm{\&theta;}}\right)=\underset{k=1}{\overset{N_s}{\&Sigma;}}\underset{j=1}{\overset{s}{\&Sigma;}}{w}_j{\left(y_j\right(k)-{\hat{y}}_j(k\left)\right)}^2$

其中输出y_j(k)∈{x(k),y_t(k)}，x为机组频率，y_t为导叶开度。w＝[w₁,w₂]且w₁、w₂均设为1。是系统待辨识参数的函数，当待辨识参数发生变化时，利用步骤(1)建立的仿真模型得到两组输出曲线，即x,y_t输出曲线，计算对应的目标函数值，通过极小化目标函数，即可得到系统待辨识参数；

步骤(4)：运用启发式优化算法计算水轮机调节参数辨识的目标函数，得到待辨识系统参数。

Step1：算法初始化：设置算法参数，包括群体规模N_p、最大迭代次数T、个体随机搜索数量N_l，淘汰幅度系数σ、跳跃阈值p；确定搜索待辨识参数的取值范围为[B_L,B_U]，即B_L＝[k_p,min,k_i,min,k_d,min,T_y1,min,T_y,min,h_w,min,T_r,min,T_a,min,e_n,min]表示水轮机调节系统待辨识参数的最小值，B_U＝[k_p,max,k_i,max,k_d,max,T_y1,max,T_y,max,h_w,max,T_r,max,T_a,max,e_n,max]表示水轮机调节系统待辨识参数的最大值。在解空间[B_L,B_U]中随机初始化群体中所有个体的位置向量，个体位置向量X_i＝[k_p,k_i,k_d,T_y1,T_y,h_w,T_r,T_a,e_n]，代表一组辨识参数。令当前迭代次数t＝0；

算法参数设置：种群规模N_p＝30，最大迭代次数为T＝500，淘汰幅度系数σ＝0.01，个体随机搜索数N_l＝1，跳跃阀值为p＝100，其它值默认设置。其中B_L＝[0,0,0,0.05,0.15,0,0,0,0]，B_U＝[8,2,0.4,0.1,0.25,1,2,10,1.5]；

Step2:计算个体的目标函数值过程如下：从个体i位置向量X_i(t)解码得到系统参数，其中为位置向量的元素，将系统参数代入步骤(1)中水轮机调节系统仿真平台，仿真得到系统状态变量随时间的变化过程。得到导叶开度y_t和机组频率x，按照步骤(3)中目标函数得到个体i的目标函数值进一步，计算群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体X_B(t)；

Step3:计算惯性向量

Step3.1：令个体搜索次数l＝0；

Step3.2：观望一个位置计算 $X_i^{\mathrm{play}}\left(t\right),i=1,...,N_p:$

$X_i^{play}\left(t\right)=X_i\left(t\right)+rand\&CenterDot;{\mathrm{\&epsiv;}}_{play}$

rand为(0，1)之间随机数，ε_play为观望步长，ε_play＝0.1·||B_U-B_L||；

Step3.3：计算下一个当前位置

$\left\{\begin{array}{ccc}{X}_i^{self\left(t\right)}=X_i\left(t\right)+rand\&CenterDot;\frac{X_i^{play}\left(t\right)-X_i\left(t\right)}{\left|\right|X_i^{play}\left(t\right)-X_i\left(t\right)\left|\right|}\&CenterDot;{\mathrm{\&epsiv;}}_{step}& if& f\left(X_i^{play}\left(t\right)\right)<f\left(X_i\left(t\right)\right)\\ X_i^{self}\left(t\right)=X_i\left(t\right)& if& f\left(X_i^{play}\left(t\right)\right)\&GreaterEqual;f\left(X_i\left(t\right)\right)\end{array}\right.$

rand为(0，1)之间随机数，ε_step为惯性步长，ε_step＝0.2·||B_U-B_L||；

Step3.4：l＝l+1，如果l<N_l，转至Step3.2；否则，转至Step4；

Step4:计算每个个体受当前最优个体召唤向量

$\left\{\begin{array}{c}{X}_i^{bw}\left(t\right)=X_B\left(t\right)+c_2\&CenterDot;{\mathrm{\&delta;}}_i\\ {\mathrm{\&delta;}}_i=|c_1\&CenterDot;X_B\left(t\right)-X_i\left(t\right)|\end{array}\right.$

δ_i为中第i个个体与当前最优个体的距离向量，随机数c₁＝2·rand，c₂＝(2·rand-1)(1-t/T)，rand为(0，1)之间随机数；由此可知c₁为(0,2)之间的随机数，表示当前最优个体的号召力，当c₁>1时，表示当前最优个体的影响力增强，反之减弱；c₂为动态随机数，c₂的随机范围由1线性递减到0；

Step5:按照个体位置更新公式更新个体位置：

$X_i(t+1)=2\&CenterDot;rand\&CenterDot;X_i^{bw}\left(t\right)+rand\&CenterDot;X_i^{self}\left(t\right)$

Step6:判断个体是否需要被淘汰并重新初始化：

Step6.1：如果第i个个体满足公式则该个体被淘汰并重新初始化：

$F_i^t>F_{ave}^t+\mathrm{\&omega;}\&CenterDot;(F_{ave}^t-F_{\min }^t),i=1,...,N_p$

其中，是t代种群所有个体目标函数值的平均值，是最小的目标函数值，ω是一个随迭代次数而线性递增的参数，取值范围为[-σ,σ]；

Step6.2：被淘汰的个体初始化：

X_i＝rand(1,D)×(B_U-B_L)+B_L

其中，D为位置向量维数，D＝9；

Step7:判断是否连续p代当前最优个体位置未发生移动，如果是，则认为种群灭亡，按照式下式反演重构新的种群：

$X_i=X_B+rand\&times;\frac{R^2}{{\mathrm{\&delta;}}_i},i=1,2,...,N_p$

其中R为反演半径，R＝0.1·||B_U-B_L||；rand为(0，1)之间随机数，p为跳跃阈值；

Step8:t＝t+1,如果t>T，算法结束，输出当前最优个体位置作为终解；否则，转入Step2。所述的最优位置向量即为系统辨识参数向量。

为了比较本发明所述方法的稳定性和有效性，在实验中，分别采用PSO、GSA和本发明方法进行系统参数辨识实验，并比较各方法的参数搜索性能。同时，各个算法下的参数辨识实验均重复20次，记录统计结果。PSO参数：种群规模N_p＝30，最大迭代次数为T＝500，c₁＝c₂＝2.0；GSA参数：种群规模N_p＝30，最大迭代次数为T＝500，引力常数初值G₀＝30，衰减系数β＝9；

表1为本发明所述方法以及PSO、GSA算法的辨识参数的平均值。表2为目标函数值的统计结果。从表2可以看出，对于水轮机调节系统，本发明方法的目标函数搜索能力更强，能求取更优辨识参数。

表1最优辨识参数统计结果

表2最优目标函数统计结果

使用表1中不同方法获得的水轮机调节系统辨识参数进行仿真，比较实际系统与辨识系统的输出，包括导叶开度y_t和机组频率x，分别由图4、图5表示。从图4、图5可以看出，使用本发明方法获得的辨识参数建立仿真模型，其输出曲线与实际系统输出曲线高度吻合；而在PSO、GSA等传统方法获得的辨识参数建立的仿真模型输出曲线与实际系统输出曲线的吻合度较差，说明本发明方法优于PSO、GSA等传统辨识方法。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种水轮机调节系统参数辨识方法，其特征在于，所述方法包括如下步骤：

步骤(1)：建立水轮机调节系统仿真模型，确定待辨识参数：所述的水轮机调节系统包括PID控制器、电液随动系统、引水系统、水轮机、发电机及负载；在所述水轮机调节系统中，当频率给定发生改变时，PID控制器根据机组频率偏差产生调节控制信号驱动电液随动系统，改变水轮机导叶开度，水轮机进口流量随之发生改变，在水轮机导叶开度改变瞬间，引水系统中发生水锤现象，导致水轮机蜗壳压力发生变化；水轮机进口流量和蜗壳压力的变化，会使水轮机力矩发生改变，从而使水轮机力矩与发电机的负载阻力矩产生差值，发电机转速随之发生变化，转速改变同步地调节了频率大小，达到调节机组频率的目的；需要辨识的参数向量为其中k_p,k_i,k_d为PID控制器参数，T_y1和T_y为电液随动系统的两个时间常数，h_w为引水管道特征常数，T_r为水锤反射时间常数，T_a为机组惯性时间常数，e_n为发电机与水轮机自调节系数之差；

步骤(2)：采集水轮机调节系统动态过程数据：对水轮机调节系统进行频率扰动试验，采集系统动态过程数据，动态过程数据包括导叶开度y_t，机组频率x；

步骤(3)：建立水轮机调节系统辨识目标函数：采用实际系统输出与辨识系统输出的加权误差平方和作为参数辨识的目标函数，目标函数定义如下：

$\min f_{WMSE}\left(\widehat{\mathrm{\&theta;}}\right)=\underset{k=1}{\overset{N_s}{\&Sigma;}}\underset{j=1}{\overset{s}{\&Sigma;}}{w}_j{\left(y_j\right(k)-{\hat{y}}_j(k\left)\right)}^2$

其中N_S为系统输出采样点数，s为系统输出个数，w＝[w₁,w₂]为权重，是待辨识参数，y_j(k)∈{y_t(k),x(k)}为实际系统输出；为辨识系统输出；

步骤(4)：运用启发式优化算法求解水轮机调节系统参数辨识的目标函数，得到待辨识系统参数。

2.如权利要求1所述的方法，其特征在于，所述步骤(3)具体包括如下子步骤：

Step1：算法初始化：设置算法参数，包括群体规模N_p、最大迭代次数T、个体随机搜索数量N_l，淘汰幅度系数σ、跳跃阈值p；确定搜索待辨识参数的取值范围为[B_L,B_U]，具体k_p∈[k_p,min,k_p,max]，k_i∈[k_i,min,k_i,max]，k_d∈[k_d,min,k_d,max]，T_y1∈[T_y1,min,T_y1,max]，T_y∈[T_y,min,T_y,max]，h_w∈[h_w,min,h_w,max]，T_r∈[T_r,min,T_r,max]，T_a∈[T_a,min,T_a,max]，e_n∈[e_n,min,e_n,max]，即B_L＝[k_p,min,k_i,min,k_d,min,T_y1,min,T_y,min,h_w,min,T_r,min,T_a,min,e_n,min]表示水轮机调节系统待辨识参数的最小值，B_U＝[k_p,max,k_i,max,k_d,max,T_y1,max,T_y,max,h_w,max,T_r,max,T_a,max,e_n,max]表示水轮机调节系统待辨识参数的最大值；在解空间[B_L,B_U]中随机初始化群体中所有个体的位置向量，个体位置向量表示为X_i＝[k_p,k_i,k_d,T_y1,T_y,h_w,T_r,T_a,e_n],i＝1,...N_p,代表一组辨识参数；令当前迭代次数t＝0；

Step2：计算各个个体的目标函数值并寻找群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体X_B(t)；

Step3:计算惯性向量

Step4:计算每个个体受当前最优个体召唤向量

$\left\{\begin{array}{c}{X}_i^{bw}\left(t\right)=X_B\left(t\right)+c_2\&CenterDot;{\mathrm{\&delta;}}_i\\ {\mathrm{\&delta;}}_i=|c_1\&CenterDot;X_B\left(t\right)-X_i\left(t\right)|\end{array}\right.$

其中δ_i为第i个个体与当前最优个体之间的距离向量，随机数c₁＝2·rand，c₂＝(2·rand-1)(1-t/T)，rand为(0，1)之间随机数；

Step5:按照个体位置更新公式更新个体位置：

$X_i(t+1)=2\&CenterDot;rand\&CenterDot;X_i^{bw}\left(t\right)+rand\&CenterDot;X_i^{self}\left(t\right)$

Step6:判断个体是否需要被淘汰并重新初始化：

Step6.1：如果第i个个体满足公式则该个体被淘汰并重新初始化：

$F_i^t>F_{ave}^t+\mathrm{\&omega;}\&CenterDot;(F_{ave}^t-F_{min}^t),i=1,...,N_p$

其中，是t代种群所有个体目标函数值的平均值，是最小的目标函数值，ω是一个随迭代次数而线性递增的参数，取值范围为[-σ,σ]；

Step6.2：被淘汰的个体初始化：

X_i＝rand(1,D)×(B_U-B_L)+B_L

其中，D为位置向量维数；

Step7:判断是否连续p代当前最优个体位置未发生移动，如果是，则认为种群灭亡，按照下式反演重构新的种群：

$X_i=X_B+rand\&times;\frac{R^2}{{\mathrm{\&delta;}}_i},i=1,2,...,N_p$

其中R为反演半径，R＝0.1·||B_U-B_L||；rand为(0，1)之间随机数，p为跳跃阈值；

Step8:t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解，当前最优个体位置即为辨识得出的水轮机调节系统参数；否则，转入Step2。

3.如权利要求2所述的方法，其特征在于，所述步骤Step3具体包括如下子步骤：

Step3.1：令个体搜索次数l＝0；

Step3.2：观望一个位置计算

$X_i^{play}\left(t\right)=X_i\left(t\right)+rand\&CenterDot;{\mathrm{\&epsiv;}}_{play}$

rand为(0，1)之间随机数，ε_play为观望步长；

Step3.3：计算下一个当前位置

$\left\{\begin{array}{ccc}{X}_i^{self}\left(t\right)=X_i\left(t\right)+rand\&CenterDot;\frac{X_i^{play}\left(t\right)-X_i\left(t\right)}{\left|\right|X_i^{play}\left(t\right)-X_i\left(t\right)\left|\right|}\&CenterDot;{\mathrm{\&epsiv;}}_{step}& if& f\left(X_i^{play}\right(t))<f\left(X_i\right(t))\\ X_i^{self}\left(t\right)=X_i\left(t\right)& if& f\left(X_i^{play}\right(t))\&GreaterEqual;f\left(X_i\right(t))\end{array}\right.$

rand为(0，1)之间随机数，ε_step为惯性步长；

Step3.4：l＝l+1，如果l<N_l，转至Step3.2；否则，转至Step4。

4.如权利要求2或3所述的方法，其特征在于，所述Step6.2中D取值为9。

5.如权利要求3所述的方法，其特征在于，在Step3.2中ε_play＝0.1·||B_U-B_L||。

6.如权利要求3所述的方法，其特征在于，在Step3.3中ε_step＝0.2·||B_U-B_L||。