CN107798199B - 一种水电机组参数闭环辨识方法 - Google Patents
一种水电机组参数闭环辨识方法 Download PDFInfo
- Publication number
- CN107798199B CN107798199B CN201711098158.7A CN201711098158A CN107798199B CN 107798199 B CN107798199 B CN 107798199B CN 201711098158 A CN201711098158 A CN 201711098158A CN 107798199 B CN107798199 B CN 107798199B
- Authority
- CN
- China
- Prior art keywords
- lion
- ant
- identification
- elite
- ant lion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 241001206881 Myrmeleon inconspicuus Species 0.000 claims abstract description 103
- 239000002245 particle Substances 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000005284 excitation Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 241000282320 Panthera leo Species 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 21
- 230000000739 chaotic effect Effects 0.000 claims description 18
- 241000257303 Hymenoptera Species 0.000 claims description 14
- 241000258923 Neuroptera Species 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 abstract description 10
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 230000001105 regulatory effect Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005295 random walk Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010038743 Restlessness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Water Turbines (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种水电机组参数闭环辨识方法，包括建立实际的水轮机调速闭环系统模型，确定对应的辨识系统模型；确定水电机组参数辨识的目标函数和/或辨识策略；向实际系统和辨识系统输入激励信号，获取实际系统的输出信号和辨识系统的标准信号；利用目标函数对输出信号和标准信号进行预处理；根据预处理结果，采用改进的蚁狮算法对水轮机调速闭环系统进行参数辨识；根据辨识策略获取水电机组的最优辨识参数。基于标准的蚁狮改进算法，融合了粒子群算法，引入混沌Logistics变异算子，并在混沌变异过程中采用并行和串行结合的方法来获取新粒子，来对标准蚁狮算法进行改进。本发明技术方案的方法，收敛速度快，易于实现，通用性强，有效提高了辨识精度。
Description
技术领域
本发明属于水轮机调节系统模型建模与参数辨识技术领域，具体涉及一种水电机组参数闭环辨识方法。
背景技术
水轮机调速系统是水电站和电网系统的重要组成部分之一，其在水力发电、调峰调频和保证电站安全、有效、经济运行等中扮演着重要作用。为合理整定水轮机调速器参数、准确分析系统稳定特性，需研究水轮机调速系统的详细模型。其中，辨识是获取模型的一种有效手段。实际情况中，水轮机调速系统是具有非最小相位、非线性、复杂性的控制系统，一般情况下，很难从实际中直接提取其机理特性来对水轮机原动机建模仿真。目前水轮机调节系统，一般采用实验数据和先验知识，通过辨识技术获取系统参数和模型。
对负载模型可进行开环辨识，但空载工况时，频率死区为0，机组频率跟踪电网频率，空载模型辨识属于闭环辨识。以往的水电机组模型辨识研究侧重于开环辨识方法，相比较而言，闭环辨识方法较为匮乏。相比于开环辨识，闭环辨识方便、快速，且在工业中应用广泛。尽管目前的一些算法在水轮机的闭环辨识研究中已取得丰硕成果，但其自身仍存在着无法避免的缺点和局限性，如遗传算法的过早收敛和在局部最优点上种群多样性的缺失，粒子群算法容易陷入局部最优等。因此，对于复杂的水轮机调速系统，需要一种简单且容易实现的辨识方法。
与其他基于粒子行为的启发式搜索算法不同，蚁狮优化算法(ALO算法)是一种基于自然界中蚁狮捕食蚂蚁行为的启发式仿生优化算法，其搜索主体是蚂蚁群体和蚁狮群体，通过蚂蚁的随机游走、蚁狮的诱捕陷阱、捕获蚂蚁和精英蚁狮保存，从而实现对目标的寻优。ALO算法具有参数少，算法过程简单，计算快速，寻优高效等优点，该算法在解决优化问题中具有较好的性能。然而，同其他智能算法类似，蚁狮算法在解决如水电机组大型复杂系统的问题时可能出现易陷入“早熟”和局部收敛问题，使得目前ALO算法在收敛快速性和精确度上还存在不足，难以满足目前水轮机调速系统参数辨识的要求。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于改进型蚁狮算法的水电机组参数辨识方法。本发明技术方案的方法，针对目前蚁狮优化算法收敛快速性和精确度不足的情况，本发明技术方案融合了粒子群算法，加快收敛速度；引入混沌Logistics变异算子，并在混沌变异过程中采用并行和串行结合的方法来获取新粒子，增大种群的多样性，避免过早陷入局部最优。可以大大提高水轮机调速系统参数辨识的可靠性和精确度。
为实现上述目的，按照本发明的一个方面，提供了一种水电机组参数闭环辨识方法，其特征在于，包括
S1建立实际的水轮机调速闭环系统模型，确定对应的辨识系统模型；
S2确定水电机组参数辨识的目标函数和/或辨识策略；
S3向实际系统和辨识系统输入激励信号，获取实际系统的输出信号和辨识系统的标准信号；
S4利用目标函数对输出信号和标准信号进行预处理；根据预处理结果，采用改进的蚁狮算法对水轮机调速闭环系统进行参数辨识；根据辨识策略获取水电机组的最优辨识参数；
其中，步骤S4中蚁狮算法的优化过程包括，
S41根据预处理结果，随机生成蚂蚁群和蚁狮群；获取每只蚂蚁和蚁狮的适应度值，根据适应度值的大小确定精英蚁狮；
S42随机选取一只蚁狮，根据该蚁狮与精英蚁狮的更新所有蚂蚁的位置，获得更新后的蚂蚁；
S43将更新后的蚂蚁和蚁狮群混合，获取每只蚂蚁和蚁狮的适应度值；将该混合种群中的个体按照适应度值由小到大排列，依次替换初始蚁狮群中的个体，生成新的蚁狮群；根据适应度值的大小更新精英蚁狮；
S44对步骤S43中获得的蚁狮群采用粒子群优化搜索，获取新的蚁狮群并计算每个蚁狮的适应度值，根据适应度值的大小更新精英蚁狮；
S45对精英蚁狮进行混沌变异，获取新粒子并计算其适应度值，根据适应度值的大小更新精英蚁狮；
S46判断当前精英蚁狮是否满足终止条件；若满足，则结束循环并确定当前精英蚁狮为最优精英蚁狮；否则进入步骤S42。
具体来说，就是根据目标函数对输出信号和标准信号预处理的结果，随机生成初始蚂蚁群和初始蚁狮群。蚂蚁群和蚁狮群中个体的数量优选相等，都为N(N是自然数)。蚂蚁群中的每只蚂蚁和蚁狮群中的每个蚁狮，都代表着一个粒子，具有一定的适应度。根据蚁狮群中每个蚁狮的适应度值的大小，将适应度值最小的蚁狮确认为精英蚁狮。在剩余的蚁狮中，随机选取一只蚁狮(蚁狮的适应度值越小，被选中的概率越大)，结合精英蚁狮，对初始蚂蚁群中所有蚂蚁的位置进行更新，然后将这些更新后的蚂蚁与初始的蚁狮群进行混合。也就是说，对初始蚂蚁群进行位置更新后再与初始蚁狮群混合，获得一个具有2N个个体的混合种群。对上述混合种群中的每个个体(包括蚂蚁和蚁狮)进行适应度值的计算，再将上述个体按照适应度值的大小从小到大依次替换掉初始蚁狮群的每个个体。即，将混合种群中的每个个体按照适应度值由小到大的顺序进行排列，然后将前N个个体划分为新的蚁狮群体，剩下的N个个体则组成新的蚂蚁群体。
进一步地，本发明还对上述处理获得的蚁狮群进行了粒子群优化搜索，获得新的蚁狮群，并根据该蚁狮群中每个个体的适应度值大小，对精英蚁狮进行了更新。同时，为了避免出现局部最优的情况，本发明中引入了混沌变异算子，对精英蚁狮进行处理。通过混沌变异获得新粒子后，计算新粒子的适应度值，根据新粒子适应度值的大小进一步更新精英蚁狮。具体来说，若新粒子的适应度值更小，则设定新粒子为精英蚁狮。本发明中还为上述循环设定了终止条件，例如循环进行到一定的次数或者粒子的适应度值达到一定的阈值(即粒子精确度达到阈值的要求)等。此时，最后确定的精英蚁狮即为最优解，也就是本发明技术方案中的最优辨识参数。
作为本发明技术方案一个优选，新粒子的获取过程包括，
根据待辨识参数的维度，设定精英蚁狮位置，即初始粒子；所述初始粒子的维度与待辨识参数的维度一致；
通过混沌算法对初始粒子进行处理，获取精英蚁狮每个维度对应的新元素；
所述新元素按照待辨识参数的维度构成新粒子。
作为本发明技术方案一个优选，新粒子的获取过程包括，
根据待辨识参数的维度，设定精英蚁狮位置，即初始粒子；所述初始粒子的维度与待辨识参数的维度一致；
通过混沌算法对初始粒子进行处理，获取初始粒子每个维度对应的新元素；
将初始粒子中一个维度的元素用对应的新元素替代，获得一个新粒子。
精英蚁狮经过混沌算法处理后，通过对精英蚁狮每个维度的元素进行更新，可以获得一个维度与之相同的新粒子，计算该粒子的适应度值，将其与精英蚁狮的适应度值比较，对精英蚁狮进行更新。此外，还可以选择只对精英蚁狮的任意一个维度的元素进行更新，从而形成一个新粒子，比较新粒子与精英蚁狮的适应度值。本发明中，依次替换精英蚁狮中的每个维度的元素，每次只对其中的一个元素进行替换，可以获得更多的新粒子，其计算结果更加准确。
作为本发明技术方案一个优选，结束条件为迭代次数和/或精英蚁狮精确度。
作为本发明技术方案一个优选，精英蚁狮为蚁狮群中适应度值最小的个体。
作为本发明技术方案一个优选，水轮机调速闭环实际系统模型包括降阶弹性水击方程。
作为本发明技术方案一个优选，水轮机调速闭环实际系统模型采用六阶状态空间方程表示。
作为本发明技术方案一个优选，输出信号包括导叶开度、力矩和机组频率信号。
作为本发明技术方案一个优选，激励信号在空载工况下优选幅值为0.04p.u.频率给定阶跃信号，激励信号在负载工况下优选为幅值为-0.1p.u.负荷扰动阶跃信号。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1)本发明技术方案的方法，在标准蚁狮算法的蚁狮群中加入了PSO粒子群算法，加快了本发明技术方案中辨识方法的收敛速度，可获取更优解，克服了以往辨识方法在计算结果的收敛速度和精度上的不足；
2)本发明技术方案的方法，引入了混沌Logistics变异算子，将混沌变异算子应用于精英蚁狮，以避免算法容易陷入局部最优的问题；同时，本发明技术方案的方法还对于通过混沌变异获取新粒子的方式进行了改进，大大增加了变异获得粒子的数量，提高了算法的精确度和变异粒子的多样性；
3)本发明技术方案的方法，在建模时还考虑了弹性水击和工程实际影响，并采用了用法简单、灵活的MATLAB语言来实现，这种算法复杂度低，易于编程，在工程应用上具有很好的适应性。
附图说明
图1为本发明实施例的水轮机调节系统结构框图；
图2为本发明实施例的水轮机调节系统模型框图；
图3为本发明实施例的改进蚁狮算法流程框图；
图4为本发明实施例的基于改进蚁狮算法的水轮机调节系统参数辨识策略框图；
图5为本发明实施例的空载工况下不同优化算法的平均收敛曲线；
图6为本发明实施例的空载工况下实际模型和估计模型输出的导叶开度曲线、力矩曲线和频率曲线；
图7为本发明实施例的负载工况下不同优化算法的平均收敛曲线；
图8为本发明实施例的负载工况下实际模型和估计模型输出的导叶开度曲线、力矩曲线和频率曲线。
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。下面结合具体实施方式对本发明进一步详细说明。
本发明技术方案的实施例中，提供了一种水电机组参数辨识改进型蚁狮算法，其在分析的标准蚁狮算法基础上，结合粒子群算法和混沌变异算子，并将改进后的蚁狮方法应用于水轮机调速系统参数辨识。
具体地，本实施例的水电机组模型改进型子空间闭环辨识方法具体包括以下步骤：
步骤1：建立含有弹性水击的、用于工程实际的水轮机调速闭环系统模型，并设置模型参数。
本实施例中建立的系统结构框图如图1所示。图2是水轮机调节系统系统模型。参数变量定义如表1：
表1水轮机调速系统模型参数变量定义
图1中，x是机组频率；c是机组给定频率；y是接力器导叶开度。F*(s)为降阶弹性水击方程，其传递函数为：
其中，Te是水击波传播时间常数，f是管道摩擦系数。
步骤2：建立参数辨识的目标函数和辨识策略，确定激励信号和待辨识的参数，并采集导叶开度、力矩和机组频率信号。
本实施例中，根据工程实际要求选定水轮机调速系统空载工况下和负载工况下的激励信号分别为给定频率阶跃信号和负荷扰动阶跃信号，根据系统输出导叶开度、力矩和机组频率信号构造参数辨识的目标函数。通过在同一激励信号输入条件下，真实系统与辨识系统产生各自的输出响应，最小化两者之间的误差，即目标函数大小，不断校正待辨识参数，使其向真实参数靠拢。
步骤3在标准蚁狮算法的基础上，融合了粒子群算法和混沌变异算子，并在混沌变异过程中采用了并行和串行结合的方法来获取新粒子。
3.1)标准蚁狮算法(ALO算法)的数学模型描述如下：
蚂蚁随机游走的表达式为：
X(t)＝[0，cumsum(2r(t1)-1)，cumsum(2r(t2)-1)，…，cumsum(2r(tn)-1)] (2)
其中，cumsum表示累计和，n是最大迭代次数，t为当前迭代次数，r(t)是随机函数，其定义如下：
其中，rand是均匀分布在[0,1]之间的随机数。
进一步地，蚂蚁的随机游走表达式需要根据上下边界转换为实际搜索空间中的位置，其表达如下：
其中，ai和bi分别是第i只蚂蚁游走过程中所找到的当前最小值和当前最大值，
和
分别是第i只蚂蚁第t次迭代所经历的最小值和最大值，其定义为：
其中ct和dt是第t次搜索的最小值和最大值，
是第i只蚁狮第t次迭代位置。
蚁狮搭建陷阱的能力是正比于其适应值的优劣。一旦蚁狮知道了蚂蚁被困于陷阱，并且想要逃跑，那么蚂蚁延圆半径减小的滑动过程就会发生。根据式(14)来更新c和d：
其中，T为最大迭代次数，W是一个与代数t相关的常数(当t>0.1T，W＝2；当t>0.5T，W＝3；当t>0.75T，W＝4；当t>0.9T，W＝5；当t>0.95T，W＝6)。
另外，ALO算法中采用了精英机制，在每次优化中选出最好的蚁狮作为精英蚁狮。蚂蚁的位置更新是由轮盘赌转选择的蚁狮位置和当前精英蚁狮的位置共同决定的。更新公式如下：
其中，
是第i个蚂蚁第t次迭代的位置，
是在蚁狮周围随机游走的第t次迭代轮盘赌所选择的蚂蚁位置，
是在精英蚁狮周围随机游走的第t次迭代的蚂蚁位置。
如果一只蚂蚁到达沙坑的底部，并且其适应值优于蚁狮，则蚁狮代替该蚂蚁的位置。这个过程称为捕捉猎物，描述如下：
其中f(x)是目标函数，也可称为适应度函数。
蚁狮算法在寻优搜索过程中通过轮盘赌选择的蚁狮的位置和当前的精英蚁狮的位置来更新蚂蚁位置，并通过设置精英蚁狮来保存最优适应值，具有运行速度快、求解效率高、收敛性好等优点。但是当处理复杂问题时，其就可能出现“早熟”现象和其他不足。为加快算法的收敛速度、提高算法精度，将引入粒子群搜索策略和混沌Logistics算子。
3.2)本方案中，对蚁狮群进行粒子群搜索。粒子群搜索更新公式如下所示：
其中，vi为粒子速度，xi为粒子位置，p为局部最优值，BestS为全局最优值，kg为当前迭代次数，w为惯性权重，r1和r2为0到1的随机数，c1为局部学习因子，c2为全局学习因子。
3.3)本方案中，对精英蚁狮进行混沌Logistics变异操作，并采用的并行和串行方法获得新粒子。具体步骤如下：
(1)设定精英蚁狮x0＝(x0(1),...,x0(d),...,x0(dim))，dim为待辨识参数的维度，N为混沌迭代搜索次数。
(2)循环A：k＝1:N
循环B：d＝1:dim
将精英蚁狮位置映射到定义域[0,1]上：
其中，ub(d)和lb(d)表示第d维的上限和下限。
通过混沌Logistic映射得到一个新元素：
yk(d)＝4*yk-1(d)*(1-yk-1(d)) (12)
其中，k是第k次迭代。
逆映射回到原解空间区域：
xk(d)＝lb(d)+yk(d)*(ub(d)-lb(d)) (13)
将xk(d)代替x0(d)，得到新粒子xnew＝(x0(1),...,xk(d),...,x0(dim))，并计算其适应值。若新粒子的适应值更优，则x0＝xnew。
结束循环B；
可获得新粒子xk＝(xk(1),…,xk(d),…,xk(dim))，并计算其适应值。若新粒子xk的适应值更优，则x0＝xk。
结束循环A。
3.4)本方案中，IALO的步骤如下：
步骤(3.4.1)：随机初始化第一代蚂蚁种群和蚁狮种群；
步骤(3.4.2)：计算蚂蚁和蚁狮的目标函数值，找到目标函数值最小的蚁狮，令其为精英蚁狮；
步骤(3.4.3)：通过轮盘赌方法选择一个蚁狮，通过式(2)、(3)、(4)、(5)和(6)更新所有蚂蚁位置，并计算蚂蚁的目标函数值；
步骤(3.4.4)：使用式(7)更新蚁狮的位置。如果蚁狮的目标函数值小于精英蚁狮的目标函数值，则更新精英蚁狮；
步骤(3.4.5)：通过步骤3.2对蚁狮群进行粒子群优化搜索，得到新的蚁狮群，并更新精英蚁狮；
步骤(3.4.6)：通过步骤3.3对精英蚁狮进行混沌Logistics变异操作，并采用结合方法获取新粒子；
步骤(3.4.7)：如果满足终止条件，则结束循环，否则跳到步骤(3.4.3)。
步骤4将改进蚁狮算法应用于水轮机调速系统参数辨识中，按照步骤3.4，得到辨识结果。
为验证本发明方法的有效性，分别进行了空载和负载两种工况下的水轮机调速系统参数辨识实验，采用GA、PSO、ALO和IALO辨识水轮机调速系统的参数，并定义了如下两种参数精度评价指标：
参数误差标准(parameter error,PE)：
平均参数误差标准(average parameter error,APE)：
其中，θi表示θ中第i个待辨识参数，m表示待辨识参数的个数。
表2和表3分别是空载扰动试验中采用不同算法得到的辨识精度比较和最优目标函数值及其平均精度。图6是不同优化算法的平均收敛过程比较。图7是空载扰动试验中实际模型输出与辨识模型输出比较。
表2空载扰动试验中采用不同算法得到的辨识精度比较
表3空载扰动试验中不同算法得到的最优目标函数值及平均精度
| GA | PSO | ALO | IALO | |
| 平均最优目标值 | 0.6943 | 0.1220 | 0.0255 | 1.31e-5 |
| 平均APE | 1.8017 | 1.7449 | 0.3159 | 0.0135 |
表4和表5分别是负载扰动试验中采用不同算法得到的辨识精度比较和最优目标函数值及其平均精度。图6是不同优化算法的平均收敛过程比较。图7是负载扰动试验中实际模型输出与辨识模型输出比较。
表4负载扰动试验中采用不同算法得到的辨识精度比较
表5负载扰动试验中不同算法得到的最优目标函数值及平均精度
| GA | PSO | ALO | IALO | |
| 平均最优目标值 | 0.1162 | 0.0088 | 0.0054 | 8.40e-7 |
| 平均APE | 2.2760 | 0.7217 | 0.1403 | 0.0028 |
由上述表和图的结果可知，采用IALO辨识的系统参数与真实参数最接近，精度最高。IALO的平均收敛曲线以很快的收敛速度达到最优，且相比于其他算法可得到更好的解。辨识系统输出与采集的实际系统输出的对比结果中，IALO辨识得到的估计曲线与原始曲线吻合度高，展示了本发明方法的优越性。
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 (9)
1.一种水电机组参数闭环辨识方法，其特征在于，包括
S1建立实际的水轮机调速闭环系统模型，确定对应的辨识系统模型；
S2确定水电机组参数辨识的目标函数和/或辨识策略；
S3向实际系统和辨识系统输入激励信号，获取实际系统的输出信号和辨识系统的标准信号；
S4利用目标函数对输出信号和标准信号进行预处理；根据预处理结果，采用改进的蚁狮算法对水轮机调速闭环系统进行参数辨识；根据辨识策略获取水电机组的最优辨识参数；
其中，步骤S4中蚁狮算法的优化过程包括，
S41根据预处理结果，随机生成蚂蚁群和蚁狮群；获取每只蚂蚁和蚁狮的适应度值，根据适应度值的大小确定精英蚁狮；
S42随机选取一只蚁狮，根据该蚁狮与精英蚁狮的更新所有蚂蚁的位置，获得更新后的蚂蚁；
S43将更新后的蚂蚁和蚁狮群混合，获取每只蚂蚁和蚁狮的适应度值；将该混合种群中的个体按照适应度值由小到大排列，依次替换初始蚁狮群中的个体，生成新的蚁狮群；根据适应度值的大小更新精英蚁狮；
S44对步骤S43中获得的蚁狮群采用粒子群优化搜索，获取新的蚁狮群并计算每个蚁狮的适应度值，根据适应度值的大小更新精英蚁狮；
S45对精英蚁狮进行混沌变异，获取新粒子并计算其适应度值，根据适应度值的大小更新精英蚁狮；
S46判断当前精英蚁狮是否满足终止条件；若满足，则结束循环并确定当前精英蚁狮为最优精英蚁狮；否则进入步骤S42。
2.根据权利要求1所述的水电机组参数闭环辨识方法，其中，所述新粒子的获取过程包括，
根据待辨识参数的维度，设定精英蚁狮位置，即初始粒子；所述初始粒子的维度与待辨识参数的维度一致；
通过混沌算法对初始粒子进行处理，获取精英蚁狮每个维度对应的新元素；
所述新元素按照待辨识参数的维度构成新粒子。
3.根据权利要求1所述的水电机组参数闭环辨识方法，其中，所述新粒子的获取过程包括，
根据待辨识参数的维度，设定精英蚁狮位置，即初始粒子；所述初始粒子的维度与待辨识参数的维度一致；
通过混沌算法对初始粒子进行处理，获取初始粒子每个维度对应的新元素；
将初始粒子中一个维度的元素用对应的新元素替代，获得一个新粒子。
4.根据权利要求1～3任一项所述的水电机组参数闭环辨识方法，其中，所述结束条件为迭代次数和/或精英蚁狮精确度。
5.根据权利要求1～3任一项所述的水电机组参数闭环辨识方法，其中，所述精英蚁狮为蚁狮群中适应度值最小的个体。
6.根据权利要求1～3任一项所述的水电机组参数闭环辨识方法，其中，所述水轮机调速闭环实际系统模型包括降阶弹性水击方程。
7.根据权利要求1～3任一项所述的水电机组参数闭环辨识方法，其中，所述水轮机调速闭环实际系统模型采用六阶状态空间方程表示。
8.根据权利要求1～3任一项所述的水电机组参数闭环辨识方法，其中，所述输出信号包括导叶开度、力矩和机组频率信号。
9.根据权利要求1～3任一项所述的水电机组参数闭环辨识方法，其中，激励信号在空载工况下幅值为0.04p.u.频率给定阶跃信号，激励信号在负载工况下为幅值为-0.1p.u.负荷扰动阶跃信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711098158.7A CN107798199B (zh) | 2017-11-09 | 2017-11-09 | 一种水电机组参数闭环辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711098158.7A CN107798199B (zh) | 2017-11-09 | 2017-11-09 | 一种水电机组参数闭环辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107798199A CN107798199A (zh) | 2018-03-13 |
| CN107798199B true CN107798199B (zh) | 2020-07-07 |
Family
ID=61549521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711098158.7A Expired - Fee Related CN107798199B (zh) | 2017-11-09 | 2017-11-09 | 一种水电机组参数闭环辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107798199B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108551286B (zh) * | 2018-05-02 | 2021-05-07 | 湖南大学 | 一种交流伺服电机现场效率检测方法和系统 |
| CN109143893B (zh) * | 2018-09-19 | 2021-06-15 | 国网湖南省电力有限公司 | 一种基于真机实测的水轮机特性获取方法 |
| CN109989875B (zh) * | 2019-04-03 | 2020-07-14 | 中国水利水电科学研究院 | 一种水轮机调节系统参数辨识方法 |
| CN110222711B (zh) * | 2019-04-30 | 2021-06-18 | 杭州意能电力技术有限公司 | 一种基于深度学习的工业过程多阶惯性系统开环辨识方法 |
| CN110513603B (zh) * | 2019-08-13 | 2021-09-28 | 常州大学 | 一种基于逆瞬态分析法的非金属管道泄漏定位方法 |
| CN111523749B (zh) * | 2020-02-28 | 2022-05-13 | 华中科技大学 | 一种水电机组模型智能辨识方法 |
| CN111985678A (zh) * | 2020-07-06 | 2020-11-24 | 上海交通大学 | 一种光伏功率短期预测方法 |
| CN111931613B (zh) * | 2020-07-27 | 2023-02-03 | 国家电网公司华东分部 | 基于数据融合的发电机励磁系统参数辨识方法、装置和存储介质 |
| CN112329371B (zh) * | 2020-11-06 | 2024-06-14 | 辽宁工程技术大学 | 一种基于IALO-BP神经网络的Doherty功率放大器逆向建模方法 |
| CN112366735B (zh) * | 2020-12-01 | 2022-06-07 | 合肥工业大学 | 一种基于自适应在线模型辨识的微电网二次调频方法 |
| CN113721461A (zh) * | 2021-07-22 | 2021-11-30 | 中国电力科学研究院有限公司 | 一种基于多试验场景的新能源机组参数辨识方法及系统 |
| CN115659641B (zh) * | 2022-10-26 | 2024-03-08 | 武汉大学 | 面向水华防控的水工程多目标优化调度方法 |
| CN117193404A (zh) * | 2023-09-28 | 2023-12-08 | 武汉船舶职业技术学院 | 一种水电机组模型多目标优化控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105334846A (zh) * | 2015-12-07 | 2016-02-17 | 四川中鼎科技有限公司 | 水电站引水系统动态特性参数原型试验方法 |
| WO2017007713A1 (en) * | 2015-07-06 | 2017-01-12 | Locus Energy, Inc. | Solar irradiance modeling augmented with atmospheric water vapor data |
| CN106681133A (zh) * | 2016-12-29 | 2017-05-17 | 中国南方电网有限责任公司电网技术研究中心 | 一种水电机组模型改进型子空间闭环辨识方法 |
| CN107274038A (zh) * | 2017-07-31 | 2017-10-20 | 上海电力学院 | 一种基于蚁狮优化的lssvm年用电量预测方法 |
-
2017
- 2017-11-09 CN CN201711098158.7A patent/CN107798199B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017007713A1 (en) * | 2015-07-06 | 2017-01-12 | Locus Energy, Inc. | Solar irradiance modeling augmented with atmospheric water vapor data |
| CN105334846A (zh) * | 2015-12-07 | 2016-02-17 | 四川中鼎科技有限公司 | 水电站引水系统动态特性参数原型试验方法 |
| CN106681133A (zh) * | 2016-12-29 | 2017-05-17 | 中国南方电网有限责任公司电网技术研究中心 | 一种水电机组模型改进型子空间闭环辨识方法 |
| CN107274038A (zh) * | 2017-07-31 | 2017-10-20 | 上海电力学院 | 一种基于蚁狮优化的lssvm年用电量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 水电机组原动机及其调节系统精细化建模;刘昌玉 等;《电网技术》;20150131;第39卷(第1期);第230-235页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107798199A (zh) | 2018-03-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798199B (zh) | 一种水电机组参数闭环辨识方法 | |
| Rahimian et al. | Optimal PID controller design for AVR system using particle swarm optimization algorithm | |
| Pradhan et al. | Design of PID controller for automatic voltage regulator system using Ant Lion Optimizer | |
| CN111523749B (zh) | 一种水电机组模型智能辨识方法 | |
| Manju et al. | An analysis of Q-learning algorithms with strategies of reward function | |
| CN105700353A (zh) | 一种基于差分进化算法的pid控制器参数优化整定方法 | |
| Huang et al. | Orthogonal least squares algorithm for training cascade neural networks | |
| CN108121215B (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
| CN105298734B (zh) | 一种水轮机调节系统的参数辨识方法 | |
| CN111222286A (zh) | 一种基于输电线路状态估计的参数优化方法 | |
| CN109472105A (zh) | 半导体产品良率上限分析方法 | |
| Bourouba et al. | Comparative performance analysis of GA, PSO, CA and ABC algorithms for ractional PI λ D μ controller tuning | |
| Balavalikar et al. | Particle swarm optimization based artificial neural network model for forecasting groundwater level in Udupi district | |
| Łapa et al. | Aspects of structure and parameters selection of control systems using selected multi-population algorithms | |
| CN109858798A (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
| Wei | An improved whale optimization algorithm with cultural mechanism for high-dimensional global optimization problems | |
| CN114330119B (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
| CN107194155A (zh) | 一种基于小数据集和贝叶斯网络的威胁评估建模方法 | |
| Panda et al. | Reduction of linear time-invariant systems using Routh-approximation and PSO | |
| Saber et al. | Real-time optimization for an AVR system using enhanced Harris Hawk and IIoT | |
| CN111539508B (zh) | 基于改进灰狼算法的发电机励磁系统参数辨识算法 | |
| Abugri et al. | Particle swarm optimization for the minimization of power losses in distribution networks | |
| Kumar et al. | Whale optimisation algorithm tuned fractional order PIλDμ controller for load frequency control of multi-source power system | |
| Ahmed et al. | Solving combined economic and emission dispatch problem using the slime mould algorithm | |
| CN116663637A (zh) | 一种多层级智能体同步嵌套训练方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200707 Termination date: 20211109 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |