CN111488690B - 一种冲击式水轮发电机调速器空载调节参数优化方法 - Google Patents

Abstract

本申请属于水力发电设备技术领域，尤其涉及一种冲击式水轮发电机调速器空载调节参数优化方法。为了优化冲击式水轮机调速器的参数，以提升冲击式水轮发电机运行过程中的稳定性，本申请公开了一种方法，通过引入冲击式水轮发电机调速系统相关数学模型、确定ITAE指标为优化评价目标；依据改进的算法得到当前种群的“最优个体”更新下一代个体，引导算法进行全局搜索；在种群的更新过程中采用差分进化思想不断更新个体和种群，使优势个体的历史信息得到充分利用，保证了算法的全局搜索具有一定的宽度；在算法的选择阶段采用概率机制对个体进行更新以及变异操作阶段中对F因子的优化使得算法的搜索领域更为广泛；从而让解的质量得到明显改善。

Description

一种冲击式水轮发电机调速器空载调节参数优化方法

技术领域

本申请涉及水力发电设备技术领域，尤其涉及一种冲击式水轮发电机调速器空载调节参数优化方法。

背景技术

水能是蕴藏于河川和海洋水体中的势能和动能，是洁净的一次能源，用之不竭的可再生能源。通过水力发电可将水能转化为电能，进而为人们所利用。

水力发电的基本原理是利用水位落差，配合水轮发电机产生电力，也就是利用水的位能转为水轮的机械能，再以机械能推动发电机，而得到电力。科学家们以此水位落差的天然条件，有效的利用流力工程及机械物理等，精心搭配以达到最高的发电量，供人们使用廉价又无污染的电力。

冲击式水轮发电机作为一种常见的水力发电机被广泛使用，冲击式水轮发电机存在负载和空载两种不同工作状态，无论处于哪种状态，冲击式水轮发电机的调速器的各种参数需要预先设定，进而开启冲击式水轮发电机的运行。

因此，如何更好地优化冲击式水轮机调速器的参数，以进一步提升冲击式水轮发电机运行过程中的稳定性成为亟待解决的技术问题。

发明内容

本申请提供了一种冲击式水轮发电机调速器空载调节参数优化方法，以解决优化冲击式水轮机调速器的参数，提升冲击式水轮发电机运行过程中的稳定性的问题。

本申请采用的技术方案如下：

一种冲击式水轮发电机调速器空载调节参数优化方法，包括以下步骤：

S1001,建立调速系统模型，选取优化PID目标参数为K_P、K_I、K_D、bp、fzo及fzc，其中，K_P为比例增益、K_I为积分增益、K_D为微分增益、bp为永态转差系数、fzo为折向器开启频率、fzc为折向器关闭频率；

S1002,选择解的编码方式，进行种群初始化：采用随机方法产生初始解、初始温度T₀以及最终温度T₁，直至初始解的数量达到种群规模popsize，设定DE算法的一个解x_i＝[x₁,x₂,x₃···x_d]为种群中的一个染色体,其中x_i表示种群的第i个染色体，x_i表示K_P、K_I、K_D、bp、fzo及fzc的其中一个的取值，通过随机生成的方式生成数目为n的种群，生成方式为：

x_i,k＝l_k+rand()*(u_k-l_k)式中：k＝1,2…d,i＝1..n，rand()∈(0,1)；

S1003,对于种群中的每个个体x_i，随机选择和x_i不同的三个个体(x_r1，x_r2，x_r3，其中r1≠r2≠r3≠i)执行变异操作生成一个目标个体t_i；

S1004,选用二项交叉操作方式对x_i和t_i进行交叉操作生成新解v_i；

S1005,评价测试染色体v_i(gen)和当前染色体x_i(gen)，选择较优的染色体进入下一代搜索；

S1006,利用公式T(gen)＝γ*T₀,γ∈(0,1)对温度T(gen)进行更新操作，T(gen)为当前迭代次数下的温度，若T(gen)＜T₁则算法终止，并从迭代优化后的种群中选取一组评价指标最小的PID目标参数，作为最优PID目标参数，否则跳转至步骤S1002继续执行。

可选的，所述步骤S1001中，所述调速系统模型包括：调速系统PID传递函数模型、喷针机构传递函数模型、折向器机构传递函数模型、引水系统数学模型、发电机负荷数学模型；

所述调速系统PID传递函数模型的传递函数为：

所述喷针机构传递函数模型的执行流程为：对输入信号Y_PID依次进行K_P1放大、死区约束、积分、限速、限位运算后转变为Y_G信号；

所述折向器机构传递函数模型的执行流程为：对频率信号f依次进行0、1变换、死区约束、比例放大、惯性作用、限速、限位运算后转变为Y_Z信号，其中：0、1变换的公式为：

所述引水系统数学模型为其中，K_y为水流修正系数，T_w为水流惯性时间常数，P_w(s)为机组机械功率；

发电机负荷数学模型为其中，F(s)为机组频率，T_a为机组惯性时间常数，e_n为机组静态频率自调节特性系数。

可选的，所述解的编码方式为实数编码机制，标准差分进化算法个体是以实数串表示的，在此采用基于随机键的编码方法对调速系统空载参数进行实数编码，其取值范围分别为K_P∈[0,10]、K_I∈[0,10]、K_D∈[0,5]、b_p∈[0,1％]、f_zc∈[53Hz,56Hz]、f_zo∈[50.5Hz,52.5Hz]。

可选的，所述种群的规模popsize＝n*10，其中n为种群中PID参数的个数。

可选的，在所述S1004步骤中，采用二项交叉方法计算新解，具体包括：

对x_i染色体中的每一个变量对应位置都生成一个(0,1)之间均匀分布的随机数r，将r与设置值cr进行比较，若r小于设置值cr，则接受目标染色体的对应位置的变量，否则保留当前染色体的对应位置的变量：

可选的，在所述S1003步骤中，对于种群中的每个个体x_i，随机选择和x_i不同的三个个体(x_r1,x_r2,x_r3,其中r1≠r2≠r3≠i)执行变异操作生成一个目标个体t_i个体，具体变异操作包括：

t_i(gen)＝x_r1(gen)+F*[x_r2(gen)-x_r3(gen)]

其中，r₁,r₂,r₃∈{1,2,3,…,N}为不等于i且互不相同的整数；变异操作缩放比例因子F的变化参考公式:

其中，F∈[F_min,F_max]，E为增益基准值，M_a和M_b为迭代特征值，F_min和F_max分别为F的最小值和最大值(公式中设置F_min＝0，F_max＝2，M_a＝M_b＝5，T＝50)。

可选的，在所述具体包括的步骤之后，还包括：

在测试染色体v_i(gen)和当前染色体x_i(gen)中，选择较优的染色体进入下一代搜索，即以概率P_choose(gen)接受较差解：

其中，r为(0,1)之间均匀分布的一个随机数；T为当前迭代次数下的温度值；P_choose(gen)表示gen迭代次数下的选择概率；f(v_i(gen))表示gen迭代次数下所生成的新解；f(x_i(gen))表示在gen迭代次数下当前个体的解。

可选的，在所述步骤S1006中，预设T₁＝96％T₀，当T(gen)＜96％T₀时，算法终止，并从迭代优化后的种群中选取一组评价指标最小的PID目标参数，作为最优PID目标参数。

可选的，所述评价指标为ITAE指标，即误差绝对值时间积分指标，表达式为：

其中，t为时间单位；t_s为时间积分上限；e(t)为机组转速误差。

采用本申请的技术方案的有益效果如下：

本申请通过引入冲击式水轮发电机调速系统相关数学模型、确定ITAE指标为优化评价目标，使控制过程的表达更加清晰准确；采用依据算法步骤得到的当前种群的“最优个体”更新下一代个体，能够更好的引导算法进行全局搜索；在种群的更新过程中采用算法中的差分进化思想不断更新个体和种群，不仅能够使得优势个体的历史信息得到充分利用，还可以保证算法的全局搜索具有一定的宽度；同时，在算法的选择阶段采用概率机制对个体进行更新以及变异操作阶段对F因子的优化使得算法的搜索领域更为广泛；从而让解的质量得到明显改善。实现了优化冲击式水轮机调速器的参数，提升冲击式水轮发电机运行过程中的稳定性的目标。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的冲击式水轮机调速系统PID控制规律的传递函数模型的运算示意框图；

图2为本申请实施例提供的冲击式水轮机调速系统喷针机构的传递函数模型的运算示意框图；

图3为本申请实施例提供的冲击式水轮机调速系统折向器机构的传递函数模型的运算示意框图；

图4为本申请实施例提供的冲击式水轮发电机引水系统数学模型的运算示意框图；

图5为本申请实施例提供的冲击式水轮发电机的发电机负荷数学模型的运算示意框图；

图6为本申请实施例提供的冲击式水轮发电机调速系统空载扰动仿真数学模型的运算示意框图；

图7为本申请实施例的流程框图。

具体实施方式

下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。

参见说明书附图7，为本申请实施例的流程框图。便于理解下述实施例的技术方案。

本申请提供的一种冲击式水轮发电机调速器空载调节参数优化方法，包括以下步骤：

S1001,建立调速系统模型，选取优化PID目标参数为K_P、K_I、K_D、bp、fzo及fzc，其中，K_P为比例增益、K_I为积分增益、K_D为微分增益、bp为永态转差系数、fzo为折向器开启频率、fzc为折向器关闭频率；

S1002,选择解的编码方式，进行种群初始化：采用随机方法产生初始解、初始温度T₀以及最终温度T₁，直至初始解的数量达到种群规模popsize，设定DE算法的一个解x_i＝[x₁,x₂,x₃···x_d]为种群中的一个染色体,其中x_i表示种群的第i个染色体，x_i表示K_P、K_I、K_D、bp、fzo及fzc的其中一个的取值，通过随机生成的方式生成数目为n的种群，生成方式为：

x_i,k＝l_k+rand()*(u_k-l_k)式中：k＝1,2…d,i＝1..n，rand()∈(0,1)；

S1003,对于种群中的每个个体x_i，随机选择和x_i不同的三个个体(x_r1，x_r2，x_r3，其中r1≠r2≠r3≠i)执行变异操作生成一个目标个体t_i；

S1004,选用二项交叉操作方式对x_i和t_i进行交叉操作生成新解v_i；

S1005,评价测试染色体v_i(gen)和当前染色体x_i(gen)，选择较优的染色体进入下一代搜索；

S1006,利用公式T(gen)＝γ*T₀,γ∈(0,1)对温度T(gen)进行更新操作，T(gen)为当前迭代次数下的温度，若T(gen)＜T₁则算法终止，并从迭代优化后的种群中选取一组评价指标最小的PID目标参数，作为最优PID目标参数，否则跳转至步骤S1002继续执行。

可选的，所述步骤S1001中，所述调速系统模型包括：调速系统PID传递函数模型、喷针机构传递函数模型、折向器机构传递函数模型、引水系统数学模型、发电机负荷数学模型；

所述调速系统PID传递函数模型的传递函数为：

参见附图1，便于理解基于冲击式水轮机调速系统PID控制规律的传递函数模型,其中，Fc为机组频率给定；F_G为实际机组频率；K_P、K_I、K_D分别为比例、积分、微分增益；T_1v为微分时间常数；bp为永态转差系数；Y_PID为PID控制信号输出；s为拉氏算子。

所述喷针机构传递函数模型的执行流程为：对输入信号Y_PID依次进行K_P1放大、死区约束、积分、限速、限位运算后转变为Y_G信号；

参见附图2，便于理解基于冲击式水轮机调速系统喷针机构传递函数模型，其中，Y_G为喷针开度输出值；K_P1为喷针执行机构放大增益。

所述折向器机构传递函数模型的执行流程为：对频率信号f依次进行0、1变换、死区约束、比例放大、惯性作用、限速、限位运算后转变为Y_z信号，其中：0、1变换的公式为：

参见图3，便于理解基于上述冲击式水轮机调速系统折向器机构建立的传递函数模型：其中，Yz为折向器开度输出值；f为输入频率值；fzo为折向器开启频率；fzc为折向器关闭频率；Ka为折向器放大增益；Ta为接力器时间常数。

所述引水系统数学模型为其中，K_y为水流修正系数，T_w为水流惯性时间常数，P_w(s)为机组机械功率；

参见图4，便于理解一个实施例的引水系统数学模型，采用简化版刚性水锤表达式来描述：其中，Ky为水流修正系数；Tw为水流惯性时间常数；Pw(s)为机组机械功率

所述发电机负荷数学模型为其中，F(s)为机组频率，T_a为机组惯性时间常数，e_n为机组静态频率自调节特性系数。

参见图5，便于理解上述发电机负荷数学模型，采用一阶惯性环节描述：其中，F(s)为机组频率；Ta为机组惯性时间常数；en为机组静态频率自调节特性系数。

基于上述模型建立调速系统空载扰动仿真数学模型，参见图6：其中，F1(s)为机组频率扰动；F(s)为机组仿真频率；e(s)为扰动频率与仿真频率偏差。

可选的，所述解的编码方式为实数编码机制，标准差分进化算法个体是以实数串表示的，在此采用基于随机键的编码方法对调速系统空载参数进行实数编码，其取值范围分别为K_P∈[0,10]、K_I∈[0,10]、K_D∈[0,5]、bp∈[0,1％]、fzc∈[53Hz,56Hz]、fzo∈[50.5Hz,52.5Hz]。

本实施例中，解的编码方式是算法迭代寻优的前提。通过建立问题解空间和算法解空间的合理映射，不仅可以有效的反映问题自身的结构特性，同时也方便解码操作进而形成可行解，对于PID及折向器参数问题，本发明提出实数编码机制。标准差分进化算法个体是以实数串表示的，在此采用基于随机键的编码方法对调速系统空载参数进行实数编码，其取值范围分别为KP、KI∈[0,10],KD∈[0,5],bp∈[0,1％],fzc∈[53Hz,56Hz],fzo∈[50.5Hz,52.5Hz]。

可选的，所述种群的规模popsize＝n*10，其中n为种群中PID参数的个数。

可选的，在所述S1004步骤中，采用二项交叉方法计算新解，具体包括：

对xi染色体中的每一个变量对应位置都生成一个(0,1)之间均匀分布的随机数r，将r与设置值cr进行比较，若r小于设置值cr，则接受目标染色体的对应位置的变量，否则保留当前染色体的对应位置的变量：

可选的，在所述S1003步骤中，对于种群中的每个个体xi，随机选择和xi不同的三个个体(xr1,xr2,xr3,其中r1≠r2≠r3≠i)执行变异操作生成一个目标个体ti个体，具体变异操作包括：

t_i(gen)＝x_r1(gen)+F*[x_r2(gen)-x_r3(gen)]

其中，r₁,r₂,r₃∈{1,2,3,…,N}为不等于i且互不相同的整数；变异操作缩放比例因子F的变化参考公式：

其中，F∈[F_min,F_max]，E为增益基准值，M_a和M_b为迭代特征值，F_min和F_max分别为F的最小值和最大值(公式中设置F_min＝0，F_max＝2，M_a＝M_b＝5，T＝50)。

可选的，在所述具体包括的步骤之后，还包括：

在测试染色体v_i(gen)和当前染色体x_i(gen)中，选择较优的染色体进入下一代搜索，即以概率P_choose(gen)接受较差解：

其中，r为(0,1)之间均匀分布的一个随机数；T为当前迭代次数下的温度值；P_choose(gen)表示gen迭代次数下的选择概率；f(v_i(gen))表示gen迭代次数下所生成的新解；f(x_i(gen))表示在gen迭代次数下当前个体的解。

可选的，在所述步骤S1006中，预设T₁＝96％T₀，当T(gen)＜96％T₀时，算法终止，并从迭代优化后的种群中选取一组评价指标最小的PID目标参数，作为最优PID目标参数。

可选的，所述评价指标为ITAE指标，即误差绝对值时间积分指标，表达式为：

其中，t为时间单位；t_s为时间积分上限；e(t)为机组转速误差。

试验验证：为了验证本发明所提的IHDE算法的有效性和鲁棒性，将IHDE与标准DE进行对比，具体试验参数设置如下：

所有算法在Matlab 2018a进行编程，硬件环境均在Intel core i7 2.80GHz、内存为16G的PC机上进行实验。所有算法独立运行20次取最大值、最小值、平均值、标准差指标进行评价。仿真参数设置如下：调速系统PID控制环节的优化参数为K_P，K_I，K_D，b_P，f_zo，f_zc各参数的取值范围分别为K_P,K_I∈[0,10],K_D∈[0,5],b_P∈[0,1％,f_zo∈[50.5Hz,52.5Hz],f_zc∈[53Hz,56Hz]。设置参数辨识T_1v＝0.10s,K_P1＝4，T_w＝3.5s，T_a＝6.2s，e_n＝1.0，K_y＝0.5。仿真时间取值为100s；扰动频率为4％的额定转速，即2Hz。IHDE算法设置为：N＝20，T_o＝1000，T₁＝100，γ＝0.89。

表1基于ITAE指标的IHDE、DE参数比较

从表1可知，IHDE的最大值、平均值、最小值以及标准差均优于标准DE，这表明了IHDE算法的有效性，也证明了IHDE算法是优化冲击式水轮机调速器空载PID参数及折向器开启、关闭频率的一种有效算法。

本申请通过引入冲击式水轮发电机调速系统相关数学模型、确定ITAE指标为优化评价目标，使控制过程的表达更加清晰准确；采用依据算法步骤得到的当前种群的“最优个体”更新下一代个体，能够更好的引导算法进行全局搜索；在种群的更新过程中采用算法中的差分进化思想不断更新个体和种群，不仅能够使得优势个体的历史信息得到充分利用，还可以保证算法的全局搜索具有一定的宽度；同时，在算法的选择阶段采用概率机制对个体进行更新以及变异操作阶段对F因子的优化使得算法的搜索领域更为广泛；从而让解的质量得到明显改善。实现了优化冲击式水轮机调速器的参数，提升冲击式水轮发电机运行过程中的稳定性的目标。

本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (9)

1.一种冲击式水轮发电机调速器空载调节参数优化方法，其特征在于，包括以下步骤：

S1001,建立调速系统模型，选取优化PID目标参数为K_P、K_I、K_D、bp、fzo及fzc，其中，K_P为比例增益、K_I为积分增益、K_D为微分增益、bp为永态转差系数、fzo为折向器开启频率、fzc为折向器关闭频率；

S1002,选择解的编码方式，进行种群初始化：采用随机方法产生初始解、初始温度T₀以及最终温度T₁，直至初始解的数量达到种群规模popsize，设定DE算法的一个解x_i＝[x₁,x₂,x₃···x_d]为种群中的一个染色体,其中x_i表示种群的第i个染色体，x_i表示K_P、K_I、K_D、bp、fzo及fzc的其中一个的取值，通过随机生成的方式生成数目为n的种群，生成方式为：

x_i,k＝l_k+rand()*(u_k-l_k)式中：k＝1,2…d,i＝1..n，rand()∈(0,1)；

S1003,对于种群中的每个个体x_i，随机选择和x_i不同的三个个体x_r1，x_r2，x_r3，其中r1≠r2≠r3≠i，执行变异操作生成一个目标个体t_i；

S1004,选用二项交叉操作方式对x_i和t_i进行交叉操作生成新解v_i；

S1005,评价测试染色体v_i(gen)和当前染色体x_i(gen)，选择较优的染色体进入下一代搜索；

S1006,利用公式T(gen)＝γ*T₀,γ∈(0,1)对温度T(gen)进行更新操作，T(gen)为当前迭代次数下的温度，若T(gen)＜T₁则算法终止，并从迭代优化后的种群中选取一组评价指标最小的PID目标参数，作为最优PID目标参数，否则跳转至步骤S1002继续执行。

2.根据权利要求1所述的冲击式水轮发电机调速器空载调节参数优化方法，其特征在于，所述步骤S1001中，所述调速系统模型包括：调速系统PID传递函数模型、喷针机构传递函数模型、折向器机构传递函数模型、引水系统数学模型、发电机负荷数学模型；

所述调速系统PID传递函数模型的传递函数为：

所述喷针机构传递函数模型的执行流程为：对输入信号Y_PID依次进行K_P1放大、死区约束、积分、限速、限位运算后转变为Y_G信号；

所述折向器机构传递函数模型的执行流程为：对频率信号f依次进行0、1变换、死区约束、比例放大、惯性作用、限速、限位运算后转变为Y_Z信号，其中：0、1变换的公式为：

所述引水系统数学模型为其中，K_y为水流修正系数，T_w为水流惯性时间常数，P_w(s)为机组机械功率；

所述发电机负荷数学模型为其中，F(s)为机组频率，T_a为机组惯性时间常数，e_n为机组静态频率自调节特性系数。

3.根据权利要求1所述的冲击式水轮发电机调速器空载调节参数优化方法，其特征在于，所述解的编码方式为实数编码机制，标准差分进化算法个体是以实数串表示的，在此采用基于随机键的编码方法对调速系统空载参数进行实数编码，其取值范围分别为K_P∈[0,10]、K_I∈[0,10]、K_D∈[0,5]、b_p∈[0,1％]、f_zc∈[53Hz,56Hz]、f_zo∈[50.5Hz,52.5Hz]。

4.根据权利要求1或3所述的冲击式水轮发电机调速器空载调节参数优化方法，其特征在于，所述种群的规模popsize＝n*10，其中n为种群中PID参数的个数。

5.根据权利要求1所述的冲击式水轮发电机调速器空载调节参数优化方法，其特征在于，在所述S1004步骤中，采用二项交叉方法计算新解，具体包括：

对x_i染色体中的每一个变量对应位置都生成一个(0,1)之间均匀分布的随机数r，将r与设置值cr进行比较，若r小于设置值cr，则接受目标染色体的对应位置的变量，否则保留当前染色体的对应位置的变量：

6.根据权利要求1所述的冲击式水轮发电机调速器空载调节参数优化方法，其特征在于，在所述S1003步骤中，对于种群中的每个个体x_i，随机选择和x_i不同的三个个体x_r1,x_r2,x_r3,其中r1≠r2≠r3≠i，执行变异操作生成一个目标个体t_i个体，具体变异操作包括：

t_i(gen)＝x_r1(gen)+F*[x_r2(gen)-x_r3(gen)]

其中，r₁,r₂,r₃∈{1,2,3,…,N}为不等于i且互不相同的整数；变异操作缩放比例因子F的变化参考公式:

其中，F∈[F_min,F_max]，E为增益基准值，M_a和M_b为迭代特征值，F_min和F_max分别为F的最小值和最大值，公式中设置F_min＝0，F_max＝2，M_a＝M_b＝5，T＝50。

7.根据权利要求5所述的冲击式水轮发电机调速器空载调节参数优化方法，其特征在于，在所述具体包括的步骤之后，还包括：

在测试染色体v_i(gen)和当前染色体x_i(gen)中，选择较优的染色体进入下一代搜索，即以概率P_choose(gen)接受较差解：

其中，r为(0,1)之间均匀分布的一个随机数；T为当前迭代次数下的温度值；P_choose(gen)表示gen迭代次数下的选择概率；f(v_i(gen))表示gen迭代次数下所生成的新解；f(x_i(gen))表示在gen迭代次数下当前个体的解。

8.根据权利要求1所述的冲击式水轮发电机调速器空载调节参数优化方法，其特征在于，在所述步骤S1006中，预设T₁＝96％T₀，当T(gen)＜96％T₀时，算法终止，并从迭代优化后的种群中选取一组评价指标最小的PID目标参数，作为最优PID目标参数。

9.根据权利要求1所述的冲击式水轮发电机调速器空载调节参数优化方法，其特征在于，所述评价指标为ITAE指标，即误差绝对值时间积分指标，表达式为：

其中，t为时间单位；t_s为时间积分上限；e(t)为机组转速误差。