CN114995105A - 一种基于改进遗传算法的水轮机调节系统pid参数优化方法 - Google Patents

Abstract

本发明公开了一种基于改进遗传算法的水轮机调节系统PID参数优化方法，包括：根据水轮机的参数建立水轮机调节系统非线性模型，并搭建仿真平台；定义目标优化函数；利用自适应萤火虫遗传算法优化所述水轮机调节系统非线性模型的PID参数，以获得所述目标优化函数最优解；本发明能够明显提高调水轮机调节系统PID参数全局搜索最优解的能力和寻优效率，提升机组负荷调节过渡过程性能，对机组的稳定运行及改善调节品质起到了很好的作用。

Description

一种基于改进遗传算法的水轮机调节系统PID参数优化方法

技术领域

本发明涉及水轮发电机组调节系统的技术领域，尤其涉及一种基于改进遗传算法的水轮机调节系统PID参数优化方法。

背景技术

水轮发电机组调节系统是由引水系统、水轮机、发电机和调速器等组成的水机电综合控制系统，不仅本身复杂，其被控对象也具有特殊性和不易控制性。在水电厂的实际生产中，已经确定了被控对象和调速器结构，主要依靠调整调速器PID参数来改善调节系统的稳定性、提高调节系统控制性能。传统的水轮发电机组调速器PID参数优化方法通常是电力测试人员在现有的经验公式基础上，通过现场不断调整、测试，分析调节系统特性，确定一个最优的PID参数。这种方法依赖测试人员经验、耗时且判断准确度有限。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案，包括：根据水轮机的参数建立水轮机调节系统非线性模型，并搭建仿真平台；定义目标优化函数；利用自适应萤火虫遗传算法优化所述水轮机调节系统非线性模型的PID参数，以获得所述目标优化函数最优解。

作为本发明所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的一种优选方案，其中，所述水轮机调节系统非线性模型包括：水轮发电机组调节系统由调速器和调节对象组成一个闭环控制系统；所述水轮机调节系统非线性模型包括调速器模块、机械液压系统模块、引水系统模块、水轮机模块、发电机模块。

作为本发明所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的一种优选方案，其中，所述目标优化函数包括：

机组转速误差e(t)为：

e(t)＝x(t)-c

其中，x(t)为发电机转速，c为转速给定信号；

将水轮发电机组转速偏差的ITAE指标作为目标优化函数J_ITAE：

其中，t为时刻，t_s为积分上限时刻。

作为本发明所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的一种优选方案，其中，所述自适应萤火虫遗传算法包括：初始化所述PID参数，产生初始种群N，设置迭代次数；利用所述目标优化函数计算适应度函数，以计算种群中每个个体的适应度；判断迭代次数，达到最大即可输出最优解，结束程序；否则进行选择、交叉遗传和萤火虫变异，生成子种群，重新计算适应度，直至达到最大迭代次数。

作为本发明所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的一种优选方案，其中，所述PID参数包括：所述PID参数包括比例增益K_P、积分增益K_i和微分增益K_d；单个PID参数为个体，PID参数组成的群体为种群，染色体为对所述个体进行二进制编码后所得到的编码串。

作为本发明所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的一种优选方案，其中，所述适应度函数包括：

作为本发明所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的一种优选方案，其中，所述交叉遗传包括：

用自适应交叉公式动态更新交叉概率P_c：

Δf＝f_max-f_ave

其中，f_max为染色体个体最大适应度值，f_ave为种群平均适应度值，k₁为交叉调整速率。

作为本发明所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的一种优选方案，其中，所述萤火虫变异包括：

每个染色体的适应度为亮度，亮度I(r)为：

其中，I₀为萤火虫的初始亮度，r为两只萤火虫间的欧式距离，r_ij为萤火虫i和j间的欧氏距离，γ为光强吸收系数；

吸引度β(r)为：

其中，β₀为光源处的吸引力；

移动公式为：

其中，x_i、x_j分别为萤火虫i、j的空间位置，t_y为迭代次数，β_ij为萤火虫i、j之间的吸引力，αε_i为随机扰动项，α∈[0,1]，ε_i符合高斯分布。

作为本发明所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的一种优选方案，其中，还包括：

用自适应变异概率公式动态更新变异概率P_m：

其中，k₂为变异调整速率。

作为本发明所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的一种优选方案，其中，所述生成子种群包括：使用稳态选择从父代中选择高适应度值的个体生成新的个体，以生成含有N×GGAP个子代的子种群；将所述含有N×GGAP个子代的子种群进行交叉遗传和萤火虫变异，并与适应度前N×(1-GGAP)个父代个体合并，产生个体数为N的子种群；其中，GGAP为下一代群体中区别于上一代的新个体所占比例。

本发明的有益效果：本发明能够明显提高调水轮机调节系统PID参数全局搜索最优解的能力和寻优效率，提升机组负荷调节过渡过程性能，对机组的稳定运行及改善调节品质起到了很好的作用。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的水轮机调节系统结构框图；

图2为本发明第一个实施例所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的水轮机调节系统仿真模型图；

图3为本发明第一个实施例所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的自适应萤火虫遗传算法流程图；

图4为本发明第二个实施例所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的10％负荷扰动优化前后ITAE指标收敛曲线对比图；

图5为本发明第二个实施例所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法的10％负荷扰动优化前后的模型响应曲线对比图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～3，为本发明的第一个实施例，该实施例提供了一种基于改进遗传算法的水轮机调节系统PID参数优化方法，包括：

S1：根据水轮机的参数建立水轮机调节系统非线性模型，并在Matlab/Simulink中搭建仿真平台。

在仿真过程中，水轮机的精细化建模与理想型模型相差不大；因此，可根据理想型水轮机数学模型，建立水轮机调节系统非线性模型；建立水轮机调节系统非线性模型的目的是以此建立仿真模型并验证算法优越性。

水轮发电机组调节系统由调速器和调节对象组成一个闭环控制系统；水轮机调节系统非线性模型包括调速器模块、机械液压系统模块、引水系统模块、水轮机模块、发电机模块，结构见图1，仿真模型见图2。

其中，c为转速给定信号，s为拉普拉斯算子，T_d为微分时间常数，T_y为主接力器响应时间常数，y为接力器位移偏差相对值，e_qy、e_y、e_qh、e_h为水轮机的传递系数，m_t为水轮机力矩偏差相对值，m_g0为负荷扰动，T_a为机组惯性时间常数，e_n为机组自调节系数，x为发电机转速，q为流量偏差相对值，h为水头偏差相对值；各参数的偏差相对值均以额定值为基准值；对于压力引水系统，忽略摩擦阻力，按刚性水锤考虑时引水系统的传递函数G(s)＝－T_Ws，其中T_W为水流惯性时间常数。

S2：定义目标优化函数。

机组转速误差e(t)为：

e(t)＝x(t)-c

其中，x(t)为发电机转速，c为转速给定信号；

将水轮发电机组转速偏差的ITAE指标作为目标优化函数J_ITAE：

其中，t为时刻，t_s为积分上限时刻。

目标优化函数值越小，说明误差在瞬态响应后期越小。

S3：在搭建的仿真平台中，利用自适应萤火虫遗传算法对水轮机调节系统非线性模型的PID参数进行优化，找到最优的PID参数，使得ITAE指标最小；自适应萤火虫遗传算法流程见图3。

(1)初始化PID参数，产生初始种群N，设置迭代次数。

PID参数包括比例增益K_P、积分增益K_i和微分增益K_d；单个PID参数为个体，PID参数组成的群体为种群，染色体为对个体进行二进制编码后所得到的编码串；对K_p、K_i、K_d个体进行二进制编码构成染色体，染色体的每一个基因位的值为0或1。

(2)利用目标优化函数计算适应度函数，以计算种群中每个个体的适应度。

将ITAE指标进行变换作为水轮机调节系统PID参数优化的适应度函数，在图2所示的水轮机调节系统仿真模型中，将计算输出的x(t)代入适应度函数，得到种群中每个个体的适应度，适应度函数f为：

(3)判断迭代次数，达到最大即可输出最优解，结束程序；否则继续进行步骤(4)。

(4)使用稳态选择从父代中选择高适应度值的个体生成新的个体，去除适应度值低的个体，并将N×GGAP个新生成的个体作为子种群；其中，GGAP为下一代群体中区别于上一代的新个体所占比例。

种群多样性是保证算法性能的重要因素，其中交叉概率P_c值过大会使高适应度值个体结构被快速破坏，因此采用能够自适应地调整交叉概率的公式，将子种群中新生成的个体进行部分匹配交叉操作来确保群体的多样性，交叉概率P_c为：

Δf＝f_max-f_ave

其中，f_max为染色体个体最大适应度值，f_ave为种群平均适应度值，k₁为交叉调整速率。

(5)计算交叉遗传操作后种群中每个个体的适应度f_i(i∈[1,N×GGAP])；

(6)采用萤火虫变异机制对每个个体进行变异，萤火虫算法通过模拟自然界中萤火虫的发光行为，来搜索周围发光更亮的同伴；亮度更强的萤火虫将吸引亮度较弱的萤火虫向其移动，最终萤火虫聚集到最亮即最优的位置，实现搜索最优解的功能；每个个体的适应度代表了亮度，萤火虫群体将根据亮度及吸引度进行移动，即适应度低的个体会向适应度高的个体靠近。

每个染色体的适应度为亮度，亮度I(r)为：

其中，I₀为萤火虫的初始亮度，r为两只萤火虫间的欧式距离，r_ij为萤火虫i和j间的欧氏距离，γ为光强吸收系数。

吸引度β(r)为：

其中，β₀为光源处的吸引力。

移动公式为：

其中，x_i、x_j分别为萤火虫i、j的空间位置，t_y为迭代次数，β_ij为萤火虫i、j之间的吸引力，αε_i为随机扰动项，α∈[0,1]，ε_i符合高斯分布。

变异概率的值过小就不容易生成新个体，引入能够自适应调整变异概率的公式确保种群多样性，变异概率P_m为：

其中，k₂为变异调整速率。

(7)将变异后新生成的含有N×GGAP个子代的子种群与适应度前N×(1-GGAP)个父代个体合并，产生个体数为N的子种群。

(8)计算新的子种群中每个个体适应度，返回步骤(3)。

实施例2

参照图4～5，为本发明的第二个实施例。为了对本方法中采用的技术效果加以验证说明，本实施例选择的不同方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

以思林电厂为原型，建立混流式水轮机调节系统数学模型；水轮机型号为HLS270-LJ-680，调速器型号为PPWT-200-6.3，具体模型数据为：T_y＝1.70，T_w＝2.35，T_a＝11.94，T_d＝1.38，e_n＝0，水轮机参数取理想水轮机参数e_y＝1.0，e_qy＝1.0，e_qh＝0.5，e_h＝1.5，在Matlab/Simulink中搭建相应的仿真平台。

为验证自适应萤火虫遗传算法的有效性和可靠性，在相同条件下，分别采用自适应萤火虫遗传算法IFAGA-PID、传统遗传算法GA-PID和电厂预设的PID参数，按照上述混流式水轮机调节系统数学模型参数进行10％负荷扰动实验，仿真时间取100s。

初始化种群产生50个染色体个体，设置迭代次数为100次，其中K_P∈[0,10]，K_i∈[0,10]、K_d∈[0,5]；设置k₁＝1，k₂＝1，β₀＝1。

获得的对比PID参数的评价指标如表1所示，自适应萤火虫遗传算法ITAE指标明显均优于传统遗传算法和电厂预设的PID参数。

表1：优化的参数及指标。

优化方法	K<sub>p</sub>	K<sub>i</sub>	K<sub>d</sub>	ITAE
					电站给定	2.5000	0.5000	2.0000	3.2565
GA-PID	2.2292	0.3592	1.9754	1.7626
					IFAGA-PID	2.4899	0.4134	1.9995	1.2282

适应度值收敛曲线对比如图4所示，可以看出，在设置相同迭代次数情况下，传统遗传算法在迭代63步达到收敛，陷入了局部最优解；而自适应萤火虫遗传算法仅迭代12步就达到最优解，收敛速度更快，体现出自适应萤火虫遗传算法的高效性。

10％负荷扰动后，机组相对转速偏差前100s的过渡过程如图5所示，自适应萤火虫遗传算法优化后的机组转速偏差曲线平滑，上升速度快，调节时间短，超调量小，表明了自适应萤火虫遗传算法具有有效性和可靠性，更有利于机组的稳定运行。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于改进遗传算法的水轮机调节系统PID参数优化方法，其特征在于，包括：

根据水轮机的参数建立水轮机调节系统非线性模型，并搭建仿真平台；

定义目标优化函数；

利用自适应萤火虫遗传算法优化所述水轮机调节系统非线性模型的PID参数，以获得所述目标优化函数最优解。

2.如权利要求1所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法，其特征在于，所述水轮机调节系统非线性模型包括：

水轮发电机组调节系统由调速器和调节对象组成一个闭环控制系统；

所述水轮机调节系统非线性模型包括调速器模块、机械液压系统模块、引水系统模块、水轮机模块、发电机模块。

3.如权利要求1所述的基于改进遗传算法的水轮发电机组调节系统PID参数优化方法，其特征在于，所述目标优化函数包括：

机组转速误差e(t)为：

e(t)＝x(t)-c

其中，x(t)为发电机转速，c为转速给定信号；

将水轮发电机组转速偏差的ITAE指标作为目标优化函数J_ITAE：

其中，t为时刻，t_s为积分上限时刻。

4.如权利要求1所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法，其特征在于，所述自适应萤火虫遗传算法包括：

初始化所述PID参数，产生初始种群N，设置迭代次数；

利用所述目标优化函数计算适应度函数，以计算种群中每个个体的适应度；

判断迭代次数，达到最大即可输出最优解，结束程序；否则进行选择、交叉遗传和萤火虫变异，生成子种群，重新计算适应度，直至达到最大迭代次数。

5.如权利要求4所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法，其特征在于，所述PID参数包括：

所述PID参数包括比例增益K_P、积分增益K_i和微分增益K_d；

单个PID参数为个体，PID参数组成的群体为种群，染色体为对所述个体进行二进制编码后所得到的编码串。

6.如权利要求4所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法，其特征在于，所述适应度函数包括：

7.如权利要求4所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法，其特征在于，所述交叉遗传包括：

用自适应交叉公式动态更新交叉概率P_c：

Δf＝f_max-f_ave

其中，f_max为染色体个体最大适应度值，f_ave为种群平均适应度值，k₁为交叉调整速率。

8.如权利要求4所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法，其特征在于，所述萤火虫变异包括：

每个染色体的适应度为亮度，亮度I(r)为：

其中，I₀为萤火虫的初始亮度，r为两只萤火虫间的欧式距离，r_ij为萤火虫i和j间的欧氏距离，γ为光强吸收系数；

吸引度β(r)为：

其中，β₀为光源处的吸引力；

移动公式为：

其中，x_i、x_j分别为萤火虫i、j的空间位置，t_y为迭代次数，β_ij为萤火虫i、j之间的吸引力，αε_i为随机扰动项，α∈[0,1]，ε_i符合高斯分布。

9.如权利要求8所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法，其特征在于，还包括：

用自适应变异概率公式动态更新变异概率P_m：

其中，k₂为变异调整速率。

10.如权利要求1或4所述的一种基于改进遗传算法的水轮机调节系统PID参数优化方法，其特征在于，所述生成子种群包括：

使用稳态选择从父代中选择高适应度值的个体生成新的个体，以生成含有N×GGAP个子代的子种群；

将所述含有N×GGAP个子代的子种群进行交叉遗传和萤火虫变异，并与适应度前N×(1-GGAP)个父代个体合并，产生个体数为N的子种群；

其中，GGAP为下一代群体中区别于上一代的新个体所占比例。

Images