CN117074939A - 一种水轮发电机组模拟试验系统 - Google Patents

Abstract

本发明公开了一种水轮发电机组模拟试验系统，涉及实验模拟领域，包括多个水轮发电机组，还包括：水轮发电机组切换模块，所述水轮发电机组切换模块用于切换不同的水轮发电机组进行模拟实验；该水轮发电机组模拟试验系统，通过轴线信息采集模块采集实验过程中电机轴线的摆动信息，通过轴线摆动预测模块预测在当前实验环境下轴线的摆动，通过轴线校准模块收集轴线摆动预测模块的轴线摆动预测结果，并对轴线进行校准，通过粒子群对其网络参数进行优化，使用历史最大摆动对其进行训练，得到轴线摆动，再结合轴线计算公式得到轴线调整量，为及时发现机组轴线偏移曲折以及寻找解决方案提供可靠依据，且适用于轴线调整。

Description

一种水轮发电机组模拟试验系统

技术领域

本发明涉及实验模拟技术，具体涉及一种水轮发电机组模拟试验系统。

背景技术

随着国民经济的高速发展，我国水电装机总容量得到了很大的发展，水电站水轮发电机组数量也得到持续增加。水轮发电机是水电站的核心设备，为了保障其安全运行，需要实时监测其运行的电量参数和非电量参数。非电量参数主要包括转速、温度及机械振摆参数，通过监测非电量参数值，可以实时掌握水轮发电机运行的安全状态。

水轮发电机主要机械部件包括上机架、下机架、转子、定子、大轴、金属瓦及油箱等部件，在水轮发电机高转速运行状态下，水轮发电机各个部件温度及机械振动摆度参数会发生相应变化，通过集中监测这些参数可以提前判断发电机的安全运行状态。因电站建设运行条件的差别，转速、温度测量装置分散于不同盘柜，转速、温度参数只进入监控系统，转速多少温度高低没有与振动摆度参数联系起来统一综合判断，甚至现地未建立振动摆度监测系统，不能全面掌握机组动态运行参数。

发明内容

本发明的目的是提供一种水轮发电机组模拟试验系统，以解决现有技术中的上述不足之处。

为了实现上述目的，本发明提供如下技术方案：一种水轮发电机组模拟试验系统，包括多个水轮发电机组，还包括：

水轮发电机组切换模块，所述水轮发电机组切换模块用于切换不同的水轮发电机组进行模拟实验；

环境采集模块，所述环境采集模块用于采集不同水轮发电机组在使用过程中的环境信息；

环境模拟模块，所述环境模拟模块用于根据环境采集模块采集的环境信息对实验环境进行模拟；

电机转速采集模块，所述电机转速采集模块用于采集当前水轮发电机组的电机转速；

发电信息采集模块，所述发电信息采集模块用于采集当前电机转速下的水轮发电机组发电信息，并判断当前水轮发电机组是否满足工作需求；

电机调速模块，所述电机调速模块用于实现拖动电机的恒速、恒扭矩运行；

轴线信息采集模块，所述轴线信息采集模块用于采集实验过程中电机轴线的摆动信息；

轴线摆动预测模块，所述轴线摆动预测模块用于预测在当前实验环境下轴线的摆动；

轴线校准模块，所述轴线校准模块用于收集轴线摆动预测模块的轴线摆动预测结果，并对轴线进行校准；

实验数据分析模块，所述实验数据分析模块用于分析多个水轮发电机组的模拟实验数据；

实验数据记录模块，所述实验数据记录模块用于记录多个水轮发电机组的模拟实验数据；

结果展示模块，所述结果展示模块用于展示多个水轮发电机组的模拟实验数据。

进一步地，所述电机调速模块包括：

参考模块，用于获取电机的转速参考数据；

转速判断模块，用于获取预设调速阈值并与所述转速参考数据比较，据以判断所述转速值是否大于所述预设调速阈值；

常速判定模块，用于在所述转速值大于所述预设调速阈值时，判定所述电机调速系统处于常速模式；

低速判定模块，用于在所述转速值小于或等于所述预设调速阈值时，判定电机调速系统处于低速模式；

控制信息获取模块，用于根据调速模式信息获取调速控制信息；

调速模块，用于根据所述调速控制信息，调节电机的转速与转速参考数据一致。

进一步地，所述控制信息获取模块，包括：

模式获取模块，用于提取所述调速模式信息中的模式判断结果；

常速电机数据模块，用于当所述电机调速系统在所述常速模式下时，获取电机的比例积分微分数据；

常速调速信号模块，用于根据所述比例积分微分数据计算常速调速信号；

低速电机数据模块，用于当所述电机调速系统在所述低速模式下时，获取所述直流电机的微步进电流数据；

低速调速信号模块，用于根据所述微步进电流数据计算低速调速信号。

进一步地，所述实验数据分析模块的具体工作步骤包括：

A1，数据整合，用于将多个进行数据整合；

A2，数据抽取，用于抽取数据整合后的多源电力营销数据；

A3，数据特征提取，用于提取抽取完成的电力营销数据的数据特征；

A4，重要信息提取，用于提取符合数据特征的电力营销数据中含有的重要信息；

A5，信息评价，用于评价重要信息的重要程度；

A6，信息重要程度建模，根据信息评价的信息的重要程度设置对应参数的建模比重。

进一步地，B1，对不同数据源的同一特征序列的趋势项进行归一化(0-1)和降采样处理，特征序列的趋势项经过归一化和降采样处理后变为降采样处理的主要计算公式如下：

M＝K/F，

g(f)＝(Roundup(f×m)-Roundup((f-1)×m)+1)，

其中：F表示将的时间长度平均分成F个区间，同时也是将采样后特征值的总个数；m表示每个区间的长度且不取整；Rounduo(*)为向上取整函数；g(f)表示第f个区间的长度；/>表示第f个区间降采样后特征的取值，/>表示第i个来源数据的第r个特征序列，经指数加权移动平滑处理后的趋势项为

B2，对不同来源数据的同一特征序列之间的相关性进行计算，计算同一特征序列在两两轴承之间的相关性值具体计算公式如下：

式中：n表示数据来源的总个数，表示第1个数据源的第r个特征序列/>与第2个数据源的第r个特征序列/>之间的相关性值；

B3，对步骤B2中计算出的结果进行取均值处理，获得得分Q_r，具体计算公式如下：

式中：E表示q_r中的个数。

进一步地，所述轴线摆动预测模块的具体工作步骤包括：

S1，确定RBF神经网络结构，包含输入层的节点数，隐含层的节点数，输出层的节点数，将历史轴线最大摆动作为输入；

S2，初始化PSO算法相关参数，所述参数包含PSO粒子群的群数，惯性参数，学习参数，以及最大迭代次数；

S3，计算最大摆动粒子的适应度值；

S4，更新最大摆动粒子群的速度和位置；

S5，计算调整后的最大摆动的粒子适应度值；

S6，更新最大摆动种群的个体极值。如果当前的适应度比之前的迭代值更好，那么当前最大摆动的适应度值就是新的个体极值；

S7，更新最大摆动的全局极值。通过比较前面算法获得的最大摆动最优适应度和整体最优适应度，若整体最优适应度好于整体最优，则用新获得的整体最优适应度代替整体最优；

S8，对所设定的终止条件进行判定，如果符合，则前进到下一步，如果不符合，则返回步骤S3。将终止条件设定为最大化的迭代数；

S9，使用粒子群算法得到的RBF神经网络的最优参数后，赋值给RBF神经网络，得到轴线最大摆动预测模型；

S10，利用建立好的模型进行预测，得到轴线最大摆动预测结果。

进一步地，所述轴线摆动预测模块的算法步骤为：

设目标搜索空间的维度是N，粒子群中粒子的数目为D，粒子群优化算法内容如下：

D1，第i个粒子的所处位置为：

X_i＝(x_i，1，x_i，2，…，x_i，N)，i＝1，2，…，D

其中x_i，N代表第i个粒子第N次所处的位置；

D2，第i个粒子的运动速度为：

V_i＝(v_i，1，v_i，2，…，v_i，N)，i＝1，2，…，D

其中v_i，N代表第i个粒子第N次的速度；

D3，第i个粒子目前搜索到的适应度最高的个体最优解：

p_best＝(p_i，1，p_i，2，...，p_i，N)，i＝1，2，...，D；

D4，粒子群落迄今为止搜索的全局最优解：

g_best＝(g₁，g₂，…，g_N)；

D5，粒子在迭代过程中，逐步更新运动速度和所处位置：

其中，c为学习因子，r₁，r₂为[0,1]区间的随机数，t代表当前迭代次数，□ω为惯性权重因子。

与现有技术相比，本发明提供的一种水轮发电机组模拟试验系统，通过轴线信息采集模块采集实验过程中电机轴线的摆动信息，通过轴线摆动预测模块预测在当前实验环境下轴线的摆动，通过轴线校准模块收集轴线摆动预测模块的轴线摆动预测结果，并对轴线进行校准，通过粒子群对其网络参数进行优化，使用历史最大摆动对其进行训练，得到轴线摆动，再结合轴线计算公式得到轴线调整量，为及时发现机组轴线偏移曲折以及寻找解决方案提供可靠依据，且适用于轴线调整。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的整体结构示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。

请参阅图1，一种水轮发电机组模拟试验系统，包括多个水轮发电机组，还包括：

水轮发电机组切换模块，所述水轮发电机组切换模块用于切换不同的水轮发电机组进行模拟实验；

环境采集模块，所述环境采集模块用于采集不同水轮发电机组在使用过程中的环境信息，其中环境信息包括水轮发电机组目标使用环境中水流流速变化规律以及水轮发电机组目标使用环境中环境温度变化规律，此技术在本发明中仅为了给环境模拟模块提供模拟数据，故作为现有技术不做解释；

环境模拟模块，所述环境模拟模块用于根据环境采集模块采集的环境信息对实验环境进行模拟；

电机转速采集模块，所述电机转速采集模块用于采集当前水轮发电机组的电机转速；

发电信息采集模块，所述发电信息采集模块用于采集当前电机转速下的水轮发电机组发电信息，并判断当前水轮发电机组是否满足工作需求；

电机调速模块，所述电机调速模块用于实现拖动电机的恒速、恒扭矩运行；

轴线信息采集模块，所述轴线信息采集模块用于采集实验过程中电机轴线的摆动信息；

轴线摆动预测模块，所述轴线摆动预测模块用于预测在当前实验环境下轴线的摆动；

轴线校准模块，所述轴线校准模块用于收集轴线摆动预测模块的轴线摆动预测结果，并对轴线进行校准；

实验数据分析模块，所述实验数据分析模块用于分析多个水轮发电机组的模拟实验数据；

实验数据记录模块，所述实验数据记录模块用于记录多个水轮发电机组的模拟实验数据；

结果展示模块，所述结果展示模块用于展示多个水轮发电机组的模拟实验数据。

这样设置，通过水轮发电机组切换模块切换不同的水轮发电机组进行模拟实验，通过环境采集模块采集不同水轮发电机组在使用过程中的环境信息，通过环境模拟模块根据环境采集模块采集的环境信息对实验环境进行模拟，通过电机转速采集模块采集当前水轮发电机组的电机转速，通过发电信息采集模块采集当前电机转速下的水轮发电机组发电信息，并判断当前水轮发电机组是否满足工作需求，通过电机调速模块实现拖动电机的恒速、恒扭矩运行，通过轴线信息采集模块采集实验过程中电机轴线的摆动信息，通过轴线摆动预测模块预测在当前实验环境下轴线的摆动，通过轴线校准模块收集轴线摆动预测模块的轴线摆动预测结果，并对轴线进行校准，通过实验数据分析模块分析多个水轮发电机组的模拟实验数据，通过实验数据记录模块记录多个水轮发电机组的模拟实验数据，通过结果展示模块展示多个水轮发电机组的模拟实验数据，同时通过环境模拟模块和轴线摆动预测模块，可以模拟在不同工作环境下水润发电机的轴线摆动幅度。

所述电机调速模块包括：

参考模块，用于获取电机的转速参考数据；

转速判断模块，用于获取预设调速阈值并与所述转速参考数据比较，据以判断所述转速值是否大于所述预设调速阈值；

常速判定模块，用于在所述转速值大于所述预设调速阈值时，判定所述电机调速系统处于常速模式；

低速判定模块，用于在所述转速值小于或等于所述预设调速阈值时，判定电机调速系统处于低速模式；

控制信息获取模块，用于根据调速模式信息获取调速控制信息；

调速模块，用于根据所述调速控制信息，调节电机的转速与转速参考数据一致。

所述控制信息获取模块，包括：

模式获取模块，用于提取所述调速模式信息中的模式判断结果；

常速电机数据模块，用于当所述电机调速系统在所述常速模式下时，获取电机的比例积分微分数据；

常速调速信号模块，用于根据所述比例积分微分数据计算常速调速信号；

低速电机数据模块，用于当所述电机调速系统在所述低速模式下时，获取所述直流电机的微步进电流数据；

低速调速信号模块，用于根据所述微步进电流数据计算低速调速信号。

所述实验数据分析模块的具体工作步骤包括：

A1，数据整合，用于将多个进行数据整合；

A2，数据抽取，用于抽取数据整合后的多源电力营销数据；

A3，数据特征提取，用于提取抽取完成的电力营销数据的数据特征；

A4，重要信息提取，用于提取符合数据特征的电力营销数据中含有的重要信息；

A5，信息评价，用于评价重要信息的重要程度；

A6，信息重要程度建模，根据信息评价的信息的重要程度设置对应参数的建模比重。

B1，对不同数据源的同一特征序列的趋势项进行归一化(0-1)和降采样处理，特征序列的趋势项经过归一化和降采样处理后变为/>降采样处理的主要计算公式如下：

M＝K/F，

g(f)＝(Roundup(f×m)-Roundup((f-1)×m)+1)，

其中：F表示将的时间长度平均分成F个区间，同时也是将采样后特征值的总个数；m表示每个区间的长度且不取整；Rounduo(*)为向上取整函数；g(f)表示第f个区间的长度；/>表示第f个区间降采样后特征的取值，/>表示第i个来源数据的第r个特征序列，经指数加权移动平滑处理后的趋势项为

B2，对不同来源数据的同一特征序列之间的相关性进行计算，计算同一特征序列在两两轴承之间的相关性值具体计算公式如下：

式中：n表示数据来源的总个数，表示第1个数据源的第r个特征序列/>与第2个数据源的第r个特征序列/>之间的相关性值；

B3，对步骤B2中计算出的结果进行取均值处理，获得得分Q_r，具体计算公式如下：

式中：E表示q_r中的个数。

所述轴线摆动预测模块的具体工作步骤包括：

S1，确定RBF神经网络结构，包含输入层的节点数，隐含层的节点数，输出层的节点数，将历史轴线最大摆动作为输入；

S2，初始化PSO算法相关参数，所述参数包含PSO粒子群的群数，惯性参数，学习参数，以及最大迭代次数；

S3，计算最大摆动粒子的适应度值；

S4，更新最大摆动粒子群的速度和位置；

S5，计算调整后的最大摆动的粒子适应度值；

S6，更新最大摆动种群的个体极值。如果当前的适应度比之前的迭代值更好，那么当前最大摆动的适应度值就是新的个体极值；

S7，更新最大摆动的全局极值。通过比较前面算法获得的最大摆动最优适应度和整体最优适应度，若整体最优适应度好于整体最优，则用新获得的整体最优适应度代替整体最优；

S8，对所设定的终止条件进行判定，如果符合，则前进到下一步，如果不符合，则返回步骤S3。将终止条件设定为最大化的迭代数；

S9，使用粒子群算法得到的RBF神经网络的最优参数后，赋值给RBF神经网络，得到轴线最大摆动预测模型；

S10，利用建立好的模型进行预测，得到轴线最大摆动预测结果。

这样设置，通过粒子群对其网络参数进行优化，使用历史最大摆动对其进行训练，得到轴线摆动，再结合轴线计算公式得到轴线调整量，为及时发现机组轴线偏移曲折以及寻找解决方案提供可靠依据，且适用于轴线调整。

所述轴线摆动预测模块的算法步骤为：

设目标搜索空间的维度是N，粒子群中粒子的数目为D，粒子群优化算法内容如下：

D1，第i个粒子的所处位置为：

X_i＝(x_i，1，x_i，2，…，x_i，N)，i＝1，2，…，D

其中x_i，N代表第i个粒子第N次所处的位置；

D2，第i个粒子的运动速度为：

V_i＝(v_i，1，v_i，2，…，v_i，N)，i＝1，2，…，D

其中v_i，N代表第i个粒子第N次的速度；

D3，第i个粒子目前搜索到的适应度最高的个体最优解：

p_best＝(p_i，1，p_i，2，...，p_i，N)，i＝1，2，...，D；

D4，粒子群落迄今为止搜索的全局最优解：

g_best＝(g₁，g₂，…，g_N)；

D5，粒子在迭代过程中，逐步更新运动速度和所处位置：

其中，c为学习因子，r₁，r₂为[0,1]区间的随机数，t代表当前迭代次数，ω为惯性权重因子。

工作原理：使用时，通过水轮发电机组切换模块切换不同的水轮发电机组进行模拟实验，通过环境采集模块采集不同水轮发电机组在使用过程中的环境信息，通过环境模拟模块根据环境采集模块采集的环境信息对实验环境进行模拟，通过电机转速采集模块采集当前水轮发电机组的电机转速，通过发电信息采集模块采集当前电机转速下的水轮发电机组发电信息，并判断当前水轮发电机组是否满足工作需求，通过电机调速模块实现拖动电机的恒速、恒扭矩运行，通过轴线信息采集模块采集实验过程中电机轴线的摆动信息，通过轴线摆动预测模块预测在当前实验环境下轴线的摆动，通过轴线校准模块收集轴线摆动预测模块的轴线摆动预测结果，并对轴线进行校准，通过实验数据分析模块分析多个水轮发电机组的模拟实验数据，通过实验数据记录模块记录多个水轮发电机组的模拟实验数据，通过结果展示模块展示多个水轮发电机组的模拟实验数据。

以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (7)

1.一种水轮发电机组模拟试验系统，包括多个水轮发电机组，其特征在于，还包括：

水轮发电机组切换模块，所述水轮发电机组切换模块用于切换不同的水轮发电机组进行模拟实验；

环境采集模块，所述环境采集模块用于采集不同水轮发电机组在使用过程中的环境信息；

环境模拟模块，所述环境模拟模块用于根据环境采集模块采集的环境信息对实验环境进行模拟；

电机转速采集模块，所述电机转速采集模块用于采集当前水轮发电机组的电机转速；

发电信息采集模块，所述发电信息采集模块用于采集当前电机转速下的水轮发电机组发电信息，并判断当前水轮发电机组是否满足工作需求；

电机调速模块，所述电机调速模块用于实现拖动电机的恒速、恒扭矩运行；

轴线信息采集模块，所述轴线信息采集模块用于采集实验过程中电机轴线的摆动信息；

轴线摆动预测模块，所述轴线摆动预测模块用于预测在当前实验环境下轴线的摆动；

轴线校准模块，所述轴线校准模块用于收集轴线摆动预测模块的轴线摆动预测结果，并对轴线进行校准；

实验数据分析模块，所述实验数据分析模块用于分析多个水轮发电机组的模拟实验数据；

实验数据记录模块，所述实验数据记录模块用于记录多个水轮发电机组的模拟实验数据；

结果展示模块，所述结果展示模块用于展示多个水轮发电机组的模拟实验数据。

2.根据权利要求1所述的一种水轮发电机组模拟试验系统，其特征在于，所述电机调速模块包括：

参考模块，用于获取电机的转速参考数据；

转速判断模块，用于获取预设调速阈值并与所述转速参考数据比较，据以判断所述转速值是否大于所述预设调速阈值；

常速判定模块，用于在所述转速值大于所述预设调速阈值时，判定所述电机调速系统处于常速模式；

低速判定模块，用于在所述转速值小于或等于所述预设调速阈值时，判定电机调速系统处于低速模式；

控制信息获取模块，用于根据调速模式信息获取调速控制信息；

调速模块，用于根据所述调速控制信息，调节电机的转速与转速参考数据一致。

3.根据权利要求2所述的一种水轮发电机组模拟试验系统，其特征在于，所述控制信息获取模块，包括：

模式获取模块，用于提取所述调速模式信息中的模式判断结果；

常速电机数据模块，用于当所述电机调速系统在所述常速模式下时，获取电机的比例积分微分数据；

常速调速信号模块，用于根据所述比例积分微分数据计算常速调速信号；

低速电机数据模块，用于当所述电机调速系统在所述低速模式下时，获取所述直流电机的微步进电流数据；

低速调速信号模块，用于根据所述微步进电流数据计算低速调速信号。

4.根据权利要求1所述的一种水轮发电机组模拟试验系统，其特征在于，所述实验数据分析模块的具体工作步骤包括：

A1，数据整合，用于将多个进行数据整合；

A2，数据抽取，用于抽取数据整合后的多源电力营销数据；

A3，数据特征提取，用于提取抽取完成的电力营销数据的数据特征；

A4，重要信息提取，用于提取符合数据特征的电力营销数据中含有的重要信息；

A5，信息评价，用于评价重要信息的重要程度；

A6，信息重要程度建模，根据信息评价的信息的重要程度设置对应参数的建模比重。

5.根据权利要求4所述的一种水轮发电机组模拟试验系统，其特征在于，所述信息评价的具体方法为：

B1，对不同数据源的同一特征序列的趋势项进行归一化(0-1)和降采样处理，特征序列的趋势项经过归一化和降采样处理后变为/>降采样处理的主要计算公式如下：

M＝K/F，

g(f)＝(Roundup(f×m)-Roundup((f-1)×m)+1)，

其中：F表示将的时间长度平均分成F个区间，同时也是将采样后特征值的总个数；m表示每个区间的长度且不取整；Rounduo(*)为向上取整函数；g(f)表示第f个区间的长度；表示第f个区间降采样后特征的取值，/>表示第i个来源数据的第r个特征序列，经指数加权移动平滑处理后的趋势项为

B2，对不同来源数据的同一特征序列之间的相关性进行计算，计算同一特征序列在两两轴承之间的相关性值具体计算公式如下：

式中：n表示数据来源的总个数，表示第1个数据源的第r个特征序列/>与第2个数据源的第r个特征序列/>之间的相关性值；

B3，对步骤B2中计算出的结果进行取均值处理，获得得分Q_r，具体计算公式如下：

式中：E表示q_r中的个数。

6.根据权利要求1所述的一种水轮发电机组模拟试验系统，其特征在于，所述轴线摆动预测模块的具体工作步骤包括：

S1，确定RBF神经网络结构，包含输入层的节点数，隐含层的节点数，输出层的节点数，将历史轴线最大摆动作为输入；

S2，初始化PSO算法相关参数，所述参数包含PSO粒子群的群数，惯性参数，学习参数，以及最大迭代次数；

S3，计算最大摆动粒子的适应度值；

S4，更新最大摆动粒子群的速度和位置；

S5，计算调整后的最大摆动的粒子适应度值；

S6，更新最大摆动种群的个体极值。如果当前的适应度比之前的迭代值更好，那么当前最大摆动的适应度值就是新的个体极值；

S7，更新最大摆动的全局极值。通过比较前面算法获得的最大摆动最优适应度和整体最优适应度，若整体最优适应度好于整体最优，则用新获得的整体最优适应度代替整体最优；

S8，对所设定的终止条件进行判定，如果符合，则前进到下一步，如果不符合，则返回步骤S3。将终止条件设定为最大化的迭代数；

S9，使用粒子群算法得到的RBF神经网络的最优参数后，赋值给RBF神经网络，得到轴线最大摆动预测模型；

S10，利用建立好的模型进行预测，得到轴线最大摆动预测结果。

7.根据权利要求6所述的一种水轮发电机组模拟试验系统，其特征在于，所述轴线摆动预测模块的算法步骤为：

设目标搜索空间的维度是N，粒子群中粒子的数目为D，粒子群优化算法内容如下：

D1，第i个粒子的所处位置为：

X_i＝(x_i,1，x_i2，…,x_i，N),i＝1,2,…,D

其中x_i，N代表第i个粒子第N次所处的位置；

D2，第i个粒子的运动速度为：

V_i＝(v_i，1，v_i，2，…，v_i，N),i＝1,2,…,D

其中v_i，N代表第i个粒子第N次的速度；

D3，第i个粒子目前搜索到的适应度最高的个体最优解：

D4，粒子群落迄今为止搜索的全局最优解：

D5，粒子在迭代过程中，逐步更新运动速度和所处位置：

其中，c为学习因子，r₁，r₂为[0,1]区间的随机数，t代表当前迭代次数，ω为惯性权重因子。