為系統(tǒng)誤差，為圖1中系統(tǒng)給定轉(zhuǎn)速偏差值A(chǔ)x。與 系統(tǒng)輸出機(jī)組轉(zhuǎn)速相對(duì)偏差A(yù)x的差值。
[0071] (3)根據(jù)圖2所示流程圖通過DFPSO算法對(duì)調(diào)速器參數(shù)進(jìn)行優(yōu)化。流程圖中：
[0072] Stepl為建立水輪機(jī)調(diào)節(jié)系統(tǒng)數(shù)學(xué)模型并設(shè)置系統(tǒng)各參數(shù)；
[0073] Step2為初始化種群速度和位置，設(shè)置算法的基本參數(shù)；
[0074] Step3為計(jì)算粒子的適應(yīng)度函數(shù)值，并保存粒子的自身最優(yōu)值和全局最優(yōu)值；
[0075] Step4為根據(jù)當(dāng)前的線性遞減的速度慣性因子wt和規(guī)范化的當(dāng)前粒子最優(yōu)性能評(píng) 價(jià)NCBPE來對(duì)DFPSO算法中的速度慣性因子W。*進(jìn)行模糊設(shè)置；
[0076]steps為更新粒子的速度和位置，產(chǎn)生新的種群，判斷當(dāng)前自身適應(yīng)度函數(shù)值是否 優(yōu)于自身的歷史最優(yōu)值，如果是，則更新自身最優(yōu)值，并判斷當(dāng)前的全局最優(yōu)值是否優(yōu)于全 局的歷史最優(yōu)值，若是，則更新全局最優(yōu)值；
[0077]steps為判斷是否滿足交叉條件，一般是判斷產(chǎn)生的隨機(jī)數(shù)是否小于預(yù)先設(shè)置的 交叉概率值，如果滿足交叉條件，則進(jìn)入Step7,若不滿足條件，則直接進(jìn)入steps;
[0078] Step7為進(jìn)行差分進(jìn)化算法的交叉操作，再次更新粒子位置；
[0079]steps為判斷是否滿足迭代終止條件，若滿足，則停止迭代并輸出全局最優(yōu)值，即 所尋求到的調(diào)速器最優(yōu)參數(shù)值，若不滿足，則返回Step3繼續(xù)進(jìn)行迭代。
[0080]為說明此發(fā)明的效果，下面W某國內(nèi)實(shí)際水電站混流式水輪機(jī)組為例進(jìn)行水輪機(jī) 調(diào)速器PID參數(shù)的優(yōu)化設(shè)計(jì)來對(duì)本發(fā)明方法進(jìn)行詳細(xì)說明。
[00川步驟1設(shè)置該DFPSO算法的基本參數(shù)：群體個(gè)體數(shù)目m= 30,速度慣性因子Wmm= 0. 4,Wmgx= 0. 9,加速系數(shù)Ci=C2= 2,最大迭代次數(shù)Tmgx為100,位置上界Xmgx= 10,位置 下界Xmm= 0,差分進(jìn)化操作的交叉概率P。= 0. 8。
[0082] 在模糊控制中，將NCBPE和當(dāng)前線性遞減的慣性權(quán)重wt作為輸入量，輸出量為慣 性權(quán)重修正值其中線性遞減的慣性權(quán)重的大小可W表明迭代進(jìn)程的階段，而NCB陽則 可W體現(xiàn)出當(dāng)前粒子離我們需要找到的最優(yōu)值之間的距離。輸入、輸出量在模糊化時(shí)用相 同的模糊詞集：小（s)、中（M)、大度）。運(yùn)S者的隸屬度函數(shù)類型及其邊界設(shè)定如表1所示。
[0083] 表1隸屬度函數(shù)設(shè)置
[0084]
[00財(cái) 的模糊規(guī)則表如下所示：
[0086] 表2模糊規(guī)則設(shè)置
[0087]
[0088] 步驟2水輪機(jī)調(diào)節(jié)系統(tǒng)基本參數(shù)。W某國內(nèi)實(shí)際水電站混流式水輪機(jī)組為例進(jìn)行 水輪機(jī)調(diào)速器PID參數(shù)的優(yōu)化設(shè)計(jì)，其數(shù)學(xué)模型框圖如圖1所示，系統(tǒng)各參數(shù)數(shù)值如表3所 /J、- 〇
[0089] 表3水輪機(jī)調(diào)節(jié)系統(tǒng)參數(shù)數(shù)值
[0090]
[0091] 步驟3接下來，在空載頻率擾動(dòng)工況和負(fù)荷擾動(dòng)工況下進(jìn)行仿真研究。分別在 10%頻率擾動(dòng)下和10%負(fù)荷擾動(dòng)下利用該DFPS0算法進(jìn)行調(diào)速器參數(shù)優(yōu)化，為了顯示其效 果，將其與典型的粒子群算法相比較，每種算法運(yùn)行50次，其適應(yīng)度函數(shù)平均值的收斂過 程如圖3和圖5所示。在分別尋到的最優(yōu)參數(shù)控制下系統(tǒng)的動(dòng)態(tài)過渡過程的比較結(jié)果如 圖6所示。仿真結(jié)果數(shù)據(jù)如表4所示。
[0092] 由圖3可W觀察到，在頻率擾動(dòng)工況下，相比典型的PS0算法，本發(fā)明公開的DFPS0 算法擁有更好的收斂效果，其最終的平均最優(yōu)適應(yīng)度值相比典型粒子群算法更小，運(yùn)表明 改進(jìn)算法在迭代后期能有效避免陷入局部最優(yōu)而找到質(zhì)量更好的全局最優(yōu)解。從圖4可W 觀察到，在改進(jìn)算法尋找到的調(diào)速器控制下，系統(tǒng)擁有更好的動(dòng)態(tài)過渡過程。在10%頻率擾 動(dòng)工況下，改進(jìn)算法優(yōu)化后的機(jī)組轉(zhuǎn)速相對(duì)偏差的動(dòng)態(tài)過渡過程比典型PS0算法優(yōu)化后的 效果要好，超調(diào)明顯減少，穩(wěn)定時(shí)間也相對(duì)縮短。在改進(jìn)算法優(yōu)化的調(diào)速器控制下系統(tǒng)超調(diào) 量為0. 0218,并且大概在7. 3700s時(shí)系統(tǒng)能達(dá)到基本穩(wěn)定。而在典型粒子群算法優(yōu)化的調(diào) 速器控制下，系統(tǒng)的超調(diào)量為0. 0549,穩(wěn)定時(shí)間為9. 4600s。
[0093] 由圖5中DFPS0算法和典型PS0算法的適應(yīng)度函數(shù)收斂情況可W看出，改進(jìn)算法 的尋優(yōu)速度更快，在迭代初期，適應(yīng)度函數(shù)值迅速減小，在迭代后期，相比典型粒子群算法， 改進(jìn)算法找到的全局最優(yōu)值質(zhì)量更高。由圖6可W觀察到，在10 %負(fù)荷擾動(dòng)工況下，改進(jìn)算 法優(yōu)化后的系統(tǒng)轉(zhuǎn)速相對(duì)偏差過渡過程比典型粒子群算法效果要好。在改進(jìn)算法下，系統(tǒng) 響應(yīng)更快，轉(zhuǎn)速相對(duì)偏差的超調(diào)量較小。改進(jìn)算法優(yōu)化后的系統(tǒng)超調(diào)量為0. 0174,穩(wěn)定時(shí)間 為12. 0100s，典型粒子群算法優(yōu)化下系統(tǒng)超調(diào)量為0. 0178,系統(tǒng)大概在11. 8100s能達(dá)到穩(wěn) 定。雖然此工況下，改進(jìn)算法控制下穩(wěn)定時(shí)間有微小增加，但是該算法控制下系統(tǒng)的抗干擾 能力更強(qiáng)。
[0094]表4實(shí)驗(yàn)仿真結(jié)果陽0巧]
[0096] W上運(yùn)些實(shí)施例應(yīng)理解為僅用于說明本發(fā)明而不用于限制本發(fā)明的保護(hù)范圍。在 閱讀了本發(fā)明的記載的內(nèi)容之后，技術(shù)人員可W對(duì)本發(fā)明作各種改動(dòng)或修改，運(yùn)些等效變 化和修飾同樣落入本發(fā)明權(quán)利要求所限定的范圍。
【主權(quán)項(xiàng)】
1. 一種基于模糊自適應(yīng)的DFPSO算法的水輪機(jī)調(diào)速器參數(shù)優(yōu)化方法，其特征在于，包 括以下步驟： 101、 建立水輪機(jī)調(diào)節(jié)系統(tǒng)的數(shù)學(xué)模型，具體包括：建立水輪機(jī)PID調(diào)速器數(shù)學(xué)模型和 建立水輪發(fā)電機(jī)組數(shù)學(xué)模型，并設(shè)置水輪機(jī)調(diào)節(jié)系統(tǒng)的系統(tǒng)參數(shù)，包括接力器響應(yīng)時(shí)間常 數(shù)、壓力引水系統(tǒng)水流慣性時(shí)間常數(shù)、機(jī)組慣性時(shí)間常數(shù)及被控系統(tǒng)各傳遞系數(shù)； 102、 步驟101建立了水輪機(jī)調(diào)節(jié)系統(tǒng)的數(shù)學(xué)模型后，設(shè)定模糊自適應(yīng)和差分進(jìn)化粒子 群DFPS0算法的適應(yīng)度函數(shù)，將適應(yīng)度函數(shù)值J設(shè)置為水輪機(jī)調(diào)節(jié)系統(tǒng)偏差e(t)的絕對(duì)值與 時(shí)間t之積的積分，即= ts為仿真時(shí)間； 103、 對(duì)模糊自適應(yīng)和差分進(jìn)化粒子群DFPS0算法的速度慣性因子w。進(jìn)行模糊設(shè)置，即 將線性遞減的慣性因子w和粒子當(dāng)前最優(yōu)性能評(píng)價(jià)指標(biāo)值NCBPE作為模糊輸入，w。作為模 糊輸出； 104、 進(jìn)行步驟103的模糊設(shè)置后，計(jì)算差分進(jìn)化粒子群DFPS0算法中粒子的適應(yīng)度值， 保留粒子的個(gè)體最優(yōu)值ptest和全局最優(yōu)值gtest，并更新粒子的速度和位置，產(chǎn)生新種群，更 新個(gè)體極值和全局極值； 105、 在粒子的速度和位置的更新過程中，若滿足交叉條件，即當(dāng)在（0，1)間產(chǎn)生的隨 機(jī)數(shù)小于預(yù)先設(shè)置的交叉概率時(shí)，則在粒子間進(jìn)行基因交叉； 106、 判斷是否滿足終止條件，即是否找到全局最優(yōu)值或達(dá)到迭代最大次數(shù)（，若滿足則 停止并輸出全局最優(yōu)值gtest，若不滿足，則返回重復(fù)執(zhí)行步驟104-步驟106。2. 根據(jù)權(quán)利要求1所述的一種基于模糊自適應(yīng)和DFPS0算法的水輪機(jī)調(diào)速器參數(shù)優(yōu)化 方法，其特征在于，步驟101中建立水輪機(jī)PID調(diào)速器數(shù)學(xué)模型包括PID控制器模型和電液 隨動(dòng)系統(tǒng)數(shù)學(xué)模型，具體為： (1. 1)水輪機(jī)PID控制器傳遞函數(shù)GPTn(s)如下：式中，△X。為系統(tǒng)給定轉(zhuǎn)速相對(duì)偏差值；Ax為機(jī)組轉(zhuǎn)速相對(duì)偏差值；Aypid為導(dǎo)葉開 度相對(duì)偏差值；Kpl、心分別為比例增益、積分增益和微分增益；1\為微分環(huán)節(jié)時(shí)間常數(shù)；s 為拉普拉斯算子； 電液隨動(dòng)系統(tǒng)數(shù)學(xué)模型傳遞函數(shù)Gs(s)如下：式中，Ay為接力器行程相對(duì)偏差值；Ty為接力器響應(yīng)時(shí)間常數(shù)。3. 根據(jù)權(quán)利要求1所述的一種基于模糊自適應(yīng)和DFPS0算法的水輪機(jī)調(diào)速器參數(shù)優(yōu)化 方法，其特征在于，步驟101中的建立水輪發(fā)電機(jī)組數(shù)學(xué)模型主要由水輪機(jī)、壓力引水系統(tǒng) 和發(fā)電機(jī)所組成；當(dāng)系統(tǒng)處于小波動(dòng)情況下，水輪機(jī)力矩相對(duì)偏差值A(chǔ)mJP流量相對(duì)偏差 值A(chǔ)q與水頭h、導(dǎo)葉開度近似用接力器位移y表示和機(jī)組轉(zhuǎn)速x相對(duì)偏差值由以下關(guān)系式 表不：式中，ex、ey、eh、eqx、eqy、eqh均為水輪機(jī)被控系統(tǒng)傳遞系數(shù)； 在小波動(dòng)工況下，此時(shí)壓力引水系統(tǒng)的傳遞函數(shù)如下所示：式中，1；為壓力引水系統(tǒng)水流慣性時(shí)間常數(shù)； 發(fā)電機(jī)的動(dòng)態(tài)特性由以下傳遞函數(shù)表示： 式中，Amg為阻力矩相對(duì)偏差值；Ta為機(jī)組慣性時(shí)間常數(shù)n為被控系統(tǒng)自調(diào)節(jié)系數(shù)，en=eg-ex，eg為發(fā)電機(jī)負(fù)載轉(zhuǎn)矩對(duì)轉(zhuǎn)速的傳遞系數(shù)，ex為水輪機(jī)轉(zhuǎn)矩對(duì)轉(zhuǎn)速的傳遞系數(shù)。4. 根據(jù)權(quán)利要求1所述的一種基于模糊自適應(yīng)的DFPSO算法的水輪機(jī)調(diào)速器參數(shù)優(yōu)化 方法，其特征在于，步驟103具體為：設(shè)置DFPSO算法的基本參數(shù)：群體個(gè)數(shù)m、最大迭代次 數(shù)T_、加速系數(shù)cdPc2、速度慣性因子和w_;對(duì)速度慣性因子w。進(jìn)行模糊化，將當(dāng)前 線性遞減的慣性因子w和如下式所示的規(guī)范化的當(dāng)前最好性能評(píng)價(jià)NCBPE作為模糊輸入， w。作為模糊輸出，設(shè)置迭代初期的最優(yōu)性能評(píng)價(jià)CBPE_、迭代結(jié)束時(shí)的最小性能評(píng)價(jià)估計(jì) 值CBPE_;線性遞減慣性因子和NCBPE的定義公式為： wt=w 隨-t(wmax-wmi_n) /Tmax:其中，《_和分別為迭代開始時(shí)的速度慣性權(quán)重和結(jié) 束時(shí)的權(quán)重系數(shù)，CBPE為當(dāng)前最優(yōu)性能評(píng)價(jià)。5. 根據(jù)權(quán)利要求1所述的一種基于模糊自適應(yīng)的DFPSO算法的水輪機(jī)調(diào) 速器參數(shù)優(yōu)化方法，其特征在于，步驟104中更新粒子的速度和位置的公式為： 乂??-〇 + 4)，#為當(dāng)前的粒子速度，<為上代粒子的 速度，w。1為修正后的速度慣性因子，為粒子自身的最優(yōu)解，4為當(dāng)前粒子的位置， 為粒子的當(dāng)前全局最優(yōu)解，為粒子速度上限值；兵屮，日」UJ，i;，丨日」tf」腿機(jī)數(shù)，腿有舁汰tf」迭代進(jìn)程，粒子群的多樣性不 斷減少，此時(shí)在粒子間進(jìn)行交叉操作，以此避免粒子多樣性的丟失，增強(qiáng)粒子的全局搜索能 力， CN 105114242 A '丨入，丨3/3貝其中，rand(d)為（0, 1)區(qū)間內(nèi)的隨機(jī) 數(shù)；d為粒子的維數(shù)索引，d G [1，2,. ..，q]，q為粒子總維數(shù)；p。為交叉概率，設(shè)置為0.8 ; randn(i)為[1，2,…，q]中的一隨機(jī)整數(shù)；pj為當(dāng)前隨機(jī)選取的一個(gè)粒子其自身的最好位 置。
【專利摘要】本發(fā)明請(qǐng)求保護(hù)一種基于模糊自適應(yīng)的DFPSO算法的水輪機(jī)調(diào)速器參數(shù)優(yōu)化方法，包括步驟：(1)建立水輪機(jī)調(diào)節(jié)系統(tǒng)數(shù)學(xué)模型；(2)確定模糊自適應(yīng)和差分進(jìn)化粒子群算法的適應(yīng)度函數(shù)；(3)對(duì)該算法的速度慣性因子進(jìn)行模糊設(shè)置，具體是將線性遞減的慣性因子和粒子當(dāng)前最優(yōu)性能評(píng)價(jià)指標(biāo)作為模糊輸入；(4)計(jì)算粒子的適應(yīng)度值，保留粒子的個(gè)體最優(yōu)值和全局最優(yōu)值，并更新粒子的速度和位置；(5)若滿足交叉條件，則在粒子間進(jìn)行基因交叉；(6)判斷是否滿足終止條件，滿足則停止并輸出最優(yōu)值，不滿足則返回步驟4-6。本發(fā)明能確保系統(tǒng)在頻率擾動(dòng)和負(fù)荷擾動(dòng)工況下?lián)碛辛己玫膭?dòng)態(tài)性能：較小的超調(diào)量、較短的穩(wěn)定時(shí)間和調(diào)節(jié)時(shí)間等。
【IPC分類】F03B15/08
【公開號(hào)】CN105114242
【申請(qǐng)?zhí)枴緾N201510433946
【發(fā)明人】陳功貴, 杜陽維, 張建榮, 劉利蘭, 黃山外
【申請(qǐng)人】重慶郵電大學(xué)
【公開日】2015年12月2日
【申請(qǐng)日】2015年7月22日