基于自适应混沌和差分进化粒子群算法的水轮机参数辨识方法技术

本发明专利技术公开了一种基于自适应混沌和差分进化粒子群算法的水轮机参数辨识方法，其特点包含以下步骤：(1)确定水轮机非线性模型；(2)获取频率阶跃试验数据；(3)确定自适应混沌和差分进化粒子群算法适应度函数；(4)设置辨识算法基本参数；(5)计算群体中粒子的适应度函数值、粒子的个体极值和群体的全局极值，并更新粒子的速度和位置；(6)进行早熟判断，若判定其早熟，进行差分变异、交差和选择等操作，避免陷入局部最优；(7)检验算法是否满足终止条件，若满足，则输出最优解。若不满足，惯性因子自适应变化，重新执行步骤5-7。本发明专利技术辨识水轮机的水锤时间常数，算法收敛速度快，收敛精度高，并且本发明专利技术能利用任意负荷水平的水轮机试验数据，有效降低试验成本。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种，其特点包含以下步骤：(1)确定水轮机非线性模型；(2)获取频率阶跃试验数据；(3)确定自适应混沌和差分进化粒子群算法适应度函数；(4)设置辨识算法基本参数；(5)计算群体中粒子的适应度函数值、粒子的个体极值和群体的全局极值，并更新粒子的速度和位置；(6)进行早熟判断，若判定其早熟，进行差分变异、交差和选择等操作，避免陷入局部最优；(7)检验算法是否满足终止条件，若满足，则输出最优解。若不满足，惯性因子自适应变化，重新执行步骤5-7。本专利技术辨识水轮机的水锤时间常数，算法收敛速度快，收敛精度高，并且本专利技术能利用任意负荷水平的水轮机试验数据，有效降低试验成本。【专利说明】
本专利技术涉及一种，属于电力系统参数辨识领域。
技术介绍
对水轮发电机组而言，水轮机及其调速系统作为发电机组重要构成部分，不仅承担着启停机组、调节频率、调节有功功率的重要任务，而且是一次调频、二次调频、自动发电控制(AGC)的最终执行机构，其精确的数学模型不仅对于提高电源侧发电厂的高效运行有着重大价值，而且对新形势下电力系统设计、规划、稳定性分析有着重大影响。传统的电力系统分析中，常采用理想情况下的水轮机模型，忽略了水轮机调节系统变工况、变参数、非线性等因素的影响，为了使结果更加准确，电磁暂态仿真分析中通常采用非线性水轮机模型。建立精确的数学模型还有赖于模型参数的辨识，常用的参数辨识方法，如最小二乘法、矩阵束、TLS-ESPRIT算法等均只适用线性模型，对非线性系统参数辨识效果较差。智能算法如粒子群算法可以很好的辨识非线性水轮机模型，【黄青松，徐广文.水轮机调速系统自定义建模与应用.电力系统自动化，2012，36 (16):115-117.1何常胜.水轮机调节系统仿真与参数辨识.西安理工大学，2009.】但其容易陷入局部最优，导致结果误差较大。近年来，粒子群算法的改进成为一项研究热点，提高收敛精度和速度，避免陷入局部最优是各种改进算法的共同目的。将改进的粒子群算法用于非线性水轮机模型参数的辨识具有很好的实用价值。
技术实现思路
本专利技术的目的是针对现在辨识技术的不足而提供一种，其特点是该方法能准确辨识非线性水轮机模型参数，并且其收敛速度较快。本专利技术的目的由以下技术措施实现包括以下步骤:1)确定水轮机非线性模型及待辨识参数，水轮机数学模型为:【权利要求】1.，其特征在于该方法包括以下步骤: 1)确定水轮机非线性模型及待辨识参数，水轮机数学模型为: 【文档编号】G06F17/50GK103853881SQ201410048930【公开日】2014年6月11日 申请日期:2014年2月12日 优先权日:2014年2月12日 【专利技术者】李兴源, 王曦, 刘俊敏, 黄睿, 苗淼, 丁理杰 申请人:四川大学本文档来自技高网...

【技术保护点】
基于自适应混沌和差分进化粒子群算法的水轮机参数辨识方法，其特征在于该方法包括以下步骤：1）确定水轮机非线性模型及待辨识参数，水轮机数学模型为：Pm=qhq=yh-Twdqdt=1-h]]>其中包括开度y，流量q，水头h，机械功率Pm4个变量，认为水轮机是以开度y为输入，机械功率Pm为输出的非线性函数，水锤时间常数Tw为待辨识参数；2）对水轮机进行频率阶跃试验，测量水轮机导叶开度及机械功率，由于水轮机导叶开度难以直接量测，采用接力器行程替代，而水轮机机械功率则由电磁功率近似替代；3）确定自适应混沌和差分进化粒子群算法适应度函数，适应度函数值设置为模型计算机械功率与实际水轮机机械功率偏差平方和；4）设置自适应混沌和差分进化粒子群算法基本参数，基本参数包括：粒子的个数N、粒子的最大速度vmax、惯性因子ω、加速系数c1和c2、算法的最大迭代次数T；在给定范围内由logistic混沌映射初始化N个粒子的位置xi和其速度vi，并令t=1；混沌初始化公式为：xi(1)=αx(i-1)(1)(1-x(i-1)(1))vi(1)=αv(i-1)(1)(1-v(i-1)(1))]]>其中，α为控制因子，i=1,2,…N，x0(1),v0(1)为（0,1）间的随机数；5）计算群体中粒子的适应度函数值，计算粒子的个体极值pbest和群体的全局极值gbest，并更新粒子的速度和位置，其更新公式为：vi(t+1)=ωvi(t)+c1r1[pbesti(t)-xi(t)]+c2r2[gbest(t)-xi(t)]xi(t+1)=xi(t)+vi(t+1)]]>其中，r1和r2为（0,1）间的随机数；6）计算群体适应度方差σ2进行粒子早熟判断，若适应度方差σ2小于某一阈值，则判定其早熟；σ2=1NΣi=1N(fi-favgf)2]]>fi是第i个粒子的适应度;favg是粒子群适应度均值，f为适应度函数值归一化因子，如果陷入早熟状态，表明粒子群的多样性较差，则利用差分进化算法对粒子实行变异、交叉和选择操作，实现粒子的进化，提高种群的多样性，增强粒子群的全局搜索能力，防止算法陷入局部最优，差分进化算法公式如下：Ai(t+1)＝xi(t)+λ×(gbest(t)‑xi(t))+F×(xj(t)‑xk(t))Bi(t+1)=Ai(t+1)rand(0,1)≤CRxi(t)rand(0,1)>CR]]>xi(t+1)=Bi(t+1),f(Bi(t+1))≤f(xi(t))xi(t),f(Bi(t+1))>f(xi(t))]]>其中，j，k为随机整数，表示个体在种群中的序号，且i≠j≠k；λ、F为变异因子，CR为交叉因子，rand(0,1)为（0,1）间的随机数，f(x)为变量x适应度函数；7）检验算法是否满足终止条件，若t>T，则停止迭代，输出最优解，即辨识得到的水锤时间常数Tw；否则惯性因子ω自适应变化，重新执行步骤5‑7，并令t=t+1。惯性因子自适应变化公式：ω=ωmax-t×(ωmax-ωmin)T]]>ωmax,ωmin分别为惯性因子最大值和最小值。...

【技术特征摘要】

【专利技术属性】
技术研发人员：李兴源，王曦，刘俊敏，黄睿，苗淼，丁理杰，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51