[发明专利]一种应用于汽轮机及其调速系统参数辨识的智能优化方法

权利要求书

1.一种应用于汽轮机及其调速系统参数辨识的智能优化方法，其特征在于：

辨识方法步骤如下：

①将所需辨识的参数整理为解向量形式：fori＝1,2,...,N。在各维度上随机初始化解向量：

xij(t)=xlowj(t)+rand·(xhighj(t)-xlowj(t))]]>

其中，N表示共有N组解向量，X_i表示第i组解向量，n表示n个所需要辨识的参数，t当前迭代次数，为第j维度变化空间的下限，为第j维度变化空间的上限，rand是[0,1]的随机数。

②分别将N组解向量代入模型，得到对应模型输出响应y_out,i，并与实测响应Y_out,i作均方差。以该偏差作为各组解向量的适应度值，偏差越小，适应度越好。

fiti(t)=1MΣi=1M(yout,j-Yout,j)2]]>

其中，M为实测采样点个数；

③根据适应度值求第i组解向量能够产生的权重影响W_i：

wi(t)=1fiti(t);Wi(t)=wi(t)ΣiNwi]]>

④第j组解向量对第i组解向量的影响为

temp_xijd(t)=h(t)·Wj(t)·(xjd(t)-xjd(t))]]>

其中，h(t)为控制因子，影响算法的探索能力和开拓能力，更新公式如下：

h=h0e-btmiter]]>

其中，h₀为控制因子初始值，b为常数，miter为最大迭代次数；

⑤所有解向量作用在第i组解向量上的影响为

sum_xid(t)=Σj=1,j≠iNtemp_xid(t);]]>

⑥第i组解向量更新公式如下：

xid(t+1)=xid(t)+rand·sum_xid(t)+c1·rand·(pid(t)-xid(t))+c2·rand·(gd(t)-xid(t))]]>

其中，是个体历史最优解，即第i组解向量迭代至当前次数时经历的最优的解；g^d(t)是全局最优解，即迭代至当前次数时所有解向量中最优解；rand是[0,1]的随机数；c1、c2是学习因子；

⑦所有解向量更新后返回至②步骤，直到最优解的适应度满足控制的精度或者达到最大迭代次数，辨识过程结束，得到参数辨识结果。