[发明专利]一键式实现汽轮机及其调速系统参数智能辨识的方法

摘要

本发明的目的在于解决传统汽轮机及调速系统参数辨识方法周期长、适应性差和人工参与度过高等问题。基于PSD‑BPA提供的汽轮机及调速系统模型，自动预处理实测数据，查找出阶跃点、阶跃前的起始值、阶跃后的稳定值等参数。利用多种传统辨识算法(遗传算法、粒子群算法)及新辨识算法(改进型引力搜索算法VGSA)，完成汽轮机及调速系统的关键参数地辨识，具有辨识速度快、精度高、适应性强、人为干预少、自动化能力强的特点。

主权项

一种一键式实现汽轮机及其调速系统参数智能辨识的方法，其特征在于：辨识方法步骤如下：引力搜索算法是一种通过模拟空间粒子受力运动机理而进行优化的新型启发式算法,基本原理为空间中大质量粒子对其他粒子的引力大、自身运动慢，而小质量粒子受到引力小、运动快。在优化过程中，通过粒子将朝向质量最大的粒子靠近的基本过程完成全局最优化；在空间中，假设有N个粒子，定义粒子i的空间位置为X_i：$X_i=(x_i^1,x_i^2,...,x_i^d,...,x_i^{\dim ension})$式中，是粒子i在d维空间中的位置，dimension是粒子空间的最大维度；粒子i在第t次迭代时的质量分数M_i(t)为：$m_i\left(t\right)=\frac{{\mathrm{fit}}_i\left(t\right)-worst\left(t\right)}{best\left(t\right)-worst\left(t\right)};M_i\left(t\right)=\frac{m_i\left(t\right)}{{\mathrm{\Σ}}_{j=1}^N{m}_j\left(t\right)}$式中，m_i(t)为计算粒子i在第t次迭代时的质量，fit_i(t)为粒子i在第t次迭代时的环境适应度值，best(t)和worst(t)分别为在第t次迭代时全体粒子的最优适应度值和最差适应度值；由万有引力公式可知，在第t次迭代时，粒子i受到粒子j在第d维空间上的引力为：$F_{ij}^d\left(t\right)=G\left(t\right)\frac{M_{pi}\left(t\right)\×M_{aj}\left(t\right)}{R_{ij}\left(t\right)+e}\left(x_j^d\right(t)-x_i^d(t\left)\right)$式中，e是很小的常数，防止分母为零，R_ij(t)为粒子i、j之间的欧式距离：$R_{ij}\left(t\right)=\sqrt{\underset{d=1}{\overset{\dim ension}{\Σ}}{\left(x_j^d\right(t)-x_i^d(t\left)\right)}^2}$引力系数G(t)为：$G\left(t\right)=G_0\·\exp (-\mathrm{\β}\·\frac{t}{\max \_t})$其中，β，G₀均为常数，max_t为最大迭代次数；其他粒子对粒子i在第d维空间上施加的合力为：$F_i^d\left(t\right)=\underset{j=1,j\≠i}{\overset{N}{\Σ}}{\mathrm{rand}}_j{F}_{ij}^d\left(t\right)$式中，rand_j为[0,1]区间的随机数；粒子i受到的加速度$a_i^d\left(t\right)=\frac{F_i^d\left(t\right)}{M_i\left(t\right)}$粒子的速度和位置可按照以下两式进行更新：$v_i^d(t+1)={\mathrm{rand}}_i\×v_i^d\left(t\right)+a_i^d\left(t\right)$$x_i^d(t+1)=x_i^d\left(t\right)+v_i^d(t+1)$式中，rand_i为[0,1]区间的随机数；第t次迭代时粒子i的适应度函数fit_i(t)定义：${\mathrm{fit}}_i\left(t\right)=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(y_{out,i}-Y_{out,i})}^2}$式中，y_out,i和Y_out,i分别是第i个粒子对应的模型输出值与实测值；由于引力系数G是独立于粒子质量与位置之外决定粒子运动快慢的另一个因素，直接决定粒子运动的速度快慢；在多次迭代计算之后，粒子速度会变小，但距离最优粒子可能较远，所以粒子此时需要较大的运动速度向全局最优粒子靠近；本发明提出VGSA算法，通过动态改变引力系数G值，使粒子受力增大，运动速度变大，能够突破粒子陷入局部最优的境况，为了检测粒子当前位置距最优粒子位置的距离，可与全局粒子的平均适应度进行比较判断：当粒子适应度fit_i(i)优于全局粒子的平均适应度average_fit时，粒子的引力系数G按照原式计算得到；当粒子适应度fit_i(i)劣于全局粒子的平均适应度average_fit时，引力系数G则按照初始值G₀进行计算，计算公式如下：$G=\left\{\begin{array}{ccc}{G}_0\·\exp (-\mathrm{\β}\frac{t}{\max \_t})& if& {\mathrm{fit}}_i\left(t\right)\<average\_fit\\ G_0& if& {\mathrm{fit}}_i\left(t\right)\≥average\_fit\end{array}\right.$平均适应度定义为：$average\_fit=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\mathrm{fit}}_i\left(t\right)$式中，G₀是引力常数初始值；fit_i(t)是在第t次迭代过程中粒子i的适应度值；average_fit是在第t次迭代过程中种群的平均适应度值，N为种群数目；同时，VGSA算法在迭代过程中逐步缩小参数的取值范围，以便更高效地寻找最优粒子，并定义参数收缩变化式：$x_{min}^d(t+1)=max({\mathrm{\γ}}_1\·x_{min}^d(t),x_g^d\left(t\right)-{\mathrm{rand}}_1({\mathrm{\γ}}_2\·x_{max}^d(t)-{\mathrm{\γ}}_1\·x_{min}^d(t\left)\right))$$x_{max}^d(t+1)=min({\mathrm{\γ}}_2\·x_{max}^d(t),x_g^d\left(t\right)+{\mathrm{rand}}_2({\mathrm{\γ}}_2\·x_{max}^d(t)-{\mathrm{\γ}}_1\·x_{min}^d(t\left)\right))$式中，是第t+1次迭代过程中的粒子位置最小值，是第t+1次迭代过程中的粒子位置最大值；是第t次的全局最优值；γ₁是略小于1的常数，γ₂是略大于1的常数，保证优化过程顺利进行；rand₁和rand₂为[0,1]区间的随机数。最后，粒子速度、位置更新公式改变为：$v_i^d(t+1)={\mathrm{rand}}_1\·v_i^d\left(t\right)+a_i^d\left(t\right)+c_1\·{\mathrm{rand}}_2(x_{gi}^d-x_i^d(t\left)\right)+c_2\·{\mathrm{rand}}_3\·(p_i^d-x_i^d(t\left)\right)$$x_i^d(t+1)=x_i^d\left(t\right)+v_i^d(t+1)$式中，rand₁、rand₂和rand₃为[0，1]区间内的随机值，c1，c2为学习因子，为当前最佳位置，为全局最佳位置。