[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

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，采用一种辨识速度快、精度高、人为干预少的高效智能寻优算法，完成汽轮机及调速系统的关键参数的辨识。

主权项

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：for i＝1,2,...,N。在各维度上随机初始化解向量：$x_i^j\left(t\right)=x_{low}^j\left(t\right)+rand\·(x_{high}^j\left(t\right)-x_{low}^j\left(t\right))$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。${\mathrm{fit}}_i\left(t\right)=\sqrt{\frac{1}{M}\underset{i=1}{\overset{M}{\Σ}}{(y_{out,j}-Y_{out,j})}^2}$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：$w_i\left(t\right)=\frac{1}{{\mathrm{fit}}_i\left(t\right)};W_i\left(t\right)=\frac{w_i\left(t\right)}{\underset{i}{\overset{N}{\Σ}}{w}_i}$④第j组解向量对第i组解向量的影响为$temp\_x_{ij}^d\left(t\right)=h\left(t\right)\·W_j\left(t\right)\·(x_j^d\left(t\right)-x_j^d\left(t\right))$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：$h=h_0{e}^{-b\frac{t}{miter}}$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$sum\_x_i^d\left(t\right)=\underset{j=1,j\≠i}{\overset{N}{\Σ}}temp\_x_i^d\left(t\right);$⑥第i组解向量更新公式如下：$\begin{array}{c}{x}_i^d\left(t+1\right)=x_i^d\left(t\right)+rand\·sum\_x_i^d\left(t\right)+c1\·rand\·\left(p_i^d\left(t\right)-x_i^d\left(t\right)\right)\\ +c2\·rand\·\left(g^d\left(t\right)-x_i^d\left(t\right)\right)\end{array}$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。