一种水轮机调节系统二型模糊控制参数的优化方法

1.本发明涉及水轮机调节系统技术领域，具体涉及一种水轮机调节系统二型模糊控制参数的优化方法。


背景技术：

2.随着大容量高水头水轮机组和远距离特高压输电技术的发展，为改善电网供电质量，有关学者对水电机组调节品质提出了更高要求。目前的水轮机调节控制系统广泛采用pid控制规律，在机组并网后，采用一组pid控制参数对机组的频率功率进行调节。随着用电负荷的变化，实际运行中的水轮机工况点会经常发生改变。由于模型参数的不断变化，定pid调节策略将难以保证水电机组的稳定运行，无法满足对调节系统控制品质的要求。同时，水轮机调速系统具有非线性、变结构、变参数等特性，这使得经典控制理论越来越难以满足更高调节品质的要求，以现代控制理论、智能控制方法为基础的新型控制策略研究已经成为发展的必然趋势。
3.水电机组的优化控制研究主要集中在两个方面，一是在对现有调速器控制参数或结构加以优化，以满足机组优化运行的需要；二是提出新的控制策略，以促进水电机组调速器的发展。对于调速器控制参数的整定优化，典型的正交法或梯度法具有对初始参数敏感，以及对目标函数可导性要求较高等不足，限制了其应用范围；工程整定法基于现场试验和经验公式，方法简单但得到的最优参数往往是不准确的。随着人工智能的兴起，启发式算法和神经网络开始被广泛应用于调速器控制参数的整定和优化。这些方法基于变参数pid的思想，提出了适应式控制规律，根据水轮机组当前的运行工况，采用智能算法不断改变当前的pid参数。相比于线性系统，非线性系统的控制参数优化更为困难，原因是非线性系统的控制参数优化问题的数学方程更为复杂、可能存在多个局部最优解，限制了传统数学方法的应用，同时对智能算法的求解能力要求更高。为使算法具有优异的求解性能，很多学者对基于启发式算法的改进算法进行了研究并取得了理想的效果。然而，大多数改进算法是以较大的计算代价换取较高的计算精度，不可避免地引入了新的参数，增加了算法本身的复杂性，极大限制了工程应用。其中专利cn112012875a提出了一种水轮机调节系统pid控制参数的优化方法，但是该方法采用模糊控制惯性权重、萤火虫——粒子群混合进化方式，使得算法的计算代价相对较高；学习因子异步变化，粒子“自身学习”与“群体学习”分别进行、相互磨合，在某些案例下存在收敛速度较慢的缺陷。本专利基于以上不足进行改进，使该方法在更广的应用范围内达到更优质的控制效果。


技术实现要素：

4.本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种水轮机调节系统pid控制参数的优化方法。
5.为实现上述目的，本发明采用的技术方案为基于二型模糊pid控制的水轮机调节系统控制参数的优化方法，包括以下步骤：
6.步骤1：根据水轮机各工作参数、调节系数、传递函数建立水轮机调节系统多工况的非线性数学模型，在matlab/simulink中搭建改进粒子群算法与二型模糊控制协同优化pid参数的仿真平台；
7.步骤2：在matlab中搭建一型模糊控制器，确定输出变量与输入变量的论域与隶属度函数，按照一定的模糊规则搭建好模糊控制器；
8.步骤3：确定mf的不确定度占用空间(fou)，随机配置每个mf的比例因子，将一型模糊控制器按照相应带宽转换为二型模糊控制器；
9.步骤4：初始化生成原种群与模糊粒子群算法参数；
10.步骤5：将原种群的每个候选解代入仿真平台进行仿真，根据目标信号与响应信号的误差计算costfunction指标目标函数值，记录原种群局部和全局历史的最优解，所述costfunction指标目标函数值的计算公式如下：
[0011][0012]
式中，t为仿真时间，e(t)为目标信号与响应信号的误差；
[0013]
步骤6：通过模糊粒子群算法对原种群的每一个粒子进行迭代计算，得到原种群中所有粒子下一时刻的速度和位置，将下一时刻的种群作为新种群，其中，迭代计算的公式如下：
[0014][0015]
式中：v
ij
(t+1)表示在t+1次迭代中第i个粒子的第j维变量所对应的速度，v
ij
(t)和x
ij
(t)分别代表在t次迭代中第i个粒子的第j维变量所对应的速度和位置，w为惯性权重，c1和c2为学习因子，rand是0至1之间的随机数，t是迭代次数，p
ij
和gj分别是个体历史最优位置和群体历史最优位置；
[0016][0017]
式中：x
ij
(t+1)表示在t+1次迭代中第i个粒子的第j维变量所对应的位置，v
ij
(t)和x
ij
(t)分别代表在t次迭代中第i个粒子的第j维变量所对应的速度和位置；
[0018]
其中，自适应调整算法惯性权重w：
[0019][0020]
式中：w
min
为最小惯性权重，w
max
为最大惯性权重，c
min
为costfunction指标最小值，c
avg
为costfunction指标平均值；
[0021]
学习因子c1，c2同步变化：
[0022][0023]
式中：cs，c
l
分别为学习因子的最小值与最大值，一般地，cs，c
l
根据具体问题进行预设；t为当前迭代次数，t为最大迭代次数；
[0024]
步骤7：计算新种群的costfunction指标目标函数值，若新种群的costfunction指标目标函数值小于原种群的个体历史costfunction指标目标函数最优值，则将其更新为种
群的个体历史costfunction指标目标函数最优值，若新种群的个体历史costfunction指标目标函数值小于原种群的群体历史costfunction指标目标函数最优值，则将其更新为种群的群体历史costfunction指标目标函数最优值，记录种群个体最优位置和全局历史的最优解；
[0025]
步骤8：判断当前种群的迭代次数是否达到最大迭代次数，若达到最大迭代次数，则终止迭代计算并输出种群个体最优位置和全局历史的最优解；否则继续对当前种群进行迭代计算。
[0026]
进一步的，在所述步骤1中，水轮机调节系统分为调速器和调节对象两部分，所述调速器采用二型模糊pid控制律，所述调节对象采用高阶发电机模型和电网简化模型。
[0027]
进一步的，在所述步骤1中，所述仿真平台包含控制器、随动系统、水轮机及引水系统、发电机及负载、励磁系统和电力系统稳定器。
[0028]
进一步的，在所述步骤5中，所述最优解为当求得的costfunction指标目标函数值最小时对应的模糊粒子群算法参数。
[0029]
本发明的有益效果：由上述对本发明的描述可知，本发明提供了一种水轮机调节系统二型模糊控制参数的优化方法，在水力机组某一工况下与现有技术相比，该方法利用改进自适应惯性权重与同步学习因子的粒子群算法，同时，采用二型模糊控制系统协同优化pid控制参数，使得系统的costfunction指标最小。该方法可使得costfunction指标更快收敛于最小值，控制调节时间、超调量大大减少，并拥有一定的鲁棒性，从而达到提高调速器调节品质的目的，创新地解决了非线性系统的控制参数较难优化的问题，减轻了相关工程人员的工作负担。
附图说明
[0030]
图1为本发明优选实施例中用于pid参数优化的二型模糊推理系统输入变量设计图；
[0031]
图2为本发明优选实施例中用于pid参数优化的二型模糊推理系统输出变量与模糊规则设计图；
[0032]
图3为本发明优选实施例水轮机调节系统多工况仿真平台示意图；
[0033]
图4为本发明实施例中优化过程中目标函数变化情况的示意图；
[0034]
图5为本发明实施例中最优控制参数的控制效果的示意图。
具体实施方式
[0035]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036]
参照图1-5所示，本发明的优选实施例，基于二型模糊pid控制的水轮机调节系统控制参数的优化方法，包括以下步骤：
[0037]
步骤1：根据水轮机各工作参数、调节系数、传递函数建立水轮机调节系统多工况的非线性数学模型，在matlab/simulink中搭建改进粒子群算法与二型模糊控制协同优化
pid参数的仿真平台；
[0038]
步骤2：在matlab中搭建一型模糊控制器，确定输出变量与输入变量的论域与隶属度函数，按照一定的模糊规则搭建好模糊控制器；
[0039]
步骤3：确定mf的不确定度占用空间(fou)，随机配置每个mf的比例因子，将一型模糊控制器按照相应带宽转换为二型模糊控制器；
[0040]
步骤4：初始化生成原种群与模糊粒子群算法参数；
[0041]
步骤5：将原种群的每个候选解代入仿真平台进行仿真，根据目标信号与响应信号的误差计算costfunction指标目标函数值，记录原种群局部和全局历史的最优解，所述costfunction指标目标函数值的计算公式如下：
[0042][0043]
式中，t为仿真时间，e(t)为目标信号与响应信号的误差；
[0044]
步骤6：通过模糊粒子群算法对原种群的每一个粒子进行迭代计算，得到原种群中所有粒子下一时刻的速度和位置，将下一时刻的种群作为新种群，其中，迭代计算的公式如下：
[0045][0046]
式中：v
ij
(t+1)表示在t+1次迭代中第i个粒子的第j维变量所对应的速度，v
ij
(t)和x
ij
(t)分别代表在t次迭代中第i个粒子的第j维变量所对应的速度和位置，w为惯性权重，c1和c2为学习因子，rand是0至1之间的随机数，t是迭代次数，p
ij
和gj分别是个体历史最优位置和群体历史最优位置；
[0047][0048]
式中：x
ij
(t+1)表示在t+1次迭代中第i个粒子的第j维变量所对应的位置，v
ij
(t)和x
ij
(t)分别代表在t次迭代中第i个粒子的第j维变量所对应的速度和位置；
[0049]
其中，自适应调整算法惯性权重w：
[0050][0051]
式中：w
min
为最小惯性权重，w
max
为最大惯性权重，c
min
为costfunction指标最小值，c
avg
为costfunction指标平均值；
[0052]
学习因子c1，c2同步变化：
[0053][0054]
式中：cs，c
l
分别为学习因子的最小值与最大值，一般地，cs，c
l
根据具体问题进行预设；t为当前迭代次数，t为最大迭代次数；
[0055]
步骤7：计算新种群的costfunction指标目标函数值，若新种群的costfunction指标目标函数值小于原种群的个体历史costfunction指标目标函数最优值，则将其更新为种群的个体历史costfunction指标目标函数最优值，若新种群的个体历史costfunction指标目标函数值小于原种群的群体历史costfunction指标目标函数最优值，则将其更新为种群
的群体历史costfunction指标目标函数最优值，记录种群个体最优位置和全局历史的最优解；
[0056]
步骤8：判断当前种群的迭代次数是否达到最大迭代次数，若达到最大迭代次数，则终止迭代计算并输出种群个体最优位置和全局历史的最优解；否则继续对当前种群进行迭代计算。
[0057]
表1 kp参数调节的模糊规则表
[0058][0059]
表2 ki参数调节的模糊规则表
[0060][0061]
表3 kd参数调节的模糊规则表
[0062][0063]
在本实施例中，在所述步骤1中，水轮机调节系统分为调速器和调节对象两部分，所述调速器采用二型模糊pid控制律，所述调节对象采用高阶发电机模型和电网简化模型。首先根据上表模糊规则建立一型模糊控制系统，再将一型模糊控制器按照相应带宽转换为二型模糊控制器，其中每个mf的比例因子随机配置。
[0064]
在本实施例中，在所述步骤1中，所述仿真平台包含控制器、随动系统、水轮机及引水系统、发电机及负载、励磁系统和电力系统稳定器。
[0065]
在本实施例中，在所述步骤5中，所述最优解为当求得的costfunction指标目标函数值最小时对应的模糊粒子群算法参数。
[0066]
本发明提供了一种水轮机调节系统二型模糊控制参数的优化方法，在水力机组某一工况下与现有技术相比，该方法利用改进自适应惯性权重与同步学习因子的粒子群算法，同时，采用二型模糊控制系统协同优化pid控制参数，使得系统的costfunction指标最小。该方法与专利cn112012875a中提到的方法相比，可使得costfunction指标更快收敛于最小值，控制调节时间、超调量大大减少，并拥有一定的鲁棒性，从而拥有更高的调速器调节品质，创新地解决了非线性系统的控制参数较难优化的问题，进一步减轻了相关工程人员的工作负担。
[0067]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出：在不脱离本发明思想的前提下，做出的若干变形和改进，均应在本发明的保护范围之内。