买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国长江三峡集团有限公司

摘要：一种基于水轮机仿真智能求解的一次调频控制方法及装置，步骤如下下：由功率给定模块得到功率给定值P0；由目标功率产生模块将给定功率P0与一次调频的目标功率Pf相加得到实际的目标控制功率CP=P0+Pf；由水头测量模块测量当前工作水头H；由灰狼优化算法寻找相同工况下的最优开度，优化目标为PID输出值最小；得到相同工况下的最优的开度后，通过GWO‑BP神经网络的形成仿真模型。本发明克服了现有技术的不足，有效的解决水轮机一次调频传统PID算法存在的问题，着力解决水轮机调速系统因为其非线性、时变性导致模型难以建立的缺陷。

主权项：1.一种基于水轮机仿真智能求解的一次调频控制方法，其特征在于包括以下步骤：步骤1：由功率给定模块得到功率给定值P0；步骤2：由目标功率产生模块将给定功率P0与一次调频的目标功率Pf相加得到实际的目标控制功率CP＝P0+Pf；步骤3：由水头测量模块测量当前工作水头H；步骤4：由灰狼优化算法寻找相同工况下的最优开度，优化目标为PID输出值最小；步骤5：得到相同工况下的最优的开度后，通过GWO-BP神经网络形成仿真模型；在步骤4中，根据灰狼的社会等级制度以及狩猎过程，构建数学模型；GWO算法的数学模型包括如下几个部分：社会等级分层、包围猎物、狩猎、攻击猎物和搜索猎物，按照如下方式构建模型：1社会等级分层：在GWO算法中，首先，根据灰狼种群的社会等级制度构建层次模型，依据计算得到种群中每个灰狼个体的适应度值，并将适应度值按照从大到小进行排序，然后将适应度最好的三只灰狼分别记为α，β和δ，剩下的灰狼标记为ω，ω灰狼围绕α，β和δ完成位置更新；GWO算法的优化过程由每代种群中最好的三个个体，即α，β和δ来指导完成；2包围猎物：灰狼种群在狩猎过程中，会对猎物进行搜索和不断靠近，并最终对猎物进行包围行为的数学模型如下：D＝C·Xpt-XtXt+1＝Xpt-A·DA＝2α·r1-αC＝2r2式中：t为当前循环次数，A和C为系数向量；Xp为猎物的位置向量；Xt表示当前灰狼的位置向量；在算法的整个迭代过程中，收敛因子a，会由2线性减小到0；r1和r2是在区间范围[0，1]的随机向量；3狩猎：在狩猎过程中，灰狼种群可以识别猎物位置并对猎物进行包围；在这一过程中，α会带领β和δ一起指导狼群实施猎物包围；狼群狩猎行为的数学模型可表示如下：Dα＝C1·Xα-X,Dβ＝C2·Xβ-X,Dδ＝C3·Xδ-X，X1＝Xα-A1·Dα，X2＝Xβ-A2·Dβ，X3＝Xδ-A3·Dδ, 式中：Xα、Xβ、Xδ分别表示当前种群中α、β、δ的位置向量；X表示ω灰狼的当前位置向量；Dα、Dβ、Dδ分别表示当前候选灰狼与适应度最优的前三只灰狼间的距离；C1、C2、C3是随机向量；Xt+1是根据X1、X2和X3确定的最终猎物的位置；4攻击猎物灰狼狩猎的最后一步，就是对猎物进行攻击；为了对这一过程进行模拟，通过控制参数a的值来实现灰狼个体行为的调整；a是逐渐减小的，因此，A的波动范围也随之减小；在算法迭代的过程中，α的值从2线性减少到0时，其对应的A值则在区间[-a,a]内变化；α的值按照如下公式进行调整： 当A的值在区间内时，灰狼下一时刻的位置可以在当前灰狼与猎物之间的任何位置上；当|A|＜1时，狼群则对猎物进行攻击；5寻找猎物：灰狼种群依赖α、β、δ的位置来搜索和定位猎物；在猎物寻找的过程中，狼群首先分散地去搜索猎物位置信息，然后集中起来对猎物进行攻击；对于分散模型的建立，通过|A|＞1使灰狼之间尽量分散在各区域并搜寻猎物，使GWO能进行全局搜索，从而能够找到最好的猎物；GWO算法中的另一个搜索系数是C；C是由在区间范围[0,2]构成的随机向量，表示灰狼所在位置对猎物影响的随机权重，C＞1表示影响权重较大，反之，则表示影响权重较小；有助于提升优化过程中GWO在进行算法搜索的随机性，从而避免算法陷入局部最优；C是非线性减小的；在整个迭代过程中，C对算法全局搜索进行调整，C的随机性可以有效的避免算法出现搜索停滞和陷入局部最优；灰狼优化算法的优化过程如下：在GWO算法进行优化的过程，首先生成随机种群；然后，在算法迭代的过程中，通过α、β和δ这三只最优灰狼判断猎物的可能位置，其他灰狼个体则根据α、β和δ与猎物的距离进行位置更新；同时，通过控制参数a对算法的勘探和开发过程进行平衡；当|A|＞1时，算法进行全局勘探；当|A|＜1时，算法则进行局部开发；步骤5包括以下步骤：1样本采集：采集包含各种工况、水头下的开度数据，作为仿真模型的样本集；2特征集选择：选择常用特征集和最优混合特征集分别作为模型输入；3样本分组：将已有样本分为两组，即训练组和测试组；在对模型进行仿真的过程中，首先利用训练组的数据进行模型训练，然后利用测试组数据用来验证模型的性能；4样本归一化：通过归一化方法，将所有样本数据值调整到在[0,1]范围内，使得模型计算速度更快，归一化转换函数如所示： 5模型构建：基于GWO-BP神经网络的仿真模型步骤如下：对模型的初始参数进行设置，初始化的参数包括种群大小、最大迭代次数、变量维数、缩放因子和交叉概率系数CR；根据步骤4公式对种群进行初始化，为了保证BP神经网络的训练后模型误差最小，选用BP神经网络实际输出与期望输出绝对误差和的平均值作为目标函数f，优化的目标就是选择最好BP神经网络参数值； 计算种群中所有灰狼个体的适应度，并按从高到低的顺序对适应度值进行排列，将适应度排名前三名的灰狼个体分别为定义为Xα、Xβ、Xδ；进行父代种群个体位置更新；更新父代灰狼个体Pα、Pβ、Pδ，然后按照适应度的大小对父代灰狼个体进行排序；同时，对算法迭代的终止条件进行判断，当满足迭代中止条件时，则返回父代最优个体Pα和fPα的值，即为模型对应的最佳网络参数，以保证PID输出最小；完成最优解的GWO-BP神经网络仿真模型。

全文数据：

权利要求：

百度查询： 中国长江三峡集团有限公司 基于水轮机仿真智能求解的一次调频控制方法及装置