CN109038643A - 多机***调速器pid参数优化方法、装置、设备及介质 - Google Patents
多机***调速器pid参数优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109038643A CN109038643A CN201810640989.0A CN201810640989A CN109038643A CN 109038643 A CN109038643 A CN 109038643A CN 201810640989 A CN201810640989 A CN 201810640989A CN 109038643 A CN109038643 A CN 109038643A
- Authority
- CN
- China
- Prior art keywords
- particle
- fitness function
- population
- value
- pid parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000002245 particle Substances 0.000 claims abstract description 335
- 230000010355 oscillation Effects 0.000 claims abstract description 33
- 238000013016 damping Methods 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 148
- 230000003044 adaptive effect Effects 0.000 claims description 59
- 239000013598 vector Substances 0.000 claims description 39
- 238000004088 simulation Methods 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 230000001105 regulatory effect Effects 0.000 claims description 22
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 239000007858 starting material Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多机***调速器PID参数优化方法,包括获取初始优化取值范围,以根据初始优化取值范围获取各个粒子以及粒子群;针对每一粒子,将粒子的位置变量代替对应机组调速器的PID参数;根据故障下***振荡阻尼和机组调频响应速度的加权和获取适应度函数;根据适应度函数,针对每一粒子获取粒子的适应度函数值,并将粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较;在粒子的适应度函数值比所述粒子群的最优适应度函数值更优时,根据粒子的位置更新粒子群的最优适应度函数值和粒子群最优位置;并更新粒子的状态;在粒子群的最优适应度函数值满足预设的精度时,获取得到最优的PID参数。提高粒子群的收敛速度以及算法的优化效率。
Description
技术领域
本发明涉及电力***技术领域和自动控制技术领域,尤其涉及多机***调速器PID参数优化方法、装置、设备及介质。
背景技术
南方电网在云南异步联网***试验中出现了长时间、大幅度,振荡周期约20s的超低频率振荡,该现象电网内首次出现。对于如何确保该类型电网稳定运行尚需进一步深入探索,异步联网后云南电网负荷规模较原先南方电网同步电网大幅减小,云南网内水电机组规模占比较大,且大部分通过直流外送南方主网,因而异步后云南电网频率响应特性较异步前南方电网频率响应特性发生巨大变化,针对异步后云南电网可能存在的运行风险须制定有效的应对措施,确保电网的安全稳定运行。其中,对云南大型水电厂的机组调速***PID参数进行整体优化是抑制云南异步后超低频振荡的一个有效措施。
PID调速器由美国洛尔斯基于1922年首先提出,由于其结构简单、可靠、易于操作、调节,PID调速器至今仍是生产过程自动化中使用最多的一种调节器,也是目前水电机组调速器中使用最广泛、技术最成熟的一种。PID控制是按偏差的比例、积分和微分线性组合进行控制的方式,在工况确定的情况下,适当选择PID控制参数,使水电机组得到较满意的动、静态性能。因此,在PID控制中,一个关键的问题是选用何种优化方式对PID参数进行整定,以保证控制***具有良好的特性。而在实际大电网中同时对多台机组的调速器PID参数进行优化,还需要兼顾优化算法的效率问题。
常见的用于调速器参数优化的算法有单纯形法、正交试验法、随机寻优法、极点配置法、遗传算法等。它们各有优点,但也存在明显缺陷。单纯型法受初值和计算步长的影响较大,易于收敛于局部最优解,其寻优效率不高。正交实验法对初始参数依赖性强,且试验误差大,寻优效率不高。传统的随机寻优技术受其自身技术的限制,计算时间长,效率较低。极点配置法受结构模型、约束条件、参数初值的限制,影响了其收敛性和寻优效率。遗传算法需要进行复制、交叉与变异操作,进化速度慢,并且其性能对参数有较大的依赖性,此外遗传算法还涉及到繁琐的编码解码过程以及较大的计算量,所以参数优化的过程仍然显得比较复杂,这些明显的缺陷对其发展存在一定的限制性。
粒子群优化算法在电力***中的应用研究起步较晚,但随着对算法研究的不断升温,算法自身的不断发展,它在电力***领域中应用的研究逐渐显示出广阔的应用前景,算法在水轮机调节***中的应用也引起国内外学者的普遍重视。但是目前使用粒子群优化算法进行PID参数调整的技术中,其粒子群的收敛速度慢,优化效率普遍都不高。
发明内容
针对上述问题,本发明的目的在于提供一种多机***调速器PID参数优化方法,能对调速器PID参数进行优化调整,且可以提高粒子群的收敛速度以及算法的优化效率。
第一方面,本发明提供了一种多机***调速器PID参数优化方法,包括:
获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群;其中,所述初始优化取值范围是各个所述粒子的位置矢量的初始取值范围;
针对每一所述粒子,将粒子的位置变量代替对应机组调速器的PID参数;
根据故障下***振荡阻尼和机组调频响应速度的加权和获取适应度函数;
根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较;
在所述粒子的适应度函数值比所述粒子群的最优适应度函数值更优时,根据所述粒子的位置更新所述粒子群的最优适应度函数值和粒子群最优位置;
并更新所述粒子的状态;其中,所述状态包括粒子位置和速度;
在所述粒子群的最优适应度函数值满足预设的精度时,获取得到最优的PID参数。
在第一方面的第一种可能实现方式中,所述获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群包括:
获取多机组调速器PID参数的初始优化取值范围;其中,所述初始优化取值范围为各个机组调速器PID参数的有效取值范围组成的集合;其中,所述有效取值范围为所述机组调速器PID参数采用粒子群算法进行单机优化后得到的所有粒子位置矢量组成的取值范围;
根据所述初始优化取值范围获取各个粒子以及粒子群。
在第一方面的第二种可能实现方式中,所述适应度函数为其中,F为所述适应度函数的值,ξ为所述***振荡阻尼,vj为第j个机组的调频响应速度,w0、wj是权重系数,m大于1。
在第一方面的第三种可能实现方式中,所述根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较包括:
所述粒子群中各个粒子以并行的方法相对独立地进行寻优动作;
根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值;
依据获取所述粒子的适应度函数值的先后顺序,将所述粒子的适应度函数值与当前时刻粒子群的最优适应度函数值进行比较。
在第一方面的第四种可能实现方式中,所述针对每一所述粒子,将粒子的位置变量代替对应机组调速器的PID参数包括:
将所述粒子的位置矢量代替对应机组调速器的PID参数,以得到所述粒子对应的仿真数据。
结合第一方面的第四种可能实现方式中,在第一方面的第五种可能实现方式中,在所述针对每一所述粒子,将所述粒子的位置变量代替对应机组调速器的PID参数之后,所述根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较之前,还包括:
对所述仿真数据进行故障仿真,其中,所述故障为异步联网***外送直流闭锁故障;
对仿真结果曲线进行分析,获取得到***振荡阻尼和机组响应速度;
根据所述***振荡阻尼、所述机组响应速度以及所述适应度函数,获取得到所述粒子的适应度函数值。
在第一方面的第六种可能实现方式中,所述并更新粒子的状态包括:
根据改进的粒子速度更新公式更新所述粒子的速度;其中,所述改进的粒子速度更新公式为:
其中,是粒子i第k次寻优后速度矢量,w为惯性权重,c1和c2是记忆因子,rand()是产生随机数的一个随机函数,Pk besti是粒子i第k次寻优后最优位置,Pk bestg是第k次寻优后粒子群最优位置,Pk abestg是第k次寻优后粒子群中适应度函数值最优的前N个粒子的平均位置,N大于1;
根据粒子位置更新公式更新所述粒子的位置;其中,所述粒子位置更新公式为:其中,是粒子i第k次寻优后位置矢量。
第二方面,本发明实施例提供了一种多机***调速器PID参数优化装置,包括:
粒子群获取模块,用于获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群;其中,所述初始优化取值范围是各个所述粒子的位置矢量的初始取值范围;
参数替换模块,用于针对每一所述粒子,将所述粒子的位置变量代替对应机组调速器的PID参数;
函数获取模块,用于根据故障下***振荡阻尼和机组调频响应速度的加权和获取适应度函数;
比较模块,用于根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较;
粒子群更新模块,用于在所述粒子的适应度函数值比所述粒子群的最优适应度函数值更优时,根据所述粒子的位置更新所述粒子群的最优适应度函数值和粒子群最优位置;
粒子更新模块,用于并更新粒子的状态;其中,所述状态包括粒子位置和速度;
最优参数获取模块,用于在所述粒子群的最优适应度函数值满足预设的精度时,获取得到最优的PID参数。
第三方面,本发明实施例提供了一种多机***调速器PID参数优化设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的多机***调速器PID参数优化方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的多机***调速器PID参数优化方法。
上述技术方案的一个技术方案具有如下优点:获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群;其中,所述初始优化取值范围是各个所述粒子的位置矢量的初始取值范围;针对每一所述粒子,将粒子的位置变量代替对应机组调速器的PID参数;通过给多机优化提供合理、良好的参数初始值,可以使多机优化效率更高、更有效,根据故障下***振荡阻尼和机组调频响应速度的加权和获取适应度函数;为了解决异步联网***外送直流闭锁故障,所述适应度函数同时兼顾各调速器调频速度与***整体阻尼特性,能更好解决送端孤立电网低频振荡现象,根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较;在所述粒子的适应度函数值比所述粒子群的最优适应度函数值更优时,根据所述粒子的位置更新所述粒子群的最优适应度函数值和粒子群最优位置;并更新所述粒子的状态;其中,所述状态包括粒子位置和速度;在所述粒子群的最优适应度函数值满足预设的精度时,获取得到最优的PID参数。每个粒子每次进行寻优动作时都是以当前时刻下粒子群经过的最优位置而不是整个粒子群上一步迭代时粒子群经过的最优位置,来更新其速度矢量和位置矢量,其中,粒子群经过的最优位置在并行化每个粒子求解适应度函数后都进行更新,而不是在粒子群整体进行一步寻优后才更新粒子群经过的最优位置,由此在实现对PID参数调整下,提高粒子群的收敛速度以及算法的优化效率。
附图说明
图1是本发明第一实施例提供的多机***调速器PID参数优化设备的示意图;
图2是本发明第二实施例提供的多机***调速器PID参数优化方法流程示意图;
图3是本发明第二实施例提供的多机***调速器PID参数优化结构流程示意图;
图4是本发明第三实施例提供的多机***调速器PID参数优化装置的结构示意图。
具体实施方式
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作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。
所属技术领域的技术人员知道,本发明可以实现为设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“***”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或框图描述本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种虚拟机,这些计算机程序指令通过计算机或其它可编程数据处理装置执行,产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中,这样,存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instructionmeans)的制造品(manufacture)。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
实施例一
请参见图1,图1是本发明实施例一提供的多机***调速器PID参数优化设备的示意图,用于执行本发明实施例提供的多机***调速器PID参数优化方法,如图1所示,该多机***调速器PID参数优化设备包括:至少一个处理器11,例如CPU,至少一个网络接口14或者其他用户接口13,存储器15,至少一个通信总线12,通信总线12用于实现这些组件之间的连接通信。其中,用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi-Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器,也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。
在一些实施方式中,存储器15存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:
操作***151,包含各种***程序,用于实现各种基础业务以及处理基于硬件的任务;
程序152。
具体地,处理11用于调用存储器15中存储的程序152,执行上述实施例所述的多机***调速器PID参数优化方法。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述多机***调速器PID参数优化方法的控制中心,利用各种接口和线路连接整个所述多机***调速器PID参数优化方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现多机***调速器PID参数优化的电子装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述多机***调速器PID参数优化集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
下面将参照附图来描述根据本发明实施例的多机***调速器PID参数优化的方法。
实施例二
参见图2,本发明第二实施例提供的多机***调速器PID参数优化方法流程示意图;
S11、获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群;其中,所述初始优化取值范围是各个所述粒子的位置矢量的初始取值范围;
需要说明的是,粒子群算法是Kenneday和Eberhart等受鸟群在寻觅食物时的行为启发,于1995年提出的一种优化算法,是继蚁群算法之后又一种群体智能算法,并最终发展成为一种有效的优化工具。在粒子群算法中,每个优化问题的潜在解都可以想象成d维搜索空间上一个点,这些点被称之为粒子,共m个粒子组成一个粒子群。每个粒子性能的优劣程度取决于待优化问题目标函数确定的适应值,即适应度函数值,每个粒子有一个速度决定其飞行的方向和速率大小,粒子群们追随当前的最优粒子在解空间中进行搜索。
现有技术中,粒子群优化算法中初始化值是一群随机粒子(随机解),然后通过迭代找到最优解。而在本发明实施例中,所述初始化值及所述初始优化取值范围为采用粒子群算法优化后各个机组调速器PID参数的有效取值范围组成的集合。
优选地,所述获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群包括:
获取多机组调速器PID参数的初始优化取值范围;其中,所述初始优化取值范围为各个机组调速器PID参数的有效取值范围组成的集合;其中,所述有效取值范围为所述机组调速器PID参数采用粒子群算法进行单机优化后得到的所有粒子位置矢量组成的取值范围;
根据所述初始优化取值范围获取各个粒子以及粒子群。
在本发明实施例中,根据所述初始优化取值范围随机生成各个粒子,根据各个粒子得到粒子群。
需要说明的是,基于粒子群的PID参数优化的基本思想是:将PID三个参数组合在一起作为粒子群的粒子,在搜索空间中每一个粒子以一定的速度飞行,飞行过程中,每个粒子飞行速度降依据粒子的飞行经验和群体的飞行经验进行动态调整,以一定的速度向目标逼近,最后找到最优的目标,即PID控制器的最优参数。PID控制器对被控设备进行闭环控制,并且PID三个参数Kp、Ti和Td为实时优化方式,其中,Kp为比例系数,Ti为积分时间系数,Td为微分时间系数,粒子群优化算法根据***的运行状态进行调节所述PID控制的三个参数Kp、Ti和Td,以达到预设的性能指标最优化。
在本实施例中,单机采用粒子群算法优化时,得到最优粒子的同时其它粒子也已向最优粒子靠近,即当前机组除所述最优粒子外的其他粒子都向所述最优粒子靠近,粒子群的位置共同形成了一个范围,即该机组调速器PID参数的优化取值范围即有效取值范围,然后将各个机组的所述有效取值范围合并,获取得到多机组即多机***调速器PID参数的初始优化取值范围。全网多调速器PID参数优化时,粒子群初始化不是任意随机生成,而是在各机组的优化取值范围内随机生成的,给多机优化提供合理、良好的参数初始值,可以使多机优化效率更高、更有效。
需要说明的是,述初始优化取值范围是各个所述粒子的位置矢量的初始取值范围,而各个所述粒子的速度矢量可以任意随机生成,本发明对此不作具体限定。
S12、针对每一所述粒子,将粒子的位置变量代替对应机组调速器的PID参数;
需要说明的是,三维空间的一个粒子表示PID的三个参数,针对多机组,假设有两个机组,则粒子是六维,即PID参数是6。
优选地,所述针对每一所述粒子,将所述粒子的位置变量代替对应机组调速器的PID参数包括:
将所述粒子的位置矢量代替对应机组调速器的PID参数,以得到所述粒子对应的仿真数据,其中,每个粒子都对应所有机组。
具体的,获取待进行参数优化机组的仿真模型,对各个机组的仿真模型进行单机优化仿真,得到各个机组的有效初始值,将所有待参数优化发电机的调速器PID参数的有效初始值作为粒子群初始优化取值范围,将在所述初始优化取值范围内生成的的位置变量替换原始电力***仿真数据中对应的发电机调速器PID参数,每个粒子都生成一套新的电力***仿真数据。
S13、根据故障下***振荡阻尼和机组调频响应速度的加权和获取适应度函数;
需要说明的是,PID参数优化,简言之就是利用算法来优化上述的三个参数Kp、Ti和Td,其本质是基于一定目标函数的参数寻优问题,目标函数即适应度函数,每个粒子代表解空间的一个候选解,粒子的位置即所有待优化的调速器PID参数的一种取值情况,解的优劣程度由适应度函数决定。
本发明实施例中,优化目标同时兼顾各调速器调频速度与***整体阻尼特性,适应度函数为故障下所有优化机组响应速度与***振荡阻尼的加权和,机组响应速度越快、***振荡阻尼越大则粒子越优。***振荡阻尼越大代表抑制低频振荡效果越好,同时机组响应速度也要达到要求。
在本发明实施例中,故障下所有优化机组响应速度与***振荡阻尼这些数据通过对故障仿真输出的仿真曲线进行分析获得,机组响应速度需要分析各机组机械功率曲线基本达到稳定的时间,***振荡阻尼需要对***频率曲线进行prony分析获得低频振荡模式的阻尼。
优选地,所述适应度函数为其中,F为所述适应度函数的值,ξ为所述***振荡阻尼,vj为第j个机组的调频响应速度,w0、wj是权重系数,m大于1。
优选地,所述故障为异步联网***外送直流闭锁故障。
在本发明实施例中,发生异步联网***外送直流闭锁故障,可能会引起送端孤立电网低频振荡现象,由此需要对机组调速***PID参数进行整体优化。
S14、根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较;
在本发明实施例中,每个粒子都相对独立地进行寻优,在检测到某一个粒子的位置移动后,根据所述适应度函数获取粒子的适应度函数值,同时获取当前时刻粒子群的最优适应度函数值,将所述粒子适应度函数值与粒子群适应度函数值进行比较。
优选地,所述根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较包括:
所述粒子群中各个粒子以并行的方法相对独立地进行寻优动作;
根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值;
依据获取所述粒子的适应度函数值的先后顺序,将所述粒子的适应度函数值与当前时刻粒子群的最优适应度函数值进行比较。
具体的,在粒子群M中,有粒子A、B及C,在粒子群M中的粒子A、B及C并行进行寻优动作时,检测到粒子A先计算得到适应度函数值,则将粒子A的适应度函数值与当前时刻粒子群M的适应度函数值进行比较,根据比较结果,在所述粒子A的适应度函数值比所述粒子群M的适应度函数值更优,则以所述粒子A的位置进行粒子群M的更新,更新粒子群M的适应度函数值为粒子群A的适应度函数值,将粒子群的位置更新为粒子A的位置,并更新粒子A的状态,再获取得到粒子B或粒子C的适应度函数值时,依照上述进行比较更新。即本发明实施例中,粒子群的最优位置在并行化每个粒子求解适应度函数后都进行更新,相对于现有技术,每个粒子每次进行寻优动作时都是以当前时刻下粒子群经过的最优位置而不是整个粒子群上一步迭代时粒子群经过的最优位置,来更新其速度矢量和位置矢量。
优选地,在所述针对每一所述粒子,将所述粒子的位置变量代替对应机组调速器的PID参数之后,所述根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较之前,还包括:
对所述仿真数据进行故障仿真,其中,所述故障为异步联网***外送直流闭锁故障;
对仿真结果曲线进行分析,获取得到***振荡阻尼和机组响应速度;
根据所述***振荡阻尼、所述机组响应速度以及所述适应度函数,获取得到所述粒子的适应度函数值。
S15、在所述粒子的适应度函数值比所述粒子群的最优适应度函数值更优时,根据所述粒子的位置更新所述粒子群的最优适应度函数值和粒子群最优位置;
在本发明实施例中,所述粒子的适应度函数值比所述粒子群的最优适应度函数值更大,则所述粒子的适应度函数值比所述粒子群的最优适应度函数值更优时,根据所述粒子的位置更新所述粒子群的最优适应度函数值和粒子群最优位置。
需要说明的是,所述粒子群的最优适应度函数值是保存记录的,在由初始化取值范围生成粒子之后,对所述粒子的适应度函数值进行比较,取得一个最优的适应度函数值作为粒子群的最优适应度函数值,在后续进行迭代时,每次粒子群的最优适应度函数值更新之后都保存记录。
S16、并更新所述粒子的状态;其中,所述状态包括粒子位置和速度;
需要说明的是,在通过迭代找到最优解时,在每一次迭代过程中,粒子跟踪两个极值来更新自己的速度和矢量。第一个是粒子本身所找到的最优解,这个解叫做个体极值,另一个极值是整个种群目前找到的最优解,这个极值是全局极值。
优选地,所述并更新所述粒子的状态包括:
根据改进的粒子速度更新公式更新所述粒子的速度;其中,所述改进的粒子速度更新公式为:
其中,是粒子i第k次寻优后速度矢量,w为惯性权重,c1和c2是记忆因子,rand()是产生随机数的一个随机函数,Pk besti是粒子i第k次寻优后最优位置,Pk bestg是第k次寻优后粒子群最优位置,Pk abestg是第k次寻优后粒子群中适应度函数值最优的前N个粒子的平均位置,N大于1;
根据粒子位置更新公式更新所述粒子的位置;其中,所述粒子位置更新公式为:其中,是粒子i第k次寻优后位置矢量。
需要说明的是,所述N为预设值,其值大于1,本发明对此不作具体限定。w是粒子自身对当前情况的依赖情况,决定了粒子先前速度对当前速度的影响程度,c1是粒子对自身经验的依赖情况,c2是粒子对社群信息的依赖情况,c1是记忆因子,决定粒子向每个粒子经历过的最优状态移动的速度大小,c2是记忆因子,决定粒子向粒子群经历过的最优状态移动的速度大小。
在本发明实施例中,所述更新粒子的速度矢量,所述Pk bestg第k次寻优后粒子群最优位置都会进行更新,所述粒子群的最优位置在并行化每个粒子求解适应度函数后,粒子的适应度函数值比当前时刻粒子群的最优适应度函数值更优,则都进行更新,相对于现有技术,每个粒子每次进行寻优动作时都是以当前时刻下粒子群经过的最优位置而不是整个粒子群上一步迭代时粒子群经过的最优位置,来更新其速度矢量和位置矢量。
S17、在所述粒子群的最优适应度函数值满足预设的精度时,获取得到最优的PID参数。
在本实施例中,将进行寻优动作的粒子的适应度函数值与粒子群最优适应度函数值比较并更新粒子群最优适应度函数值和最优位置,然后更新各个粒子的位置,再将各个粒子更新后的位置变量替换原始电力***仿真数据中对应的发电机调速器PID参数,生成一套新的电力***仿真数据,进行下一次的迭代计算;根据指定精度或最优判据判断是否跳出寻优迭代,并输出最优的发电机调速器PID参数及相应电力***仿真数据。
参见图3,在本发明实施例中,在未进行优化的多机原始***中,将所有待优化参数机组的仿真模型进行单机优化参数,各个机组进行仿真分析,获得各待参数优化机组的调速器PID参数的有效初始值,所述有效初始值是各个待参数优化机组进行优化后的优化取值范围,将各个机组的有效初始值进行合并整理,获取得到多机***的初始优化取值范围,以所有待参数优化机组的调速器PID参数的有效初始值作为粒子群初始位置,在指定范围内随机生成各粒子,将生成的粒子的位置变量替换原始电力***仿真数据中对应的发电机调速器PID参数,每个粒子都生成一套新的电力***仿真数据,并将各套新的电力***仿真数据并行动态仿真分析,各个粒子进行仿真分析获得各粒子的适应度函数值,将各粒子的适应度函数值与粒子群最优适应度函数值比较并更新粒子群最优适应度函数值和最优位置,然后更新各粒子的位置,再将粒子新的位置变量替换原始电力***仿真数据中对应的发电机调速器PID参数,生成一套新的电力***仿真数据,并回传给多机参数优化模块,继续进行粒子仿真分析,以进行下一次的迭代计算,根据指定精度或最优判据判断是否跳出寻优迭代,并输出最优的发电机调速器PID参数及相应电力***仿真数据。
实施本实施例具有如下有益效果:
参见图3,在本发明实施例中,在未进行优化的多机原始***中,将所有待优化参数机组的仿真模型进行单机优化参数,各个机组进行仿真分析,获得各待参数优化机组的调速器PID参数的有效初始值,所述有效初始值是各个待参数优化机组进行优化后的优化取值范围,将各个机组的有效初始值进行合并整理,获取得到多机***的初始优化取值范围,以所有待参数优化机组的调速器PID参数的有效初始值作为粒子群初始位置,在指定范围内随机生成各粒子,将生成的粒子的位置变量替换原始电力***仿真数据中对应的发电机调速器PID参数,每个粒子都生成一套新的电力***仿真数据,并将各套新的电力***仿真数据并行动态仿真分析,各个粒子进行仿真分析获得各粒子的适应度函数值,将各粒子的适应度函数值与粒子群最优适应度函数值比较并更新粒子群最优适应度函数值和最优位置,然后更新各粒子的位置,再将粒子新的位置变量替换原始电力***仿真数据中对应的发电机调速器PID参数,生成一套新的电力***仿真数据,并回传给多机参数优化模块,继续进行粒子仿真分析,以进行下一次的迭代计算,根据指定精度或最优判据判断是否跳出寻优迭代,并输出最优的发电机调速器PID参数及相应电力***仿真数据。
实施本实施例具有如下有益效果:
获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群;其中,所述初始优化取值范围是各个所述粒子的位置矢量的初始取值范围;针对每一所述粒子,将粒子的位置变量代替对应机组调速器的PID参数;通过给多机优化提供合理、良好的参数初始值,可以使多机优化效率更高、更有效,根据故障下***振荡阻尼和机组调频响应速度的加权和获取适应度函数;为了解决异步联网***外送直流闭锁故障,所述适应度函数同时兼顾各调速器调频速度与***整体阻尼特性,能更好解决送端孤立电网低频振荡现象,根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较;在所述粒子的适应度函数值比所述粒子群的最优适应度函数值更优时,根据所述粒子的位置更新所述粒子群的最优适应度函数值和粒子群最优位置;并更新粒子的状态;其中,所述状态包括粒子位置和速度;在所述粒子群的最优适应度函数值满足预设的精度时,获取得到最优的PID参数。每个粒子每次进行寻优动作时都是以当前时刻下粒子群经过的最优位置而不是整个粒子群上一步迭代时粒子群经过的最优位置,来更新其速度矢量和位置矢量,其中,粒子群经过的最优位置在并行化每个粒子求解适应度函数后都进行更新,而不是在粒子群整体进行一步寻优后才更新粒子群经过的最优位置,由此在实现对PID参数调整下,提高粒子群的收敛速度以及算法的优化效率。
参见图4,图4是是本发明第二实施例提供的多机***调速器PID参数优化装置的结构示意图。包括:
粒子群获取模块31,用于获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群;其中,所述初始优化取值范围是各个所述粒子的位置矢量的初始取值范围;
参数替换模块32,用于针对每一所述粒子,将粒子的位置变量代替对应机组调速器的PID参数;
函数获取模块33,用于根据故障下***振荡阻尼和机组调频响应速度的加权和获取适应度函数;
比较模块34,用于根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较;
粒子群更新模块35,用于在所述粒子的适应度函数值比所述粒子群的最优适应度函数值更优时,根据所述粒子的位置更新所述粒子群的最优适应度函数值和粒子群最优位置;
粒子更新模块36,用于并更新粒子的状态;其中,所述状态包括粒子位置和速度;
最优参数获取模块37,用于在所述粒子群的最优适应度函数值满足预设的精度时,获取得到最优的PID参数。
优选地,所述粒子群获取模块31包括:
获取多机组调速器PID参数的初始优化取值范围;其中,所述初始优化取值范围为各个机组调速器PID参数的有效取值范围组成的集合;其中,所述有效取值范围为所述机组调速器PID参数采用粒子群算法进行单机优化后得到的所有粒子位置矢量组成的取值范围;
根据所述初始优化取值范围获取各个粒子以及粒子群。
优选地,所述适应度函数为其中,F为所述适应度函数的值,ξ为所述***振荡阻尼,vj为第j个机组的调频响应速度,w0、wj是权重系数,m大于1。
优选地,所述比较模块34包括:
所述粒子群中各个粒子以并行的方法相对独立地进行寻优动作;
根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值;
依据获取所述粒子的适应度函数值的先后顺序,将所述粒子的适应度函数值与当前时刻粒子群的最优适应度函数值进行比较。
优选地,所述参数替换模块32包括:
将各个粒子的位置矢量代替对应各个机组调速器的PID参数,以得到各个粒子对应的仿真数据。
优选地,还包括:
对所述仿真数据进行故障仿真,其中,所述故障为异步联网***外送直流闭锁故障;
对仿真结果曲线进行分析,获取得到***振荡阻尼和机组响应速度;
根据所述***振荡阻尼、所述机组响应速度以及所述适应度函数,获取得到所述粒子的适应度函数值。
优选地,所述粒子更新模块36包括:
根据改进的粒子速度更新公式更新粒子的速度;其中,所述改进的粒子速度更新公式为:
其中,是粒子i第k次寻优后速度矢量,w为惯性权重,c1和c2是记忆因子,rand()是产生随机数的一个随机函数,Pk besti是粒子i第k次寻优后最优位置,Pk bestg是第k次寻优后粒子群最优位置,Pk abestg是第k次寻优后粒子群中适应度函数值最优的前N个粒子的平均位置,N大于1;
根据粒子位置更新公式更新粒子的位置;其中,所述粒子位置更新公式为:其中,是粒子i第k次寻优后位置矢量。
上述技术方案的一个技术方案具有如下优点:
获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群;其中,所述初始优化取值范围是各个所述粒子的位置矢量的初始取值范围;针对每一所述粒子,将粒子的位置变量代替对应机组调速器的PID参数;通过给多机优化提供合理、良好的参数初始值,可以使多机优化效率更高、更有效,根据故障下***振荡阻尼和机组调频响应速度的加权和获取适应度函数;为了解决异步联网***外送直流闭锁故障,所述适应度函数同时兼顾各调速器调频速度与***整体阻尼特性,能更好解决送端孤立电网低频振荡现象,根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较;在所述粒子的适应度函数值比所述粒子群的最优适应度函数值更优时,根据所述粒子的位置更新所述粒子群的最优适应度函数值和粒子群最优位置;并更新粒子的状态;其中,所述状态包括粒子位置和速度;在所述粒子群的最优适应度函数值满足预设的精度时,获取得到最优的PID参数。每个粒子每次进行寻优动作时都是以当前时刻下粒子群经过的最优位置而不是整个粒子群上一步迭代时粒子群经过的最优位置,来更新其速度矢量和位置矢量,其中,粒子群经过的最优位置在并行化每个粒子求解适应度函数后都进行更新,而不是在粒子群整体进行一步寻优后才更新粒子群经过的最优位置,由此在实现对PID参数调整下,提高粒子群的收敛速度以及算法的优化效率。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,在某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。其次,本领域技术人员也应知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模拟一定是本发明所必须的。
Claims (10)
1.一种多机***调速器PID参数优化方法,其特征在于,包括:
获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群;其中,所述初始优化取值范围是各个所述粒子的位置矢量的初始取值范围;
针对每一所述粒子,将所述粒子的位置变量代替对应机组调速器的PID参数;
根据故障下***振荡阻尼和机组调频响应速度的加权和获取适应度函数;
根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较;
在所述粒子的适应度函数值比所述粒子群的最优适应度函数值更优时,根据所述粒子的位置更新所述粒子群的最优适应度函数值和粒子群最优位置;
并更新所述粒子的状态;其中,所述状态包括粒子位置和速度;
在所述粒子群的最优适应度函数值满足预设的精度时,获取得到最优的PID参数。
2.根据权利要求1所述的多机***调速器PID参数优化方法,其特征在于,所述获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群包括:
获取多机组调速器PID参数的初始优化取值范围;其中,所述初始优化取值范围为各个机组调速器PID参数的有效取值范围组成的集合;其中,所述有效取值范围为所述机组调速器PID参数采用粒子群算法进行单机优化后得到的所有粒子位置矢量组成的取值范围;
根据所述初始优化取值范围获取各个粒子以及粒子群。
3.根据权利要求1所述的多机***调速器PID参数优化方法,其特征在于,所述适应度函数为其中,F为所述适应度函数的值,ξ为所述***振荡阻尼,vj为第j个机组的调频响应速度,w0、wj是权重系数,m大于1。
4.根据权利要求1所述的多机***调速器PID参数优化方法,其特征在于,所述根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较包括:
所述粒子群中各个粒子以并行的方法相对独立地进行寻优动作;
根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值;
依据获取所述粒子的适应度函数值的先后顺序,将所述粒子的适应度函数值与当前时刻粒子群的最优适应度函数值进行比较。
5.根据权利要求1所述的多机***调速器PID参数优化方法,其特征在于,所述针对每一所述粒子,将所述粒子的位置变量代替对应机组调速器的PID参数包括:
将所述粒子的位置矢量代替对应机组调速器的PID参数,以得到所述粒子对应的仿真数据。
6.根据权利要求5所述的多机***调速器PID参数优化方法,其特征在于,在所述针对每一所述粒子,将所述粒子的位置变量代替对应机组调速器的PID参数之后,所述根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较之前,还包括:
对所述仿真数据进行故障仿真;其中,所述故障为异步联网***外送直流闭锁故障;
对仿真结果曲线进行分析,获取得到***振荡阻尼和机组响应速度;
根据所述***振荡阻尼、所述机组响应速度以及所述适应度函数,获取得到所述粒子的适应度函数值。
7.根据权利要求1所述的多机***调速器PID参数优化方法,其特征在于,所述并更新所述粒子的状态包括:
根据改进的粒子速度更新公式更新所述粒子的速度;其中,所述改进的粒子速度更新公式为:
其中,Vi k是粒子i第k次寻优后速度矢量,w为惯性权重,c1和c2是记忆因子,rand()是产生随机数的一个随机函数,Pk besti是粒子i第k次寻优后最优位置,Pk bestg是第k次寻优后粒子群最优位置,Pk abestg是第k次寻优后粒子群中适应度函数值最优的前N个粒子的平均位置,N大于1;
根据粒子位置更新公式更新所述粒子的位置;其中,所述粒子位置更新公式为:其中,是粒子i第k次寻优后位置矢量。
8.一种多机***调速器PID参数优化装置,其特征在于,包括:
粒子群获取模块,用于获取初始优化取值范围,以根据所述初始优化取值范围获取各个粒子以及粒子群;其中,所述初始优化取值范围是各个所述粒子的位置矢量的初始取值范围;
参数替换模块,用于针对每一所述粒子,将所述粒子的位置变量代替对应机组调速器的PID参数;
函数获取模块,用于根据故障下***振荡阻尼和机组调频响应速度的加权和获取适应度函数;
比较模块,用于根据所述适应度函数,针对每一粒子获取所述粒子的适应度函数值,并将所述粒子适应度函数值与当前时刻粒子群的最优适应度函数值进行比较;
粒子群更新模块,用于在所述粒子的适应度函数值比所述粒子群的最优适应度函数值更优时,根据所述粒子的位置更新所述粒子群的最优适应度函数值和粒子群最优位置;
粒子更新模块,用于并更新所述粒子的状态;其中,所述状态包括粒子位置和速度;
最优参数获取模块,用于在所述粒子群的最优适应度函数值满足预设的精度时,获取得到最优的PID参数。
9.一种多机***调速器PID参数优化设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的多机***调速器PID参数优化方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的多机***调速器PID参数优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810640989.0A CN109038643B (zh) | 2018-06-20 | 2018-06-20 | 多机***调速器pid参数优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810640989.0A CN109038643B (zh) | 2018-06-20 | 2018-06-20 | 多机***调速器pid参数优化方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109038643A true CN109038643A (zh) | 2018-12-18 |
CN109038643B CN109038643B (zh) | 2020-09-29 |
Family
ID=64610092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810640989.0A Active CN109038643B (zh) | 2018-06-20 | 2018-06-20 | 多机***调速器pid参数优化方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109038643B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112366733A (zh) * | 2020-11-30 | 2021-02-12 | 南方电网科学研究院有限责任公司 | 水电机组调速器pid参数优化方法、装置、***及介质 |
CN113238486A (zh) * | 2021-06-03 | 2021-08-10 | 国家电网有限公司 | 一种自适应的多机水电站调速器参数调控方法 |
CN113359475A (zh) * | 2021-07-07 | 2021-09-07 | 珠海拓芯科技有限公司 | 伺服控制参数优化方法、装置及伺服控制器 |
CN113517694A (zh) * | 2021-04-27 | 2021-10-19 | 广东电网有限责任公司 | 准谐振控制器参数的整定方法、装置、电气设备及介质 |
CN113759697A (zh) * | 2021-08-21 | 2021-12-07 | 天津工业大学 | 基于pso智能整定带式输送机pid控制器参数的优化方法 |
CN113990017A (zh) * | 2021-11-21 | 2022-01-28 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警***及方法 |
CN114385256A (zh) * | 2020-10-22 | 2022-04-22 | 华为云计算技术有限公司 | ***参数的配置方法和配置装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103401256A (zh) * | 2013-06-09 | 2013-11-20 | 广东电网公司电力科学研究院 | 火力发电厂大型汽轮机功频电液控制***参数的优化方法 |
CN103529698A (zh) * | 2013-10-17 | 2014-01-22 | 广东电网公司电力科学研究院 | 发电机调速***参数辨识方法 |
-
2018
- 2018-06-20 CN CN201810640989.0A patent/CN109038643B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103401256A (zh) * | 2013-06-09 | 2013-11-20 | 广东电网公司电力科学研究院 | 火力发电厂大型汽轮机功频电液控制***参数的优化方法 |
CN103529698A (zh) * | 2013-10-17 | 2014-01-22 | 广东电网公司电力科学研究院 | 发电机调速***参数辨识方法 |
Non-Patent Citations (1)
Title |
---|
杜阳维: "基于改进粒子群算法的水轮机调速器参数整定", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114385256A (zh) * | 2020-10-22 | 2022-04-22 | 华为云计算技术有限公司 | ***参数的配置方法和配置装置 |
CN114385256B (zh) * | 2020-10-22 | 2024-06-11 | 华为云计算技术有限公司 | ***参数的配置方法和配置装置 |
CN112366733A (zh) * | 2020-11-30 | 2021-02-12 | 南方电网科学研究院有限责任公司 | 水电机组调速器pid参数优化方法、装置、***及介质 |
CN113517694A (zh) * | 2021-04-27 | 2021-10-19 | 广东电网有限责任公司 | 准谐振控制器参数的整定方法、装置、电气设备及介质 |
CN113238486A (zh) * | 2021-06-03 | 2021-08-10 | 国家电网有限公司 | 一种自适应的多机水电站调速器参数调控方法 |
CN113238486B (zh) * | 2021-06-03 | 2023-01-10 | 国家电网有限公司 | 一种自适应的多机水电站调速器参数调控方法 |
CN113359475A (zh) * | 2021-07-07 | 2021-09-07 | 珠海拓芯科技有限公司 | 伺服控制参数优化方法、装置及伺服控制器 |
CN113359475B (zh) * | 2021-07-07 | 2023-11-14 | 宁波奥克斯电气股份有限公司 | 伺服控制参数优化方法、装置及伺服控制器 |
CN113759697A (zh) * | 2021-08-21 | 2021-12-07 | 天津工业大学 | 基于pso智能整定带式输送机pid控制器参数的优化方法 |
CN113759697B (zh) * | 2021-08-21 | 2023-03-10 | 天津工业大学 | 基于pso智能整定带式输送机pid控制器参数的优化方法 |
CN113990017A (zh) * | 2021-11-21 | 2022-01-28 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警***及方法 |
CN113990017B (zh) * | 2021-11-21 | 2022-04-29 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109038643B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109038643A (zh) | 多机***调速器pid参数优化方法、装置、设备及介质 | |
Miranda et al. | Differential evolutionary particle swarm optimization (DEEPSO): a successful hybrid | |
Sivalingam et al. | A modified whale optimization algorithm-based adaptive fuzzy logic PID controller for load frequency control of autonomous power generation systems | |
CN106202914A (zh) | 基于改进粒子群算法的光伏电池参数辨识方法 | |
CN110336298A (zh) | 一种基于混合智能算法的含分布式电源配网无功规划方法 | |
CN105871724B (zh) | 电力通信网线路优化方法及*** | |
CN108694482A (zh) | 基于分形理论与改进的最小二乘支持向量机潮汐流速预测方法 | |
CN111030089B (zh) | 一种基于飞蛾扑火优化算法的pss参数优化方法及*** | |
CN109445906A (zh) | 一种虚拟机需求数量预测方法 | |
Zhang et al. | SVC damping controller design based on novel modified fruit fly optimisation algorithm | |
CN107230003A (zh) | 一种新能源发电***的功率预测方法 | |
Bai et al. | A survey on application of swarm intelligence computation to electric power system | |
CN110362845A (zh) | 一种区域电力市场发展规划模式确定方法和装置 | |
CN105337290B (zh) | 一种适用于电力***低频振荡辅助决策的无功调整方法 | |
Kamal K et al. | Optimal scheduling of cascaded hydrothermal systems using a new improved particle swarm optimization technique | |
de Carvalho Neiva Pinheiro et al. | Reinforcement learning for electricity dispatch in grids with high intermittent generation and energy storage systems: A case study for the Brazilian grid | |
CN110247436A (zh) | 一种基于改进蚁狮优化算法的电力***经济负荷分配方法 | |
CN108520154A (zh) | 基于粒子群算法和支持向量机的发电机定子端部绕组结构优化方法 | |
CN109936141A (zh) | 一种电力***经济调度方法及*** | |
CN115360717B (zh) | 用于综合能源的配电网调度方法、***、设备及介质 | |
CN104615679A (zh) | 一种基于人工免疫网络的多智能体数据挖掘方法 | |
CN109447233A (zh) | 电动汽车充放电调度方法及*** | |
CN113721461A (zh) | 一种基于多试验场景的新能源机组参数辨识方法及*** | |
Su et al. | The Available Transfer Capability based on a chaos cloud particle swarm algorithm | |
Saxena et al. | An interactive operating demand response approach for hybrid power systems integrating renewable energy sources |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |