CN116300422A - 一种水电机组控制优化方法及终端 - Google Patents
一种水电机组控制优化方法及终端 Download PDFInfo
- Publication number
- CN116300422A CN116300422A CN202211642917.2A CN202211642917A CN116300422A CN 116300422 A CN116300422 A CN 116300422A CN 202211642917 A CN202211642917 A CN 202211642917A CN 116300422 A CN116300422 A CN 116300422A
- Authority
- CN
- China
- Prior art keywords
- generating set
- hydroelectric generating
- mathematical model
- robust
- output vector
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000013178 mathematical model Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 230000001105 regulatory effect Effects 0.000 claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 241000251555 Tunicata Species 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 101100518501 Mus musculus Spp1 gene Proteins 0.000 description 1
- 241000218196 Persea Species 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种水电机组控制优化方法及终端，先建立以状态空间方程描述的水电机组调节***数学模型，定义水电机组调节***的***测量输出向量和***性能评价输出向量；进而联立水电机组调节***数学模型、***测量输出向量和***性能评价输出向量，得到***状态空间方程；再基于鲁棒H∞理论和***状态空间方程制定***输出反馈鲁棒理论优化流程；然后利用人工智能算法对***性能评价输出向量进行寻优整定；最后执行***输出反馈鲁棒理论优化流程，确定水电机组调节***的控制参数最优解。本发明使得水电机组获得良好的动态性能，有效抑制机组在调节过程的各种扰动，提升机组调节过程的平稳性。
Description
技术领域
本发明涉及水电机组自动控制技术领域，特别涉及一种水电机组控制优化方法及终端。
背景技术
水电机组是一种以水轮机为原动机，拖动同步发电机发电的电源设备，其正常安全稳定运行依靠水电机组调节***。水电机组调节***由水轮机、发电机、控制器、执行器等组成复杂***。其中，调节是指控制导叶开度，改变水轮机的进水量，以使发电机造成的阻力矩与水轮机输出的主动力矩相平衡，维持机组转速稳定。
调节***的控制器通常是PI控制器，控制性能的好坏往往取决于控制器参数。通常水电机组调节***PI控制器参数根据经验法、经典法或试错法获取控制器参数。但是，这些方法可能无法使得被控对象获得良好的动态性能，难以有效抑制机组在调节过程的各种扰动，使得机组调节过程不够平稳。
发明内容
本发明所要解决的技术问题是：提供一种水电机组控制优化方法及终端，使得水电机组获得良好的动态性能，有效抑制机组在调节过程的各种扰动，提升机组调节过程的平稳性。
为了解决上述技术问题，本发明采用的技术方案为：
一种水电机组控制优化方法，包括步骤：
S1、建立以状态空间方程描述的水电机组调节***数学模型，定义水电机组调节***的***测量输出向量和***性能评价输出向量；
S2、联立所述水电机组调节***数学模型、所述***测量输出向量和所述***性能评价输出向量，得到***状态空间方程；
S3、基于鲁棒H∞理论和所述***状态空间方程制定***输出反馈鲁棒理论优化流程；
S4、利用人工智能算法对所述***性能评价输出向量进行寻优整定；
S5、执行所述***输出反馈鲁棒理论优化流程，确定水电机组调节***的控制参数最优解。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种水电机组控制优化终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S1、建立以状态空间方程描述的水电机组调节***数学模型，定义水电机组调节***的***测量输出向量和***性能评价输出向量；
S2、联立所述水电机组调节***数学模型、所述***测量输出向量和所述***性能评价输出向量，得到***状态空间方程；
S3、基于鲁棒H∞理论和所述***状态空间方程制定***输出反馈鲁棒理论优化流程；
S4、利用人工智能算法对所述***性能评价输出向量进行寻优整定；
S5、执行所述***输出反馈鲁棒理论优化流程，确定水电机组调节***的控制参数最优解。
本发明的有益效果在于：提供一种水电机组控制优化方法及终端，联立水电机组调节***数学模型、***测量输出向量等建立***状态空间方程，进而基于鲁棒H∞理论将水电机组调节***控制参数优化问题转化为***输出反馈鲁棒控制过程，采用人工智能算法对***性能评价输出向量进行寻优整定，实现水电机组调节***PI控制器参数最优化，使得水电机组获得良好的动态性能，有效抑制机组在调节过程的各种扰动，提升机组调节过程的平稳性。
附图说明
图1为本发明实施例的一种水电机组控制优化方法的步骤示意图；
图2为本发明实施例涉及的一种水电机组控制优化方法的水电机组调节***示意图；
图3为本发明实施例涉及的一种水电机组控制优化方法的水电机组调节***的理想控制框图；
图4为本发明实施例涉及的一种水电机组控制优化方法的***输出反馈鲁棒理论优化流程的算法流程图；
图5为本发明实施例涉及的一种水电机组控制优化方法的仿真实验的负荷扰动下机组转速偏差响应曲线图；
图6为本发明实施例的一种水电机组控制优化终端的结构示意图。
标号说明：
1、一种水电机组控制优化终端；2、处理器；3、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1至图5，一种水电机组控制优化方法，包括步骤：
S1、建立以状态空间方程描述的水电机组调节***数学模型，定义水电机组调节***的***测量输出向量和***性能评价输出向量；
S2、联立所述水电机组调节***数学模型、所述***测量输出向量和所述***性能评价输出向量，得到***状态空间方程；
S3、基于鲁棒H∞理论和所述***状态空间方程制定***输出反馈鲁棒理论优化流程；
S4、利用人工智能算法对所述***性能评价输出向量进行寻优整定；
S5、执行所述***输出反馈鲁棒理论优化流程，确定水电机组调节***的控制参数最优解。
从上述描述可知，本发明的有益效果在于：提供一种水电机组控制优化方法及终端，联立水电机组调节***数学模型、***测量输出向量等建立***状态空间方程，进而基于鲁棒H∞理论将水电机组调节***控制参数优化问题转化为***输出反馈鲁棒控制过程，采用人工智能算法对***性能评价输出向量进行寻优整定，实现水电机组调节***PI控制器参数最优化，使得水电机组获得良好的动态性能，有效抑制机组在调节过程的各种扰动，提升机组调节过程的平稳性。
进一步地，所述建立以状态空间方程描述的水电机组调节***数学模型具体包括：
创建并联立所述水电机组调节***的调节接力器数学模型、水轮机数学模型和发电机数学模型，得到以状态空间方程描述的所述水电机组调节***数学模型。
从上述描述可知，采用现代化理论来建立调节接力器、水轮机和发电机的数学理论模型，以便于使用算法进行控制器的参数设计，使得水电机组调节***的PI控制器的控制设计更加可靠和准确。
进一步地，所述步骤S3包括：
基于鲁棒H∞理论定义控制器鲁棒理论最优条件和***输出反馈鲁棒理论优化流程；
将所述***状态空间方程中的所述水电机组调节***数学模型和所述***测量输出向量的系数矩阵输入所述***输出反馈鲁棒理论优化流程，以得到使得所述水电机组调节***的控制器输出反馈保持稳定并满足所述控制器鲁棒理论最优条件的状态反馈矩阵。
从上述描述可知，基于鲁棒H∞理论寻找给定的状态反馈矩阵使得***的控制器输出反馈保持稳定，优化水电机组调节***的控制器参数，进而提升控制器控制下的水电机组调节***的运行性能。
进一步地，所述步骤S4具体为：
以机组转速偏差绝对值平方积分最小为目标函数，利用所述人工智能算法对所述***性能评价输出向量进行寻优整定。
从上述描述可知，在对***性能评价输出向量进行寻优整定时，以机组转速偏差绝对值平方积分最小为目标函数，进而保证控制器的控制品质。
进一步地，所述人工智能算法为樽海鞘优化算法。
从上述描述可知，樽海鞘优化算法具有较好的鲁棒性和寻优能力，有助于实现水电机组调节***PI控制器参数最优化，避开人工选参所带来的弊端。
请参照图6，一种水电机组控制优化终端1，包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序，所述处理器2执行所述计算机程序时实现以下步骤：
S1、建立以状态空间方程描述的水电机组调节***数学模型，定义水电机组调节***的***测量输出向量和***性能评价输出向量；
S2、联立所述水电机组调节***数学模型、所述***测量输出向量和所述***性能评价输出向量，得到***状态空间方程；
S3、基于鲁棒H∞理论和所述***状态空间方程制定***输出反馈鲁棒理论优化流程；
S4、利用人工智能算法对所述***性能评价输出向量进行寻优整定；
S5、执行***输出反馈鲁棒理论优化流程，确定水电机组调节***的控制参数最优解。
从上述描述可知，本发明的有益效果在于：提供一种水电机组控制优化方法及终端，联立水电机组调节***数学模型、***测量输出向量等建立***状态空间方程，进而基于鲁棒H∞理论将水电机组调节***控制参数优化问题转化为***输出反馈鲁棒控制过程，采用人工智能算法对***性能评价输出向量进行寻优整定，实现水电机组调节***PI控制器参数最优化，使得水电机组获得良好的动态性能，有效抑制机组在调节过程的各种扰动，提升机组调节过程的平稳性。
进一步地，所述建立以状态空间方程描述的水电机组调节***数学模型具体包括：
创建并联立所述水电机组调节***的调节接力器数学模型、水轮机数学模型和发电机数学模型，得到以状态空间方程描述的所述水电机组调节***数学模型。
从上述描述可知，采用现代化理论来建立调节接力器、水轮机和发电机的数学理论模型，以便于使用算法进行控制器的参数设计，使得水电机组调节***的PI控制器的控制设计更加可靠和准确。
进一步地，所述步骤S3具体包括：
基于鲁棒H∞理论定义控制器鲁棒理论最优条件和***输出反馈鲁棒理论优化流程；
将所述***状态空间方程中的所述水电机组调节***数学模型和所述***测量输出向量的系数矩阵输入所述***输出反馈鲁棒理论优化流程，以得到使得所述水电机组调节***的控制器输出反馈保持稳定并满足所述控制器鲁棒理论最优条件的状态反馈矩阵。
从上述描述可知，基于鲁棒H∞理论寻找给定的状态反馈矩阵使得***的控制器输出反馈保持稳定，优化水电机组调节***的控制器参数，进而提升控制器控制下的水电机组调节***的运行性能。
进一步地，所述步骤S4具体为：
以机组转速偏差绝对值平方积分最小为目标函数，利用所述人工智能算法对所述***性能评价输出向量进行寻优整定。
从上述描述可知，在对***性能评价输出向量进行寻优整定时，以机组转速偏差绝对值平方积分最小为目标函数，进而保证控制器的控制品质。
进一步地，所述人工智能算法为樽海鞘优化算法。
从上述描述可知，樽海鞘优化算法具有较好的鲁棒性和寻优能力，有助于实现水电机组调节***PI控制器参数最优化，避开人工选参所带来的弊端。
本发明的一种水电机组控制优化方法及终端能够适用于水电机组调节***PI控制参数设计的场景，以下通过具体的实施方式进行说明：
请参照图1至图5，本发明的实施例一为：
一种水电机组控制优化方法，包括步骤：
S1、建立以状态空间方程描述的水电机组调节***数学模型，定义水电机组调节***的***测量输出向量和***性能评价输出向量；
在实施例中，结合图2和图3所示，建立以状态空间方程描述的水电机组调节***数学模型具体包括：创建并联立水电机组调节***的调节接力器数学模型、水轮机数学模型和发电机数学模型，得到以状态空间方程描述的水电机组调节***数学模型，其具体过程如下：
调节接力器数学模型的建立：水电机组调节接力器起着放大控制信号，推动水轮机导叶运动的作用；其数学模型可以采用传递函数描述为一个一阶惯性环节，描述为：
其中，y表示主接力器行程相对值；Ty表示主接力器时间常数；
水轮机数学模型的建立：水轮机是水流势能转换为转轮机械能的核心设备，水轮机的数学模型为以传递系数描述的理想水轮机模型，具体表达式如下：
其中，ex、ey、eh、eqy、eqh为水轮机相关传递系数；Tw为引水***时间常数；
发电机数学模型的建立：发电机模型仅考虑刚性运动部分，因此其数学模型可以描述为：
其中，ω为机组转速偏差相对值；mg0表示负荷作用；Ta与en分别表示机组惯性时间常数与机组自调节系数；
联立后，得到以状态空间方程描述的水电机组调节***数学模型：
x＝Ax+B1w+B2u；
其中，x为***状态向量，w为***输入扰动，x、w、系数矩阵A、B1以及B2分别定义为：
w＝mg0；
其中，h表示蜗壳进口水压相对值；u表示控制输入。
在本实施例中，水电机组调节***的控制输入由PI控制器计算得到。其表达式如下：
u＝kPω+kI∫ωdt；
式中，kP和kI是常实数，ω表示机组转速偏差相对值；
通过增广***将机组转速偏差相对值ω及其积分ω/s作为输出向量，进而定义***测量输出向量如下：
y＝C2x；
式中，C2的定义为：
在本实施例中，对于以状态空间方程描述的水电机组调节***，定义***性能评价输出向量：
z＝C1x+D11w+D12u；
其中，C1、D11、以及D12的定义为：
其中，μ1，μ2以及μ3为待优化加权系数。
S2、联立水电机组调节***数学模型、***测量输出向量和***性能评价输出向量，得到***状态空间方程；
在本实施例中，联立后得到***状态空间方程如下：
S3、基于鲁棒H∞理论和***状态空间方程制定***输出反馈鲁棒理论优化流程；
在本实施例中，步骤S3具体包括：
基于鲁棒H∞理论定义控制器鲁棒理论最优条件和***输出反馈鲁棒理论优化流程；
其中，基于鲁棒H∞理论定义鲁棒理论最优条件的含义为从扰动w到z的H∞准则小于γ(γ>0)为：
‖Tzw(s)‖∞<γ；
式中，γ代表的含义为H∞性能指数；
在本实施例中，通过一个***测量输出反馈控制律u＝Ky来求解所表述H∞问题，通过减少一个实数带有***测量输出反馈的闭环矩阵的所有特征值向左半平面移动，从而满足‖Tzw(s)‖∞<γ所描述的H∞准则小于γ条件。其中，K表示状态反馈矩阵。
在本实施例中，结合图4所示，将***状态空间方程中的水电机组调节***数学模型和***测量输出向量的系数矩阵输入***输出反馈鲁棒理论优化流程，以得到使得水电机组调节***的控制器输出反馈保持稳定并满足控制器鲁棒理论最优条件的状态反馈矩阵，具体过程为：
31、设置初始值并定义矩阵
定义为：
其中，I为维数合适的单位矩阵；
S32、设i＝1，Δγ＝Δγ0，让γi＝γ0>γ，Δγ0和γ0为正实数；
S33、定义一个正定矩阵Q，从以下Riccati代数方程中解出
定义
步骤S34、为
Ki和ai解决在LMI约束条件下使ai最小化：
图4中，ai*为ai的最小化值；
S35、如果
转到步骤S38；
S36、对于i>1，如果
则Ki-1∈Ksof是一个基于H∞鲁棒H∞理论的PI控制参数矩阵，并且γ*＝γi+Δγ表示一个下限，使得上述***通过SOF控制是可以H∞稳定的，进入步骤S310；
S37、如果在i＝1解决
和Ki的优化问题。在LMI约束条件下：
执行最小化
并定义/>
S38、设γi＝γi-Δγ,i＝i+1，然后转到步骤S33；
S39、如果||Xi-Pi||<δ即所求解得的解Xi在小区域可行范围内，转到步骤S36；否则设i＝i+1，
然后转到步骤S34；
S310、如果得到的解K(i-1)满足增益约束则是可取的，停止迭代过程。
S4、利用人工智能算法对***性能评价输出向量进行寻优整定；
在本实施例中，步骤S4具体为：
以机组转速偏差绝对值平方积分最小为目标函数，利用人工智能算法对***性能评价输出向量的内部加权系数μ1、μ2以及μ3进行寻优整定。
其中，目标函数表示为：
J＝∫|ω|2dt；
在本实施例中，人工智能算法为樽海鞘优化算法，描述为：
设在N维的欧式空间，其中N表示群体规模，种群的位置信息采用二维矩阵表示。樽海鞘领导者负责在空间中搜索食物源，引领整个群体移，其位置更新数学表达式为：
其中，
为在第ζ维中第一个樽海鞘领导者位置；Fζ为第ζ维食物源的位置；uζ，lζ分别为第ζ维搜索空间的上、下界；c1，c2，c3为随机数；c2,c3∈[0,1]；/>
l当前迭代次数；lmax为最大迭代次数。收敛因子c1用于平衡算法在迭代过程中的探索和开发能力。当c1>1时，算法进行全局探索；当c1<1时，算法进行局部开发，进而精确地寻找最优值；
樽海鞘跟随者成链状依次跟随领导者移动，按下式更新位置：
其中：
为第ζ维中第η个跟随者的位置；/>
为第ζ维中第η-1个跟随者的位置。
在跟随者位置更新时，增加线性减小的惯性权重w来加快SSA算法的收敛时间，即：
此时的跟随者位置更新数学模型可以描述为：
由于该算法仅需更新一个参数，因此相对于目前的仿生智能算法具有较快的收敛速度；从而使所在求解***性能输出的内部加权系数μ1、μ2以及μ3过程具有更好的适应性。
S5、执行***输出反馈鲁棒理论优化流程，确定水电机组调节***的控制参数最优解。
在本实施例中，具体的求解过程包括如下内容：
在求解过程中，其中A，B1，B2为***给定的已知矩阵，而μ1～μ3均为优化算法生成的随机量，采用樽海鞘群算法对μ1～μ3进行赋值，对每个状态反馈矩阵K寻优整定，樽海鞘群算法求解其最优值，最大迭代次数lmax＝100。优化过程的适应度函数采用以机组转速偏差绝对值平方积分，步骤如下：
(1)产生樽海鞘群，个体依次赋值给μ1～μ3，形成动态性能评价信号矩阵C1、D11、D12；
(2)由矩阵A，B1，B2以及C1、D11、D12输入图4所示的***输出反馈鲁棒H∞理论优化流程并求得状态反馈矩阵K；
(3)更新控制信号u＝Ky；在固定扰动下运行线性状态空间模型，输出性能指标J＝∫(|ω|)2dt
(4)是否达到最大迭代次数lmax＝100，是则结束，且K整定为性能指标最小时所对应的K*，否则更新樽海鞘群，回到步骤(2)继续循环；
为了验证本发明提出一种基于鲁棒H∞理论的水电机组调节***PI控制参数优化方法的正确性与先进性，将机组参数代入实施例，设计出基于鲁棒H∞理论的水电机组调节***PI控制参数；仿真参数：Ty＝0.2，Ta＝9.06；Tw＝0.27；ex＝0.008；eh＝0.685；ey＝1.540；eqx＝0.104；eqh＝0.27；eqy＝1.130；en＝0.30。经过100代的寻优操作，联合矩阵A、B1、以及B2得到个状态反馈矩阵K*的整定值为：
K*＝[19.4756 0.63478]
仿真工况一：假定在5秒时***投入了0.1p.u.大小的负荷后机组的转速响应曲线如图5所示。从图5中发现，本发明所提出的方法能够使得机组转速动态响应时间缩短，超调量减少。仿真结果分析，本实施例可以使调速***具有较强的鲁棒性，在扰动下表现出调节时间短，超调量小，震荡次数少等优异的动态性能。换言之，本发明基于鲁棒H∞理论进行水电机组调节***PI控制参数优化，相对于传统的PI控制参数经典镇定方法，采用基于鲁棒H∞理论得到机组PI控制参数，结合鲁棒H∞理论，不仅可以提高***的动态性能，还能有效抑制机组在调节过程的各种扰动，提高机组调节过程的平稳性。
请参照图6，本发明的实施例二为：
一种水电机组控制优化终端1，包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序，处理器2执行计算机程序时实现上述实施例一的步骤。
综上所述，本发明提供的提供一种水电机组控制优化方法及终端，联立水电机组调节***数学模型、***测量输出向量等建立***状态空间方程，进而基于鲁棒H∞理论将水电机组调节***控制参数优化问题转化为***输出反馈鲁棒控制过程，采用人工智能算法对***性能评价输出向量进行寻优整定，实现水电机组调节***PI控制器参数最优化，使得水电机组获得良好的动态性能，有效抑制机组在调节过程的各种扰动，提升机组调节过程的平稳性。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种水电机组控制优化方法，其特征在于，包括步骤：
S1、建立以状态空间方程描述的水电机组调节***数学模型，定义水电机组调节***的***测量输出向量和***性能评价输出向量；
S2、联立所述水电机组调节***数学模型、所述***测量输出向量和所述***性能评价输出向量，得到***状态空间方程；
S3、基于鲁棒H∞理论和所述***状态空间方程制定***输出反馈鲁棒理论优化流程；
S4、利用人工智能算法对所述***性能评价输出向量进行寻优整定；
S5、执行所述***输出反馈鲁棒理论优化流程，确定水电机组调节***的控制参数最优解。
2.根据权利要求1所述的一种水电机组控制优化方法，其特征在于，所述建立以状态空间方程描述的水电机组调节***数学模型具体包括：
创建并联立所述水电机组调节***的调节接力器数学模型、水轮机数学模型和发电机数学模型，得到以状态空间方程描述的所述水电机组调节***数学模型。
3.根据权利要求1所述的一种水电机组控制优化方法，其特征在于，所述步骤S3具体包括：
基于鲁棒H∞理论定义控制器鲁棒理论最优条件和***输出反馈鲁棒理论优化流程；
将所述***状态空间方程中的所述水电机组调节***数学模型和所述***测量输出向量的系数矩阵输入所述***输出反馈鲁棒理论优化流程，以得到使得所述水电机组调节***的控制器输出反馈保持稳定并满足所述控制器鲁棒理论最优条件的状态反馈矩阵。
4.根据权利要求1所述的一种水电机组控制优化方法，其特征在于，所述步骤S4具体为：
以机组转速偏差绝对值平方积分最小为目标函数，利用所述人工智能算法对所述***性能评价输出向量进行寻优整定。
5.根据权利要求1所述的一种水电机组控制优化方法，其特征在于，所述人工智能算法为樽海鞘优化算法。
6.一种水电机组控制优化终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
S1、建立以状态空间方程描述的水电机组调节***数学模型，定义水电机组调节***的***测量输出向量和***性能评价输出向量；
S2、联立所述水电机组调节***数学模型、所述***测量输出向量和所述***性能评价输出向量，得到***状态空间方程；
S3、基于鲁棒H∞理论和所述***状态空间方程制定***输出反馈鲁棒理论优化流程；
S4、利用人工智能算法对所述***性能评价输出向量进行寻优整定；
S5、执行所述***输出反馈鲁棒理论优化流程，确定水电机组调节***的控制参数最优解。
7.根据权利要求6所述的一种水电机组控制优化终端，其特征在于，所述建立以状态空间方程描述的水电机组调节***数学模型具体包括：
创建并联立所述水电机组调节***的调节接力器数学模型、水轮机数学模型和发电机数学模型，得到以状态空间方程描述的所述水电机组调节***数学模型。
8.根据权利要求6所述的一种水电机组控制优化终端，其特征在于，所述步骤S3具体包括：
基于鲁棒H∞理论定义控制器鲁棒理论最优条件和***输出反馈鲁棒理论优化流程；
将所述***状态空间方程中的所述水电机组调节***数学模型和所述***测量输出向量的系数矩阵输入所述***输出反馈鲁棒理论优化流程，以得到使得所述水电机组调节***的控制器输出反馈保持稳定并满足所述控制器鲁棒理论最优条件的状态反馈矩阵。
9.根据权利要求6所述的一种水电机组控制优化终端，其特征在于，所述步骤S4具体为：
以机组转速偏差绝对值平方积分最小为目标函数，利用所述人工智能算法对所述***性能评价输出向量进行寻优整定。
10.根据权利要求6所述的一种水电机组控制优化终端，其特征在于，所述人工智能算法为樽海鞘优化算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211642917.2A CN116300422A (zh) | 2022-12-20 | 2022-12-20 | 一种水电机组控制优化方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211642917.2A CN116300422A (zh) | 2022-12-20 | 2022-12-20 | 一种水电机组控制优化方法及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116300422A true CN116300422A (zh) | 2023-06-23 |
Family
ID=86836569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211642917.2A Pending CN116300422A (zh) | 2022-12-20 | 2022-12-20 | 一种水电机组控制优化方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116300422A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117471905A (zh) * | 2023-09-21 | 2024-01-30 | 昆明理工大学 | 一种改进樽海鞘群的抽水蓄能机组调节***的控制方法 |
-
2022
- 2022-12-20 CN CN202211642917.2A patent/CN116300422A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117471905A (zh) * | 2023-09-21 | 2024-01-30 | 昆明理工大学 | 一种改进樽海鞘群的抽水蓄能机组调节***的控制方法 |
| CN117471905B (zh) * | 2023-09-21 | 2024-04-12 | 昆明理工大学 | 一种改进樽海鞘群的抽水蓄能机组调节***的控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107800146B (zh) | 兼顾一次调频和超低频振荡抑制的调速器参数优化方法 | |
| Sivalingam et al. | A modified whale optimization algorithm-based adaptive fuzzy logic PID controller for load frequency control of autonomous power generation systems | |
| Chen et al. | Application of multi-objective controller to optimal tuning of PID gains for a hydraulic turbine regulating system using adaptive grid particle swam optimization | |
| CN107476931A (zh) | 一种水轮机调速器pid参数优化方法及*** | |
| CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
| CN109962495B (zh) | 一种超低频振荡扰动源定位及抑制方法 | |
| Sayed et al. | Gain tuning PI controllers for boiler turbine unit using a new hybrid jump PSO | |
| CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
| CN108490790A (zh) | 一种基于多目标优化的过热汽温自抗扰串级控制方法 | |
| CN116300422A (zh) | 一种水电机组控制优化方法及终端 | |
| CN111030141A (zh) | 一种基于一致性算法的源-荷协同分布式优化调控方法 | |
| Eslami et al. | Optimal design of PID-based low-pass filter for gas turbine using intelligent method | |
| Zou et al. | Design of intelligent nonlinear robust controller for hydro-turbine governing system based on state-dynamic-measurement hybrid feedback linearization method | |
| CN114114922A (zh) | 一种水轮机调节***控制参数优化方法 | |
| Menhas et al. | Real/binary co-operative and co-evolving swarms based multivariable PID controller design of ball mill pulverizing system | |
| CN112821420A (zh) | 一种基于XGBoost的ASFR模型中动态阻尼因子、多维频率指标的预测方法及*** | |
| CN115657464A (zh) | 一种柴油发电机组智能非线性鲁棒控制器设计方法 | |
| CN115693655A (zh) | 一种基于ts模糊控制的负荷频率控制方法、装置及设备 | |
| Hassan-Moghaddam et al. | Distributed design of optimal structured feedback gains | |
| Wang et al. | Weight optimization for LQG controller based on the artificial bee colony algorithm | |
| CN114839873A (zh) | 一种基于模糊增益调度的变循环发动机全包线鲁棒控制方法 | |
| CN113595065A (zh) | 用于抑制水光互补***超低频振荡的方法 | |
| CN107968444B (zh) | 一种新能源集群协调优化控制方法 | |
| CN113189871A (zh) | 一种面向火电机组灵活性运行的协调控制策略 | |
| CN117471905B (zh) | 一种改进樽海鞘群的抽水蓄能机组调节***的控制方法 |
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 |