[发明专利]基于水轮机仿真智能求解的一次调频控制方法及装置

权利要求书

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神经网络的形成仿真模型。

2.根据权利要求1所述的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：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算法的优化过程主要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，该行为的数学模型如下：

D＝C·X_p(t)-X(t)

X(t+1)＝X_p(t)-A·D

A＝2a·r₁-a

C＝2r₂

式中：t为当前循环次数，A和C为系数向量；X_p为猎物的位置向量；X(t)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：

D_α＝C₁·X_α-X，D_β＝C₂·X_β-X，D_δ＝C₃·X_δ-X，

X₁＝X_α-A₁·D_α，X₂＝X_β-A₂·D_β，X₃＝X_δ-A₃·D_δ，

式中：X_α、X_β、X_δ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；D_α、D_β、D_δ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；X(t+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，a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；a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：

灰狼种群主要依赖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，从而能够找到更合适的猎物；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；该机制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。