本发明涉及一种水轮机控制技术，具体是一种水轮机调速系统控制参数的自动整定方法。
背景技术：
水轮机调节系统是水电机组的核心控制系统，承担着稳定机组频率和调节机组功率的重任，本发明采用t-s模糊模型辨识得到实际机组水轮机调速系统控制对象的仿真系统，在该仿真系统基础上进行控制参数优化，优化后的控制参数能直接应用于水轮机调速系统。
技术实现要素：
本发明的目的在于提供一种水轮机调速系统控制参数的自动整定方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种水轮机调速系统控制参数的自动整定方法，包含以下步骤：
(1)采集实际机组水轮机调速系统动态过程数据；
(2)建立控制对象的t-s模糊模型；
(3)建立基于t-s模糊模型的仿真系统；
(4)建立pid控制参数优化目标函数；
(5)运用gsa算法求解pid控制参数优化目标函数，得到最优控制参数，fitae(kp,ki,kd)是pid控制参数的函数，当pid控制参数发生变化时，利用步骤(3)中建立的仿真系统得到一组机组频率响应曲线，计算对应的fitae值，极小化目标函数，得到最优控制参数。
作为本发明再进一步的方案：所述步骤(1)具体是：搜集不同pid控制参数、不同频率扰动值所对应的动态过程数据样本(ck，uk，xk)j组成数据样本集，ck为k时刻的频率扰动值，uk为k时刻调速器输出的控制量序列，xk为k时刻的机组频率，k＝1，..，ns，ns为动态过程最大采样点数；j＝1，…，nc，表示不同的动态过程，总共采集ns*nc个样本组成样本集，将样本集中若干动态过程样本作为训练样本；其中所述水轮机调速系统包括pid控制器、接力器、引水系统、水轮机，其中，接力器、引水系统、水轮机组成控制对象，由pid控制器进行调节控制。
作为本发明再进一步的方案：所述步骤(2)具体是：提取训练样本，以(ck，uk)为输入数据，xk为输出数据，通过训练样本集建立控制对象的t-s模糊模型；t-s模糊模型训练完成后，通过测试样本测试t-s模糊模型精度，将测试样本中的(ck，uk)作为模糊模型输入数据，计算t-s模糊模型输出tk与测试样本xk的均方根误差，均方根误差越小，说明t-s模糊模型与实际机组水轮机调速系统中的控制对象的误差越小，从而选择最优t-s模糊模型。
作为本发明再进一步的方案：所述步骤(3)具体是：用得到的控制对象的t-s模糊模型替换控制对象，得到基于t-s模糊模型的水轮机调速系统的仿真系统，其中pid控制器按照实际机组水轮机调速系统pid控制器进行设计，kp、ki和kd分别为比例、积分和微分增益，是需要整定的pid控制参数。
作为本发明再进一步的方案：所述步骤(4)具体是：采用离散形式itae指标作为控制参数优化的目标函数，目标函数定义为：
作为本发明再进一步的方案：所述步骤(5)具体包含以下步骤：
a、算法初始化：设置算法参数，包括群体规模np、最大迭代次数nmax_it、引力常数初值g0、衰减指数α；确定优化控制参数范围，在此区间初始化群体中粒子的位置向量
b、计算目标函数值：从位置向量中取出控制参数，将控制参数输入步骤(3)中建立的基于t-s模糊模型的水轮机调速系统的仿真系统，得到仿真机组频率，按照步骤(4)计算粒子目标函数值fi,i＝1,…,np；
c、求出群体最优目标函数值fbest_current＝min({fi,i＝1,…,np})和对应的粒子位置xbest_current，如果fbest_current<fbest，则fbest<fbest_current，xbest＝xbest_current；
d、计算粒子质量mi，i＝1,…,np：
e、其中，fworst_current＝max({fi,i＝1,…,np})；
计算引力fid:
其中，randj为[0,1]范围随机数，d＝1,…,3；
f、计算加速度：
g、更新粒子速度
h、t＝t+1；如果t<nmax_it，转至step2，否则结束循环，得到最优目标函数值fbest和最优位置向量xbest，所述最优位置向量即为最优控制参数向量
与现有技术相比，本发明的有益效果是：本发明采用t-s模糊模型辨识得到实际机组水轮机调速系统控制对象的仿真系统，在该仿真系统基础上进行控制参数优化，优化后的控制参数能直接应用于水轮机调速系统，可以得到最优控制参数向量。
具体实施方式
下面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。
本发明实施例中，一种水轮机调速系统控制参数的自动整定方法，包含以下步骤：
步骤(1)：采集实际机组水轮机调速系统动态过程数据：搜集不同pid控制参数、不同频率扰动值所对应的动态过程数据样本(ck，uk，xk)j组成数据样本集，ck为k时刻的频率扰动值，uk为k时刻调速器输出的控制量序列，xk为k时刻的机组频率，k＝1，..，ns，ns为动态过程最大采样点数；j＝1，…，nc，表示不同的动态过程，总共采集ns*nc个样本组成样本集，将样本集中若干动态过程样本作为训练样本；其中所述水轮机调速系统包括pid控制器、接力器、引水系统、水轮机，其中，接力器、引水系统、水轮机组成控制对象，由pid控制器进行调节控制；
步骤(2)：建立控制对象的t-s模糊模型：提取训练样本，以(ck，uk)为输入数据，xk为输出数据，通过训练样本集建立控制对象的t-s模糊模型；t-s模糊模型训练完成后，通过测试样本测试t-s模糊模型精度，将测试样本中的(ck，uk)作为模糊模型输入数据，计算t-s模糊模型输出tk与测试样本xk的均方根误差，均方根误差越小，说明t-s模糊模型与实际机组水轮机调速系统中的控制对象的误差越小，从而选择最优t-s模糊模型。
步骤(3)：建立基于t-s模糊模型的仿真系统：用得到的控制对象的t-s模糊模型替换控制对象，得到基于t-s模糊模型的水轮机调速系统的仿真系统，其中pid控制器按照实际机组水轮机调速系统pid控制器进行设计，kp、ki和kd分别为比例、积分和微分增益，是需要整定的pid控制参数；
步骤(4)：建立pid控制参数优化目标函数：采用离散形式itae指标作为控制参数优化的目标函数，目标函数定义为：
其中c(k)为频率扰动值，为一常数，x为机组频率，ns为采样点数，t为时间序列。
步骤(5)：运用gsa算法求解pid控制参数优化目标函数，得到最优控制参数。fitae(kp,ki,kd)是pid控制参数的函数，当pid控制参数发生变化时，利用步骤(3)中建立的仿真系统得到一组机组频率响应曲线，计算对应的fitae值，极小化目标函数，得到最优控制参数。
a：算法初始化：设置算法参数，包括群体规模np、最大迭代次数nmax_it、引力常数初值g0、衰减指数α；确定优化控制参数范围，在此区间初始化群体中粒子的位置向量
b：计算目标函数值：从位置向量中取出控制参数，将控制参数输入步骤(3)中建立的基于t-s模糊模型的水轮机调速系统的仿真系统，得到仿真机组频率，按照步骤(4)计算粒子目标函数值fi,i＝1,…,np；
c：求出群体最优目标函数值fbest_current＝min({fi,i＝1,…,np})和对应的粒子位置xbest_current，如果fbest_current<fbest，则fbest<fbest_current，xbest＝xbest_current；
d：计算粒子质量mi，i＝1,…,np：
其中，fworst_current＝max({fi,i＝1,…,np})；
e：计算引力fid:
其中，randj为[0,1]范围随机数，d＝1,…,3；
f：计算加速度：
g：更新粒子速度
其中，randi为[0,1]范围随机数；
h：t＝t+1；如果t<nmax_it，转至step2，否则结束循环，得到最优目标函数值fbest和最优位置向量xbest，所述最优位置向量即为最优控制参数向量。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。