本发明涉及水轮机控制技术，具体是一种水轮机调节系统控制参数的方法。
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，工程应用中该系统采用的控制规律一般为比例积分微分控制器(Proportion Integration Differentiation，PID)控制。PID控制参数对机组的调节品质和动态响应指标有着决定性影响，如何优化PID参数成为工程应用中的难题。在实际运行中，PID控制参数一般依赖专家整定，缺乏参数自动整定技术。在理论研究方面，有研究通过优化技术来优选PID控制参数，常用的优化算法大多数为启发式优化算法。
PID控制参数对机组的调节品质和动态响应指标有着决定性影响，如何整定PID参数成为工程应用中的难题。在实际运行中，PID控制参数一般依赖专家整定，缺乏参数自动整定技术。在理论研究方面，有研究通过优化技术来整定PID控制参数，常用的优化技术有正交实验法、遗传算法、粒子群算法等。然而，在这些研究中，PID控制参数的优化依赖控制对象模型的精确建模和仿真，包括对调速器接力器、引水系统、水轮机和发电机的建模，由于控制对象中存在大量非线性因素，且水轮机的精确解析非线性模型一直无法获得，使得通过传统手段对控制对象进行精确建模仿真非常困难，导致在仿真系统基础上得到的控制参数优化技术在指导实际机组控制运行中存在一定不足。
技术实现要素：
本发明要解决的技术问题是提供一种水轮机调节系统控制参数的方法，以解决背景技术中提到的问题。
为实现上述目的，本发明提供如下技术方案：
一种水轮机调节系统控制参数的方法，包含以下步骤：
(1)建立水轮机调节系统的仿真模型，
(2)建立上述水轮机调节系统的控制参数优化目标函数，
(3)运用启发式优化算法求解步骤(2)中目标函数，获得最优控制参数。
作为本发明的进一步方案：所述水轮机调节系统的仿真模型包括PID控制器、电液随动系统、引水系统与水轮机、发电机及负载，电液随动系统、引水系统与水轮机、发电机及负载构成控制对象，由PID控制器进行调节控制，PID控制器根据机组频率偏差产生调节控制信号驱动电液随动系统，改变水轮机导叶开度，水轮机进口流量随之发生改变，在水轮机导叶开度改变瞬间，引水系统中往往发生水锤现象，导致水轮机蜗壳压力发生变化；水轮机进口流量和蜗壳压力的变化，会使水轮机力矩发生改变，从而使水轮机力矩与发电机的负载阻力矩产生差值，发电机转速随之发生变化，转速改变同步地调节了频率大小，达到调节机组频率的目的，PID控制器中KP、KI和KD分别为比例、积分和微分增益，是需要整定的控制参数，当PID控制参数变化时，通过水轮机调节系统仿真模型可以获得对应的系统输出。
作为本发明的进一步方案：所述步骤(2)具体是：采用离散时间误差绝对值积分(Integral Time Absolute Error，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，优化变量KP、KI和KD分别为比例、积分和微分增益，c(k)为频率扰动值，为一常数，x为机组频率响应，是水轮机调节系统输出，受控制参数影响，Ns为采样点数，T(k)为时间序列。
作为本发明的进一步方案：所述步骤(3)包含以下步骤：
D、算法初始化：设置算法参数，包括群体规模N、总迭代数T、个体随机搜索数量Nl，淘汰幅度系数σ、跳跃阈值p；确定PID控制参数范围，KP∈[KP,min,KP,max]，KI∈[KI,min,KI,max]，KD∈[KD,min,KD,max]，确定优化变量边界[BL,BU]，BL＝[KP,min,KI,min,KD,min]，BU＝[KP,max,KI,max,KD,max]，KP,min,KP,max分别为比例控制系数的最小值和最大值，KI,min,KI,max分别为积分控制系数的最小值和最大值，KD,min,KD,max分 别为微分控制系数的最小值和最大值，在此区间初始化群体中所有个体的位置向量，个体位置向量Xi＝[KP,i,KI,i,KD,i],i＝1,...,N，代表一组控制参数；令当前迭代次数t＝0；
E、计算个体的目标函数值Fit＝fITAE(Xi(t)),i＝1,...,N；过程如下：从个体i位置向量Xi(t)解码得到控制参数，其中KP、KI和KD分别为位置向量中的第一、第二和第三个元素，将控制参数代入步骤(1)中水轮机调节系统仿真模型，仿真得到系统状态变量随时间的变化过程。得到控制器输出x，按照步骤(2)中目标函数得到个体i的目标函数值进一步，计算群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体XB(t)；
F、对所有个体Xi,i＝1,...,N进行个体随机搜索，计算惯性向量
C-1、令个体搜索次数l＝0；
C-2、观望一个位置计算i＝1，…，N：
rand为(0，1)之间随机数，εplay为观望步长，εplay＝0.1·||BU-BL||；
C-3、计算下一个当前位置
rand为(0，1)之间随机数，εstep为惯性步长，εstep＝0.2·||BU-BL||；
C-4、l＝l+1，如果l＜Nl，转至Step 3.2；否则，转至Step 4；
D、计算每个个体受当前最优个体召唤向量i＝1,...,N：
其中δi为中第i个个体与当前最优个体的距离向量，随机数c1＝2·rand，c2＝(2·rand-1)(1-t/T)，rand为(0，1)之间随机数；由此可知c1为(0，2)之间的随机数，表示当前最优个体的号召力，当c1＞1时，表示当前最优个体的影响力增强，反之减弱；c2为动态随机数，其所以c2的随机范围由1线性递减到0；
E、按照个体位置更新公式更新个体位置：
G、判断个体是否需要被淘汰并重新初始化：
F-1、如果第i个个体满足公式则该个体被淘汰并重新初始化：
其中，是t代种群所有个体目标函数值的平均值，是最小的目标函数值，ω是一个随迭代次数而线性递增的参数，取值范围为[-σ,σ]；
F-2、被淘汰的个体初始化：
Xi＝rand(1,D)×(BU-BL)+BL
其中，D为位置向量维数，D＝3；
G、判断是否连续p代当前最优个体位置未发生移动，如果是，则认为种群灭亡，按照下式反演重构新的种群：
其中R为反演半径，R＝0.1·||BU-BL||；rand为(0，1)之间随机数，p为跳跃阈值；
H、t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解；否则，转入Step 2。当前最优个体位置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：通过本发明的优化，能够有效提高水轮机控 制参数的精度，使得水轮机的工作效率提高。
附图说明
图1是水轮机调节系统框图。
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。
请参阅图1，一种水轮机调节系统控制参数的优选方法，包括如下步骤：
步骤(1)：建立水轮机调节系统的仿真模型，水轮机调节系统。所述水轮机调节系统包括PID控制器、电液随动系统、引水系统与水轮机、发电机及负载。其中，电液随动系统、引水系统与水轮机、发电机及负载构成控制对象，由PID控制器进行调节控制。PID控制器根据机组频率偏差产生调节控制信号驱动电液随动系统，改变水轮机导叶开度，水轮机进口流量随之发生改变，在水轮机导叶开度改变瞬间，引水系统中往往发生水锤现象，导致水轮机蜗壳压力发生变化；水轮机进口流量和蜗壳压力的变化，会使水轮机力矩发生改变，从而使水轮机力矩与发电机的负载阻力矩产生差值，发电机转速随之发生变化，转速改变同步地调节了频率大小，达到调节机组频率的目的。PID控制器中KP、KI和KD分别为比例、积分和微分增益，是需要整定的控制参数。当PID控制参数变化时，通过水轮机调节系统仿真模型可以获得对应的系统输出；
步骤(2)：建立上述水轮机调节系统的控制参数优化目标函数，采用离散时间误差绝对值积分(Integral Time Absolute Error，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，优化变量KP、KI和KD分别为比例、积分和微分增益，c(k)为频率扰动值，为 一常数，x为机组频率响应，是水轮机调节系统输出，受控制参数影响，Ns为采样点数，T(k)为时间序列；
步骤(3)：运用启发式优化算法求解步骤(2)中目标函数，获得最优控制参数。
A：算法初始化：设置算法参数，包括群体规模N、总迭代数T、个体随机搜索数量Nl，淘汰幅度系数σ、跳跃阈值p；确定PID控制参数范围，KP∈[KP,min,KP,max]，KI∈[KI,min,KI,max]，KD∈[KD,min,KD,max]，确定优化变量边界[BL,BU]，BL＝[KP,min,KI,min,KD,min]，BU＝[KP,max,KI,max,KD,max]，KP,min,KP,max分别为比例控制系数的最小值和最大值，KI,min,KI,max分别为积分控制系数的最小值和最大值，KD,min,KD,max分别为微分控制系数的最小值和最大值，在此区间初始化群体中所有个体的位置向量，个体位置向量Xi＝[KP,i,KI,i,KD,i],i＝1,...,N，代表一组控制参数；令当前迭代次数t＝0；
B：计算个体的目标函数值Fit＝fITAE(Xi(t)),i＝1,...,N。过程如下：从个体i位置向量Xi(t)解码得到控制参数，其中KP、KI和KD分别为位置向量中的第一、第二和第三个元素，将控制参数代入步骤(1)中水轮机调节系统仿真模型，仿真得到系统状态变量随时间的变化过程。得到控制器输出x，按照步骤(2)中目标函数得到个体i的目标函数值进一步，计算群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体XB(t)；
C:对所有个体Xi,i＝1,...,N进行个体随机搜索，计算惯性向量
C-1：令个体搜索次数l＝0；
C-2：观望一个位置计算i＝1，…，N：
rand为(0，1)之间随机数，εplay为观望步长，εplay＝0.1·||BU-BL||；
C-3：计算下一个当前位置
rand为(0，1)之间随机数，εstep为惯性步长，εstep＝0.2·||BU-BL||；
C-4：l＝l+1，如果l＜Nl，转至Step 3.2；否则，转至Step 4；
D:计算每个个体受当前最优个体召唤向量i＝1,...,N：
其中δi为中第i个个体与当前最优个体的距离向量，随机数c1＝2·rand，c2＝(2·rand-1)(1-t/T)，rand为(0，1)之间随机数；由此可知c1为(0，2)之间的随机数，表示当前最优个体的号召力，当c1＞1时，表示当前最优个体的影响力增强，反之减弱；c2为动态随机数，其所以c2的随机范围由1线性递减到0；
E:按照个体位置更新公式更新个体位置：
F:判断个体是否需要被淘汰并重新初始化：
F-1：如果第i个个体满足公式则该个体被淘汰并重新初始化：
其中，是t代种群所有个体目标函数值的平均值，是最小的目标函数值，ω是一个随迭代次数而线性递增的参数，取值范围为[-σ,σ]；
F-2：被淘汰的个体初始化：
Xi＝rand(1,D)×(BU-BL)+BL
其中，D为位置向量维数，D＝3；
G:判断是否连续p代当前最优个体位置未发生移动，如果是，则认为种群灭亡，按照下式反演重构新的种群：
其中R为反演半径，R＝0.1·||BU-BL||；rand为(0，1)之间随机数，p为跳跃阈值；
H:t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解；否则，转入Step 2。当前最优个体位置即为最优控制参数向量。