一种深度全连接层的风机控制器参数多目标优化加速方法

1.本发明属于电力系统控制器参数优化领域，涉及人工智能方法和启发式多目标优化方法，适用于电力系统双馈感应风机控制器参数的多目标优化。


背景技术：

2.现有基于传统比例-积分-微分控制器的控制方法有提取扰动信息不足的缺点。
3.另外，现有多种单目标优化方法通过经验系数加权应用于多目标问题的最优决策缺乏多种情形下的适用性。
4.此外，现有的多种多目标元启发式优化方法的计算时间过长，如多目标粒子群优化方法、群灰狼优化方法。
5.因此，提出引入多维信息反馈和分数阶理论，来解决提取扰动信息不足的问题；提出多目标高维多分阶优化方法，来解决最优决策缺乏多种情形下的适用性的问题；提出深度全连接层加速方法，来解决优化方法计算速度慢的问题。


技术实现要素：

6.本发明提出一种深度全连接层的风机控制器参数多目标优化加速方法，该方法将深度全连接层模型和多目标高维多分数阶优化方法进行结合，用于双馈感应风机高维多分数阶控制器的参数优化，能快速获得多目标优化问题的帕累托最优解集，提高双馈感应风机的运行效率，提高风力发电的适用范围，优化多目标方法解集的多样性和收敛性，减少所需优化时间，提高优化方法的运行速度；在使用过程中的步骤为：
7.步骤(1)：初始化多目标高维多分数阶优化方法的参数并随机生成搜索智能体的位置；多目标高维多分数阶优化方法的参数包括常数a；最大迭代次数t；比例方向的自适应函数r1；勘探方向的自适应函数r2，代表“分数阶积分”方向的信息；开发方向的自适应函数r3，代表“分数阶微分”方向的信息；当前迭代次数t，t∈(0，t]，t∈n
+
；t为正整数；比例乘积因子k1，k1∈[-1，1]；勘探乘积因子k2，k2∈[-1，1]；开发乘积因子k3，k3∈[-1，1]；勘探因子1，1]；勘探因子开发因子δ，δ∈[0.5，1]；加速阶段之前的和加速阶段之后的迭代次数均设置为n
10
；搜索智能体个数m；
[0008]
风机控制器参数多目标优化问题的目标函数为：
[0009][0010]
其中x为决策向量，是高维多分数阶控制器参数，为32个，分别为：k
ωr1
、k
ωr2
、k
ωr3
、k
ωr4
、α
ωr1
、α
ωr2
、α
ωr3
、α
ωr4
、k
iq1
、k
iq2
、k
iq3
、k
iq4
、α
iq1
、α
iq2
、α
iq3
、α
iq4
、k
q1
、k
q2
、k
q3
、k
q3
、k
q4
、α
q1
、α
q2
、α
q3
、α
q4
、k
id1
、k
id2
、k
id3
、k
id4
、α
id1
、α
id2
、α
id3
、α
id4
；32个高维多分数阶控制器的参数分别为转子转速第1维度比例系数、转子转速第2维度比例系数、转子转速第3维度比例系数、转子转速第4维度比例系数、转子转速第1维度分数阶系数、转子转速第2维度分数阶系数、转子转速
第3维度分数阶系数、转子转速第4维度分数阶系数、q轴电流第1维度比例系数、q轴电流第2维度比例系数、q轴电流第3维度比例系数、q轴电流第4维度比例系数、q轴电流第1维度分数阶系数、q轴电流第2维度分数阶系数、q轴电流第3维度分数阶系数、q轴电流第4维度分数阶系数、无功功率第1维度比例系数、无功功率第2维度比例系数、无功功率第3维度比例系数、无功功率第4维度比例系数、无功功率第1维度分数阶系数、无功功率第2维度分数阶系数、无功功率第3维度分数阶系数、无功功率第4维度分数阶系数、d轴电流第1维度比例系数、d轴电流第2维度比例系数、d轴电流第3维度比例系数、d轴电流第4维度比例系数、d轴电流第1维度分数阶系数、d轴电流第2维度分数阶系数、d轴电流第3维度分数阶系数、d轴电流第4维度分数阶系数；
[0011]
优化多目标问题的过程中会产生帕累托最优解，帕累托最优解组成的集合为帕累托最优解集；双馈感应风机高维多分数阶控制器的参数优化的目标为最大限度使转子转速误差最小和最大限度使无功功率误差最小qs和分别为无功功率的精确值和参考值，ωr和分别为转子转速的精确值和参考值；
[0012]
步骤(2)：设置外部档案集的最大容量，运用自适应网格策略将存储空间划分为km个超立方体，其中m代表目标数量，k是自定义数；
[0013]
步骤(3)：判断当前迭代的代数t是否满足t＜n
10
或t-n
10
＜t＜t，若满足该条件，则继续运用多目标高维多分数阶优化方法进行迭代，若不满足该条件，则进入深度全连接层模型，执行加速过程；
[0014]
步骤(4)：多目标高维多分数阶优化方法开始迭代，计算每个初始化的搜索智能体的适应度函数值，运用轮盘赌策略选择全局最优解；
[0015]
每次迭代中选择合适的全局最优解将引导搜索智能体探索更有希望的区域，找到更为接近全局最优解的解决方案；在多目标高维多分数阶优化方法中，采用轮盘赌方法进行选择；轮盘赌策略是一种按照轮盘比例进行选择的随机方法；在多目标高维多分数阶优化方法中将外部档案集中的超立方体在轮盘中等比例划分，按照轮盘赌的方式对超立方体存储区域进行选择；然后，对被选中区域存储的非支配解进行随机选取，作为优化方法迭代中的全局最优解；采用轮盘赌方法选择全局最优解时，不拥挤的超立方体中的非支配解具有更高的概率成为当前迭代次数的全局最优解，增强多目标高维多分数阶优化方法在运行过程中多样性；
[0016]
步骤(5)：更新外部档案集，判断是否已满，外部档案集的更新策略如下：
[0017]
每个超立方体能被当作一个存储空间，然后将非支配解放置于超立方体中；当立方体的容量未满时，新产生的解将会有3种情况：(1)若新获得的解被支配，则不进入存储区域；(2)外部档案集中存储的解若被新获得的解支配，则将档案集中被支配的解被剔除，新的非支配解进入档案集；(3)外部档案集中存储的解和新获得的解没有支配的关系，则将新获得的解添加到外部档案集中；
[0018]
对于需要删除非支配解的超立方体，首先需要找到非支配最拥挤段，然后随机删除其中的非支配解，以便为新获得的非支配解提供存储区域；
[0019]
步骤(6)：执行下一次迭代，更新搜索智能体的位置；
[0020]
搜索智能体的更新策略有3种，分别为“分数阶积分”方向、“分数阶微分”方向和“比例”方向；其中“分数阶”积分方向侧重勘探，其搜索范围较大；“分数阶微分”方向侧重开
发，其搜索范围相对较小，有助于局部最优解的搜索；“比例”方向在搜索中以控制误差的比例作为搜索的长度；搜索智能体综合比较3个维度的更新策略，依据当前的迭代情况选择下一次的更新策略，最终使得输出的误差量趋于零；3个方向的交替模式能使搜索智能体进行信息共享，根据上一次的迭代结果进行重新定位，有效地避免陷入局部最优；
[0021]
迭代规则计算中搜索智能体当前位置与最优位置的步长进行合理调节；比例方向的位置更新策略为：
[0022][0023]
其中为设置随机函数来调整的距离，以调整位置进行下一代迭代的搜索范围；
[0024]
勘探方向的位置更新策略为：
[0025][0026]
为扩展勘探能力，多目标高维多分数阶优化方法引入勘探因子累加每次迭代产生的误差进一步的增大搜索的区域，增强全局搜索能力；
[0027]
开发方向的位置更新策略为：
[0028][0029]
其中，为增强开发能力，在和相减的值引入开发因子δ进行计算，以缩小搜索范围，增强局部的寻优能力；在以上的3个式中，代表在第t次迭代中的第i个搜索智能体的位置；为第t+1次迭代中的第i个搜索智能体的位置；是在t次迭代中的第i个搜索智能体得到的最佳位置；r1、r2和r3分别表示3个更新方案的自适应变化函数，r1代表线性递减函数，r2代表一个先慢后快的递减函数，r3是一个先快后慢的递减函数；k1、k2和k3分别代表比例乘积因子、勘探乘积因子和开发乘积因子；k1、k2和k3是移动步长距离的加权，用来确定迭代的方向，负数代表远离，正数代表靠近，它们的取值均在[-1，1]中随机选取；和δ表示勘探因子和开发因子，勘探因子的取值为[1，1.5]，开发因子δ的取值为[0.5，1]；
[0030]
比例方向随迭代次数变化的自适应函数为：
[0031][0032]
勘探方向随迭代次数变化的自适应函数为：
[0033][0034]
开发方向随迭代次数变化的自适应函数为：
[0035][0036]
其中，a是常数；t表示最大迭代次数；t代表当前迭代次数；
[0037]
在搜索的早期阶段，搜索智能体的寻优方向以勘探为主，最终的方向能选择勘探方向，然后根据搜索结果选择最佳位置进行下一次的迭代；逐渐向最佳位置靠近；三种更新策略代表搜索的三个维度，具有不同的搜索范围和不同的勘探和开发的能力；在每次的更
新迭代过程中，根据三种更新策略进行下一次的迭代计算；选取适应度函数值最小的搜索智能体的位置作下一次迭代计算的初始位置；
[0038]
步骤(7)：当前迭代的代数若不满足t＜n
10
或t-n
10
＜t＜t，则进入深度全连接层模型，开始加速过程；向深度全连接层模型输入当前外部档案集中所有帕累托最优解所对应的搜索智能体的位置和相应的适应度函数值；
[0039]
步骤(8)：通过输入的搜索智能体的位置和相应的适应度函数值训练深度全连接层模型；
[0040]
深度全连接层模型能学习优化问题的适应度函数的输入x和输出f(x)之间的关系；深度全连接层模型的每个完全连接层的输出f
pred
(x)为：
[0041]fpred
(x)＝tanh(w
dfcm
x+b
dfcm
)
ꢀꢀꢀꢀ
(8)
[0042]
其中w
dfcm
和b
dfcm
分别是深度全连接层模型权重和偏移；
[0043]
采用动量随机梯度下降方法对深度全连接层模型进行训练；
[0044]
深度全连接层模型的预测精度通过均方根误差e
rmse
评估为：
[0045][0046]fpred，i
(x)和fi(x)分别是通过多目标高维多分数阶优化方法的i次迭代获得的预测和实际适应值；
[0047]
步骤(9)：向训练好的深度全连接层模型输入若干随机位置，预测这些随机位置对应的多个目标下的适应度函数值，并获得相应的帕累托最优解；
[0048]
步骤(10)：选择m个帕累托最优解对应的搜索智能体的位置作为输出，输出为之后多目标高维多分数阶优化方法进行迭代的搜索智能体的初始位置；
[0049]
由于训练好的深度全连接层模型的预测精度不是100％，因此最后十次迭代通过多目标高维多分数阶优化方法进行优化；因此，多目标高维多分数阶优化方法只优化2n
10
次迭代，深度全连接层加速的多目标高维多分数阶优化方法的计算时间比不加速的多目标高维多分数阶优化方法的计算时间少：
[0050][0051]
步骤(11)：开始加速过程后的多目标高维多分数阶优化方法的迭代过程；计算加速过程得到的搜索智能体的初始位置对应的适应度函数值，并通过轮盘赌策略选择全局最优解；
[0052]
步骤(12)：根据更新外部档案集更新策略更新外部档案集；
[0053]
步骤(13)：进行下一次迭代，根据3种更新策略更新搜索智能体的位置；
[0054]
步骤(14)：再次执行步骤(11)、步骤(12)，判断当前迭代的代数t是否满足t＝t，若不满足则更新搜索智能体的位置，执行下一次迭代；若满足，则输出外部档案集中的帕累托解集，这些帕累托解集中的解代表双馈感应风机的高维多分数阶控制器参数。
[0055]
本发明相对于现有技术具有如下的优点及效果：
[0056]
(1)多目标高维多分阶优化方法在勘探方向和开发方向中分别应用“分数阶积分”和“分数阶微分”，提高优化方法的勘探能力和高精度的开发能力，在整体上平衡勘探与开发。
[0057]
(2)为保证多目标高维多分阶优化方法多样性，采取自适应网格策略对外部档案集拥挤的情况进行维护，采取轮盘赌策略选取迭代过程的全局最优解。
[0058]
(3)在多目标高维多分阶优化方法的过程中，运用深度全连接层加速多目标高维多分阶优化方法的迭代过程，大幅减少计算时间。在采用深度全连接层加速过程之后，多目标高维多分阶优化方法根据深度全连接层的预测结果继续进行优化搜索，弥补深度全连接层预测并非100％准确的缺陷。
[0059]
(4)相比于传统的比例积分微分控制方法，高维多分数阶控制器具有更高的信息维度、比整数阶更多的分数阶信息。相比于传统的比例积分微分优化方法，多目标高维多分数阶优化方法的目标个数更多、有更高的信息维度、比整数阶更多的分数阶信息。相比于一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法，多目标高维多分数阶优化方法的目标个数更多，深度全连接层具有加速功能，速度更快。例如加速阶段之前的和加速阶段之后的迭代次数均设置为n
10
＝10，整个迭代次数设置为t＝100，从而深度全连接层能减少80％的计算时间。深度全连接层输入数据、训练以及预测所用的时间远远小于剩下80％的多目标高维多分数阶优化方法的计算时间。一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法强调人工智能方法能用来学习优化方法的输入与输出之间的关系。一种深度全连接层的风机控制器参数多目标优化加速方法不仅采用人工智能方法学习输入与输出之间的关系，并且直接替代80％的优化过程，从而达到加速的目的。
附图说明
[0060]
图1是本发明方法的完整流程图。
具体实施方式
[0061]
本发明提出的一种深度全连接层的风机控制器参数多目标优化加速方法，结合附图详细说明如下。
[0062]
图1是本发明方法的完整流程图。首先，初始化所有的参数同时随机生成搜索智能体的位置。然后，设置外部档案集的最大容量，同时运用自适应网格策略将存储空间划分值km个超立方体。此后，判断当前迭代的代数是否满足t＜n
10
或t-n
10
＜t＜t，若满足该条件，则继续运用多目标高维多分数阶优化方法进行迭代，若不满足该条件，则进入深度全连接层模型。之后，若进入多目标高维多分数阶优化方法迭代过程，计算每个初始化的搜索智能体的适应度函数值并运用轮盘赌策略选择全局最优解。之后，判断外部档案集是否已满，根据相应策略更新外部档案集。之后，执行下一次迭代，运用三种更新策略更新搜索智能体的位置。若进入深度全连接层模型的加速过程，则输入当前外部档案集中所有帕累托最优解所对应的搜索智能体的位置和相应的适应度函数值。此后，通过输入的数据训练深度全连接层模型，再向训练好的深度全连接层模型输入若干随机位置，对它们多个目标下的适应度函数值做预测，经过比较得到相应的帕累托最优解。之后，选择m个帕累托最优解对应的搜索智能体的位置输出为下一次优化方法迭代过程中的初始位置。此后再执行多目标高维多分阶优化方法，进行多轮迭代。最后，在当前迭代次数满足最大迭代次数时输出帕累托最优解集。
[0063]
以上所述仅为本发明的优选实施例，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效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。