(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111610797.3 (22)申请日 2021.12.27 (71)申请人 淮阴工学院 地址 223400 江苏省淮安市 涟水县海安路 10号安东大厦8楼 (72)发明人 张楚　孙伟　李沂蔓　花磊　 嵇春雷　马慧心　彭甜　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 柏尚春 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的抽蓄机组调节系统辨 识方法 (57)摘要 本发明公开了一种基于深度学习的抽蓄机 组调节系统辨识方法， 包括以下步骤： (1)对抽水 蓄能机组调节系统进行机理建模， 利用机理模型 产生仿真数据， 并划分为训练集和测试集， 确定 深度学习模型的输入变量； (2)构建深度学习GRU 模型， 挖掘抽蓄机组调节系统运行数据深层次特 征； (3)改进哈里斯鹰优化算法， 在逃逸能量中引 入一种非线性能量指数递减策略； (4)将改进的 哈里斯鹰优化算法实现GRU模型超参数的动态调 整； (5)利用训练好的GRU模型和测试集数据得到 预测值。 本发 明构借助改进哈里斯鹰优化算法的 全局寻优能力， 获取最优模型结构与参数， 以提 高GRU模型的泛化性， 实现对抽水蓄能调节系统 的精确辨识， 有效提升机组建模精度， 进而保障 机组控制品质。 权利要求书3页 说明书7页 附图1页 CN 114330119 A 2022.04.12 CN 114330119 A 1.一种基于深度学习的抽蓄机组调节系统辨识方法， 其特 征在于， 包括以下步骤： (1)对抽水蓄能机组调 节系统进行机理建模， 利用机理模型产生仿真数据， 并划分为训 练集和测试集， 确定深度学习模型的输入变量； (2)建立深度学习模型GRU对训练集的机理模型深层次特 征进行挖掘； (3)改进哈里斯鹰优化 算法， 在逃逸能量中引入一种非线性能量指数递减策略； (4)将改进的哈里斯鹰优化算法实现GRU模型的参数寻优， 包括学习率和隐含层节点 数； (5)利用训练好的GRU模型和 测试集得到预测值。 2.根据权利要求1所述的基于深度学习的抽蓄机组调节系统辨识方法， 其特征在于， 所 述步骤训练集和 测试集的比为7:3 。 3.根据权利要求1所述的基于深度学习的抽蓄机组调节系统辨识方法， 其特征在于， 所 述步骤(2)包括以下步骤： (21)计算更新门vt， 计算公式如下： vt＝σ(Wv*[Yt‑1,Zt]+bv)         (1) 式中， σ 表示激活函数sigmod， Yt‑1为上一个时刻的输出， Zt为当前时刻的输入； Wv为更新 门的权重矩阵， bv为偏差向量； (22)计算重 置门rt， 计算公式如下： rt＝σ(Wr*[Yt‑1,Zt]+br)           (2) 式中， σ 表示激活函数sigmod， Yt‑1为上一个时刻的输出， Zt为当前时刻的输入； Wr为重置 门的权重矩阵， br为偏差向量； (23)计算出更新门和重置门后， GRU会将会计算候选隐藏状态ht， 候选隐藏状态ht计算 公式如下： ht＝tanh(Wh*[rt*Yt‑1,Zt]+bh)        (3) 式中， tanh(x)表示Tanh 激活函数， Wh为对应的权 重参数， bh为对应的偏差参数； (24)在最后的t时刻， GRU的输出计算公式如下： yt＝(1‑vt)*Yt‑1+vt*ht。        (4) 4.根据权利要求1所述的基于深度学习的抽蓄机组调节系统辨识方法， 其特征在于， 所 述步骤(3)包括以下步骤： (31)确定个 体的适应值数 学模型， 公式如下： 式中， n表示样本总数； pi表示系统在时刻i的实际输出； 表示辨识模型在时刻i的模 拟输出； (32)参数初始化： 将HHO的种群规模初始化为N， 群体中个体的维数为d， 最大迭代次数 为Tmax， 随机生成初始种群； (33)根据式(5)计算初始适应度值， 将适应度值 最优的个 体位置设置为当前猎物位置； (34)位置更新， 先通过更新猎物逃逸能量， 然后根据逃逸能量和生成的随机数执行搜 索或者开发行为中对应的位置策略；权　利　要　求　书 1/3 页 2 CN 114330119 A 2(35)计算适应度： 计算位置更新后的个体适应度， 并与猎物适应度值进行比较， 若位置 更新后的个 体适应度值优于猎物， 则以适应度值更优的个 体位置作为 新的猎物位置:； (36)如果迭代次数t<Tmax， 则转到步骤(3 3)； 否则， 转到(37)； (37)返回最佳个 体， 输出GRU模型的最优参数。 5.根据权利要求4所述的基于深度学习的抽蓄机组调节系统辨识方法， 其特征在于， 所 述步骤(34)包括以下步骤： (341)搜索阶段， 哈里斯鹰通过两种策略寻找到猎物， 找到猎物的 的公式计算如下： 式中， x(t)和x(t+1)分别为当前和下一迭代的个体位置， t为迭代次数， xrand为随机选出 的个体位置， xrabbit(t)为猎物位置， 即拥有最优适应度的个体位置， r1， r2， r3和r4为[0,1]之 间的随机数； q是用来随机 选择要采用的策略， xm(t)为个体平均位置， 其表达式如下： 式中， xk(t)为种群第i个 个体的位置， M为种群规模； (342)搜索与开发的转换阶段： 哈里斯鹰优化算法根据猎物的逃逸能量在探索和不同 的开发行为之间转换， 逃逸能量定义 为： 式中， E0是猎物的初始能量， 为[ ‑1,1]之间的随机数， 每次迭代时自动 更新； t是迭代次 数， Tmax为最大迭代次数， 当|E|≥1时进入搜索阶段， |E|<1时， 进入开发阶段； 引入一种非 线性能量指数递减策略， 改进后的逃逸能量计算公式如下： 式中， t是迭代次数， Tmax为最大迭代次数； (343)开发阶段： 假设r定义为[0,1]之间 的随机数， 用于选择不同的开发策略； 当0.5≤ |E|<1且r≥0.5时， 采用软围攻策略进行位置更新， 计算公式如下： x(t+1)＝ △x(t)‑E|Jxrabbit(t)‑x(t)|       (10) 式中，△x(t)＝xrabbit(t)‑x(t)， 表示猎物位置与个体当前位置的差值， J为[0,2]之间 的随机数； 当|E|<0.5且r≥0.5时采取硬围攻策略进行位置更新， 计算公式如下： x(t+1)＝xrabbit(t)‑E|△x(t)|      (11) 当0.5≤|E|<1且r<0.5时， 采取渐近式快速俯冲的软包围策略进行位置更新， 计算公式 如下： Y＝xrabbit(t)‑E|Jxrabbit(t)‑x(t)|       (13) Z＝Y+S*LF(2)          (14)权　利　要　求　书 2/3 页 3 CN 114330119 A 3