(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 202111566236.8 (22)申请日 2021.12.20 (71)申请人 中国长江三峡集团有限公司 地址 430010 湖北省武汉市江岸区六合路1 号 (72)发明人 邓友汉　余志强　王本红　邹祖冰　 李青茂　朱斌　黄兴　张晓萌　 周立成　翟玉杰　王罗　苏营　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 代理人 高阳 (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 基于水轮机仿真智能求解的一次调频控制 方法及装置 (57)摘要 一种基于水轮机仿真智能求解的一次调频 控制方法及装置， 步骤如下下： 由功率给定模块 得到功率给定值P0； 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； 由水头测量模块测量 当前工作水头H； 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； 得到 相同工况下的最优的开度后， 通过GW O‑BP神经网 络的形成仿真模 型。 本发明克服了现有技术的不 足， 有效的解决水轮机一次调频传统PID算法存 在的问题， 着力解决水轮机调速系统因为其非线 性、 时变性 导致模型难以建立的缺陷。 权利要求书3页 说明书7页 附图4页 CN 114357867 A 2022.04.15 CN 114357867 A 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·Xp(t)‑X(t) X(t+1)＝Xp(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； Xp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： Dα＝C1·Xα‑X， Dβ＝C2·Xβ‑X， Dδ＝C3·Xδ‑X， X1＝Xα‑A1·Dα， X2＝Xβ‑A2·Dβ， X3＝Xδ‑A3·Dδ， 式中： Xα、 Xβ、 Xδ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； Dα、 Dβ、 Dδ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； 在算法权　利　要　求　书 1/3 页 2 CN 114357867 A 2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。 3.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： 步骤5包括以下步骤： 1)样本采集： 采集包 含各种工况、 水头下的开度数据， 作为仿真模型的样本集； 2)特征集选择： 选择常用特 征集和最优混合特 征集分别作为模型输入； 3)样本分组： 将已有样本分为两组， 即训练组和测试组； 在对模型进行仿真的过程中， 首先利用训练 组的数据进行模型训练， 然后利用测试组数据用来验证模型的性能； 4)样本归一化： 通过归一化方法， 将所有样本数据值调整到在[0， 1]范围内， 使得模型 计算速度更 快， 归一化转换函数如所示： 5)模型构建： 基于 HGWO‑BP神经网络的仿真模型步骤如下： 对模型的初始参数进行设置， 初始化的参数主要包括种群大小、 最大迭代次数、 变量维 数、 缩放因子和交叉概 率系数CR； 根据步骤4)公式对种群进行初始化， 为了保证BP神经网络的训练后模型误差最小， 选 用BP神经网络实际输出与期望输出绝对误差和的平均值作为 目标函数f， 优化的目标就是 选择最合适BP神经网络参数值； 计算种群中所有灰狼个体的适应度， 并按从高到低的顺序对适应度值进行排列， 将适权　利　要　求　书 2/3 页 3 CN 114357867 A 3