本發(fā)明屬于水輪發(fā)電技術(shù)領(lǐng)域，具體涉及一種基于改進(jìn)TLBO算法的水輪發(fā)電機(jī)組PID調(diào)速器參數(shù)優(yōu)化。

背景技術(shù)：

在工業(yè)生產(chǎn)和日常生活當(dāng)中，使用電能源的安全性、穩(wěn)定性是保證我們生命財(cái)產(chǎn)安全重要的前提條件。所以作為電能源的提供方式，額定頻率和額定電壓是保證用電穩(wěn)定安全的參數(shù)標(biāo)準(zhǔn)。水力發(fā)電系統(tǒng)是把水的勢(shì)能轉(zhuǎn)化為電能的一個(gè)系統(tǒng)，核心是水輪發(fā)電機(jī)組。水輪發(fā)電機(jī)組調(diào)節(jié)系統(tǒng)以水輪機(jī)作為調(diào)節(jié)裝置，將水輪機(jī)組作為被控對(duì)象，是一個(gè)高度非線性、時(shí)變不確定、具有死區(qū)、時(shí)滯、非最小相位的高階閉環(huán)控制系統(tǒng)。水輪機(jī)組的調(diào)速起著維持電力系統(tǒng)負(fù)荷平衡、保持電網(wǎng)穩(wěn)定(調(diào)峰和調(diào)頻)的作用，因此水輪機(jī)調(diào)速系統(tǒng)是整個(gè)水電站的中心樞紐，其性能的好壞直接影響著水電站能否安全高效運(yùn)行。目前采用PID(比例，積分，微分)控制算法的水輪機(jī)調(diào)速器是實(shí)際運(yùn)行的主流控制器，該控制器的關(guān)鍵是其控制參數(shù)的選擇和優(yōu)化?？刂茀?shù)的優(yōu)化算法隨著智能控制算法的快速發(fā)展，遺傳算法、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、粒子群算法等智能控制算法已經(jīng)運(yùn)用到水輪機(jī)調(diào)速器參數(shù)優(yōu)化中。

這些算法的研究大大推動(dòng)了水輪機(jī)調(diào)速器參數(shù)優(yōu)化的發(fā)展，但也有各自局限性。遺傳算法的性能很大程度上依賴于參數(shù)，并且其編譯、復(fù)制以及交叉變異操作使得算法過(guò)程緩慢，同時(shí)也易陷入早熟早收斂。粒子群算法相對(duì)于遺傳算法具有較少的參數(shù)，搜索速度更快，主要是基于粒子自身和群體最優(yōu)值進(jìn)行搜索，但在算法后期其收斂速度顯著放緩，容易陷入局部最優(yōu)，搜索精度不高。TLBO算法在2011年由兩位印度學(xué)者提出，基于群體信息交互的一種啟發(fā)搜索智能優(yōu)化算法。其優(yōu)點(diǎn)是具有較少的參數(shù)和收斂速度，但是容易陷入局部收斂。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述問(wèn)題，本發(fā)明提出一種改進(jìn)的TLBO(Teaching-learning-based optimization)算法用以獲取更優(yōu)化的調(diào)速器參數(shù)值，在基本的TLBO算法中加入了自適應(yīng)的教學(xué)因子，學(xué)生對(duì)知識(shí)的吸收權(quán)重以及教師課后輔導(dǎo)，在保證收斂速度和精度的同時(shí)避免了算法陷入早熟，早收斂的情況。將水輪機(jī)機(jī)組轉(zhuǎn)速偏差的ITAE指標(biāo)作為標(biāo)準(zhǔn)適應(yīng)度函數(shù)，利用改進(jìn)的TLBO算法進(jìn)行調(diào)速器的參數(shù)優(yōu)化，其收斂速度優(yōu)化效率顯著提高，并且避免了局部最優(yōu)的情況，是一種良好的參數(shù)優(yōu)化策略。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用技術(shù)方案如下：

首先建立水輪機(jī)調(diào)速系統(tǒng)仿真模型，然后對(duì)基本TLBO算法改進(jìn)并推導(dǎo)目標(biāo)函數(shù)，最后結(jié)合該算法完成水輪機(jī)調(diào)速器參數(shù)優(yōu)化，具體步驟包含如下：

1.建立水輪機(jī)調(diào)速模型

(1)控制器仿真模型

采取PID控制，構(gòu)建水輪機(jī)調(diào)速系統(tǒng)中的并聯(lián)PID控制仿真模型；

(2)液壓隨動(dòng)系統(tǒng)仿真模型

接力器由主配壓閥控制，在整個(gè)調(diào)速器的液壓隨動(dòng)系統(tǒng)中是最主要的被控對(duì)象，在仿真模型中是一個(gè)積分環(huán)節(jié)。其物理意義表現(xiàn)在，當(dāng)主配壓閥處在中間部位時(shí)，接力器開(kāi)度保持不變；當(dāng)主配壓閥朝著開(kāi)啟方向變化時(shí)，接力器的開(kāi)度亦向著開(kāi)啟方向移動(dòng)，并且接力器的開(kāi)啟速率與主配壓閥中活塞的移動(dòng)速率成正比；當(dāng)主配壓閥朝著關(guān)閉方向變化時(shí)，接力器的開(kāi)度亦向著關(guān)閉方向移動(dòng)，并且接力器的關(guān)閉速率與主配壓閥中活塞的移動(dòng)速率成正比；

(3)引水系統(tǒng)及水輪機(jī)仿真模型

對(duì)于水輪機(jī)調(diào)速系統(tǒng)的動(dòng)態(tài)特性而言，由壓力引水系統(tǒng)引起的變化不可忽略。在引水系統(tǒng)中壓力管道中水流量的變化是由導(dǎo)葉的開(kāi)度來(lái)進(jìn)行控制，當(dāng)管道中的水流產(chǎn)生變化時(shí)不可避免的會(huì)造成“水錘作用”，進(jìn)而影響著水流流量，在小波動(dòng)情況下的剛性水錘工程實(shí)際中，一般是采用理想化的仿真模型以及利用水輪機(jī)中各個(gè)特性系數(shù)搭建的仿真模型；

(4)發(fā)電機(jī)及其負(fù)荷仿真模型

水輪機(jī)發(fā)電機(jī)組按照是否并入大電網(wǎng)劃分為兩種基礎(chǔ)的運(yùn)行模式，孤網(wǎng)運(yùn)行模式以及并網(wǎng)運(yùn)行模式。當(dāng)水利發(fā)電站運(yùn)行在孤網(wǎng)模式時(shí)，在研究和分析水輪機(jī)調(diào)速系統(tǒng)的動(dòng)態(tài)特性過(guò)程中可以將其簡(jiǎn)化為一個(gè)一階環(huán)節(jié)。

2.TLBO算法改進(jìn)

(1)基本TLBO算法

TLBO算法是在2011年由兩位印度學(xué)者提出，基于群體信息交互的一種啟發(fā)搜索智能優(yōu)化算法。該算法源自于對(duì)教師教學(xué)和學(xué)生學(xué)習(xí)過(guò)程的模擬，以提高學(xué)生成績(jī)。主要思想是以班級(jí)為群體單位，將教師和學(xué)生作為群體當(dāng)中的個(gè)體，教師則是群體中的最優(yōu)適應(yīng)值，而所學(xué)習(xí)的不同科目則表示決策變量的不同。通過(guò)對(duì)教師授課和學(xué)生之間的相互交流兩種方式的模擬劃分為“教”與“學(xué)”兩個(gè)階段。

在“教”階段中，模擬的是教師授課給學(xué)生，學(xué)生以此來(lái)獲取知識(shí)的過(guò)程。該階段的主要目的是不斷的提高群體的平均值水平。當(dāng)整個(gè)學(xué)生群體數(shù)量為m，所學(xué)習(xí)的總科目數(shù)為n，當(dāng)?shù)螖?shù)為j時(shí)，對(duì)于科目i群體的平均值則為M_i,j。將所有學(xué)生中水平最高者作為教師，故選擇群體中適應(yīng)度值最優(yōu)的一個(gè)個(gè)體作為這個(gè)班級(jí)中的教師。其中在該次迭代次數(shù)和各個(gè)不同科目時(shí)，所有學(xué)生目前的平均值和此時(shí)相對(duì)應(yīng)的教師水平值的差值由式(1)給出：

difference_mean_i,j＝rand_j(X_i,kbest,j-Tf×M_i,j) (1)

式(1)中，X_i,kbest,j表示對(duì)于科目i當(dāng)前群體的最優(yōu)個(gè)體即教師，rand_j表示的是一個(gè)在0和1之間取值的隨機(jī)值，Tf通常叫做教學(xué)因子，它的意義是表示學(xué)生群體的平均水平改變的程度，如式(2)：

Tf＝round[1+rand(0,1)] (2)

至此第一階段“教”階段可以按照學(xué)生群體的平均水平和此時(shí)最優(yōu)解即教師的水平之間的差值difference_mean_i,j進(jìn)行更新處理，更新公式如式(3)：

x'_i,k,j＝x_i,k,j+diffrence_mean_i,j (3)

式(3)中，x'_i,k,j表示的是x_i,k,j經(jīng)過(guò)以上過(guò)程更新之后的值，如果更新之后的新值x'_i,k,j對(duì)應(yīng)的適應(yīng)度值相對(duì)于x_i,k,j的值更加優(yōu)秀，則更新值為x'_i,k,j。

“學(xué)”階段通過(guò)對(duì)學(xué)生們之間獲取的信息相互傳遞交流的過(guò)程進(jìn)行模擬，學(xué)習(xí)成績(jī)差的學(xué)生通過(guò)向成績(jī)優(yōu)秀的學(xué)生學(xué)習(xí)，不斷更新自己的知識(shí)來(lái)提高成績(jī)，對(duì)于“學(xué)”階段的過(guò)程介紹如下：

在整個(gè)學(xué)生群體當(dāng)中任意抽取兩個(gè)學(xué)生A和B，對(duì)應(yīng)的水平為X_i,A,j和X_i,B,j，則經(jīng)過(guò)上一個(gè)階段之后兩位學(xué)生相對(duì)應(yīng)的成績(jī)水平為X'_i,A,j和X'_i,B,j，并且有X'_i,A,j≠X'_i,B,j，f(x)為優(yōu)化過(guò)程的目標(biāo)函數(shù)，“學(xué)”階段主要依據(jù)學(xué)生之間存在的差異性互相學(xué)習(xí)，進(jìn)而完成對(duì)各自成績(jī)的調(diào)整，該過(guò)程具體如式(4)：

若更新之后的新值X”_i,A,j對(duì)應(yīng)的適應(yīng)度值相對(duì)于X'_i,A,j的值更加優(yōu)秀，則更新值為X”_i,A,j。

(2)教學(xué)因子改進(jìn)

針對(duì)于基本TLBO算法當(dāng)中的教學(xué)因子Tf做出改進(jìn)，提出一種自適應(yīng)的教學(xué)因子Tf。在算法前期教學(xué)因子較大，而隨著整個(gè)迭代過(guò)程的進(jìn)行，教學(xué)因子呈現(xiàn)出線性遞減的過(guò)程，從而得出更加優(yōu)異的適應(yīng)度值，改進(jìn)之后的教學(xué)因子如式(5)：

式(5)中，Tf_max為教學(xué)因子的最大取值，Tf_min為教學(xué)因子的最小取值，ITAE_max是算法最大迭代次數(shù)，ITAE是算法當(dāng)前迭代次數(shù)，教學(xué)因子由最大值線性遞減，使得算法在前期具有較快收斂性，后期則具有更加細(xì)致的搜索范圍，避免陷入早熟。

(3)教學(xué)階段改進(jìn)

在基本TLBO算法中給出吸收權(quán)重w來(lái)表示教師對(duì)于學(xué)生獲取的知識(shí)信任程度，以及學(xué)生對(duì)于教師所教知識(shí)的吸收程度，避免出現(xiàn)全盤(pán)接納現(xiàn)象，從而避免算法早熟，在教階段引入信任權(quán)重w₁，如果w₁取值較小則表示教師認(rèn)為學(xué)生吸收知識(shí)的程度較低，這樣學(xué)生能從教師身上學(xué)習(xí)更多，改進(jìn)后的教學(xué)階段如式(6)：

x'_i,k,j＝w₁×x_i,k,j+diffrence_mean_i,j (6)

在學(xué)習(xí)階段引入吸收權(quán)重w₂，且加入教師課后輔導(dǎo)，則改進(jìn)后更新公式如式(7)：

(4)TLBO算法的適應(yīng)度函數(shù)改進(jìn)

針對(duì)于設(shè)計(jì)方案，現(xiàn)代控制理論要求必須有特定指標(biāo)來(lái)定量估計(jì)或者計(jì)算，從而對(duì)整個(gè)設(shè)計(jì)做出評(píng)估，經(jīng)典控制理論分析當(dāng)中，經(jīng)常作為性能指標(biāo)的有ISE(偏差平方積分)，IAE(偏差絕對(duì)值積分)，ITAE(偏差絕對(duì)值乘積積分)，ITSE(偏差平方乘時(shí)間積分)。

本發(fā)明在選取適應(yīng)度函數(shù)時(shí)考慮到加強(qiáng)臨近時(shí)間點(diǎn)響應(yīng)對(duì)系統(tǒng)的影響，同時(shí)也盡量避免出現(xiàn)較大初始值對(duì)系統(tǒng)的影響，因此選擇ITAE作為目標(biāo)函數(shù)。其表達(dá)式如(8)：

式(8)中，t表示時(shí)間，e(t)為系統(tǒng)頻率差值。

(5)改進(jìn)后的TLBO算法流程

第一步：選取優(yōu)化目標(biāo)函數(shù)以及算法相關(guān)參數(shù)，學(xué)生群體用隨機(jī)初始化方式產(chǎn)生初種群；

第二步：根據(jù)最優(yōu)適應(yīng)度函數(shù)值對(duì)整個(gè)種群進(jìn)行評(píng)價(jià)，并選取當(dāng)前值為教師值，即初始最優(yōu)解值；

第三步：根據(jù)改進(jìn)后的TLBO算法“教”部分公式進(jìn)行第一階段的優(yōu)化過(guò)程；

第四步：根據(jù)改進(jìn)后的TLBO算法“學(xué)”部分公式進(jìn)行第二階段的優(yōu)化過(guò)程；

第五步：算法是否達(dá)到終止要求，如果滿足則終止，不滿足則重復(fù)三、四兩個(gè)步驟，直到滿足條件為止。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：本發(fā)明提出一種改進(jìn)TLBO算法以對(duì)水輪發(fā)電機(jī)組PID調(diào)速器參數(shù)進(jìn)行優(yōu)化，通過(guò)在基本TLBO算法中加入自適應(yīng)教學(xué)因子，學(xué)生對(duì)知識(shí)的吸收權(quán)重以及教師課后輔導(dǎo)以避免算法陷入早熟早收斂的情況從而得到較好的PID參數(shù)優(yōu)化值。

附圖說(shuō)明

圖1為本發(fā)明實(shí)現(xiàn)的流程圖；

圖2為本發(fā)明控制器仿真模型，其中，f_c表示系統(tǒng)給定頻率值，y_c表示機(jī)組開(kāi)度給定值，f,y分別是頻率與開(kāi)度的測(cè)量值，b_p表示永態(tài)轉(zhuǎn)差系數(shù)，K_P,K_I,K_D分別表示比例增益、積分增益以及微分增益；

圖3為本發(fā)明液壓隨動(dòng)系統(tǒng)仿真模型，其中，T_y表示主接力器的響應(yīng)時(shí)間常數(shù)；

圖4為本發(fā)明引水系統(tǒng)及水輪機(jī)仿真模型，其中，T_w表示水流慣性時(shí)間常數(shù)，y表示主接力器導(dǎo)葉開(kāi)度。E_y表示水輪機(jī)力矩對(duì)于導(dǎo)葉開(kāi)度的傳遞函數(shù)，E_h表示水輪機(jī)力矩之于水頭的傳遞函數(shù)。E_qy表示水輪機(jī)的流量之于導(dǎo)葉開(kāi)度的傳遞函數(shù)，E_qh表示水輪機(jī)流量之于水頭的傳遞函數(shù)；

圖5為本發(fā)明發(fā)電機(jī)及其負(fù)荷仿真模型，其中，m,m_g,e_n,out1,T_a分別表示的是水輪機(jī)的轉(zhuǎn)矩，勵(lì)磁轉(zhuǎn)矩，發(fā)電機(jī)組的靜態(tài)頻率自動(dòng)調(diào)節(jié)系數(shù)，機(jī)組的頻率以及負(fù)荷的慣性時(shí)間常數(shù)；

圖6為本發(fā)明改進(jìn)TLBO算法流程圖；

圖7為本發(fā)明空載工況8％頻率擾動(dòng)轉(zhuǎn)速響應(yīng)；

圖8為本發(fā)明空載工況8％頻率擾動(dòng)的適應(yīng)度收斂曲線；

圖9為本發(fā)明負(fù)荷工況10％負(fù)荷擾動(dòng)的轉(zhuǎn)速響應(yīng)；

圖10為本發(fā)明負(fù)荷工況10％負(fù)荷擾動(dòng)的適應(yīng)度收斂曲線。

具體實(shí)施方式

結(jié)合說(shuō)明書(shū)和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步說(shuō)明。

如圖1所示的一種基于改進(jìn)TLBO算法的水輪發(fā)電機(jī)組PID調(diào)速器參數(shù)優(yōu)化，包括如下步驟：

1.建立水輪機(jī)調(diào)速模型

(1)控制器仿真模型

采取PID控制，構(gòu)建水輪機(jī)調(diào)速系統(tǒng)中的并聯(lián)PID控制仿真模型，控制器仿真模型如圖2所示；

(2)液壓隨動(dòng)系統(tǒng)仿真模型

接力器由主配壓閥控制，在整個(gè)調(diào)速器的液壓隨動(dòng)系統(tǒng)中是最主要的被控對(duì)象，在仿真模型中是一個(gè)積分環(huán)節(jié)。其物理意義表現(xiàn)在，當(dāng)主配壓閥處在中間部位時(shí)，接力器開(kāi)度保持不變；當(dāng)主配壓閥朝著開(kāi)啟方向變化時(shí)，接力器的開(kāi)度亦向著開(kāi)啟方向移動(dòng)，并且接力器的開(kāi)啟速率與主配壓閥中活塞的移動(dòng)速率成正比；當(dāng)主配壓閥朝著關(guān)閉方向變化時(shí)，接力器的開(kāi)度亦向著關(guān)閉方向移動(dòng)，并且接力器的關(guān)閉速率與主配壓閥中活塞的移動(dòng)速率成正比，調(diào)速器的液壓隨動(dòng)系統(tǒng)仿真模型見(jiàn)圖3；

(3)引水系統(tǒng)及水輪機(jī)仿真模型

對(duì)于水輪機(jī)調(diào)速系統(tǒng)的動(dòng)態(tài)特性而言，由壓力引水系統(tǒng)引起的變化不可忽略。在引水系統(tǒng)中壓力管道中水流量的變化是由導(dǎo)葉的開(kāi)度來(lái)進(jìn)行控制，當(dāng)管道中的水流產(chǎn)生變化時(shí)不可避免的會(huì)造成“水錘作用”，進(jìn)而影響著水流流量。在小波動(dòng)情況下的剛性水錘工程實(shí)際中，一般是采用理想化的仿真模型以及利用水輪機(jī)中各個(gè)特性系數(shù)搭建的仿真模型，如圖4所示；

(4)發(fā)電機(jī)及其負(fù)荷仿真模型

水輪機(jī)發(fā)電機(jī)組按照是否并入大電網(wǎng)劃分為兩種基礎(chǔ)的運(yùn)行模式，孤網(wǎng)運(yùn)行模式以及并網(wǎng)運(yùn)行模式。當(dāng)水利發(fā)電站運(yùn)行在孤網(wǎng)模式時(shí)，在研究和分析水輪機(jī)調(diào)速系統(tǒng)的動(dòng)態(tài)特性過(guò)程中可以將其簡(jiǎn)化為一個(gè)一階環(huán)節(jié)，仿真模型見(jiàn)圖5。

2.TLBO算法改進(jìn)

(1)基本TLBO算法

TLBO算法是在2011年由兩位印度學(xué)者提出，基于群體信息交互的一種啟發(fā)搜索智能優(yōu)化算法。該算法源自于對(duì)教師教學(xué)和學(xué)生學(xué)習(xí)過(guò)程的模擬，以提高學(xué)生成績(jī)。主要思想是以班級(jí)為群體單位，將教師和學(xué)生作為群體當(dāng)中的個(gè)體，教師則是群體中的最優(yōu)適應(yīng)值，而所學(xué)習(xí)的不同科目則表示決策變量的不同。通過(guò)對(duì)教師授課和學(xué)生之間的相互交流兩種方式的模擬劃分為“教”與“學(xué)”兩個(gè)階段。

在“教”階段中，模擬的是教師授課給學(xué)生，學(xué)生以此來(lái)獲取知識(shí)的過(guò)程。該階段的主要目的是不斷的提高群體的平均值水平。當(dāng)整個(gè)學(xué)生群體數(shù)量為m，所學(xué)習(xí)的總科目數(shù)為n，當(dāng)?shù)螖?shù)為j時(shí)，對(duì)于科目i群體的平均值則為M_i,j。將所有學(xué)生中水平最高者作為教師，故選擇群體中適應(yīng)度值最優(yōu)的一個(gè)個(gè)體作為這個(gè)班級(jí)中的教師。其中在該次迭代次數(shù)和各個(gè)不同科目時(shí)，所有學(xué)生目前的平均值和此時(shí)相對(duì)應(yīng)的教師水平值的差值由式(1)給出：

difference_mean_i,j＝rand_j(X_i,kbest,j-Tf×M_i,j) (1)

式(1)中，X_i,kbest,j表示對(duì)于科目i當(dāng)前群體的最優(yōu)個(gè)體即教師，rand_j表示的是一個(gè)在0和1之間取值的隨機(jī)值，Tf通常叫做教學(xué)因子，它的意義是表示學(xué)生群體的平均水平改變的程度，如式(2)：

Tf＝round[1+rand(0,1)] (2)

至此第一階段“教”階段可以按照學(xué)生群體的平均水平和此時(shí)最優(yōu)解即教師的水平之間的差值difference_mean_i,j進(jìn)行更新處理，更新公式如式(3)：

x'_i,k,j＝x_i,k,j+diffrence_mean_i,j (3)

式(3)中，x'_i,k,j表示的是x_i,k,j經(jīng)過(guò)以上過(guò)程更新之后的值，如果更新之后的新值x'_i,k,j對(duì)應(yīng)的適應(yīng)度值相對(duì)于x_i,k,j的值更加優(yōu)秀，則更新值為x'_i,k,j。

“學(xué)”階段通過(guò)對(duì)學(xué)生們之間獲取的信息相互傳遞交流的過(guò)程進(jìn)行模擬，學(xué)習(xí)成績(jī)差的學(xué)生通過(guò)向成績(jī)優(yōu)秀的學(xué)生學(xué)習(xí)，不斷更新自己的知識(shí)來(lái)提高成績(jī)，對(duì)于“學(xué)”階段的過(guò)程介紹如下：

在整個(gè)學(xué)生群體當(dāng)中任意抽取兩個(gè)學(xué)生A和B，對(duì)應(yīng)的水平為X_i,A,j和X_i,B,j，則經(jīng)過(guò)上一個(gè)階段之后兩位學(xué)生相對(duì)應(yīng)的成績(jī)水平為X'_i,A,j和X'_i,B,j，并且有X'_i,A,j≠X'_i,B,j，f(x)為優(yōu)化過(guò)程的目標(biāo)函數(shù)，“學(xué)”階段主要依據(jù)學(xué)生之間存在的差異性互相學(xué)習(xí)，進(jìn)而完成對(duì)各自成績(jī)的調(diào)整，該過(guò)程具體如式(4)：

若更新之后的新值X”_i,A,j對(duì)應(yīng)的適應(yīng)度值相對(duì)于X'_i,A,j的值更加優(yōu)秀，則更新值為X”_i,A,j。

(2)教學(xué)因子改進(jìn)

針對(duì)于基本TLBO算法當(dāng)中的教學(xué)因子Tf做出改進(jìn)，提出一種自適應(yīng)的教學(xué)因子Tf。在算法前期教學(xué)因子較大，而隨著整個(gè)迭代過(guò)程的進(jìn)行，教學(xué)因子呈現(xiàn)出線性遞減的過(guò)程，從而得出更加優(yōu)異的適應(yīng)度值，改進(jìn)之后的教學(xué)因子如式(5)：

式(5)中，Tf_max為教學(xué)因子的最大取值，Tf_min為教學(xué)因子的最小取值，ITAE_max是算法最大迭代次數(shù)，ITAE是算法當(dāng)前迭代次數(shù)，教學(xué)因子由最大值線性遞減，使得算法在前期具有較快收斂性，后期則具有更加細(xì)致的搜索范圍，避免陷入早熟。

(3)教學(xué)階段改進(jìn)

在基本TLBO算法中給出吸收權(quán)重w來(lái)表示教師對(duì)于學(xué)生獲取的知識(shí)信任程度，以及學(xué)生對(duì)于教師所教知識(shí)的吸收程度，避免出現(xiàn)全盤(pán)接納現(xiàn)象，從而避免算法早熟，在教階段引入信任權(quán)重w₁，如果w₁取值較小則表示教師認(rèn)為學(xué)生吸收知識(shí)的程度較低，這樣學(xué)生能從教師身上學(xué)習(xí)更多，改進(jìn)后的教學(xué)階段如式(6)：

x'_i,k,j＝w₁×x_i,k,j+diffrence_mean_i,j (6)

在學(xué)習(xí)階段引入吸收權(quán)重w₂，且加入教師課后輔導(dǎo)，則改進(jìn)后更新公式如式(7)：

(4)TLBO算法的適應(yīng)度函數(shù)改進(jìn)

針對(duì)于設(shè)計(jì)方案，現(xiàn)代控制理論要求必須有特定指標(biāo)來(lái)定量估計(jì)或者計(jì)算，從而對(duì)整個(gè)設(shè)計(jì)做出評(píng)估。經(jīng)典控制理論分析當(dāng)中，經(jīng)常作為性能指標(biāo)的有ISE(偏差平方積分)，IAE(偏差絕對(duì)值積分)，ITAE(偏差絕對(duì)值乘積積分)，ITSE(偏差平方乘時(shí)間積分)。

本發(fā)明在選取適應(yīng)度函數(shù)時(shí)考慮到加強(qiáng)臨近時(shí)間點(diǎn)響應(yīng)對(duì)系統(tǒng)的影響，同時(shí)也盡量避免出現(xiàn)較大初始值對(duì)系統(tǒng)的影響，因此選擇ITAE作為目標(biāo)函數(shù)，其表達(dá)式如(8)：

式(8)中，t表示時(shí)間，e(t)為系統(tǒng)頻率差值。

(5)改進(jìn)后的TLBO算法流程

基于以上所述，本發(fā)明所提改進(jìn)TLBO算法如圖6所示，具體步驟可表述如下：

第一步：選取優(yōu)化目標(biāo)函數(shù)以及算法相關(guān)參數(shù)，學(xué)生群體用隨機(jī)初始化方式產(chǎn)生初種群；

第二步：根據(jù)最優(yōu)適應(yīng)度函數(shù)值對(duì)整個(gè)種群進(jìn)行評(píng)價(jià)，并選取當(dāng)前值為教師值，即初始最優(yōu)解值；

第三步：根據(jù)改進(jìn)后的TLBO算法“教”部分公式進(jìn)行第一階段的優(yōu)化過(guò)程；

第四步：根據(jù)改進(jìn)后的TLBO算法“學(xué)”部分公式進(jìn)行第二階段的優(yōu)化過(guò)程；

第五步：算法是否達(dá)到終止要求，如果滿足則終止，不滿足則重復(fù)三、四兩個(gè)步驟，直到滿足條件為止。

本發(fā)明的效果可通過(guò)以下仿真進(jìn)一步說(shuō)明：

仿真條件：本發(fā)明選取混流式水輪機(jī)組為仿真平臺(tái)，工作模式為單機(jī)狀態(tài)下帶孤立負(fù)荷，且在剛性水擊情況下建立模型對(duì)調(diào)速器參數(shù)進(jìn)行優(yōu)化分析。在水輪機(jī)組參數(shù)選取上，選擇國(guó)內(nèi)兩江水電站實(shí)測(cè)數(shù)據(jù)，即：額定水頭H_r＝60.7m，額定轉(zhuǎn)速n_r＝300r/min，主接力器響應(yīng)時(shí)間常數(shù)T_y＝0.1s，水輪機(jī)機(jī)組慣性時(shí)間常數(shù)T_a＝7.4s，水流慣性時(shí)間常數(shù)T_w＝1.6s，水輪機(jī)機(jī)組靜態(tài)頻率調(diào)節(jié)系數(shù)e_n＝1.6。

改進(jìn)TLBO算法參數(shù)設(shè)置為：學(xué)生群體總數(shù)為20，算法最大迭代次數(shù)為ITER_max＝100，教學(xué)因子最大取值為T(mén)f_max＝2，最小取值為T(mén)f_min＝1，信任權(quán)重w₁＝0.1，吸收權(quán)重w₂＝0.6。

仿真中，把本發(fā)明提出的算法和基本TLBO算法做對(duì)比，可以看到動(dòng)態(tài)性能的改善情況。

仿真內(nèi)容：

仿真1：圖7、8為水輪機(jī)調(diào)速系統(tǒng)工作在空載情況下，頻率擾動(dòng)為8％(50-54Hz)擾動(dòng)的動(dòng)態(tài)過(guò)渡過(guò)程。初始階段因?yàn)榇嬖趧傂运N作用會(huì)出現(xiàn)較為明顯的反調(diào)現(xiàn)象，在調(diào)節(jié)器作用下逐步趨于平穩(wěn)。相對(duì)于基本教與學(xué)算法，改進(jìn)的TLBO算法減少了系統(tǒng)的調(diào)節(jié)時(shí)間，超調(diào)量，其過(guò)渡過(guò)程更加的平穩(wěn)。同時(shí)，改進(jìn)的TLBO算法有更快的收斂速度與更好的收斂精度。

仿真2：圖9、10為水輪機(jī)調(diào)速系統(tǒng)工作在孤立負(fù)荷的情況下，頻率擾動(dòng)為10％的動(dòng)態(tài)過(guò)渡過(guò)程。水輪機(jī)組在增加負(fù)荷之后導(dǎo)致頻率的驟然下降，經(jīng)過(guò)調(diào)節(jié)器的調(diào)節(jié)之后趨于穩(wěn)定。其相對(duì)于基本TLBO算法具備了較短的調(diào)節(jié)時(shí)間，較小的超調(diào)量。同時(shí)，改進(jìn)的TLBO算法有更快的收斂速度與更好的收斂精度。

綜上，本發(fā)明提出一種改進(jìn)TLBO算法以對(duì)水輪發(fā)電機(jī)組PID調(diào)速器參數(shù)進(jìn)行優(yōu)化，通過(guò)在基本TLBO算法中加入自適應(yīng)教學(xué)因子，學(xué)生對(duì)知識(shí)的吸收權(quán)重以及教師課后輔導(dǎo)以避免算法陷入早熟早收斂的情況從而得到較好的PID參數(shù)優(yōu)化值。在剛性水擊下水輪機(jī)調(diào)速系統(tǒng)仿真模型下進(jìn)行兩種工況下，對(duì)所提方法進(jìn)行仿真。仿真結(jié)果表明，與基本TLBO算法相比，本發(fā)明所提的改進(jìn)算法針對(duì)水輪機(jī)調(diào)速器參數(shù)調(diào)節(jié)具備更好的過(guò)渡過(guò)程。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，按照本領(lǐng)域的普通技術(shù)知識(shí)和通用方法，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。