基于遗传算法的汽轮机数字电液调节系统的参数辨识研究

３ 遗传算法用于参数辨识的基本步骤
３．１ 概述 遗传算法应用于参数辨识的过程中，必须完成
∑| ε
i =1
n
iБайду номын сангаас
|
优化模型即是在一定求解范围内选取各待辨 识参数，使得ε为极小值。
第7期
戴义平等： 基于遗传算法的汽轮机数字电液调节系统的参数辨识研究
103
３．４ 确定编码、解码方法 用 N 位二进制编码子串来分别表示 M 个待辨 识参数，把各个待辨识参数的取值范围细化成 2n－1 个小区间，再将这些子串合并在一起组成 N×M 位 染色体，即个体，一定数目的个体组成群体。解码 时将 N×M 位长的染色体切断为 M 个 N 位长的二进 制编码串，然后分别将它们转化为对应的十进制整 数代码，分别记为 y1，y2，yi， … … ，y n。代码 yi 转 换为变量 xi 的解码公式为 y xi = 区间范围大小 × n i + 区间起始值 2 −1 (i=1, 2, ……, 2n) 这样，解空间和遗传算法的搜索空间具有一一 对应的关系。 ３．５ 确定个体评价方法 准确的辨识结果应该使ε 取极小值，个体适应 度 F 可定义为 C max − ε , ε < Cmax F = , ε ≥ Cmax 0 式中 Cmax 为一个相对比较大的数，即误差函数值 越小，该个体的适应度越大，当误差函数值大于 Cmax 时，该个体的适应度为零，将被淘汰。 ３．６ 设计遗传算子 （1）使用比例选择算子进行选择运算 个体被选中并遗传到下一代群体中的概率 Pi
DOI:10.13334/j.0258-8013.pcsee.2002.07.021
第 22 卷 第 7 期 2002 年 7 月 文章编号：0258-8013(2002)07-0101-04
中
国 电 机 工 程 学 报 Proceedings of the CSEE
Vol.22 No.7 Jul.2002 ©2002 Chin.Soc.for Elec.Eng.
１ 前言
汽轮机调节系统是保证机组安全、稳定和经济 运行的重要部件。调节系统性能的退化和故障的发 生，首先表现在系统各个组成环节的参数变化上。 即通过参数辨识的方法，检测系统参数的变化，可 以监测系统的状态，预测系统的性能，确定系统的 故障。此外，通过参数辨识实现故障诊断还具有物 理概念明确，易于实现故障分离，检测故障的适应 面较广等特点，因此受到极大的关注，已经做了许 多工作[1~3]。但无论是采用传统的非参数模型辨识 方法还是参数模型辨识方法都有一定的局限性。作 为汽轮机调节系统的状态监测、故障诊断、性能预 报和控制优化的基础研究，本文将遗传算法理论应 用于汽轮机数字电液调节系统的参数辨识，给出了 参数辨识的基本原理和数据处理方法。辨识结果表 明，这种算法具有计算速度快，精度高，程序通用 性强等优点。为汽轮机调节系统的参数辨识提供了 一种新的途径，具有重要的工程使用价值。
ABSTRACT: System performance degeneration and fault occurrences will cause the time constant variations and parameter alterations of each element. Therefore, it is possible to realize the performance prediction and condition monitor as well as fault diagnosis for steam turbine governing system, using the parameter identification method. In this paper, Genetic Algorithm (GA) is used for parameter identification of steam turbine Digital Electrical Hydraulic (DEH) governing system, and the basic theory of parameter identification and data processing method with GA are studied. The identification results show that such parameter identification method with GA has the advantages of fast computation, high parameter identification precision, and better program generality. The relative error of parameter identification can be limited within 1% by reasonable selection of error function. It provides a new way for parameter identification of steam turbine governing system. KEY WORDS: steam turbine; DEH governing system; genetic algorithm; parameter identification 摘要： 调节系统性能的退化和故障的发生，首先表现在系统 各个组成环节的参数的变化上， 因此通过参数辨识可以实现 汽轮机调节系统的性能预报、 状态监测和故障诊断。文中在 简要介绍遗传算法的基础上将其应用于汽轮机数字电液调 节系统的参数辨识， 给出了参数辨识的基本原理和数据处理 方法。辨识结果表明，这种辨识算法具有计算速度快，精度 高，程序通用性强等优点，通过合理选择误差函数，相对误 差可以控制在 １％以内，为汽轮机调节系统的参数辨识提供 了一种有效的新方法，具有重要的工程使用价值。 关键词：汽轮机；数字电液调节系统；遗传算法；参数辨识 中图分类号：TK263.7+2；TP206+.3 文献标识码：A
２ 遗传算法及其应用于参数辨识的基本思想
２．１ 遗传算法及其特点 遗传算法是一种宏观意义下的仿生算法[4]，模
102
中
国
电 机
工 程
学 报
第 22 卷
仿生命与智能的产生与进化过程，按照达尔文“优 胜劣汰、适者生存”的原理，鼓励产生好的结构， 通过模仿孟德尔遗传变异理论，在迭代过程中保持 已有的结构，同时寻找更好的结构。它具有较强的 鲁棒性， 特别是对一些大型的、 复杂的非线性系统， 更表现出比其它传统优化方法更加独特和优越的 性能。 遗传算法是一种随机优化与搜索算法，有如下 特点： （1）遗传算法的操作对象是一组可行解，而 非单个可行解；搜索轨道有多条，而非单条，因而 具有良好的并行性。 （2）遗传算法只需利用目标函数的取值信息， 而无需梯度等高价信息，因而适用于大规模、高度 非线性的不连续波的多峰函数的优化及无解析表 达式的目标函数的优化，具有很强的通用性。 （3）遗传算法的择优机制是一种“软”决策， 加上其良好的并行特性，使其具有良好的全局优化 性能和稳健性。 （4）遗传算法操作的可行解集是经过编码的， 目标函数可以解释为编码化个体（可行解）的适应 值，因而具有良好的可操作性。 ２．２ 遗传算法用于参数辨识的基本思想 系统参数辨识就是要求得由物理定律确定的 数学模型中的未知参数，使该数学模型等价于真实 系统。它的基本过程是：首先通过系统仿真，求出 与实际系统在相同外界扰动下的模型输出 ˆ ，然后比较模型输出 Y ˆ 与系统的实际输出 Y 这 Y 两者的差异，构成误差函数，利用误差函数来不断 修正数学模型中的未知参数。当误差函数取极小值 时，就认为此时数学模型的参数即是待辨识系统的 参数。这样，系统辨识问题实际上就是通过适当选 取数学模型中未知参数使误差函数值达到极小（理 想时为零）的问题。如果将数学模型中未知参数的 可能取值范围按照一定的精度进行细化，那么可行 解集合就是未知参数的所有可能取值的组合。利用 遗传算法的空间快速并行搜索能力，就可以在庞大 的可行解集合中找到问题的最优解。这就是遗传算 法应用于参数辨识的基本思想，如图 1 所示。
Tab.1 表 １ 汽轮机电液调节系统待辨识参数和范围 The parameters and its range that need to identify for steam turbine DEH governing system
参 数 电液转换器时间常数 Ty /s 油动机时间常数 Tc /s 容积时间常数 Tv /s 转子时间常数 Ta /s 调节器放大倍数 KP 调节器积分时间常数 TI /s 调节器微分时间常数 TD /s 范 围 0～0.5 0～2.0 0～2.0 3～20.0 0～3.0 0～3.0 0～1.0
DAI Yi-ping1, DENG Ren-gang1, LIU Jiong1, SUN Kai1, WANG Yong2 （1. Institute of Turbomachinery, Xi’an Jiaotong University, Xi’an 710049, China; 2. Northwest Electrical Power Staff College, Xi’an 710054, China ）
３．３ 建立优化模型 将待辨识参数的假定值 (初值)代入模型中，利 用系统仿真的方法可得到在同样输入下模型的输 ˆout , i ，与真实系统在同一时刻的输出 Y out,i 的差 出y ˆout , i − Yout , i 得到一段观测时间内所有观测点 εi = y 上误差绝对值的和为 ε=
遗传空间 群体P ( t ) 选择运算 交叉运算 变异运算 群体P ( t +1) 解码 解集合 个体评价 解空间
Fig.2
图 ２ 遗传算法的运算过程 The computational program of Genetic Algorithm