[发明专利]一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法

权利要求书

1.一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法，其特征在于，该方法提出编码方法和优化方法，即基于量子位概率幅的种群编码方法和迁移平行多层蒙特卡罗优化方法，同时提出双馈风机转子侧控制器比例积分微分参数的优化框架；协同的基于量子位概率幅的种群编码-迁移平行多层蒙特卡罗优化方法作用于双馈风机转子侧控制器比例积分微分参数优化；所提优化框架的优化目标是优化双馈风机转子侧比例积分微分参数使得其体现控制器控制性能的适应度函数最小；所提优化框架的优化目标是通过优化双馈风机转子侧控制器比例积分微分参数来提高控制器的控制性能；该方法在使用过程中的步骤为：

(1)提出双馈风机转子侧控制器比例积分微分参数优化框架，同时提出一个体现控制器控制性能的适应度函数：

式中，Q_s和Q_sref分别为输出端检测到的无功功率和某风速下无功功率的给定值；ω_r和ω_rref分别为转子转速的测量值和某风速下转子转速的给定值；case＝1表示的是风速发生突变的风况；case＝2表示的式风速随时间逐渐变换的风况；case＝3指的是电网电压突然降落的情况；其限制条件为：

其中，4组比例积分微分参数需要被优化，分别为k_Pii、k_Iii和k_Dii；T是运行时间；u_s为电网电压；Q_s为无功功率；v₁为风速；

(2)将提出的量子位概率幅的种群编码方法用于生成蒙特卡罗随机点，然后计算适应度函数值；量子位的状态表示为|ψ＝α|0+β|1，其中α和β都称之为量子位概率幅，且α和β满足一个归一化条件α²+β²＝1；量子位概率幅的向量表达形式为[cosθ sinθ]^T；基于量子位概率幅生成的蒙特卡罗随机点的编码方案为：

式中，a_k和b_k分别为变量x_k的下限和上限；θ_jk＝2π·r，r指的是0到1之间的蒙特卡罗随机数；其中j＝1,2,…,m，m指的是种群规模的大小；其中k＝1,2,…n，n指的是空间中的维数；种群中个体的第k个量子位为[cosθ_jk sinθ_jk]^T；其中和也称为基于量子位概率幅生成的蒙特卡罗随机点，还称为随机取得的两组比例积分微分参数；

(3)进一步执行提的迁移平行多层蒙特卡罗优化方法，其中分别包括粗略搜索层的执行、粗略搜索模型库的生成、迁移搜索层的执行和精确搜索层的执行；其中粗略搜索模型库的生成是利用粗略搜索层的样本通过迁移学习来生成的；迁移学习旨在利用有标签的源领域的样本、特征来学习无标签目标区域的知识；迁移平行多层蒙特卡罗优化方法中的搜索层数为M，粗略搜索层数为M₁＝k₁·M，迁移学习搜索层为M₂＝k₂·M，精确搜索层为M₃＝k₃·M，其中k₁+k₂+k₃＝1；迁移平行多层蒙特卡罗优化方法中的全局搜索能力参数为u、y₁和y₂，局部搜索能力参数为o；

(4)将协同的基于量子位概率幅的种群编码方法-迁移平行多层蒙特卡罗优化方法作用于双馈风机转子侧控制器比例积分微分参数优化框架中。

2.如权利要求1所述的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法，其特征在于，所述步骤(2)中提出的基于量子位概率幅的种群编码方法用于生成蒙特卡罗随机点；基于量子位概率幅的种群编码方法在种群数量不变的情况下使得搜索空间翻倍、提高全局搜索能力。