[发明专利]一种基于深度学习的抽蓄机组调节系统辨识方法

权利要求书

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；

所述步骤(1)实现过程如下：

通过随机产生抽水蓄能调节系统的频率扰动信号，随机设置调节系统PID控制器参数，充分激发抽水蓄能机组调节系统的非线性，提高用于建模的运行数据的多样性；设定模型仿真时间和采样周期，每次实验结束时，抽水蓄能调节系统的控制器输出和单位频率输出数据都被保存下来；将原始数据规范至[0,1]区间，采用{u(t-1),u(t-2),u(t-3),y(t-1),y(t-2),y(t-3)}作为模型的输入变量，其中，u(t-1),u(t-2),u(t-3)分别表示前1,2,3时刻的控制器输出，y(t-1),y(t-2),y(t-3)分别表示前1,2,3时刻的单位频率输出；

所述步骤(2)包括以下步骤：

(21)计算更新门v_t，计算公式如下：

v_t＝σ(W_v*[Y_t-1,Z_t]+b_v)    (1)

式中，σ表示激活函数sigmod，Y_t-1为上一个时刻的输出，Z_t为当前时刻的输入；W_v为更新门的权重矩阵，b_v为偏差向量；

(22)计算重置门r_t，计算公式如下：

r_t＝σ(W_r*[Y_t-1,Z_t]+b_r)    (2)

式中，σ表示激活函数sigmod，Y_t-1为上一个时刻的输出，Z_t为当前时刻的输入；W_r为重置门的权重矩阵，b_r为偏差向量；

(23)计算出更新门和重置门后，GRU计算候选隐藏状态h_t，候选隐藏状态h_t计算公式如下：

h_t＝tanh(W_h*[r_t*Y_t-1,Z_t]+b_h)      (3)

式中，tanh(x)表示Tanh激活函数，W_h为对应的权重参数，b_h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：

y_t＝(1-v_t)*Y_t-1+v_t*h_t      (4)；

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；p_i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T_max，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；

(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tT_max，则转到步骤(33)；否则，转到(37)；

(37)返回最佳个体，输出GRU模型的最优参数。