[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

说明书

本发明公开了一种基于深度学习的抽蓄机组调节系统辨识方法，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)构建深度学习GRU模型，挖掘抽蓄机组调节系统运行数据深层次特征；(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模型超参数的动态调整；(5)利用训练好的GRU模型和测试集数据得到预测值。本发明构借助改进哈里斯鹰优化算法的全局寻优能力，获取最优模型结构与参数，以提高GRU模型的泛化性，实现对抽水蓄能调节系统的精确辨识，有效提升机组建模精度，进而保障机组控制品质。

技术领域

本发明属于抽水蓄能机组辨识建模技术领域，更具体地，涉及一种基于深度学习的抽蓄机组调节系统辨识方法。

背景技术

抽水蓄能机组调速器是水电站控制系统的重要组成部分，其数学模型的准确性对水电站的自动控制及电网的电能质量具有重要影响。作为抽蓄机组控制系统建模的重要手段，抽蓄机组调节系统辨识对抽蓄机组乃至整个电网的动态分析具有重要意义。经典辨识方法(模糊模型和传统神经网络模型)仍然存在过学习和过拟合的问题，辨识结果难以令人满意，建模性能和泛化外推能力有待提高。为解决这些问题，迫切需要研究抽水蓄能机组调节系统高精度建模策略，进而提高机组的调节控制品质，保障电站稳定高效运行。

发明内容

发明目的：针对现有技术的不足，本发明提供一种基于深度学习的抽蓄机组调节系统辨识方法，实现对抽水蓄能调节系统的精确辨识，有效提升机组建模精度，进而保障机组控制品质。

技术方案：本发明提出一种基于深度学习的抽蓄机组调节系统辨识方法，具体包括以下步骤：

(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；其中训练集和测试集的比为7:3；

(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。

进一步地，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；