權(quán)利要求書： 1.一種基于改進(jìn)量子遺傳算法的雙饋風(fēng)機(jī)變流器參數(shù)辨識方法，其特征在于，該方法包括以下步驟：

步驟一、構(gòu)建雙饋風(fēng)機(jī)變流器的辨識模型，確定待辨識參數(shù)；

步驟二、對雙饋風(fēng)機(jī)施加擾動(dòng)，并采集施加擾動(dòng)后的雙饋風(fēng)機(jī)變流器d軸和q軸的參數(shù)，獲取雙饋風(fēng)機(jī)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線；

步驟三、通過改進(jìn)量子遺傳算法辨識參數(shù)，并輸出辨識結(jié)果；

S1將步驟二中獲得的雙饋風(fēng)機(jī)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線輸入辨識模型中，采用傳統(tǒng)量子遺傳算法對雙饋風(fēng)機(jī)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線根據(jù)公式(1)和(2)所示的目標(biāo)函數(shù)單獨(dú)擬合多次產(chǎn)生多個(gè)種群，并采用公式(1)和(2)計(jì)算每個(gè)種群中每個(gè)個(gè)體的適應(yīng)度值；采取精英保留策略保留每個(gè)種群中適應(yīng)度值較高的多個(gè)個(gè)體并提取這些個(gè)體的優(yōu)秀基因片段，構(gòu)建初始記憶庫；

其中，yd(i)和yq(i)分別為雙饋風(fēng)機(jī)變流器d軸和q軸的實(shí)際輸出響應(yīng)曲線， 和分別為雙饋風(fēng)機(jī)變流器辨識模型d軸和q軸的輸出響應(yīng)曲線，Δyd和Δyq分別為雙饋風(fēng)機(jī)變流器d軸和q軸的擬合誤差，n為輸出響應(yīng)曲線的長度，i表示采集時(shí)刻點(diǎn)；

S2采用改進(jìn)量子遺傳算法辨識雙饋風(fēng)機(jī)變流器的參數(shù)，包括種群的初始化和進(jìn)化；

S2?1種群的初始化：設(shè)置初始種群Q(t0)有M(M>P)個(gè)隨機(jī)產(chǎn)生的個(gè)體，計(jì)算所有個(gè)體的適應(yīng)度值，將初始種群Q(t0)中適應(yīng)度值較低的P個(gè)個(gè)體的電流內(nèi)環(huán)PI控制器的比例系數(shù)Kp2和電流內(nèi)環(huán)PI控制器的積分系數(shù)Ki2對應(yīng)的基因片段全部用步驟S1的初始記憶庫中的優(yōu)秀基因片段進(jìn)行替換，確保父代的優(yōu)秀特征遺傳給子代，得到初代種群Q(t)，完成初代種群的初始化；

S2?2種群的進(jìn)化：測量初代種群Q(t)中每個(gè)個(gè)體的確定解P(t)，采用改進(jìn)量子遺傳算法對機(jī)側(cè)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、機(jī)側(cè)變流器的q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線進(jìn)行整體擬合，整體擬合的目標(biāo)函數(shù)滿足公式(3)；通過公式(3)計(jì)算每個(gè)確定解P(t)的適應(yīng)度值，并以公式(3)的值最小篩選出當(dāng)代種群的最優(yōu)個(gè)體，以當(dāng)代種群的最優(yōu)個(gè)體的適應(yīng)度值作為子代種群的進(jìn)化目標(biāo)；

然后利用量子旋轉(zhuǎn)門篩選出到目前為止所有種群的最優(yōu)個(gè)體，并對當(dāng)代種群中除最優(yōu)個(gè)體外的所有剩余個(gè)體的進(jìn)化方向進(jìn)行調(diào)整，得到子代種群Q(t)；利用公式(3)計(jì)算子代種群Q(t)中所有個(gè)體的適應(yīng)度值，并將適應(yīng)度值較高的P個(gè)個(gè)體的電流內(nèi)環(huán)PI控制器的比例系數(shù)Kp2和電流內(nèi)環(huán)PI控制器的積分系數(shù)Ki2對應(yīng)的基因片段替換初始記憶庫中的優(yōu)秀基因片段，形成新的記憶庫；新的記憶庫中的優(yōu)秀基因片段作為子代種群Q(t)初始化的替換基因；

然后重復(fù)步驟S2?1完成子代種群Q(t)的初始化，對初始化后的子代種群Q(t)重復(fù)步驟S2?2，完成子代種群Q(t)的進(jìn)化，得到下一代子代種群Q(t+1)；每進(jìn)化一代都會得到新的子代種群，每進(jìn)化一代都更新一次記憶庫，直到進(jìn)化m1代；

每當(dāng)進(jìn)化到b(b

其中，x表示所有待辨識參數(shù)組成的矩陣；Ib表示x中單個(gè)元素的最小取值，ub表示x中單個(gè)元素的最大取值；A、b取默認(rèn)值0；Aeq、beq分別表示空矩陣；c(x)、ceq(x)分別表示非線性函數(shù)；

最后輸出辨識結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)量子遺傳算法的雙饋風(fēng)機(jī)變流器參數(shù)辨識方法，其特征在于，步驟S1中精英保留策略的具體過程為：將每個(gè)種群中適應(yīng)度值較高的前a(a

3.根據(jù)權(quán)利要求1所述的基于改進(jìn)量子遺傳算法的雙饋風(fēng)機(jī)變流器參數(shù)辨識方法，其特征在于，步驟S2?2中對種群除最優(yōu)個(gè)體外的剩余個(gè)體的進(jìn)化方向的調(diào)整策略為：將種群中某個(gè)個(gè)體當(dāng)前測量值的適應(yīng)度值與所在種群最優(yōu)個(gè)體的適應(yīng)度值進(jìn)行大小比較，若大于該種群中最優(yōu)個(gè)體的適應(yīng)度值，則調(diào)整該個(gè)體相應(yīng)位置的量子比特，使得其幾率幅向著當(dāng)前個(gè)體的方向進(jìn)化；若小于該種群中最優(yōu)個(gè)體的適應(yīng)度值，則向著最優(yōu)個(gè)體的方向進(jìn)化。

說明書： 基于改進(jìn)量子遺傳算法的雙饋風(fēng)機(jī)變流器參數(shù)辨識方法技術(shù)領(lǐng)域[0001] 本發(fā)明屬于風(fēng)力發(fā)電機(jī)控制領(lǐng)域，具體涉及一種基于改進(jìn)量子遺傳算法的雙饋風(fēng)機(jī)變流器參數(shù)辨識方法。

背景技術(shù)[0002] 雙饋風(fēng)電機(jī)組由于其控制效果突出而成為目前風(fēng)力發(fā)電的主要機(jī)組，但是當(dāng)大規(guī)模風(fēng)電并入電網(wǎng)后，將會影響原有電網(wǎng)系統(tǒng)的潮流分布、線路傳輸功率等，因此為解決雙饋

風(fēng)電機(jī)組及一些新能源發(fā)電機(jī)組的并網(wǎng)問題，建立準(zhǔn)確、可靠的新能源發(fā)電系統(tǒng)模型迫在

眉睫。而模型參數(shù)的精確值是建立模型的主要前提，其精確程度將會直接影響模型的精準(zhǔn)

度。

[0003] 雙饋風(fēng)機(jī)變流器是雙饋風(fēng)電機(jī)組的主要組成部分，其控制方式以及控制參數(shù)會直接影響雙饋風(fēng)電機(jī)組的動(dòng)態(tài)特性，特別是當(dāng)控制參數(shù)與實(shí)際值相差甚遠(yuǎn)時(shí)，將會嚴(yán)重影響

雙饋風(fēng)電機(jī)組的動(dòng)態(tài)性能，因此對雙饋風(fēng)機(jī)變流器的參數(shù)進(jìn)行辨識顯得至關(guān)重要。

[0004] 文獻(xiàn)《基于α?β坐標(biāo)系模型的雙饋風(fēng)力發(fā)電機(jī)參數(shù)辨識》(王紅，梁俊霞，胡佳琳.基于α?β坐標(biāo)系模型的雙饋風(fēng)力發(fā)電機(jī)參數(shù)辨識[J].電力系統(tǒng)保護(hù)與控制，2014，42(20):81?

85)采用傳統(tǒng)遺傳算法對參數(shù)進(jìn)行辨識，該算法計(jì)算量大，易陷入局部最優(yōu)解，辨識精度較

低。

發(fā)明內(nèi)容[0005] 針對現(xiàn)有技術(shù)的不足，本發(fā)明擬解決的技術(shù)問題是，提供一種基于改進(jìn)量子遺傳算法的雙饋風(fēng)機(jī)變流器參數(shù)辨識方法；該方法在傳統(tǒng)量子遺傳算法的基礎(chǔ)上結(jié)合非線性規(guī)

劃函數(shù)，構(gòu)成量子遺傳?非線性規(guī)劃算法(QGA?NLP)，提高收斂速度，有效避免陷入局部最優(yōu)

解，收斂早熟的問題；在辨識過程中引進(jìn)記憶庫增加了種群的多樣性，提高了辨識精度。

[0006] 本發(fā)明解決所述技術(shù)問題的采用技術(shù)方案是：[0007] 一種基于改進(jìn)量子遺傳算法的雙饋風(fēng)機(jī)變流器參數(shù)辨識方法，其特征在于，該方法包括以下步驟：

[0008] 步驟一、構(gòu)建雙饋風(fēng)機(jī)變流器的辨識模型，確定待辨識參數(shù)；[0009] 步驟二、對雙饋風(fēng)機(jī)施加擾動(dòng)，并采集施加擾動(dòng)后的雙饋風(fēng)機(jī)變流器d軸和q軸的參數(shù)，獲取雙饋風(fēng)機(jī)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、雙饋風(fēng)機(jī)

變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線；

[0010] 步驟三、通過改進(jìn)量子遺傳算法辨識參數(shù)，并輸出辨識結(jié)果；[0011] S1將步驟二中獲得的雙饋風(fēng)機(jī)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線輸入辨識

模型中，采用傳統(tǒng)量子遺傳算法對雙饋風(fēng)機(jī)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的

輸出響應(yīng)曲線、雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線根據(jù)

目標(biāo)函數(shù)(1)和(2)單獨(dú)擬合多次產(chǎn)生多個(gè)種群，并采用公式(1)和(2)計(jì)算每個(gè)種群中每個(gè)

個(gè)體的適應(yīng)度值；采取精英保留策略保留每個(gè)種群中適應(yīng)度值較高的多個(gè)個(gè)體并提取這些

個(gè)體的優(yōu)秀基因片段，構(gòu)建初始記憶庫；

[0012][0013][0014] 其中，yd(i)和yq(i)分別為雙饋風(fēng)機(jī)變流器d軸和q軸的實(shí)際輸出響應(yīng)曲線，和 分別為雙饋風(fēng)機(jī)變流器辨識模型d軸和q軸的輸出響應(yīng)曲線，Δyd和Δyq分別為雙

饋風(fēng)機(jī)變流器d軸和q軸的擬合誤差，n為輸出響應(yīng)曲線的長度，i表示采集時(shí)刻點(diǎn)；

[0015] S2采用改進(jìn)量子遺傳算法辨識雙饋風(fēng)機(jī)變流器的參數(shù)，包括種群的初始化和進(jìn)化；

[0016] S2?1種群的初始化：設(shè)置初始種群Q(t0)有M(M>P)個(gè)隨機(jī)產(chǎn)生的個(gè)體，計(jì)算所有個(gè)體的適應(yīng)度值，將初始種群Q(t0)中適應(yīng)度值較低的P個(gè)個(gè)體的電流內(nèi)環(huán)PI控制器的比例系

數(shù)Kp2和電流內(nèi)環(huán)PI控制器的積分系數(shù)Ki2對應(yīng)的基因片段全部用步驟S1的初始記憶庫中的

優(yōu)秀基因片段進(jìn)行替換，確保父代的優(yōu)秀特征遺傳給子代，得到初代種群Q(t)，完成初代種

群的初始化；

[0017] S2?2種群的進(jìn)化：測量初代種群Q(t)中每個(gè)個(gè)體的確定解P(t)，采用改進(jìn)量子遺傳算法對機(jī)側(cè)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、機(jī)側(cè)變流器的q

軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線進(jìn)行整體擬合，整體擬合的目標(biāo)函數(shù)滿

足公式(3)；通過公式(3)計(jì)算每個(gè)確定解P(t)的適應(yīng)度值，并以公式(3)的值最小篩選出當(dāng)

代種群的最優(yōu)個(gè)體，以當(dāng)代種群的最優(yōu)個(gè)體的適應(yīng)度值作為子代種群的進(jìn)化目標(biāo)；

[0018][0019] 然后利用量子旋轉(zhuǎn)門篩選出到目前為止所有種群的最優(yōu)個(gè)體，并對當(dāng)代種群中除最優(yōu)個(gè)體外的所有剩余個(gè)體的進(jìn)化方向進(jìn)行調(diào)整，得到子代種群Q(t)；利用公式(3)計(jì)算子

代種群Q(t)中所有個(gè)體的適應(yīng)度值，并將適應(yīng)度值較高的P個(gè)個(gè)體的電流內(nèi)環(huán)PI控制器的

比例系數(shù)Kp2和電流內(nèi)環(huán)PI控制器的積分系數(shù)Ki2對應(yīng)的基因片段替換初始記憶庫中的優(yōu)秀

基因片段，形成新的記憶庫；新的記憶庫中的優(yōu)秀基因片段作為子代種群Q(t)初始化的替

換基因；

[0020] 然后重復(fù)步驟S2?1完成子代種群Q(t)的初始化，對初始化后的子代種群Q(t)重復(fù)步驟S2?2，完成子代種群Q(t)的進(jìn)化，得到下一代子代種群Q(t+1)；每進(jìn)化一代都會得到新

的子代種群，每進(jìn)化一代都更新一次記憶庫，直到進(jìn)化m1代；

[0021] 每當(dāng)進(jìn)化到b(b的約束條件滿足公式(4)：

[0022][0023] 其中，x表示所有待辨識參數(shù)組成的矩陣；Ib表示x中單個(gè)元素的最小取值，ub表示x中單個(gè)元素的最大取值；；A、b取默認(rèn)值0；Aeq、beq分別表示空矩陣；c(x)、ceq(x)分別表示

非線性函數(shù)；

[0024] 最后輸出辨識結(jié)果。[0025] 步驟S1中精英保留策略的具體過程為：將每個(gè)種群中適應(yīng)度值較高的前a(a基因片段，分別計(jì)算提取的所有電流內(nèi)環(huán)PI控制器的比例系數(shù)Kp2和積分系數(shù)Ki2基因片段

的平均值，得到一組包含比例系數(shù)Kp2基因片段和積分系數(shù)Ki2基因片段的優(yōu)秀基因片段；將

所有優(yōu)秀基因片段作為初始記憶庫。

[0026] 步驟S2?2中對種群除最優(yōu)個(gè)體外的剩余個(gè)體的進(jìn)化方向的調(diào)整策略為：將種群中某個(gè)個(gè)體當(dāng)前測量值的適應(yīng)度值與所在種群最優(yōu)個(gè)體的適應(yīng)度值進(jìn)行大小比較，若大于該

種群中最優(yōu)個(gè)體的適應(yīng)度值，則調(diào)整該個(gè)體相應(yīng)位置的量子比特，使得其幾率幅向著當(dāng)前

個(gè)體的方向進(jìn)化；若小于該種群中最優(yōu)個(gè)體的適應(yīng)度值，則向著最優(yōu)個(gè)體的方向進(jìn)化。

[0027] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：[0028] (1)本方法將傳統(tǒng)量子遺傳算法(QGA)與非線性規(guī)劃函數(shù)相結(jié)合，形成量子遺傳?非線性規(guī)劃算法(QGA?NLP)，非線性規(guī)劃函數(shù)采用梯度下降法求解問題，因此在傳統(tǒng)量子遺

傳算法的基礎(chǔ)上采用非線性規(guī)劃，可以增強(qiáng)局部搜索能力，并且能夠及時(shí)跳出局部最優(yōu)解，

獲得全局最優(yōu)解，辨識的結(jié)果更加精確；由于分別雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線

與辨識模型的輸出響應(yīng)曲線進(jìn)行單獨(dú)擬合、采取精英保留策略構(gòu)建初始記憶庫、對雙饋風(fēng)

機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線進(jìn)行整體擬合，增加了種群

的多樣性，加快了收斂速度，同時(shí)也進(jìn)一步提高了辨識結(jié)果的精確性。

[0029] (2)本方法能夠在雙饋風(fēng)機(jī)運(yùn)行中對參數(shù)進(jìn)行實(shí)時(shí)辨識，與一些傳統(tǒng)的辨識方法如最小二乘法等相比，更加適用于工程實(shí)際應(yīng)用，對雙饋風(fēng)機(jī)變流器進(jìn)行實(shí)現(xiàn)閉環(huán)控制，提

高工作效率；傳統(tǒng)的辨識方法需要雙饋風(fēng)機(jī)停機(jī)，將待辨識控制器部分取出試驗(yàn)，通過人為

輸出信號，以及在輸入信號上施加擾動(dòng)，再通過采集控制器響應(yīng)的輸出曲線，辨識出控制器

的參數(shù)，而本方法通過風(fēng)場平臺上顯示的數(shù)據(jù)加以提取進(jìn)行辨識，不需要雙饋風(fēng)機(jī)停機(jī)測

試辨識。

附圖說明[0030] 圖1為本發(fā)明的辨識原理圖；[0031] 圖2為本發(fā)明的改進(jìn)量子遺傳算法的流程圖；[0032] 圖3為本發(fā)明的機(jī)側(cè)交流器的結(jié)構(gòu)示意圖；[0033] 圖4為本發(fā)明的QGA算法與QGA?NLP算法的有功功率外環(huán)PI控制器的比例系數(shù)kp1的辨識結(jié)果對比圖；

[0034] 圖5為本發(fā)明的QGA算法與QGA?NLP算法的有功功率外環(huán)PI控制器的積分系數(shù)ki1的辨識結(jié)果對比圖；

[0035] 圖6為本發(fā)明的QGA算法與QGA?NLP算法的電流內(nèi)環(huán)PI控制器的比例系數(shù)kp2的辨識結(jié)果對比圖；

[0036] 圖7為本發(fā)明的QGA算法與QGA?NLP算法的電流內(nèi)環(huán)PI控制器的積分系數(shù)ki2的辨識結(jié)果對比圖；

[0037] 圖8為本發(fā)明的QGA算法與QGA?NLP算法的功率環(huán)PI控制器的比例系數(shù)kp3的辨識結(jié)果對比圖；

[0038] 圖9為本發(fā)明的QGA算法與QGA?NLP算法的功率環(huán)PI控制器的積分系數(shù)ki3的辨識結(jié)果對比圖。

具體實(shí)施方式[0039] 下面給出本發(fā)明的具體實(shí)施例。具體實(shí)施例僅用于進(jìn)一步詳細(xì)說明本發(fā)明，不限制本申請的保護(hù)范圍。

[0040] 本發(fā)明一種基于改進(jìn)量子遺傳算法的雙饋風(fēng)機(jī)變流器參數(shù)辨識方法，具體包括以下步驟：

[0041] 步驟一、構(gòu)建雙饋風(fēng)機(jī)變流器的辨識模型，確定待辨識參數(shù)；如圖1所示，本發(fā)明的原理為：將雙饋風(fēng)機(jī)變流器實(shí)際系統(tǒng)的輸出響應(yīng)曲線和辨識模型的輸出響應(yīng)曲線根據(jù)目標(biāo)

函數(shù)的值最小進(jìn)行擬合，采用量子遺傳?非線性規(guī)劃算法(QGA?NLP)進(jìn)行參數(shù)辨識；

[0042] 步驟二、對雙饋風(fēng)機(jī)施加擾動(dòng)，并采集施加擾動(dòng)后的雙饋風(fēng)機(jī)變流器d軸和q軸的參數(shù)，獲取雙饋風(fēng)機(jī)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、雙饋風(fēng)機(jī)

變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線；在雙饋風(fēng)機(jī)變流器的輸入信

號上施加不同擾動(dòng)，輸入信號就會有波動(dòng)，雙饋風(fēng)機(jī)變流器會輸出不同的響應(yīng)信號，因此根

據(jù)雙饋風(fēng)機(jī)變流器輸入和輸出信號的波動(dòng)，能夠辨識出雙饋風(fēng)機(jī)變流器的參數(shù)；施加的擾

動(dòng)越大，辨識效果越精確；

[0043] 步驟三、通過改進(jìn)量子遺傳算法辨識參數(shù)，并輸出辨識結(jié)果；[0044] S1將步驟二中獲得的雙饋風(fēng)機(jī)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線輸入辨識

模型中，通過傳統(tǒng)量子遺傳算法對雙饋風(fēng)機(jī)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的

輸出響應(yīng)曲線、雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線進(jìn)行

單獨(dú)擬合多次產(chǎn)生多個(gè)種群，計(jì)算每個(gè)種群中每個(gè)個(gè)體的適應(yīng)度值；采取精英保留策略保

留每個(gè)種群中適應(yīng)度值較高的多個(gè)個(gè)體并提取這些個(gè)體的優(yōu)秀基因片段，構(gòu)建初始記憶

庫；

[0045] 設(shè)定單獨(dú)擬合n1次，雙饋風(fēng)機(jī)變流器d軸和q軸單獨(dú)擬合的目標(biāo)函數(shù)滿足公式(1)和(2)；

[0046][0047][0048] 其中，yd(i)和yq(i)分別為雙饋風(fēng)機(jī)變流器d軸和q軸的實(shí)際輸出響應(yīng)曲線，和 分別為雙饋風(fēng)機(jī)變流器辨識模型d軸和q軸的輸出響應(yīng)曲線，Δyd和Δyq

分別為雙饋風(fēng)機(jī)變流器d軸和q軸的擬合誤差，n為輸出響應(yīng)曲線的長度，i表示采集時(shí)刻點(diǎn)；

[0049] 每次擬合都產(chǎn)生一個(gè)種群，每次擬合時(shí)設(shè)定初始種群Q(t0)有M(M>P)個(gè)隨機(jī)產(chǎn)生的個(gè)體；雙饋風(fēng)機(jī)變流器的d軸和q軸分別產(chǎn)生n1個(gè)種群；設(shè)置種群進(jìn)化代數(shù)為m1(m1>5)；每

進(jìn)化一代都生成一個(gè)個(gè)體，故每個(gè)種群由m1個(gè)個(gè)體構(gòu)成；采用公式(1)和(2)計(jì)算每個(gè)種群

中所有個(gè)體的適應(yīng)度；

[0050] 精英保留策略的具體過程為：將每個(gè)種群中適應(yīng)度值較高的前a(a分別計(jì)算提取的所有電流內(nèi)環(huán)PI控制器的比例系數(shù)Kp2和積分系數(shù)Ki2基因片段的平均值，

得到一組包含比例系數(shù)Kp2基因片段和積分系數(shù)Ki2基因片段的優(yōu)秀基因片段(由于機(jī)側(cè)變

流器和網(wǎng)側(cè)變流器均含電流內(nèi)環(huán)PI控制器，且d軸和q軸的電流內(nèi)環(huán)PI控制器的比例系數(shù)和

積分系數(shù)對應(yīng)相等，因此將電流內(nèi)環(huán)PI控制器的比例系數(shù)和積分系數(shù)作為替換基因)；每個(gè)

種群都生成一組優(yōu)秀基因片段，因此雙饋風(fēng)機(jī)變流器的d軸和q軸分別得到n1組優(yōu)秀基因片

段，(一組優(yōu)秀基因片段包含雙饋風(fēng)機(jī)變流器d軸單獨(dú)的優(yōu)秀基因片段和雙饋風(fēng)機(jī)變流器q

軸單獨(dú)的優(yōu)秀基因片段)將所有優(yōu)秀基因片段作為初始記憶庫，初始記憶庫規(guī)模為P(P＝2*

n1)；這樣，初始記憶庫包含雙饋風(fēng)機(jī)變流器d軸和q軸單獨(dú)的優(yōu)秀基因片段，保證了基因片

段多樣性的同時(shí)又為種群進(jìn)化提供了初始的優(yōu)秀基因；

[0051] S2采用改進(jìn)量子遺傳算法辨識雙饋風(fēng)機(jī)變流器的參數(shù)，即在傳統(tǒng)量子遺傳算法(QGA)中加入非線性規(guī)劃函數(shù)構(gòu)成量子遺傳?非線性規(guī)劃算法(QGA?NLP)，通過量子遺傳?非

線性規(guī)劃算法辨識雙饋風(fēng)機(jī)變流器的參數(shù)；

[0052] S2?1種群的初始化：設(shè)置另一個(gè)初始種群Q(t0)有M(M>P)個(gè)隨機(jī)產(chǎn)生的個(gè)體，計(jì)算所有個(gè)體的適應(yīng)度值，將初始種群Q(t0)中適應(yīng)度值較低的P個(gè)個(gè)體的電流內(nèi)環(huán)PI控制器的

比例系數(shù)Kp2和電流內(nèi)環(huán)PI控制器的積分系數(shù)Ki2對應(yīng)的基因片段全部用步驟S1的初始記憶

庫中的優(yōu)秀基因片段進(jìn)行替換，確保父代的優(yōu)秀特征遺傳給子代，得到初代種群Q(t)，完成

初代種群的初始化；

[0053] S2?2種群的進(jìn)化：測量初代種群Q(t)中每個(gè)個(gè)體的確定解P(t)，采用改進(jìn)量子遺傳算法對機(jī)側(cè)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、機(jī)側(cè)變流器的q

軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線進(jìn)行整體擬合，整體擬合的目標(biāo)函數(shù)滿

足公式(3)；采用公式(3)計(jì)算每個(gè)確定解P(t)的適應(yīng)度值，并以公式(3)的值最小篩選出當(dāng)

代種群的最優(yōu)個(gè)體，以當(dāng)代種群的最優(yōu)個(gè)體的適應(yīng)度值作為下一代子代種群的進(jìn)化目標(biāo)；

[0054][0055] 然后利用量子旋轉(zhuǎn)門篩選出到目前為止所有種群的最優(yōu)個(gè)體，并對當(dāng)代種群中除最優(yōu)個(gè)體外的所有剩余個(gè)體的進(jìn)化方向進(jìn)行調(diào)整，得到子代種群Q(t+1)，至此完成初代種

群Q(t)的進(jìn)化；采用公式(3)計(jì)算子代種群Q(t+1)中所有個(gè)體的適應(yīng)度值，并將適應(yīng)度值較

高的P個(gè)個(gè)體的電流內(nèi)環(huán)PI控制器的比例系數(shù)Kp2和電流內(nèi)環(huán)PI控制器的積分系數(shù)Ki2對應(yīng)

的基因片段替換初始記憶庫中的優(yōu)秀基因片段，形成新的記憶庫；新的記憶庫中的優(yōu)秀基

因片段作為子代種群Q(t+1)初始化的替換基因；

[0056] 然后重復(fù)步驟S2?1完成子代種群Q(t+1)的初始化，對初始化后的子代種群Q(t)重復(fù)步驟S2?2，完成子代種群Q(t+1)的進(jìn)化，得到下一代子代種群Q(t+2)；每進(jìn)化一代都會得

到新的子代種群，每進(jìn)化一代都更新一次記憶庫，直到進(jìn)化m1代；

[0057] 每當(dāng)進(jìn)化到b(b的約束條件滿足公式(4)：

[0058][0059] 其中，x表示所有待辨識參數(shù)組成的矩陣；Ib表示x中單個(gè)元素的最小取值，ub表示x中單個(gè)元素的最大取值；A、b取默認(rèn)值0；Aeq、beq均表示空矩陣；c(x)、ceq(x)分別表示非

線性函數(shù)；

[0060] 最后輸出辨識結(jié)果。[0061] 所述步驟S2?2中對種群除最優(yōu)個(gè)體外的剩余個(gè)體的進(jìn)化方向的調(diào)整策略為：將種群中某個(gè)個(gè)體當(dāng)前測量值的適應(yīng)度值與所在種群最優(yōu)個(gè)體的適應(yīng)度值進(jìn)行大小比較，若大

于該種群中最優(yōu)個(gè)體的適應(yīng)度值，則調(diào)整該個(gè)體相應(yīng)位置的量子比特，使得其幾率幅向著

當(dāng)前個(gè)體的方向進(jìn)化；若小于該種群中最優(yōu)個(gè)體的適應(yīng)度值，則向著最優(yōu)個(gè)體的方向進(jìn)化，

生成子代種群Q(t)；這種調(diào)整策略始終使個(gè)體向著最優(yōu)個(gè)體的方向進(jìn)化，也可以加快收斂

速度，完成辨識。

[0062] 實(shí)施例[0063] 本實(shí)施例以機(jī)側(cè)變流器為例進(jìn)行說明；[0064] 步驟一、構(gòu)建雙饋風(fēng)機(jī)變流器的辨識模型；[0065] 如圖3所示，需要采集的參數(shù)包括有功功率參考值PS_ref、有功功率PS、無功功率參考值QS_ref、無功功率QS、機(jī)側(cè)電壓的d軸分量udr和q軸分量uqr、機(jī)側(cè)電流的d軸分量idr和q軸

分量iqr、定子側(cè)電流的d軸分量ids和q軸分量iqs；

[0066] 待辨識參數(shù)包括有功功率外環(huán)PI控制器的比例系數(shù)Kp1和積分系數(shù)Ki1、無功功率環(huán)PI控制器的比例系數(shù)Kp3和積分系數(shù)Ki3，兩個(gè)電流內(nèi)環(huán)PI控制器的比例系數(shù)Kp2、Kp4和兩個(gè)

電流內(nèi)環(huán)PI控制器的積分系數(shù)Ki2、Ki4，其中Kp2＝Kp4，Ki2＝Ki4；辨識參數(shù)也就是確定這些參

數(shù)的具體取值；定子電感Ls、互感Lm、轉(zhuǎn)子電感Lr、定子電壓幅值Us、同步轉(zhuǎn)速ω1、轉(zhuǎn)子轉(zhuǎn)速

ωr均為已知量；

[0067] 本實(shí)施例的機(jī)側(cè)變流器辨識參數(shù)的真實(shí)值為：有功功率外環(huán)PI控制器的比例系數(shù)Kp1＝0.5、積分系數(shù)Ki1＝100；無功功率環(huán)PI控制器的比例系數(shù)Kp3＝0.5、積分系數(shù)Ki3＝100；

兩個(gè)電流內(nèi)環(huán)PI控制器的比例系數(shù)Kp2＝Kp4＝0.5和兩個(gè)電流內(nèi)環(huán)PI控制器的積分系數(shù)Ki2

＝Ki4＝100；

[0068] 步驟二、對雙饋風(fēng)機(jī)施加擾動(dòng)，即在辨識模型的系統(tǒng)并網(wǎng)點(diǎn)處(H)設(shè)置一個(gè)故障點(diǎn)，令其在7s時(shí)刻發(fā)生三相短路故障，并在0.15s后故障清除，使系統(tǒng)逐漸恢復(fù)到正常運(yùn)行；

然后采集6.5s到9s之間的雙饋風(fēng)機(jī)變流器d軸和q軸的參數(shù)，并獲取雙饋風(fēng)機(jī)變流器d軸的

實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線

與辨識模型的輸出響應(yīng)曲線；

[0069] 步驟三、通過改進(jìn)量子遺傳算法辨識參數(shù)，并輸出辨識結(jié)果；[0070] S1將步驟二中獲得的雙饋風(fēng)機(jī)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線輸入辨識

模型中，采用傳統(tǒng)量子遺傳算法對雙饋風(fēng)機(jī)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的

輸出響應(yīng)曲線、雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線進(jìn)行

單獨(dú)擬合5次產(chǎn)生5種群，每個(gè)種群進(jìn)化20代，雙饋風(fēng)機(jī)變流器d軸和q軸單獨(dú)擬合的目標(biāo)函

數(shù)滿足公式(1)和(2)；

[0071][0072][0073] 其中，yd(i)和yq(i)分別為雙饋風(fēng)機(jī)變流器d軸和q軸的實(shí)際輸出響應(yīng)曲線，和 分別為雙饋風(fēng)機(jī)變流器辨識模型d軸和q軸的輸出響應(yīng)曲線，Δyd和Δyq

分別為雙饋風(fēng)機(jī)變流器d軸和q軸的擬合誤差，n為輸出響應(yīng)曲線的長度，i表示采集時(shí)刻點(diǎn)；

[0074] 采用公式(1)和(2)計(jì)算每個(gè)種群中個(gè)體的適應(yīng)度值，并將每個(gè)種群中適應(yīng)度值較高的前5個(gè)個(gè)體保留，提取被保留的所有個(gè)體中電流內(nèi)環(huán)PI控制器的比例系數(shù)Kp2和積分系

數(shù)Ki2的基因片段，分別計(jì)算提取的所有電流內(nèi)環(huán)PI控制器的比例系數(shù)Kp2和積分系數(shù)Ki2基

因片段的平均值，得到一組包含比例系數(shù)Kp2基因片段和積分系數(shù)Ki2基因片段的優(yōu)秀基因

片段(由于機(jī)側(cè)變流器和網(wǎng)側(cè)變流器均含電流內(nèi)環(huán)PI控制器，且d軸和q軸的電流內(nèi)環(huán)PI控

制器的比例系數(shù)和積分系數(shù)對應(yīng)相等，因此將電流內(nèi)環(huán)PI控制器的比例系數(shù)和積分系數(shù)作

為替換基因)；每個(gè)種群都生成一組優(yōu)秀基因片段，因此雙饋風(fēng)機(jī)變流器的d軸和q軸分別得

到5組優(yōu)秀基因片段，將所有優(yōu)秀基因片段作為初始記憶庫，初始記憶庫規(guī)模為P＝10；這

樣，初始記憶庫包含雙饋風(fēng)機(jī)變流器d軸和q軸單獨(dú)的優(yōu)秀基因片段，保證了基因片段多樣

性的同時(shí)又為種群進(jìn)化提供了初始的優(yōu)秀基因；

[0075] S2采用改進(jìn)量子遺傳算法辨識雙饋風(fēng)機(jī)變流器的參數(shù)，即在傳統(tǒng)量子遺傳算法(QGA)中加入非線性規(guī)劃函數(shù)構(gòu)成量子遺傳?非線性規(guī)劃算法(QGA?NLP)，通過量子遺傳?非

線性規(guī)劃算法辨識雙饋風(fēng)機(jī)變流器的參數(shù)；

[0076] S2?1種群的初始化：設(shè)置另一個(gè)初始種群Q(t0)有30個(gè)隨機(jī)產(chǎn)生的個(gè)體，種群進(jìn)化20代，計(jì)算所有個(gè)體的適應(yīng)度值，將初始種群Q(t0)中適應(yīng)度值較低的10個(gè)個(gè)體的電流內(nèi)環(huán)

PI控制器的比例系數(shù)Kp2和電流內(nèi)環(huán)PI控制器的積分系數(shù)Ki2對應(yīng)的基因片段全部用步驟S1

的初始記憶庫中的優(yōu)秀基因片段進(jìn)行替換，確保父代的優(yōu)秀特征遺傳給子代，得到初代種

群Q(t)，完成初代種群的初始化；

[0077] S2?2種群的進(jìn)化：測量初代種群Q(t)中每個(gè)個(gè)體的確定解P(t)，采用改進(jìn)量子遺傳算法對機(jī)側(cè)變流器d軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線、機(jī)側(cè)變流器的q

軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線進(jìn)行整體擬合，整體擬合的目標(biāo)函數(shù)滿

足公式(3)；采用公式(3)計(jì)算每個(gè)確定解P(t)的適應(yīng)度值，并以公式(3)的值最小篩選出當(dāng)

代種群的最優(yōu)個(gè)體，以當(dāng)代種群的最優(yōu)個(gè)體的適應(yīng)度值作為下一代子代種群的進(jìn)化目標(biāo)；

[0078][0079] 然后利用量子旋轉(zhuǎn)門篩選出到目前為止所有種群的最優(yōu)個(gè)體，并對當(dāng)代種群中除最優(yōu)個(gè)體外的所有剩余個(gè)體的進(jìn)化方向進(jìn)行調(diào)整，得到子代種群Q(t+1)，至此完成初代種

群Q(t)的進(jìn)化；采用公式(3)計(jì)算子代種群Q(t+1)中所有個(gè)體的適應(yīng)度值，并將適應(yīng)度值較

高的10個(gè)個(gè)體的電流內(nèi)環(huán)PI控制器的比例系數(shù)Kp2和電流內(nèi)環(huán)PI控制器的積分系數(shù)Ki2對應(yīng)

的基因片段替換初始記憶庫中的優(yōu)秀基因片段，形成新的記憶庫；新的記憶庫中的優(yōu)秀基

因片段作為子代種群Q(t+1)初始化的替換基因；

[0080] 然后重復(fù)步驟S2?1完成子代種群Q(t+1)的初始化，對初始化后的子代種群Q(t)重復(fù)步驟S2?2，完成子代種群Q(t+1)的進(jìn)化，得到下一代子代種群Q(t+2)；每進(jìn)化一代都會得

到新的子代種群，每進(jìn)化一代都更新一次記憶庫，直到進(jìn)化20代；

[0081] 每當(dāng)進(jìn)化到5代時(shí)，以當(dāng)前計(jì)算結(jié)果為初值，采用非線性規(guī)劃函數(shù)尋找局部最優(yōu)個(gè)體，并將找到的局部最優(yōu)個(gè)體作為初始值繼續(xù)進(jìn)化，加快進(jìn)化速度；非線性規(guī)劃函數(shù)的約束

條件滿足公式(4)：

[0082][0083] 其中，x表示所有待辨識參數(shù)組成的矩陣；Ib＝0，ub＝200；A、b取默認(rèn)值0；Aeq、beq均表示空矩陣；c(x)、ceq(x)分別表示非線性函數(shù)；

[0084] 在種群進(jìn)化過程中，采用量子比特幾率幅的表示方式對個(gè)體的染色體進(jìn)行編碼，隨機(jī)生成R個(gè)編碼為量子比特的染色體，這樣使得一條染色體表示為多個(gè)態(tài)的疊加，如公式

(5)：

[0085][0086] 代表一條染色體多個(gè)態(tài)的疊加；α、β為量子比特幾率幅的兩個(gè)幅常數(shù)，它們滿足公式(6)：

[0087] |α|2+|β|2＝1(6)[0088] 其中，|0>和|1>分別表示染色體的自旋向下態(tài)和自旋向上態(tài)，即在量子遺傳算法中一個(gè)基因?yàn)椤?”態(tài)或“1”態(tài)或疊加態(tài)，因此在量子遺傳算法中一個(gè)基因已經(jīng)不單單為某一

個(gè)單一的確定信息，而是囊括了所有可能存在的信息；

[0089] 在本實(shí)施例中將種群中所有染色體的基因初始化為 則代表著每個(gè)染色體包含的是基因所有存在狀態(tài)的等概率疊加，滿足公式(7)：

[0090][0091] 其中， 為第t代的第j個(gè)個(gè)體的染色體； 為這個(gè)染色體所有存在狀態(tài)的疊加；Sk為某一染色體包含的第k種狀態(tài)信息，具體表現(xiàn)形式為長度為m的一組二進(jìn)制串；

[0092] 在本實(shí)施例中測量種群中個(gè)體的確定解的具體過程為：在區(qū)間[0,1]上隨機(jī)產(chǎn)生一個(gè)數(shù)，若這個(gè)數(shù)的值大于量子概率幅的平方，測量結(jié)果取為1；若這個(gè)數(shù)小于量子概率幅

的平方，則測量結(jié)果取為0；確定解P(t)的具體表達(dá)形式為公式(8)；

[0093][0094] 其中， 代表進(jìn)化到第t代時(shí)，種群中第j個(gè)個(gè)體的測量值，表現(xiàn)形式為由量子比特概率選擇出來的長度為m的二進(jìn)制串；

[0095] 量子旋轉(zhuǎn)門U(θi)滿足公式(9)，調(diào)整個(gè)體進(jìn)化方向的過程滿足公式(10)：[0096][0097][0098] 其中，θi為量子門的旋轉(zhuǎn)角； 代表個(gè)體第i個(gè)量子旋轉(zhuǎn)門更新前的概率幅，代表個(gè)體第i個(gè)量子旋轉(zhuǎn)門更新后的概率幅；

[0099] 最后輸出辨識結(jié)果。[0100] 為驗(yàn)證本方法的有效性，分別采用傳統(tǒng)量子遺傳算法(QGA)和本發(fā)明的量子遺傳?非線性規(guī)劃算法(QGA?NLP)辨識機(jī)側(cè)變流器的參數(shù)；兩種方法的辨識結(jié)果如下表所示：

[0101][0102] 從表中可知，量子遺傳?非線性規(guī)劃算法的辨識值更加接近真實(shí)值，由于非線性規(guī)劃函數(shù)會提高算法的局部搜索能力，使問題的解更近與最優(yōu)解，即非線性規(guī)劃函數(shù)尋找到

當(dāng)代種群的最優(yōu)個(gè)體接近于到目前為止所有種群的最優(yōu)個(gè)體，提供了辨識精度；圖4?9分別

為各個(gè)參數(shù)的辨識結(jié)果對比圖，由圖中可知，QGA算法需要在進(jìn)化到第十代或更多代才可以

收斂到某一值，而QGA?NLP算法進(jìn)化至第八代左右收斂到某一值；

[0103] 由于分別雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲線與辨識模型的輸出響應(yīng)曲線進(jìn)行單獨(dú)擬合、采取精英保留策略構(gòu)建初始記憶庫、對雙饋風(fēng)機(jī)變流器q軸的實(shí)際輸出響應(yīng)曲

線與辨識模型的輸出響應(yīng)曲線進(jìn)行整體擬合，增加了種群的多樣性，使得本方法比傳統(tǒng)量

子遺傳算法在運(yùn)算過程中的解更具有多樣性，搜索結(jié)果更加準(zhǔn)確，能夠及時(shí)跳出局部最優(yōu)

解，最終獲得全局最優(yōu)解，達(dá)到了提高收斂速度和收斂精度的目的。

[0104] 本發(fā)明未述及之處適用現(xiàn)有技術(shù)。