本技術涉及水流速控制領域，具體涉及一種用于水力執(zhí)行系統(tǒng)的水流速控制方法。

背景技術：

1、在各類水力執(zhí)行系統(tǒng)中，如液體輸送管網(wǎng)、水壓調(diào)節(jié)設備、泵閥聯(lián)動系統(tǒng)和消防水系統(tǒng)等，水流速控制作為核心環(huán)節(jié)，直接影響系統(tǒng)運行的穩(wěn)定性與響應性能。為實現(xiàn)流速的精確控制，目前普遍采用傳統(tǒng)比例-積分-微分（pid）控制算法對水力系統(tǒng)進行調(diào)節(jié)；傳統(tǒng)pid控制器通過對流速誤差進行實時反饋調(diào)節(jié)，依據(jù)誤差的比例、累積量和變化率生成控制信號，從而調(diào)整水泵或閥門的開度，實現(xiàn)水流速度的自動控制；傳統(tǒng)pid控制器的比例、積分、微分參數(shù)難以針對不同水力系統(tǒng)或動態(tài)負載環(huán)境實現(xiàn)快速調(diào)整，依賴經(jīng)驗設定，無法滿足復雜工況下的響應需求；響應速度有限，易產(chǎn)生超調(diào)和震蕩：面對系統(tǒng)擾動或設定點變化時，控制響應往往滯后，容易導致水壓或水速波動較大，穩(wěn)定時間較長。

2、鷹魚優(yōu)化算法（hawkfish?optimization?algorithm,?hfoa）是一種基于自然界鷹魚（具有性別轉變行為的魚類）獨特生物習性啟發(fā)的群智能優(yōu)化算法；其在處理復雜的問題時，尤其是控制要求較高的水流速控制問題，標準鷹魚優(yōu)化算法容易過早收斂，陷入局部極值點；隨著迭代次數(shù)的增加，個體位置可能趨于一致，導致種群多樣性顯著降低，從而影響算法的全局搜索性能；引入優(yōu)化算法后，計算復雜性相較傳統(tǒng)單一pid算法有所提升，在實際應用中對水流速控制系統(tǒng)實時處理能力提出更高要求。

技術實現(xiàn)思路

1、針對上述背景技術存在的問題，本技術提出了自調(diào)節(jié)反饋控制方法用于水力執(zhí)行系統(tǒng)水流速控制，旨在利用傳統(tǒng)位置式pid控制算法和智能優(yōu)化算法，通過對水力執(zhí)行系統(tǒng)的水流速控制器優(yōu)化，提高該控制器的控制精度和控制速度，控制精度通過控制超調(diào)量實現(xiàn)，控制速度通過調(diào)節(jié)響應時間實現(xiàn)，本技術提出的水力執(zhí)行系統(tǒng)水流速控制優(yōu)化方法，通過結合傳統(tǒng)pid控制與智能優(yōu)化算法，顯著提升了系統(tǒng)的控制精度和響應速度；該方法適用于多種水應用場景，并可有效提高水力執(zhí)行系統(tǒng)的效率，為智能水力應用優(yōu)化提供了一種新方案。

2、本發(fā)明提出一種用于水力執(zhí)行系統(tǒng)的水流速控制方法，對水力執(zhí)行系統(tǒng)的水流速控制器優(yōu)化，具體步驟為：

3、s1、采集水力執(zhí)行系統(tǒng)的水流速、壓力變化數(shù)據(jù)，建立基于數(shù)據(jù)驅動的水流速控制模型；

4、s2、構建改進的鷹魚優(yōu)化算法，采用改進的鷹魚優(yōu)化算法在線調(diào)整位置式pid控制算法的比例、積分、微分參數(shù)；所述改進的鷹魚優(yōu)化算法通過對標準鷹魚優(yōu)化算法的鷹魚個體移動規(guī)則和學習系數(shù)改進；具體為：s21、將鷹魚種群在搜索空間內(nèi)的分布狀態(tài)視為具有拓撲結構的空間分布場，定義拓撲折疊策略對學習系數(shù)自適應變化；s22、引入一種概率性躍遷式移動策略，以代理個體適應度歷史差分趨勢作為躍遷的觸發(fā)條件改進鷹魚個體移動規(guī)則；

5、s3、所述位置式pid控制算法用于水力執(zhí)行系統(tǒng)的水流速控制器，對水流速控制器的輸出信號調(diào)節(jié)；所述輸出信號輸入水流速控制模型，得到實時水力執(zhí)行系統(tǒng)的水流速；

6、s4、計算目標水流速與實時水流速的差值，所述差值輸入水流速控制器，并利用位置式pid控制算法調(diào)整實時水力執(zhí)行系統(tǒng)的水流速，直到所述差值低于目標閾值，實現(xiàn)水流速控制優(yōu)化。

7、優(yōu)選地，水力執(zhí)行系統(tǒng)通過自動化控制水流體現(xiàn)ai智能化控制，所述水力執(zhí)行系統(tǒng)包括數(shù)據(jù)采集單元、數(shù)據(jù)驅動的水流速控制模型單元、pid控制器單元和執(zhí)行單元；輸入數(shù)據(jù)包括水流速、壓力變化數(shù)據(jù)；基于實時采集的水流速度和壓力變化數(shù)據(jù)，建立水流速控制模型；將實時水流速數(shù)據(jù)和目標水流速數(shù)據(jù)輸入數(shù)據(jù)采集單元，輸出水流速差值，所述水流速差值輸入pid控制器單元，通過在線調(diào)整的位置式pid控制算法對水流速差值處理，輸出控制信號首先作用于水力執(zhí)行系統(tǒng)的水泵，實時調(diào)控水壓；當水壓發(fā)生變化時，根據(jù)實時水流速與水壓間的映射關系，通過水流速控制模型，水流速隨之變化，最終實現(xiàn)對實際水流速的精確調(diào)控。

8、優(yōu)選地，水力執(zhí)行系統(tǒng)的壓力控制是一個動態(tài)過程，本發(fā)明采用典型的二階慣性環(huán)節(jié)模型表示，二階慣性環(huán)節(jié)模型為時域模型，輸入為控制信號，輸出為水力執(zhí)行系統(tǒng)的實時水壓；實時水壓通過水流速控制模型轉換為實時水流速，水流速控制模型為：

9、；

10、式中，為第時刻的水流速，和為模型參數(shù)，通過數(shù)據(jù)在線辨識確定，為第時刻的實時水壓，為第時刻的水流速。

11、優(yōu)選地，標準鷹魚優(yōu)化算法用于調(diào)整位置式pid控制算法的參數(shù)時，其難以精確捕捉代理個體在搜索空間中的實際狀態(tài)，導致群體探索與開發(fā)能力不佳，容易陷入局部最優(yōu)；在采用改進的鷹魚優(yōu)化算法在線調(diào)整位置式pid控制算法的參數(shù)時，改進的鷹魚優(yōu)化算法的鷹魚個體作為代理個體，通過鷹魚個體移動規(guī)則和鷹魚學習規(guī)則更新代理個體的位置，其中，所述代理個體的位置與水力執(zhí)行系統(tǒng)的水流速控制器的位置式pid控制算法的比例、積分、微分參數(shù)映射，映射后的代理個體的位置為三維值，用數(shù)學模型表示為：\left ( {{k}^{n}_{p},{k}^{n}_{i},{k}^{n}_hqwt0e3} \right )=\left [ {{x}^{1}_{n},{x}^{2}_{n},{x}^{3}_{n}} \right ]；其中，、和為第n個代理個體的位置值對應的比例參數(shù)、積分系數(shù)和微分參數(shù)；、和為第n個代理個體第1、2和3維的位置值。

12、優(yōu)選地，本發(fā)明突破現(xiàn)有標準鷹魚優(yōu)化算法中單純距離的表征方式，提出拓撲折疊策略，具體地，本方法將鷹魚種群在搜索空間內(nèi)的分布狀態(tài)視為具有拓撲結構的空間分布場，定義一個拓撲折疊策略，所述拓撲折疊策略反映種群位置分布的幾何特征及分布密度，通過拓撲折疊策略，改進的鷹魚優(yōu)化算法能夠敏銳捕捉群體狀態(tài)的細微變化，以底層幾何特性驅動學習系數(shù)自適應變化；數(shù)學模型為：

13、s211、將第t次迭代的鷹魚群體在搜索空間中的分布定義為拓撲折疊策略，數(shù)學模型為：

14、；

15、式中，為第t次迭代的拓撲折疊策略，n為代理個體最大規(guī)模，n≠j；第t次迭代種群代理個體之間的歐氏距離；

16、s212、引入拓撲折疊策略，提出學習系數(shù)的自適應調(diào)控數(shù)學模型：

17、；

18、式中，為學習系數(shù)的最小值，為學習系數(shù)的最大值，μ為敏感度調(diào)節(jié)因子，敏感度調(diào)節(jié)因子從適應度排名比值出發(fā)，種群最優(yōu)代理個體相對排名的變化趨勢本質反映了群體的搜索狀態(tài)，從而自動反饋給敏感度調(diào)節(jié)因子，數(shù)學模型為：

19、；

20、其中，為第t次迭代的敏感度調(diào)節(jié)因子，為當前最優(yōu)代理個體在種群中的排名。

21、優(yōu)選地，sin項體現(xiàn)拓撲空間折疊狀態(tài)，距離比例與正弦函數(shù)結合，使拓撲折疊策略既能體現(xiàn)距離又能體現(xiàn)非線性拓撲特征，撲折疊策略體現(xiàn)了代理個體群體緊密性與拓撲結構復雜程度，值大時種群拓撲結構復雜，說明代理個體位置分布分散，即解的分布分散，值小時拓撲結構簡單，說明代理個體位置集中，即解的存在陷入局部最優(yōu)的風險；arctan()?是一種非線性光滑映射函數(shù)，可自然地實現(xiàn)學習系數(shù)隨拓撲勢能變化的自適應調(diào)控；當種群劇烈變化時，學習系數(shù)自適應調(diào)大，增強全局探索或快速聚焦能力；當種群趨于穩(wěn)定時，學習系數(shù)自動降低，強化局部精細搜索。

22、優(yōu)選地，本發(fā)明在鷹魚個體移動規(guī)則中，鷹魚個體的運動常規(guī)漸進更新的基礎上，創(chuàng)新引入一種概率性躍遷式移動策略，當鷹魚長期陷于局部搜索區(qū)域時，以一定概率（觸發(fā)躍遷值）觸發(fā)躍遷，實施一次跨空間跳躍式移動，以有效地避免算法早熟陷入局部最優(yōu)；所述策略不再使用傳統(tǒng)的距離或適應度簡單調(diào)控，而以代理個體適應度歷史差分趨勢作為躍遷的觸發(fā)條件；

23、數(shù)學模型為：

24、；

25、其中，為第t+1次迭代第n個代理個體位置，為第t次迭代第n個代理個體位置，為第n個代理個體的步長，為是第n個代理個體的方向向量的第j維值，為當前種群的質心位置，為當前全局最優(yōu)代理個體位置；為第t次迭代的觸發(fā)躍遷值，rand為0到1內(nèi)服從均勻分布的隨機數(shù)，為擬脈沖躍遷敏感度參數(shù)，控制躍遷概率變化程度，數(shù)學模型為：

26、；

27、式中，為第t+1次迭代第n個代理個體位置，為最大迭代次數(shù)，randn(0,1)為標準正態(tài)分布隨機數(shù)；

28、其中，通過觸發(fā)躍遷因子判斷鷹魚長期陷于局部搜索區(qū)域，觸發(fā)躍遷因子數(shù)學模型為：

29、；

30、式中，和為第i個代理個體在連續(xù)兩個迭代次數(shù)的適應度值。

31、優(yōu)選地，采用改進的鷹魚優(yōu)化算法在線調(diào)整位置式pid控制算法的比例、積分、微分參數(shù)，在調(diào)整的過程中，通過適應度函數(shù)引導改進的鷹魚優(yōu)化算法對參數(shù)的尋優(yōu)，找到全局最優(yōu)解，即適應度函數(shù)最小值對應的代理個體位置，具體步驟為：

32、s31、初始化改進的鷹魚優(yōu)化算法的種群代理個體位置，每個代理個體位置為d維向量；設置最大迭代次數(shù)和最大種群規(guī)模；

33、s32、將鷹魚個體劃分為雌雄代理個體，定義環(huán)境中食物資源可用性為d(t)設計性別轉變機制模型；

34、s33、計算當前迭代每個代理個體的適應度值，所述適應度值為每個代理個體位置的適應度函數(shù)值，將當前最小適應度值對應的代理個體位置記為；

35、s34、計算第t次迭代的觸發(fā)躍遷值，通過所述觸發(fā)躍遷值執(zhí)行鷹魚個體移動規(guī)則數(shù)學模型更新代理個體位置；

36、s35、用歐氏距離矩陣動態(tài)劃分子群，執(zhí)行動態(tài)聚類并確定子群領袖位置，所述子群領袖位置為子群中最佳代理個體位置；

37、s36、通過拓撲折疊策略自適應調(diào)控學習系數(shù)構建鷹魚學習規(guī)則，利用鷹魚學習規(guī)則更新代理個體位置；

38、s37、代理個體依據(jù)性別調(diào)整搜索范圍，設定閾值，若代理個體適應度值超過閾值，則代理個體變換性別，按照動態(tài)視覺規(guī)則更新代理個體位置；

39、s38、將代理個體位置限制在[lb,ub]范圍內(nèi)，當前迭代次數(shù)加一，判斷當前迭代次數(shù)是否滿足t+1=tmax；若滿足，則退出尋優(yōu)過程，輸出當前全局最優(yōu)代理個體位置，解析為位置式pid控制算法的比例、積分、微分參數(shù)值，否則返回執(zhí)行s33。

40、優(yōu)選地，性別轉變機制具體流程為：在改進的鷹魚優(yōu)化算法啟動時，將所有鷹魚個體初始種群為單一性別的代理個體，以當前種群的平均適應度值作為閾值，若代理個體適應度值超過閾值，則從當前代理個體種群中選擇一部分雌性個體進行性別轉變，完成性別轉變后，改進的鷹魚優(yōu)化算法重新更新鷹魚種群中的性別比例，并記錄當前雄性與雌性比例，以供后續(xù)迭代使用。

41、優(yōu)選地，當代理個體的位置經(jīng)過改進的鷹魚優(yōu)化算法更新之后，代理個體位置小于下邊界lb或大于上邊界ub時，如果代理個體的位置大于上邊界ub，則直接將該個體位置設置為上邊界值ub；如果代理個體的位置小于下邊界lb，則直接將該個體位置設置為下邊界值lb；如果代理個體的位置在上下邊界之間，則保持不變。

42、優(yōu)選地，通過s35中，鷹魚學習規(guī)則基于子群中最佳代理個體位置和自適應調(diào)控的學習系數(shù)設計，數(shù)學模型為：

43、；

44、式中，為第t+1次迭代第n個代理個體位置第j維值，為第t次迭代第n個代理個體位置第j維值，為自適應調(diào)控學習系數(shù)，為第t次迭代最佳代理個體位置第j維值。

45、與現(xiàn)有方式相比，本發(fā)明的有益效果和創(chuàng)新點為：本發(fā)明突破了標準鷹魚優(yōu)化算法中單純基于距離的表征方法，創(chuàng)新地提出一種基于拓撲折疊策略的學習系數(shù)自適應調(diào)控方法，拓撲折疊策略敏銳捕捉種群位置分布的幾何特征，驅動學習系數(shù)的動態(tài)變化，使算法能夠快速響應優(yōu)化環(huán)境的微小變化，更有效地避免算法陷入局部最優(yōu)，從而尋優(yōu)得到最佳的位置式pid控制算法的比例、積分、微分參數(shù)值；同時，創(chuàng)新性地引入概率性躍遷式移動策略，將代理個體適應度的歷史差分趨勢作為躍遷觸發(fā)的依據(jù)，當代理個體長期陷于局部搜索區(qū)域時，算法以一定概率實施跨區(qū)域躍遷，增強了算法的全局搜索能力，有效防止了早熟收斂；本發(fā)明通過結合傳統(tǒng)位置式pid控制與改進鷹魚優(yōu)化算法，改進后的鷹魚優(yōu)化算法能夠實時優(yōu)化pid控制器參數(shù)，使控制系統(tǒng)在不同類型的水應用場景中均能保持良好的自適應性與穩(wěn)定性。