基于改进量子遗传算法的双馈风机变流器参数辨识方法

权利要求书： 1.一种基于改进量子遗传算法的双馈风机变流器参数辨识方法，其特征在于，该方法包括以下步骤：

步骤一、构建双馈风机变流器的辨识模型，确定待辨识参数；

步骤二、对双馈风机施加扰动，并采集施加扰动后的双馈风机变流器d轴和q轴的参数，获取双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线；

步骤三、通过改进量子遗传算法辨识参数，并输出辨识结果；

S1将步骤二中获得的双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线输入辨识模型中，采用传统量子遗传算法对双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线根据公式(1)和(2)所示的目标函数单独拟合多次产生多个种群，并采用公式(1)和(2)计算每个种群中每个个体的适应度值；采取精英保留策略保留每个种群中适应度值较高的多个个体并提取这些个体的优秀基因片段，构建初始记忆库；

其中，yd(i)和yq(i)分别为双馈风机变流器d轴和q轴的实际输出响应曲线， 和分别为双馈风机变流器辨识模型d轴和q轴的输出响应曲线，Δyd和Δyq分别为双馈风机变流器d轴和q轴的拟合误差，n为输出响应曲线的长度，i表示采集时刻点；

S2采用改进量子遗传算法辨识双馈风机变流器的参数，包括种群的初始化和进化；

S2?1种群的初始化：设置初始种群Q(t0)有M(M>P)个随机产生的个体，计算所有个体的适应度值，将初始种群Q(t0)中适应度值较低的P个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段全部用步骤S1的初始记忆库中的优秀基因片段进行替换，确保父代的优秀特征遗传给子代，得到初代种群Q(t)，完成初代种群的初始化；

S2?2种群的进化：测量初代种群Q(t)中每个个体的确定解P(t)，采用改进量子遗传算法对机侧变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、机侧变流器的q轴的实际输出响应曲线与辨识模型的输出响应曲线进行整体拟合，整体拟合的目标函数满足公式(3)；通过公式(3)计算每个确定解P(t)的适应度值，并以公式(3)的值最小筛选出当代种群的最优个体，以当代种群的最优个体的适应度值作为子代种群的进化目标；

然后利用量子旋转门筛选出到目前为止所有种群的最优个体，并对当代种群中除最优个体外的所有剩余个体的进化方向进行调整，得到子代种群Q(t)；利用公式(3)计算子代种群Q(t)中所有个体的适应度值，并将适应度值较高的P个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段替换初始记忆库中的优秀基因片段，形成新的记忆库；新的记忆库中的优秀基因片段作为子代种群Q(t)初始化的替换基因；

然后重复步骤S2?1完成子代种群Q(t)的初始化，对初始化后的子代种群Q(t)重复步骤S2?2，完成子代种群Q(t)的进化，得到下一代子代种群Q(t+1)；每进化一代都会得到新的子代种群，每进化一代都更新一次记忆库，直到进化m1代；

每当进化到b(b

其中，x表示所有待辨识参数组成的矩阵；Ib表示x中单个元素的最小取值，ub表示x中单个元素的最大取值；A、b取默认值0；Aeq、beq分别表示空矩阵；c(x)、ceq(x)分别表示非线性函数；

最后输出辨识结果。

2.根据权利要求1所述的基于改进量子遗传算法的双馈风机变流器参数辨识方法，其特征在于，步骤S1中精英保留策略的具体过程为：将每个种群中适应度值较高的前a(a

3.根据权利要求1所述的基于改进量子遗传算法的双馈风机变流器参数辨识方法，其特征在于，步骤S2?2中对种群除最优个体外的剩余个体的进化方向的调整策略为：将种群中某个个体当前测量值的适应度值与所在种群最优个体的适应度值进行大小比较，若大于该种群中最优个体的适应度值，则调整该个体相应位置的量子比特，使得其几率幅向着当前个体的方向进化；若小于该种群中最优个体的适应度值，则向着最优个体的方向进化。

说明书： 基于改进量子遗传算法的双馈风机变流器参数辨识方法技术领域[0001] 本发明属于风力发电机控制领域，具体涉及一种基于改进量子遗传算法的双馈风机变流器参数辨识方法。

背景技术[0002] 双馈风电机组由于其控制效果突出而成为目前风力发电的主要机组，但是当大规模风电并入电网后，将会影响原有电网系统的潮流分布、线路传输功率等，因此为解决双馈

风电机组及一些新能源发电机组的并网问题，建立准确、可靠的新能源发电系统模型迫在

眉睫。而模型参数的精确值是建立模型的主要前提，其精确程度将会直接影响模型的精准

度。

[0003] 双馈风机变流器是双馈风电机组的主要组成部分，其控制方式以及控制参数会直接影响双馈风电机组的动态特性，特别是当控制参数与实际值相差甚远时，将会严重影响

双馈风电机组的动态性能，因此对双馈风机变流器的参数进行辨识显得至关重要。

[0004] 文献《基于α?β坐标系模型的双馈风力发电机参数辨识》(王红，梁俊霞，胡佳琳.基于α?β坐标系模型的双馈风力发电机参数辨识[J].电力系统保护与控制，2014，42(20):81?

85)采用传统遗传算法对参数进行辨识，该算法计算量大，易陷入局部最优解，辨识精度较

低。

发明内容[0005] 针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于改进量子遗传算法的双馈风机变流器参数辨识方法；该方法在传统量子遗传算法的基础上结合非线性规

划函数，构成量子遗传?非线性规划算法(QGA?NLP)，提高收敛速度，有效避免陷入局部最优

解，收敛早熟的问题；在辨识过程中引进记忆库增加了种群的多样性，提高了辨识精度。

[0006] 本发明解决所述技术问题的采用技术方案是：[0007] 一种基于改进量子遗传算法的双馈风机变流器参数辨识方法，其特征在于，该方法包括以下步骤：

[0008] 步骤一、构建双馈风机变流器的辨识模型，确定待辨识参数；[0009] 步骤二、对双馈风机施加扰动，并采集施加扰动后的双馈风机变流器d轴和q轴的参数，获取双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机

变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线；

[0010] 步骤三、通过改进量子遗传算法辨识参数，并输出辨识结果；[0011] S1将步骤二中获得的双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线输入辨识

模型中，采用传统量子遗传算法对双馈风机变流器d轴的实际输出响应曲线与辨识模型的

输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线根据

目标函数(1)和(2)单独拟合多次产生多个种群，并采用公式(1)和(2)计算每个种群中每个

个体的适应度值；采取精英保留策略保留每个种群中适应度值较高的多个个体并提取这些

个体的优秀基因片段，构建初始记忆库；

[0012][0013][0014] 其中，yd(i)和yq(i)分别为双馈风机变流器d轴和q轴的实际输出响应曲线，和 分别为双馈风机变流器辨识模型d轴和q轴的输出响应曲线，Δyd和Δyq分别为双

馈风机变流器d轴和q轴的拟合误差，n为输出响应曲线的长度，i表示采集时刻点；

[0015] S2采用改进量子遗传算法辨识双馈风机变流器的参数，包括种群的初始化和进化；

[0016] S2?1种群的初始化：设置初始种群Q(t0)有M(M>P)个随机产生的个体，计算所有个体的适应度值，将初始种群Q(t0)中适应度值较低的P个个体的电流内环PI控制器的比例系

数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段全部用步骤S1的初始记忆库中的

优秀基因片段进行替换，确保父代的优秀特征遗传给子代，得到初代种群Q(t)，完成初代种

群的初始化；

[0017] S2?2种群的进化：测量初代种群Q(t)中每个个体的确定解P(t)，采用改进量子遗传算法对机侧变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、机侧变流器的q

轴的实际输出响应曲线与辨识模型的输出响应曲线进行整体拟合，整体拟合的目标函数满

足公式(3)；通过公式(3)计算每个确定解P(t)的适应度值，并以公式(3)的值最小筛选出当

代种群的最优个体，以当代种群的最优个体的适应度值作为子代种群的进化目标；

[0018][0019] 然后利用量子旋转门筛选出到目前为止所有种群的最优个体，并对当代种群中除最优个体外的所有剩余个体的进化方向进行调整，得到子代种群Q(t)；利用公式(3)计算子

代种群Q(t)中所有个体的适应度值，并将适应度值较高的P个个体的电流内环PI控制器的

比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段替换初始记忆库中的优秀

基因片段，形成新的记忆库；新的记忆库中的优秀基因片段作为子代种群Q(t)初始化的替

换基因；

[0020] 然后重复步骤S2?1完成子代种群Q(t)的初始化，对初始化后的子代种群Q(t)重复步骤S2?2，完成子代种群Q(t)的进化，得到下一代子代种群Q(t+1)；每进化一代都会得到新

的子代种群，每进化一代都更新一次记忆库，直到进化m1代；

[0021] 每当进化到b(b的约束条件满足公式(4)：

[0022][0023] 其中，x表示所有待辨识参数组成的矩阵；Ib表示x中单个元素的最小取值，ub表示x中单个元素的最大取值；；A、b取默认值0；Aeq、beq分别表示空矩阵；c(x)、ceq(x)分别表示

非线性函数；

[0024] 最后输出辨识结果。[0025] 步骤S1中精英保留策略的具体过程为：将每个种群中适应度值较高的前a(a基因片段，分别计算提取的所有电流内环PI控制器的比例系数Kp2和积分系数Ki2基因片段

的平均值，得到一组包含比例系数Kp2基因片段和积分系数Ki2基因片段的优秀基因片段；将

所有优秀基因片段作为初始记忆库。

[0026] 步骤S2?2中对种群除最优个体外的剩余个体的进化方向的调整策略为：将种群中某个个体当前测量值的适应度值与所在种群最优个体的适应度值进行大小比较，若大于该

种群中最优个体的适应度值，则调整该个体相应位置的量子比特，使得其几率幅向着当前

个体的方向进化；若小于该种群中最优个体的适应度值，则向着最优个体的方向进化。

[0027] 与现有技术相比，本发明的有益效果是：[0028] (1)本方法将传统量子遗传算法(QGA)与非线性规划函数相结合，形成量子遗传?非线性规划算法(QGA?NLP)，非线性规划函数采用梯度下降法求解问题，因此在传统量子遗

传算法的基础上采用非线性规划，可以增强局部搜索能力，并且能够及时跳出局部最优解，

获得全局最优解，辨识的结果更加精确；由于分别双馈风机变流器q轴的实际输出响应曲线

与辨识模型的输出响应曲线进行单独拟合、采取精英保留策略构建初始记忆库、对双馈风

机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线进行整体拟合，增加了种群

的多样性，加快了收敛速度，同时也进一步提高了辨识结果的精确性。

[0029] (2)本方法能够在双馈风机运行中对参数进行实时辨识，与一些传统的辨识方法如最小二乘法等相比，更加适用于工程实际应用，对双馈风机变流器进行实现闭环控制，提

高工作效率；传统的辨识方法需要双馈风机停机，将待辨识控制器部分取出试验，通过人为

输出信号，以及在输入信号上施加扰动，再通过采集控制器响应的输出曲线，辨识出控制器

的参数，而本方法通过风场平台上显示的数据加以提取进行辨识，不需要双馈风机停机测

试辨识。

附图说明[0030] 图1为本发明的辨识原理图；[0031] 图2为本发明的改进量子遗传算法的流程图；[0032] 图3为本发明的机侧交流器的结构示意图；[0033] 图4为本发明的QGA算法与QGA?NLP算法的有功功率外环PI控制器的比例系数kp1的辨识结果对比图；

[0034] 图5为本发明的QGA算法与QGA?NLP算法的有功功率外环PI控制器的积分系数ki1的辨识结果对比图；

[0035] 图6为本发明的QGA算法与QGA?NLP算法的电流内环PI控制器的比例系数kp2的辨识结果对比图；

[0036] 图7为本发明的QGA算法与QGA?NLP算法的电流内环PI控制器的积分系数ki2的辨识结果对比图；

[0037] 图8为本发明的QGA算法与QGA?NLP算法的功率环PI控制器的比例系数kp3的辨识结果对比图；

[0038] 图9为本发明的QGA算法与QGA?NLP算法的功率环PI控制器的积分系数ki3的辨识结果对比图。

具体实施方式[0039] 下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请的保护范围。

[0040] 本发明一种基于改进量子遗传算法的双馈风机变流器参数辨识方法，具体包括以下步骤：

[0041] 步骤一、构建双馈风机变流器的辨识模型，确定待辨识参数；如图1所示，本发明的原理为：将双馈风机变流器实际系统的输出响应曲线和辨识模型的输出响应曲线根据目标

函数的值最小进行拟合，采用量子遗传?非线性规划算法(QGA?NLP)进行参数辨识；

[0042] 步骤二、对双馈风机施加扰动，并采集施加扰动后的双馈风机变流器d轴和q轴的参数，获取双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机

变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线；在双馈风机变流器的输入信

号上施加不同扰动，输入信号就会有波动，双馈风机变流器会输出不同的响应信号，因此根

据双馈风机变流器输入和输出信号的波动，能够辨识出双馈风机变流器的参数；施加的扰

动越大，辨识效果越精确；

[0043] 步骤三、通过改进量子遗传算法辨识参数，并输出辨识结果；[0044] S1将步骤二中获得的双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线输入辨识

模型中，通过传统量子遗传算法对双馈风机变流器d轴的实际输出响应曲线与辨识模型的

输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线进行

单独拟合多次产生多个种群，计算每个种群中每个个体的适应度值；采取精英保留策略保

留每个种群中适应度值较高的多个个体并提取这些个体的优秀基因片段，构建初始记忆

库；

[0045] 设定单独拟合n1次，双馈风机变流器d轴和q轴单独拟合的目标函数满足公式(1)和(2)；

[0046][0047][0048] 其中，yd(i)和yq(i)分别为双馈风机变流器d轴和q轴的实际输出响应曲线，和 分别为双馈风机变流器辨识模型d轴和q轴的输出响应曲线，Δyd和Δyq

分别为双馈风机变流器d轴和q轴的拟合误差，n为输出响应曲线的长度，i表示采集时刻点；

[0049] 每次拟合都产生一个种群，每次拟合时设定初始种群Q(t0)有M(M>P)个随机产生的个体；双馈风机变流器的d轴和q轴分别产生n1个种群；设置种群进化代数为m1(m1>5)；每

进化一代都生成一个个体，故每个种群由m1个个体构成；采用公式(1)和(2)计算每个种群

中所有个体的适应度；

[0050] 精英保留策略的具体过程为：将每个种群中适应度值较高的前a(a分别计算提取的所有电流内环PI控制器的比例系数Kp2和积分系数Ki2基因片段的平均值，

得到一组包含比例系数Kp2基因片段和积分系数Ki2基因片段的优秀基因片段(由于机侧变

流器和网侧变流器均含电流内环PI控制器，且d轴和q轴的电流内环PI控制器的比例系数和

积分系数对应相等，因此将电流内环PI控制器的比例系数和积分系数作为替换基因)；每个

种群都生成一组优秀基因片段，因此双馈风机变流器的d轴和q轴分别得到n1组优秀基因片

段，(一组优秀基因片段包含双馈风机变流器d轴单独的优秀基因片段和双馈风机变流器q

轴单独的优秀基因片段)将所有优秀基因片段作为初始记忆库，初始记忆库规模为P(P＝2*

n1)；这样，初始记忆库包含双馈风机变流器d轴和q轴单独的优秀基因片段，保证了基因片

段多样性的同时又为种群进化提供了初始的优秀基因；

[0051] S2采用改进量子遗传算法辨识双馈风机变流器的参数，即在传统量子遗传算法(QGA)中加入非线性规划函数构成量子遗传?非线性规划算法(QGA?NLP)，通过量子遗传?非

线性规划算法辨识双馈风机变流器的参数；

[0052] S2?1种群的初始化：设置另一个初始种群Q(t0)有M(M>P)个随机产生的个体，计算所有个体的适应度值，将初始种群Q(t0)中适应度值较低的P个个体的电流内环PI控制器的

比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段全部用步骤S1的初始记忆

库中的优秀基因片段进行替换，确保父代的优秀特征遗传给子代，得到初代种群Q(t)，完成

初代种群的初始化；

[0053] S2?2种群的进化：测量初代种群Q(t)中每个个体的确定解P(t)，采用改进量子遗传算法对机侧变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、机侧变流器的q

轴的实际输出响应曲线与辨识模型的输出响应曲线进行整体拟合，整体拟合的目标函数满

足公式(3)；采用公式(3)计算每个确定解P(t)的适应度值，并以公式(3)的值最小筛选出当

代种群的最优个体，以当代种群的最优个体的适应度值作为下一代子代种群的进化目标；

[0054][0055] 然后利用量子旋转门筛选出到目前为止所有种群的最优个体，并对当代种群中除最优个体外的所有剩余个体的进化方向进行调整，得到子代种群Q(t+1)，至此完成初代种

群Q(t)的进化；采用公式(3)计算子代种群Q(t+1)中所有个体的适应度值，并将适应度值较

高的P个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应

的基因片段替换初始记忆库中的优秀基因片段，形成新的记忆库；新的记忆库中的优秀基

因片段作为子代种群Q(t+1)初始化的替换基因；

[0056] 然后重复步骤S2?1完成子代种群Q(t+1)的初始化，对初始化后的子代种群Q(t)重复步骤S2?2，完成子代种群Q(t+1)的进化，得到下一代子代种群Q(t+2)；每进化一代都会得

到新的子代种群，每进化一代都更新一次记忆库，直到进化m1代；

[0057] 每当进化到b(b的约束条件满足公式(4)：

[0058][0059] 其中，x表示所有待辨识参数组成的矩阵；Ib表示x中单个元素的最小取值，ub表示x中单个元素的最大取值；A、b取默认值0；Aeq、beq均表示空矩阵；c(x)、ceq(x)分别表示非

线性函数；

[0060] 最后输出辨识结果。[0061] 所述步骤S2?2中对种群除最优个体外的剩余个体的进化方向的调整策略为：将种群中某个个体当前测量值的适应度值与所在种群最优个体的适应度值进行大小比较，若大

于该种群中最优个体的适应度值，则调整该个体相应位置的量子比特，使得其几率幅向着

当前个体的方向进化；若小于该种群中最优个体的适应度值，则向着最优个体的方向进化，

生成子代种群Q(t)；这种调整策略始终使个体向着最优个体的方向进化，也可以加快收敛

速度，完成辨识。

[0062] 实施例[0063] 本实施例以机侧变流器为例进行说明；[0064] 步骤一、构建双馈风机变流器的辨识模型；[0065] 如图3所示，需要采集的参数包括有功功率参考值PS_ref、有功功率PS、无功功率参考值QS_ref、无功功率QS、机侧电压的d轴分量udr和q轴分量uqr、机侧电流的d轴分量idr和q轴

分量iqr、定子侧电流的d轴分量ids和q轴分量iqs；

[0066] 待辨识参数包括有功功率外环PI控制器的比例系数Kp1和积分系数Ki1、无功功率环PI控制器的比例系数Kp3和积分系数Ki3，两个电流内环PI控制器的比例系数Kp2、Kp4和两个

电流内环PI控制器的积分系数Ki2、Ki4，其中Kp2＝Kp4，Ki2＝Ki4；辨识参数也就是确定这些参

数的具体取值；定子电感Ls、互感Lm、转子电感Lr、定子电压幅值Us、同步转速ω1、转子转速

ωr均为已知量；

[0067] 本实施例的机侧变流器辨识参数的真实值为：有功功率外环PI控制器的比例系数Kp1＝0.5、积分系数Ki1＝100；无功功率环PI控制器的比例系数Kp3＝0.5、积分系数Ki3＝100；

两个电流内环PI控制器的比例系数Kp2＝Kp4＝0.5和两个电流内环PI控制器的积分系数Ki2

＝Ki4＝100；

[0068] 步骤二、对双馈风机施加扰动，即在辨识模型的系统并网点处(H)设置一个故障点，令其在7s时刻发生三相短路故障，并在0.15s后故障清除，使系统逐渐恢复到正常运行；

然后采集6.5s到9s之间的双馈风机变流器d轴和q轴的参数，并获取双馈风机变流器d轴的

实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线

与辨识模型的输出响应曲线；

[0069] 步骤三、通过改进量子遗传算法辨识参数，并输出辨识结果；[0070] S1将步骤二中获得的双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线输入辨识

模型中，采用传统量子遗传算法对双馈风机变流器d轴的实际输出响应曲线与辨识模型的

输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线进行

单独拟合5次产生5种群，每个种群进化20代，双馈风机变流器d轴和q轴单独拟合的目标函

数满足公式(1)和(2)；

[0071][0072][0073] 其中，yd(i)和yq(i)分别为双馈风机变流器d轴和q轴的实际输出响应曲线，和 分别为双馈风机变流器辨识模型d轴和q轴的输出响应曲线，Δyd和Δyq

分别为双馈风机变流器d轴和q轴的拟合误差，n为输出响应曲线的长度，i表示采集时刻点；

[0074] 采用公式(1)和(2)计算每个种群中个体的适应度值，并将每个种群中适应度值较高的前5个个体保留，提取被保留的所有个体中电流内环PI控制器的比例系数Kp2和积分系

数Ki2的基因片段，分别计算提取的所有电流内环PI控制器的比例系数Kp2和积分系数Ki2基

因片段的平均值，得到一组包含比例系数Kp2基因片段和积分系数Ki2基因片段的优秀基因

片段(由于机侧变流器和网侧变流器均含电流内环PI控制器，且d轴和q轴的电流内环PI控

制器的比例系数和积分系数对应相等，因此将电流内环PI控制器的比例系数和积分系数作

为替换基因)；每个种群都生成一组优秀基因片段，因此双馈风机变流器的d轴和q轴分别得

到5组优秀基因片段，将所有优秀基因片段作为初始记忆库，初始记忆库规模为P＝10；这

样，初始记忆库包含双馈风机变流器d轴和q轴单独的优秀基因片段，保证了基因片段多样

性的同时又为种群进化提供了初始的优秀基因；

[0075] S2采用改进量子遗传算法辨识双馈风机变流器的参数，即在传统量子遗传算法(QGA)中加入非线性规划函数构成量子遗传?非线性规划算法(QGA?NLP)，通过量子遗传?非

线性规划算法辨识双馈风机变流器的参数；

[0076] S2?1种群的初始化：设置另一个初始种群Q(t0)有30个随机产生的个体，种群进化20代，计算所有个体的适应度值，将初始种群Q(t0)中适应度值较低的10个个体的电流内环

PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段全部用步骤S1

的初始记忆库中的优秀基因片段进行替换，确保父代的优秀特征遗传给子代，得到初代种

群Q(t)，完成初代种群的初始化；

[0077] S2?2种群的进化：测量初代种群Q(t)中每个个体的确定解P(t)，采用改进量子遗传算法对机侧变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、机侧变流器的q

轴的实际输出响应曲线与辨识模型的输出响应曲线进行整体拟合，整体拟合的目标函数满

足公式(3)；采用公式(3)计算每个确定解P(t)的适应度值，并以公式(3)的值最小筛选出当

代种群的最优个体，以当代种群的最优个体的适应度值作为下一代子代种群的进化目标；

[0078][0079] 然后利用量子旋转门筛选出到目前为止所有种群的最优个体，并对当代种群中除最优个体外的所有剩余个体的进化方向进行调整，得到子代种群Q(t+1)，至此完成初代种

群Q(t)的进化；采用公式(3)计算子代种群Q(t+1)中所有个体的适应度值，并将适应度值较

高的10个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应

的基因片段替换初始记忆库中的优秀基因片段，形成新的记忆库；新的记忆库中的优秀基

因片段作为子代种群Q(t+1)初始化的替换基因；

[0080] 然后重复步骤S2?1完成子代种群Q(t+1)的初始化，对初始化后的子代种群Q(t)重复步骤S2?2，完成子代种群Q(t+1)的进化，得到下一代子代种群Q(t+2)；每进化一代都会得

到新的子代种群，每进化一代都更新一次记忆库，直到进化20代；

[0081] 每当进化到5代时，以当前计算结果为初值，采用非线性规划函数寻找局部最优个体，并将找到的局部最优个体作为初始值继续进化，加快进化速度；非线性规划函数的约束

条件满足公式(4)：

[0082][0083] 其中，x表示所有待辨识参数组成的矩阵；Ib＝0，ub＝200；A、b取默认值0；Aeq、beq均表示空矩阵；c(x)、ceq(x)分别表示非线性函数；

[0084] 在种群进化过程中，采用量子比特几率幅的表示方式对个体的染色体进行编码，随机生成R个编码为量子比特的染色体，这样使得一条染色体表示为多个态的叠加，如公式

(5)：

[0085][0086] 代表一条染色体多个态的叠加；α、β为量子比特几率幅的两个幅常数，它们满足公式(6)：

[0087] |α|2+|β|2＝1(6)[0088] 其中，|0>和|1>分别表示染色体的自旋向下态和自旋向上态，即在量子遗传算法中一个基因为“0”态或“1”态或叠加态，因此在量子遗传算法中一个基因已经不单单为某一

个单一的确定信息，而是囊括了所有可能存在的信息；

[0089] 在本实施例中将种群中所有染色体的基因初始化为 则代表着每个染色体包含的是基因所有存在状态的等概率叠加，满足公式(7)：

[0090][0091] 其中， 为第t代的第j个个体的染色体； 为这个染色体所有存在状态的叠加；Sk为某一染色体包含的第k种状态信息，具体表现形式为长度为m的一组二进制串；

[0092] 在本实施例中测量种群中个体的确定解的具体过程为：在区间[0,1]上随机产生一个数，若这个数的值大于量子概率幅的平方，测量结果取为1；若这个数小于量子概率幅

的平方，则测量结果取为0；确定解P(t)的具体表达形式为公式(8)；

[0093][0094] 其中， 代表进化到第t代时，种群中第j个个体的测量值，表现形式为由量子比特概率选择出来的长度为m的二进制串；

[0095] 量子旋转门U(θi)满足公式(9)，调整个体进化方向的过程满足公式(10)：[0096][0097][0098] 其中，θi为量子门的旋转角； 代表个体第i个量子旋转门更新前的概率幅，代表个体第i个量子旋转门更新后的概率幅；

[0099] 最后输出辨识结果。[0100] 为验证本方法的有效性，分别采用传统量子遗传算法(QGA)和本发明的量子遗传?非线性规划算法(QGA?NLP)辨识机侧变流器的参数；两种方法的辨识结果如下表所示：

[0101][0102] 从表中可知，量子遗传?非线性规划算法的辨识值更加接近真实值，由于非线性规划函数会提高算法的局部搜索能力，使问题的解更近与最优解，即非线性规划函数寻找到

当代种群的最优个体接近于到目前为止所有种群的最优个体，提供了辨识精度；图4?9分别

为各个参数的辨识结果对比图，由图中可知，QGA算法需要在进化到第十代或更多代才可以

收敛到某一值，而QGA?NLP算法进化至第八代左右收敛到某一值；

[0103] 由于分别双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线进行单独拟合、采取精英保留策略构建初始记忆库、对双馈风机变流器q轴的实际输出响应曲

线与辨识模型的输出响应曲线进行整体拟合，增加了种群的多样性，使得本方法比传统量

子遗传算法在运算过程中的解更具有多样性，搜索结果更加准确，能够及时跳出局部最优

解，最终获得全局最优解，达到了提高收敛速度和收敛精度的目的。

[0104] 本发明未述及之处适用现有技术。