本發(fā)明涉及燃煤機(jī)組協(xié)調(diào)控制領(lǐng)域PID參數(shù)整定方法，具體涉及一種基于在線動(dòng)態(tài)粒子群PID參數(shù)自整定優(yōu)化方法。

背景技術(shù)：
：

我國(guó)以燃煤電站為主的電力供應(yīng)格局在未來(lái)相當(dāng)長(zhǎng)的時(shí)間內(nèi)不會(huì)發(fā)生根本性改變，而燃煤機(jī)組的協(xié)調(diào)優(yōu)化控制一直以來(lái)是眾多專家學(xué)者研究的重點(diǎn)問(wèn)題。目前，協(xié)調(diào)優(yōu)化控制手段還是以傳統(tǒng)PID調(diào)節(jié)控制為主，而如何更快、更好的整定PID調(diào)節(jié)參數(shù)一直以來(lái)是一個(gè)重要的問(wèn)題。

目前來(lái)說(shuō)，PID整定的方法有很多，最傳統(tǒng)的方法是齊格勒-道格拉斯整定方法，這種方法需要大量的階躍擾動(dòng)實(shí)驗(yàn)，并且整定的參數(shù)也并不是最優(yōu)參數(shù)，而是較優(yōu)參數(shù)。其他的一些自整定的方法，諸如神經(jīng)元方法，存在自適應(yīng)調(diào)節(jié)過(guò)快和搜索方向易受外界干擾等問(wèn)題。如何發(fā)展一種穩(wěn)定，有效的自整定方法一直以來(lái)是眾多學(xué)者重點(diǎn)研究的問(wèn)題之一。

為有效的解決這一問(wèn)題，必須選擇一種合適有效的算法，并對(duì)其進(jìn)行有針對(duì)性的改造，使這種自整定的方法一方面具有較強(qiáng)的自適應(yīng)調(diào)節(jié)功能，另外一方面具有較強(qiáng)的穩(wěn)定性。

技術(shù)實(shí)現(xiàn)要素：
：

本發(fā)明的目的在于針對(duì)現(xiàn)有PID整定技術(shù)的不足，提供了一種在線動(dòng)態(tài)粒子群PID優(yōu)化控制方法。

為達(dá)到上述目的，本發(fā)明采用如下的技術(shù)方案予以實(shí)現(xiàn)：

一種在線動(dòng)態(tài)粒子群PID優(yōu)化方法，包括以下步驟：

1)建立實(shí)際控制過(guò)程的數(shù)學(xué)傳遞函數(shù)模型；

2)利用步驟1)所建立的數(shù)學(xué)傳遞函數(shù)模型建立控制模型；

3)利用步驟2)所建立的控制模型建立粒子群數(shù)據(jù)庫(kù)更新機(jī)制。

本發(fā)明進(jìn)一步的改進(jìn)在于，步驟1)中，建立實(shí)際控制過(guò)程的數(shù)學(xué)傳遞函數(shù)模型，具體如下：

$G\left(s\right)=\frac{k}{(1+T_{1}s)(1+T_{2}s)}{e}^{-\mathrm{\τ}s}$

其中G(s)為數(shù)學(xué)傳遞函數(shù)；s為拉普拉斯算子；k為傳遞函數(shù)增益；T₁為第一慣性時(shí)間；T₂為第二慣性時(shí)間；τ為傳遞函數(shù)遲延時(shí)間。

本發(fā)明進(jìn)一步的改進(jìn)在于，步驟2)中，利用數(shù)學(xué)傳遞函數(shù)模型建立控制模型，并通過(guò)粒子群進(jìn)行控制模型PID參數(shù)更新，其中，控制模型包括的參數(shù)有設(shè)定值Y_SP、被調(diào)量Y_PV、隨機(jī)內(nèi)擾量d、調(diào)節(jié)器傳遞函數(shù)及PID過(guò)程傳遞函數(shù)G₀(s)。

本發(fā)明進(jìn)一步的改進(jìn)在于，步驟3)中，建立粒子群數(shù)據(jù)庫(kù)更新機(jī)制，包括兩部分內(nèi)容，第一部分為動(dòng)態(tài)粒子群算法，第二部分為粒子群庫(kù)更新機(jī)制，PID調(diào)節(jié)器的控制參數(shù)利用粒子群庫(kù)進(jìn)行更新。

本發(fā)明進(jìn)一步的改進(jìn)在于，步驟3)中的動(dòng)態(tài)粒子群算法，如下，

假設(shè)第i個(gè)粒子所攜帶的信息為X_i＝(Kp_i,Ki_i,Kd_i)，分別對(duì)應(yīng)PID調(diào)節(jié)器的比例，積分和微分作用，其速度為V_i，在循環(huán)迭代計(jì)算一次后，利用適應(yīng)度函數(shù)對(duì)所有的粒子進(jìn)行評(píng)價(jià)，其中解算出來(lái)的最小值為個(gè)體所找到的最優(yōu)解，這個(gè)解所對(duì)應(yīng)的粒子被稱為個(gè)體極值，記為X_p＝(Kp_p,Ki_p,Kd_p)，在進(jìn)過(guò)若干次迭代計(jì)算以后，在所有的個(gè)體極值點(diǎn)中，最小的極值所對(duì)應(yīng)的個(gè)體，被稱為全局極值，其位置記為X_g＝(Kp_g,Ki_g,Kd_g)，那么在第j次迭代后，第i個(gè)粒子的速度和位置信息分別按照如下形式進(jìn)行更新：

$V_i^{j+1}={\mathrm{WV}}_i^j+c_{1}rand\left(\right)(P_p^j-X_i^j)+c_{2}rand\left(\right)(P_g^j-X_i^j)$

$X_i^{j+1}=X_i^j+V_i^{j+1}$

其中rand()為[0,1]之間變化的隨機(jī)數(shù)，W為速度更新的慣性權(quán)重，c₁和c₂分為正實(shí)數(shù)，稱著加速因子，用來(lái)調(diào)節(jié)每一次迭代的步長(zhǎng)，為了保證粒子尋優(yōu)的穩(wěn)定性，粒子的位置信息由邊界限制，定義粒子的位置最大值為X_max，最小值為X_min，每一次粒子迭代尋優(yōu)完畢以后，進(jìn)行如下判斷：

$X_i^j=\min (X_i^j,X_{\max })\∪\max (X_i^j,X_{\min })$

且粒子更新速度也受到位置信息限制，即粒子更新的最大速度為：

V_max＝K_V(X_max-X_min)

Kv為速度步長(zhǎng)參數(shù)，粒子更新的最小速度為：

V_min＝-V_max

每一次粒子迭代尋優(yōu)完畢以后，進(jìn)行如下判斷：

$V_i^j=\min (V_i^j,V_{\max })\∪\max (V_i^j,V_{\min })$

粒子群算法的初始化如下，第i個(gè)粒子初始化的位置和速度為：

$X_i^0=X_{\min }+\mathrm{rand}\left(\right)(X_{\max }-X_{\min })$

$V_i^0=V_{\min }+\mathrm{rand}\left(\right)(V_{\max }-V_{\min }).$

本發(fā)明進(jìn)一步的改進(jìn)在于，步驟3)中的粒子群庫(kù)更新機(jī)制如下，

首先按照粒子群算法初始化粒子群庫(kù)，共20個(gè)粒子，其次將粒子群庫(kù)的每一個(gè)粒子包含的位置信息，即比例、積分、微分稀釋傳遞給對(duì)應(yīng)的粒子PID，每當(dāng)控制程序計(jì)算一次時(shí)，對(duì)應(yīng)的粒子群PID調(diào)節(jié)器的設(shè)定值為Y_{SP DELAY}+Y_SP–Y_PV，這其中Y_{SP DELAY}為控制程序上一控制周期的Y_SP，U為過(guò)程PID調(diào)節(jié)器輸出，Y_PVi則是第i個(gè)粒子經(jīng)過(guò)粒子PID調(diào)節(jié)器調(diào)節(jié)以后經(jīng)傳遞函數(shù)G(s)所得的被調(diào)量，其代表的意義是虛擬出實(shí)際的被調(diào)量，由每個(gè)粒子的設(shè)定值和虛擬被調(diào)量進(jìn)行適應(yīng)度函數(shù)的計(jì)算，得到個(gè)體極值和全局極值，將全局極值點(diǎn)所攜帶的位置信息傳遞到實(shí)際的過(guò)程PID中，同時(shí)利用個(gè)體極值點(diǎn)和全局極值點(diǎn)進(jìn)行速度更新和位置更新，同時(shí)更新粒子群庫(kù)，為下一次的計(jì)算迭代作準(zhǔn)備，每迭代一次，過(guò)程PID的參數(shù)更新機(jī)制如下，

Kp(k+1)＝0.99Kp(k)+0.01Kp_g(k)

Ki(k+1)＝0.99Ki(k)+0.01Ki_g(k)

Kd(k+1)＝0.99Kd(k)+0.01Kd_g(k)

這其中Kp(k+1),Ki(k+1),Kd(k+1)為本次迭代計(jì)算后的比例、積分和微分參數(shù)，Kp(k),Ki(k),Kd(k)為本次迭代計(jì)算前的比例、積分、微分參數(shù)，Kp_g(k),Ki_g(k),Kd_g(k)為粒子群尋優(yōu)的全局極值點(diǎn)的位置信息，

全局適應(yīng)度函數(shù)S的計(jì)算公式為，

$S=\underset{t=0}{\overset{T}{\∫}}\left(W_1\right|Y_{SP}-Y_{PV}|+W_2{U}^2)dt$

其中T為粒子群庫(kù)更新時(shí)間。

相對(duì)于現(xiàn)有技術(shù)，本發(fā)明提出首先根據(jù)階躍擾動(dòng)實(shí)驗(yàn)建立機(jī)組數(shù)學(xué)傳遞模型，其次利用粒子群算法建立動(dòng)態(tài)例子群數(shù)據(jù)庫(kù)和適應(yīng)度函數(shù)評(píng)價(jià)表，再次根據(jù)機(jī)組實(shí)際運(yùn)行數(shù)據(jù)和粒子群模型輸出數(shù)據(jù)尋找最小適應(yīng)度函數(shù)，根據(jù)最小適應(yīng)度函數(shù)進(jìn)行粒子群數(shù)據(jù)庫(kù)更新，最后將更新完之后的粒子群數(shù)據(jù)傳遞到PID參數(shù)地址中，完成一次PID參數(shù)的在線優(yōu)化。

附圖說(shuō)明：

圖1為控制模型示意圖。

圖2為粒子群庫(kù)更新機(jī)制示意圖。

圖3為采用動(dòng)態(tài)粒子群PID控制器方法前的機(jī)組負(fù)荷和主汽壓力變化趨勢(shì)圖。

圖4為采用動(dòng)態(tài)粒子群PID控制器方法后的機(jī)組負(fù)荷和主汽壓力變化趨勢(shì)圖。

具體實(shí)施方式：

以下結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。

本發(fā)明提供的一種在線動(dòng)態(tài)粒子群PID優(yōu)化方法，包括以下步驟：

1、建立實(shí)際控制過(guò)程的數(shù)學(xué)傳遞函數(shù)模型，以燃煤機(jī)組鍋爐為例，在傳統(tǒng)的協(xié)調(diào)控制系統(tǒng)中，鍋爐主要控制主蒸汽壓力，其具體的手段就是通過(guò)加/減煤量的方式來(lái)調(diào)整燃燒的強(qiáng)度，進(jìn)而調(diào)整主蒸汽壓力，其常規(guī)的數(shù)學(xué)傳遞函數(shù)模型如下：

$G\left(s\right)=\frac{k}{(1+T_{1}s)(1+T_{2}s)}{e}^{-\mathrm{\τ}s}$

其中G(s)為數(shù)學(xué)傳遞函數(shù)；s為拉普拉斯算子；k為傳遞函數(shù)增益；T₁為第一慣性時(shí)間；T₂為第二慣性時(shí)間；τ為傳遞函數(shù)遲延時(shí)間；

2、利用數(shù)學(xué)傳遞函數(shù)模型建立控制模型，并利用粒子群進(jìn)行控制模型PID參數(shù)更新，其控制模型示意圖如圖1所示：

在圖中Y_SP—為控制模型的設(shè)定值,Y_PV—為控制模型的被調(diào)量,d—為隨機(jī)內(nèi)擾量,調(diào)節(jié)器傳遞函數(shù),G₀(s)—為PID過(guò)程傳遞函數(shù),其中PID調(diào)節(jié)器的控制參數(shù)利用粒子群庫(kù)進(jìn)行更新：

3、建立粒子群數(shù)據(jù)庫(kù)更新機(jī)制，其中主要包含兩部分內(nèi)容，第一部分為動(dòng)態(tài)粒子群算法，第二部分為粒子群庫(kù)更新機(jī)制，以下分別進(jìn)行說(shuō)明：

3.1動(dòng)態(tài)粒子群算法，其說(shuō)明如下：

粒子群算法是通過(guò)模擬鳥(niǎo)群不可預(yù)測(cè)的運(yùn)動(dòng)而開(kāi)發(fā)的一種基于群體的迭代算法，所有粒子在解空間追隨最優(yōu)的粒子進(jìn)行搜索，使粒子向適應(yīng)度函數(shù)最優(yōu)的方向群游。

假設(shè)第i個(gè)粒子所攜帶的信息為X_i＝(Kp_i,Ki_i,Kd_i),分別對(duì)應(yīng)PID調(diào)節(jié)器的比例，積分和微分作用，其速度為V_i,在循環(huán)迭代計(jì)算一次后，利用適應(yīng)度函數(shù)對(duì)所有的粒子進(jìn)行評(píng)價(jià)，其中解算出來(lái)的最小值為個(gè)體所找到的最優(yōu)解，這個(gè)解所對(duì)應(yīng)的粒子被稱為個(gè)體極值，記為X_p＝(Kp_p,Ki_p,Kd_p),在進(jìn)過(guò)若干次迭代計(jì)算以后，在所有的個(gè)體極值點(diǎn)中，最小的極值所對(duì)應(yīng)的個(gè)體，被稱為全局極值，其位置記為X_g＝(Kp_g,Ki_g,Kd_g)，那么在第j次迭代后，第i個(gè)粒子的速度和位置信息分別按照如下形式進(jìn)行更新：

$V_i^{j+1}={\mathrm{WV}}_i^j+c_{1}rand\left(\right)(P_p^j-X_i^j)+c_{2}rand\left(\right)(P_g^j-X_i^j)$

$X_i^{j+1}=X_i^j+V_i^{j+1}$

其中rand()為[0,1]之間變化的隨機(jī)數(shù)，W為速度更新的慣性權(quán)重，c₁和c₂分為正實(shí)數(shù)，稱著加速因子，用來(lái)調(diào)節(jié)每一次迭代的步長(zhǎng)，為了保證粒子尋優(yōu)的穩(wěn)定性，粒子的位置信息由邊界限制，定義粒子的位置最大值為X_max,最小值為X_min,每一次粒子迭代尋優(yōu)完畢以后，進(jìn)行如下判斷，

$X_i^j=\min (X_i^j,X_{\max })\∪\max (X_i^j,X_{\min })$

且粒子更新速度也受到位置信息限制，即粒子更新的最大速度為：

V_max＝K_V(X_max-X_min)

Kv為速度步長(zhǎng)參數(shù)，粒子更新的最小速度為：

V_min＝-V_max

每一次粒子迭代尋優(yōu)完畢以后，進(jìn)行如下判斷：

$V_i^j=\min (V_i^j,V_{\max })\∪\max (V_i^j,V_{\min })$

粒子群算法的初始化如下，第i個(gè)粒子初始化的位置和速度為：

$X_i^0=X_{\min }+\mathrm{rand}\left(\right)(X_{\max }-X_{\min })$

$V_i^0=V_{\min }+\mathrm{rand}\left(\right)(V_{\max }-V_{\min })$

3.2粒子群庫(kù)更新機(jī)制說(shuō)明如下，

如圖2所示，首先按照粒子群算法初始化粒子群庫(kù)，共20個(gè)粒子，其次將粒子群庫(kù)的每一個(gè)粒子包含的位置信息，即比例、積分、微分稀釋傳遞給對(duì)應(yīng)的粒子PID，在實(shí)際的工業(yè)工程中，每當(dāng)控制程序計(jì)算一次時(shí)，對(duì)應(yīng)的粒子群PID調(diào)節(jié)器的設(shè)定值為Y_{SP DELAY}+Y_SP–Y_PV，這其中Y_{SP DELAY}為控制程序上一控制周期的Y_SP，U為過(guò)程PID調(diào)節(jié)器輸出，Y_PVi則是第i個(gè)粒子經(jīng)過(guò)粒子PID調(diào)節(jié)器調(diào)節(jié)以后經(jīng)傳遞函數(shù)G(s)所得的被調(diào)量，其代表的意義是虛擬出實(shí)際的被調(diào)量，由每個(gè)粒子的設(shè)定值和虛擬被調(diào)量進(jìn)行適應(yīng)度函數(shù)的計(jì)算，得到個(gè)體極值和全局極值，將全局極值點(diǎn)所攜帶的位置信息傳遞到實(shí)際的過(guò)程PID中，同時(shí)利用個(gè)體極值點(diǎn)和全局極值點(diǎn)進(jìn)行速度更新和位置更新，同時(shí)更新粒子群庫(kù)，為下一次的計(jì)算迭代作準(zhǔn)備；

每迭代一次，過(guò)程PID的參數(shù)更新機(jī)制如下，

Kp(k+1)＝0.99Kp(k)+0.01Kp_g(k)

Ki(k+1)＝0.99Ki(k)+0.01Ki_g(k)

Kd(k+1)＝0.99Kd(k)+0.01Kd_g(k)

這其中Kp(k+1),Ki(k+1),Kd(k+1)為本次迭代計(jì)算后的比例、積分和微分參數(shù)，Kp(k),Ki(k),Kd(k)為本次迭代計(jì)算前的比例、積分、微分參數(shù)，Kp_g(k),Ki_g(k),Kd_g(k)為粒子群尋優(yōu)的全局極值點(diǎn)的位置信息，

全局適應(yīng)度函數(shù)S的計(jì)算公式為：

$S=\underset{t=0}{\overset{T}{\∫}}\left(W_1\right|Y_{SP}-Y_{PV}|+W_2{U}^2)dt$

其中T為粒子群庫(kù)更新時(shí)間。

采用本優(yōu)化控制方法之前、之后的發(fā)電機(jī)組主汽機(jī)組負(fù)荷和主汽壓力的變化趨勢(shì)如圖3、圖4所示，由圖3和圖4可以看出，本發(fā)明具有明顯的控制調(diào)節(jié)優(yōu)勢(shì)。