基于免疫遺傳算法優(yōu)化的汽溫系統(tǒng)變參數(shù)PID控制

1、第23卷第9期中國(guó)電機(jī)工程學(xué)報(bào)V ol.23 No.9 Sep. 2003文章編號(hào):0258-8013 (2003 09-0212-06 中圖分類號(hào):TP273;TK323 文獻(xiàn)標(biāo)識(shí)碼:A 學(xué)科分類號(hào):4703010 基于免疫遺傳算法優(yōu)化的汽溫系統(tǒng)變參數(shù)PID控制王東風(fēng),韓璞(華北電力大學(xué)動(dòng)力系,河北保定071003VARIABLE ARGUMENTS PID CONTROL FOR MAIN STEAM TEMPERATURE SYSTEM BASED ON IMMUNE GENETIC OPTIMIZATIONWANG Dong-feng, HAN Pu(Department of Pow

2、er Engineering, North China Electric Power University, Baoding 071003, ChinaABSTRACT: Aiming at engineering application, the paper put forward a new control strategy of improved Variable Arguments Proportional-Integral-Derivative(VAPID,which has a good control effect on both regulating and set-point

3、 following. For the common large time-delay object happen frequently in the industrial practice, it has a quite good disturbance resistance and a strong robustness. In order to get a better performance for the variable-parameter PID control, a concept of robust tuning is put forward, meanwhile an im

4、mune genetic algorithm is also applied to robust optimal tuning of VAPID. Simulation is proceeded for the steam temperature system in a plant under such a control which has a severe uncertainty of parameters and multi-disturbance, as well as a large time-delay. The results show that the immune genet

5、ic algorithm is capable to complete a global optimization due to its immune feedback and genetic mechanism that is successful and effective for optimizing VAPID controller. The simulation results also demonstrate that the multi-model main steam temperature control system has an excellent regulation

6、performance under different steam loads, and the optimization by using immune genetic algorithm and VAPID has a perfectible application future to the initial ones.KEY WORDS:Proportional-Integral-Derivative (PID con-trol; Immune genetic algorithm; Optimization; Main steam temperature control system;

7、Robust stability摘要:針對(duì)工程實(shí)際應(yīng)用,提出了一種改進(jìn)的變參數(shù)PID 控制策略,新的控制策略不論對(duì)于調(diào)節(jié)還是設(shè)定值跟蹤,均具有很好的控制效果,對(duì)于工業(yè)實(shí)際中常見的大滯后對(duì)象也有很好的抗干擾性能和較強(qiáng)的魯棒性。為了使變參數(shù)PID控制取得更好的性能,提出了魯棒整定的思想,并采用免疫遺傳算法進(jìn)行設(shè)計(jì)參數(shù)的魯棒優(yōu)化調(diào)整。通過對(duì)具有嚴(yán)重參數(shù)不確定性、多擾動(dòng)以及大遲延的電廠主蒸汽溫度被控對(duì)象進(jìn)行的仿真研究結(jié)果表明,基于免疫反饋和遺傳機(jī)制的免疫遺傳算法具有全局優(yōu)化的能力,對(duì)變參數(shù)PID控制的參數(shù)優(yōu)化設(shè)計(jì)是成功和有效的,使得具有多模型特性的汽溫控制系統(tǒng)在不同的負(fù)荷下均獲得很好的調(diào)節(jié)品質(zhì)。同時(shí)也

8、表明,免疫遺傳算法和變參數(shù)PID控制均具有較好的發(fā)展前景,可用于某些多模型系統(tǒng)的同時(shí)整定設(shè)計(jì)。關(guān)鍵詞:比例積分微分(PID控制;免疫遺傳算法;優(yōu)化;主汽溫控制系統(tǒng);魯棒穩(wěn)定1 引言隨著計(jì)算機(jī)技術(shù)的發(fā)展,許多新型計(jì)算機(jī)控制算法的實(shí)現(xiàn)成為可能。這些算法在理論上已被證明優(yōu)于傳統(tǒng)的PID控制算法。然而,在實(shí)際的工業(yè)過程中,特別在熱工控制領(lǐng)域,占主導(dǎo)地位的控制器還是PID控制器,高級(jí)控制算法的應(yīng)用十分有限,它的優(yōu)越性也得不到充分的體現(xiàn)。原因主要有:PID控制器已經(jīng)成為過程控制領(lǐng)域的一種標(biāo)準(zhǔn)控制器;從工程觀點(diǎn)看,PID控制器不需要精確的數(shù)學(xué)模型;PID控制參數(shù)的物理意義清楚;PID控制器容易在線調(diào)整。對(duì)于

9、大滯后過程,許多學(xué)者引入Smith預(yù)估控制,但因時(shí)滯的變化可能會(huì)使系統(tǒng)不穩(wěn)定,尤其對(duì)于難以確立數(shù)學(xué)模型的系統(tǒng),實(shí)施有效的控制更是困難。而PID控制由于不需要精確的數(shù)學(xué)模型以及魯棒性較強(qiáng)而得到廣泛的應(yīng)用14。然而,對(duì)于具有嚴(yán)重不確定性的系統(tǒng),PID控制器的參數(shù)整定是一個(gè)棘手的問題,其魯棒性也會(huì)受到質(zhì)疑5。由于PID控制存在以上諸多優(yōu)點(diǎn)而又存在參數(shù)的魯棒整定較為困難的問題,許多學(xué)者開始尋求一些優(yōu)化算法來進(jìn)行PID參數(shù)的尋優(yōu),如單純形方法、第9期 王東風(fēng)等:基于免疫遺傳算法優(yōu)化的汽溫系統(tǒng)變參數(shù)PID 控制 213 神經(jīng)網(wǎng)絡(luò)方法、混沌優(yōu)化方法以及遺傳算法等,其中遺傳算法是被研究得較多的一種,但遺傳算法

10、也存在一些問題,最重要的如“早熟”收斂問題。鑒于免疫算法是利用生物免疫原理中的濃度機(jī)制和個(gè)體多樣性保持策略進(jìn)行免疫調(diào)節(jié),曾被用于電磁設(shè)備的外形優(yōu)化6和VLSI 印刷線路板的布線優(yōu)化設(shè)計(jì)7,它與遺傳算法的有機(jī)結(jié)合8,可以避免遺傳算法的“早熟”收斂。本文在對(duì)PID 控制進(jìn)行分析的基礎(chǔ)上,結(jié)合工程實(shí)際,提出了一種改進(jìn)的變參數(shù)PID (VAPID 控制策略,并采用免疫遺傳算法69進(jìn)行設(shè)計(jì)參數(shù)的優(yōu)化整定,使得PID 控制器的魯棒性大大增強(qiáng)。將本法用于具有嚴(yán)重多模型不確定性的電廠主蒸汽溫度控制系統(tǒng)的仿真研究,證實(shí)了其有效性。2改進(jìn)的變參數(shù)PID 控制對(duì)于典型的單位負(fù)反饋控制系統(tǒng),PID 控制器表示為d /

11、d (d /1(t e T t e T e K u di p += (1式中 偏差e =R y , R 為設(shè)定值,y 為過程被控量;K p 為比例增益;K i =K p /T i ,為積分增益;K d =K p T d ,為微分增益。3個(gè)參數(shù)的不同作用和特點(diǎn)可參見文1和文2。傳統(tǒng)PID 控制器除了不能提供語言知識(shí)表達(dá)、模糊推理及非線性特性外,它在控制系統(tǒng)合成、耦合影響、增益相關(guān)和規(guī)則增長(zhǎng)等方面均是優(yōu)良的10,而且各項(xiàng)增益控制效果明確,這種簡(jiǎn)明的控制分量獨(dú)立整定效果對(duì)工程應(yīng)用操作也是十分方便的11。盡管如此,對(duì)于PID 控制,也只有在P +I +D 這3個(gè)參數(shù)的適當(dāng)配合下才能使系統(tǒng)的過渡過程達(dá)到

12、快速、平穩(wěn)和準(zhǔn)確的要求13,獲得滿意的控制效果。常規(guī)PID 控制中,K p 、K i 、K d 根據(jù)對(duì)象模型或動(dòng)態(tài)響應(yīng)曲線來進(jìn)行整定。為此,文1曾提出變參數(shù)PID 控制的思想,并成功地應(yīng)用于電廠鍋爐主汽溫控制系統(tǒng)的實(shí)際運(yùn)行,幾乎是同時(shí),文2的作者也提出了類似的思想,并就其抗干擾性能、魯棒性能和對(duì)非最小相位系統(tǒng)的適應(yīng)性能進(jìn)行了仿真研究。采用高斯函數(shù)為基礎(chǔ)構(gòu)成P 、I 、D 增益函數(shù)對(duì)K p 、K i 、K d 進(jìn)行調(diào)整的關(guān)系曲線如圖1所示。對(duì)于類似于圖1所示的函數(shù)形式,文1采用折線擬合和現(xiàn)場(chǎng)經(jīng)驗(yàn)整定的方法取得實(shí)際的成功應(yīng)用,但是當(dāng)時(shí)現(xiàn)場(chǎng)基本是調(diào)節(jié)問題因而沒有考慮設(shè)定值跟蹤問題;文2則采用具體的G

13、auss 函數(shù)表達(dá)式為100exp(1120e K K K p p p += (2100exp(20e K K K K i i i i += (3 25exp(120e K K K dd d += (4 對(duì)于式(2(4,由于PID 控制器的各增益均為偏差絕對(duì)值的函數(shù),這樣整定的控制器參數(shù)只對(duì)特定的設(shè)定值變化具有較好的調(diào)節(jié)效果,而文2的仿真結(jié)果均較好,原因恰恰在于其結(jié)果均為單位階躍響應(yīng)仿真曲線,而對(duì)其它定值跟蹤則效果會(huì)惡化。214 中國(guó)電機(jī)工程學(xué)報(bào)第23卷中為避免未成熟收斂,提高群體多樣性應(yīng)是主要改進(jìn)方向之一。因?yàn)樵趯?duì)算法的實(shí)施過程中不難發(fā)現(xiàn)兩個(gè)主要遺傳算子都是在一定發(fā)生概率的條件下,隨機(jī)地、沒

14、有指導(dǎo)地迭代搜索,因此它們?cè)跒槿后w中的個(gè)體提供了進(jìn)化機(jī)會(huì)的同時(shí),也無可避免地產(chǎn)生了退化的可能,在某些情況下,這種退化現(xiàn)象還相當(dāng)明顯8。為了克服上述缺點(diǎn),Chun等6,7基于體細(xì)胞理論和免疫網(wǎng)絡(luò)理論提出了一種免疫算法,即將抗原作為目標(biāo)函數(shù), 抗體作為解答, 抗原和抗體之間的親和力作為解答的聯(lián)合強(qiáng)度。一種結(jié)合免疫系統(tǒng)和遺傳特性的免疫遺傳算法(Immune Genetic Algorithm, IGA流程如圖2所示。 圖2 免疫遺傳算法框圖Fig. 2 Frame of immune genetic algorithm免疫遺傳算法的提出主要基于免疫調(diào)節(jié)的如下特征8:產(chǎn)生多樣性抗體的能力。通過細(xì)胞的分

15、化,免疫系統(tǒng)可產(chǎn)生大量的不同抗體來抵御各種抗原。利用該特征可維持進(jìn)化過程中個(gè)體的多樣性,提高遺傳算法全局搜索能力,避免陷入局部最優(yōu)解;自我調(diào)節(jié)機(jī)構(gòu)。免疫系統(tǒng)的平衡機(jī)制通過對(duì)抗體的促進(jìn)和抑制作用,能自我調(diào)節(jié)產(chǎn)生適當(dāng)數(shù)量的必要抗體。這一功能對(duì)應(yīng)于遺傳算法中個(gè)體濃度的抑制和促進(jìn),可提高遺傳算法的局部搜索能力;免疫記憶功能。產(chǎn)生抗體的部分細(xì)胞會(huì)作為記憶細(xì)胞而被保存下來,對(duì)于今后侵入的同類抗原,相應(yīng)的記憶細(xì)胞會(huì)迅速激發(fā)而產(chǎn)生大量的抗體。在遺傳算法中利用這種抗原記憶識(shí)別功能,可加快搜索速度,提高遺傳算法的總體搜索能力。3.2基于IGA的優(yōu)化問題求解使用IGA進(jìn)行優(yōu)化問題求解的一般步驟為(1讀入初始化文件根

16、據(jù)給定問題(視為抗原進(jìn)行具體分析,從中提取最基本的特征信息,根據(jù)這種信息而得出的一類解即為抗體;(2產(chǎn)生初始群體(抗體并編碼如果是記憶中的抗原,則從記憶細(xì)胞中提取出相應(yīng)的抗體組成IGA的初始群體;否則,隨機(jī)產(chǎn)生初始群體。選擇一定的編碼方案(筆者采用十進(jìn)制編碼方案對(duì)初始群體進(jìn)行編碼,組成基因碼串。每一碼串代表一個(gè)個(gè)體,表示優(yōu)化問題的一個(gè)解。IGA的任務(wù)就是要從這些群體出發(fā),模擬生物進(jìn)化過程,擇優(yōu)汰劣,最后得出非常優(yōu)秀的群體和個(gè)體,以滿足優(yōu)化的要求;(3計(jì)算目標(biāo)函數(shù)值(個(gè)體適應(yīng)值 按編碼規(guī)則來計(jì)算群體中每一個(gè)體的適應(yīng)值。筆者選擇的適值函數(shù)為控制誤差平方積分的倒數(shù)指標(biāo),函數(shù)值大者,代表的適應(yīng)值也高,

17、更適應(yīng)生存環(huán)境。這一適應(yīng)值為群體進(jìn)化時(shí)的選擇提供了依據(jù);(4演變記憶細(xì)胞若是新抗原,則用當(dāng)前群體中適應(yīng)值高的個(gè)體代替記憶細(xì)胞中適應(yīng)值低的個(gè)體;否則,將當(dāng)前群體中適應(yīng)值高的個(gè)體加入至記憶細(xì)胞中;(5抗體選擇(促進(jìn)與抑制 計(jì)算當(dāng)前群體中適應(yīng)值相近的個(gè)體濃度(即相近個(gè)體數(shù)與群體總數(shù)的比值,濃度高,則減小該個(gè)體的選擇概率(即抑制;反之,則增加該個(gè)體的選擇概率(即促進(jìn),以此保持群體中個(gè)體的多樣性;(6抗體產(chǎn)生(交叉與變異 用交叉概率P c和變異概率P m進(jìn)行與標(biāo)準(zhǔn)遺傳算法相同的交叉和變異操作。對(duì)產(chǎn)生的新一代群體重新進(jìn)行評(píng)價(jià)、選擇、交叉和變異等操作,如此循環(huán)往復(fù),使群體中最優(yōu)個(gè)體的適應(yīng)值和平均適應(yīng)值不斷提

18、高,直至最優(yōu)個(gè)體的適應(yīng)值達(dá)到規(guī)定數(shù)值,或最優(yōu)個(gè)體的適應(yīng)值和群體的平均適應(yīng)值不再提高,則迭代過程收斂,算法結(jié)束。4 基于IGA的PID參數(shù)魯棒優(yōu)化及其在汽溫控制系統(tǒng)中的應(yīng)用4.1 汽溫系統(tǒng)特性及控制方案主蒸汽溫度對(duì)象具有大遲延、大慣性和時(shí)變性。過熱器管道長(zhǎng)度和蒸汽容積較大,當(dāng)減溫水流量發(fā)生變化時(shí),過熱器出口蒸汽溫度有較大的遲延;負(fù)荷變化時(shí),主蒸汽溫度的動(dòng)態(tài)特性變化明顯;主蒸汽溫度還具有分布參數(shù)和擾動(dòng)多的特點(diǎn)。目前,絕大多數(shù)電廠采用圖3形式的串級(jí)控制方案,圖中,W1(s為惰性區(qū)傳遞函數(shù);W2(s為導(dǎo)前區(qū)傳遞第9期王東風(fēng)等:基于免疫遺傳算法優(yōu)化的汽溫系統(tǒng)變參數(shù)PID控制215函數(shù);PI為內(nèi)回路比例積

19、分控制器;PID為外回路比例積分微分控制器;d1為輸出測(cè)量干擾;d2為控制量干擾;y r為給定值;y為輸出測(cè)量值。 y圖 3 串級(jí)汽溫控制系統(tǒng)框圖Fig. 3 Diagram of cascade steam temperaturecontrol system一般來說,內(nèi)回路較容易整定,外回路難以整定到最佳效果。現(xiàn)場(chǎng)整定經(jīng)常是基于經(jīng)驗(yàn)整定法和試湊法或兩者的結(jié)合,這樣整定得到的結(jié)果往往在整定負(fù)荷處較好,而在其它負(fù)荷工況下則效果很差,甚至常常解除自動(dòng)被迫手動(dòng)運(yùn)行。因此整定需要考慮對(duì)其它負(fù)荷工況的適應(yīng)性,為此,本文提出對(duì)各種工況魯棒整定。如某汽溫系統(tǒng)在30%、44%、62%、88%和100%負(fù)荷時(shí)現(xiàn)

20、場(chǎng)測(cè)得的動(dòng)態(tài)特性如表1所示。從表1可見,隨負(fù)荷的變化,不論是對(duì)象增益,還是時(shí)間常數(shù)以及由此而產(chǎn)生的等效純滯后的變化均十分明顯,要想用常規(guī)整定的固定參數(shù)PID控制來整定所有工況,存在很大的難度。因此,采用V APID控制并進(jìn)行IGA優(yōu)化,雖然V APID已被證明具有比常規(guī)PID控制更強(qiáng)的魯棒性,但對(duì)如表1所示動(dòng)態(tài)特性隨著負(fù)荷變化如此之大的汽溫系統(tǒng),還是難以在全工況情況均達(dá)到令人滿意的效果,往往只得主要考慮高負(fù)荷運(yùn)行。為了在高、低負(fù)荷均具有較好的調(diào)節(jié)品質(zhì),并考慮到對(duì)象動(dòng)態(tài)特性主要是隨可測(cè)變量蒸汽負(fù)荷而變化,且因PID算法中比例作用是最基本的控制作用,故可再引入一個(gè)可調(diào)參數(shù)K以修正VAPID的比例增

21、益K p(K是蒸汽負(fù)荷的函數(shù),實(shí)質(zhì)上是一個(gè)隨負(fù)荷變化的系數(shù)。但考慮到數(shù)字儀表或DCS等的實(shí)現(xiàn)問題,只在表1中所列的5個(gè)工作點(diǎn)給出修正表1 高溫過熱器動(dòng)態(tài)特性高階模型Tab. 1 High-order model of super heater動(dòng)態(tài)特性(高階模型負(fù)荷/%導(dǎo)前區(qū)W2(s 惰性區(qū)W1(s30 44 62 88 100 8.07/(24s+126.62/(21s+124.35/(19s+122.01/(16s+121.58/(14s+121.48/(46.6s+141.66/(39.5s+141.83/(28.2s+142.09/(22.3s+142.45/(15.8s+14系數(shù),其它

22、點(diǎn)用簡(jiǎn)單的折線實(shí)現(xiàn),即100%30%負(fù)荷分別對(duì)應(yīng)的K為K100、K88、K62、K44、K30。同樣采用IGA進(jìn)行優(yōu)化,在實(shí)際優(yōu)化時(shí),為盡量減少優(yōu)化變量的個(gè)數(shù),以100%負(fù)荷為基準(zhǔn),即K100取為1而不進(jìn)行優(yōu)化。4.2 基于IGA的串級(jí)汽溫控制系統(tǒng)PID參數(shù)優(yōu)化(1抗體編碼對(duì)于GA的編碼問題,一般采用二進(jìn)制編碼方法,本文采用浮點(diǎn)數(shù)(十進(jìn)制編碼。浮點(diǎn)數(shù)編碼方法是指?jìng)€(gè)體的每個(gè)基因值用某一范圍內(nèi)的一個(gè)浮點(diǎn)數(shù)來表示,個(gè)體的編碼長(zhǎng)度等于其決策變量的個(gè)數(shù)。浮點(diǎn)數(shù)編碼方法彌補(bǔ)了二進(jìn)制編碼連續(xù)函數(shù)離散化時(shí)的映像誤差等缺點(diǎn),而且便于反映所求問題的特定知識(shí)。其主要優(yōu)點(diǎn)還有:適合于在遺傳算法中表示范圍較大的數(shù);適合

23、于精度要求較高的遺傳算法;便于較大空間的遺傳搜索;改善了遺傳算法的計(jì)算復(fù)雜性,提高了運(yùn)算效率;便于遺傳算法與經(jīng)典優(yōu)化方法的混合使用;便于設(shè)計(jì)針對(duì)問題的專門知識(shí)的知識(shí)型遺傳操作數(shù);便于處理復(fù)雜的決策變量約束條件。浮點(diǎn)數(shù)編碼的具體步驟和二進(jìn)制編碼相同,其具體實(shí)現(xiàn)方法見文12。具體實(shí)現(xiàn)時(shí),每個(gè)抗體對(duì)應(yīng)一組V APID控制器參數(shù),將V APID控制器的15個(gè)系數(shù)進(jìn)行混合十進(jìn)制編碼后的每一個(gè)抗體串形如表2。表2 抗體編碼Tab. 2 Antibody encoding編碼1 2 3 4 5 6 7 8 9 10 11 12 13 14 15K P10KP1P1K i10Ki1i1K d10Kd1d1K

24、P2K i2K88K62K44K30(2適應(yīng)度函數(shù)的設(shè)計(jì)設(shè)抗體P i對(duì)應(yīng)的PID系數(shù)的能量函數(shù)為E i,則適應(yīng)度函數(shù)F(i可直接定義為E i的函數(shù)。本文設(shè)定為F(i=1/(E i+A (8式中A為大于零的常量,引進(jìn)A的目的是避免算法因分母接近于0而溢出。對(duì)本文考慮的魯棒優(yōu)化問題,取tteE kkkid(251= (9式(9表明:E I為綜合考慮5種典型工況下的控制偏差e k(t=r k(ty k(t之平方積分項(xiàng),然后經(jīng)過k加權(quán)求和的結(jié)果。216 中 國(guó) 電 機(jī) 工 程 學(xué) 報(bào) 第23卷(3演變記憶細(xì)胞(免疫記憶由于問題的特殊性,在抗體的編碼中,既有共同適應(yīng)5種工況的共性參數(shù)(前11個(gè)基因,又有

25、針對(duì)不同負(fù)荷的特殊參數(shù)(后4個(gè)基因,因而免疫記憶功能顯得尤為重要。因?yàn)樵诿總€(gè)負(fù)荷處進(jìn)行IGA 優(yōu)化時(shí),至少有3個(gè)(對(duì)100%負(fù)荷有4個(gè)基因?qū)?yōu)化結(jié)果沒有影響,為了保證進(jìn)化朝著最優(yōu)的方向進(jìn)行,每次優(yōu)化都進(jìn)行兩種免疫記憶,一種是對(duì)11個(gè)共性參數(shù)的共性記憶,另一種是對(duì)4個(gè)特殊參數(shù)的特殊記憶。記憶的目的是保留適應(yīng)值高的個(gè)體所對(duì)應(yīng)的相應(yīng)基因塊。 (4遺傳操作1交叉:采用兩點(diǎn)交叉方式。2高斯變異:將各抗體解碼后依次按式(10變異PID 系數(shù), 變異后組成新的抗體。1,0(11µ+=i F K K p p (10式中 F (i 為抗體i P 的適應(yīng)度;a 為-11之間的數(shù);µ(0,1為高

26、斯算子。(5多樣性保持和基于濃度的群體更新 生物免疫機(jī)制保證各種抗體在任何時(shí)刻都存在于生物機(jī)體中,因此,每一代的計(jì)算過程中,在濃度較高的抗體中選出總抗體數(shù)的5%,代之以隨機(jī)產(chǎn)生的新抗體,以保持抗體的多樣性。 IGA 的群體更新策略結(jié)合免疫機(jī)制中抗體間基于濃度的相互抑制作用,引入濃度因子調(diào)整個(gè)體的選擇幾率P s (i ?？偟哪繕?biāo)是抑制濃度過高抗體,同時(shí)保證適應(yīng)度高的個(gè)體被選中的概率大。因?yàn)榭贵w的濃度過高,則在進(jìn)化過程中容易陷入未成熟收斂。具體方法為ii i i s F i F F i F C i P max (max (1(+= (11 式中 ,為01之間的可調(diào)參數(shù);F i (i 為第i 個(gè)個(gè)體

27、的適應(yīng)度;max F i 為抗體的最大適應(yīng)度;C 為抗體濃度, 定義為具有相近適應(yīng)度的抗體個(gè)數(shù)與群體中抗體總數(shù)的比值。由上式可以看出:對(duì)高濃度的t 個(gè)抗體,其中適應(yīng)度較高的抗體獲得的得分修正反而較少;若抗體的濃度不高,則上式也可保證高適應(yīng)度的抗體得到的得分修正相對(duì)也高。多樣性保持和基于濃度的群體更新策略可有效地避免由于近親繁殖所導(dǎo)致的早期收斂。4.3 基于IGA 魯棒優(yōu)化的串級(jí)VAPID 汽溫控制系統(tǒng)仿真研究使用IGA 優(yōu)化方法獨(dú)立運(yùn)行20次得到最優(yōu)PID 參數(shù),外回路V APID 為:K p 10=0.158, K p 1=1.656, p 1=0.449;K i 10=0.0025, K

28、i 1=1.219, i 1=0.516;K d 10=0.545, K d 1=2.048, d 1=0.407;內(nèi)回路常規(guī)PI 參數(shù)為:K p 2=1.1, K i 2=0.04;外回路的比例增益隨負(fù)荷的修正系數(shù)為:K 88=1.251, K 62=1.477, K 44=1.932, K 30=2.386。其中在4.2節(jié)中定義的有關(guān)參數(shù)選取如下:式(8中A =0.001;式(9中k 為1=2=3= 0.215分別對(duì)應(yīng)100%、88%和62%負(fù)荷, 4=0.195對(duì)應(yīng)44%負(fù)荷,5=0.16對(duì)應(yīng)30%負(fù)荷,從而重點(diǎn)照顧高負(fù)荷運(yùn)行;式 (11中=0.4,=0.6?；贛ATLAB/SIMUL

29、INK 的2個(gè)單位階躍響應(yīng)仿真結(jié)果如圖4所示,圖4(a(e分別為100%、88%、62%、44%和30%負(fù)荷時(shí)汽溫響應(yīng)曲線y (上行及相應(yīng)的控制量u (下行,其中在1000s 時(shí)加入了5%輸出端階躍測(cè)量擾動(dòng),1500s 時(shí)加入了10%的控制量階躍測(cè)量干擾。從仿真結(jié)果可看出,所優(yōu)化的PID 控制器具有良好的設(shè)定值跟蹤和抗干擾能力,尤其在高負(fù)荷時(shí)效果很好,僅僅在30%負(fù)荷處性能略有下降,從而達(dá)到了多模型系統(tǒng)同時(shí)整定的目的。對(duì)于控制量的變化情況,除了起始時(shí)刻設(shè)定值階躍情況下波動(dòng)幅度較大以外,在干擾信號(hào)作用下調(diào)節(jié)十分平穩(wěn),而這一點(diǎn)則是生產(chǎn)現(xiàn)場(chǎng)實(shí)際應(yīng)用時(shí)最關(guān)心的問題。0 1000 2000 0 1000

30、 2000 0 1000 2000 0 1000 2000 0 1000 20000.00.5t /s t /s t /s t /s t /st /s t /s t /s t /s t /s圖4 基于IGA 魯棒優(yōu)化的鍋爐汽溫系統(tǒng)VAPID 控制仿真曲線Fig. 4 Simulation results of steam temperature VAPIDcontrol based on IGA optimization圖5給出了在噪聲干擾情況下汽溫系統(tǒng)在88%負(fù)荷時(shí)VAPID 控制仿真曲線及PID 參數(shù)變化情況,所加噪聲均值為0,方差分別為控制量和測(cè)量輸出穩(wěn)態(tài)值的1%幅度的白噪聲,由圖5可見

31、,系統(tǒng)穩(wěn)第9期 王東風(fēng)等：基于免疫遺傳算法優(yōu)化的汽溫系統(tǒng)變參數(shù) PID 控制 25(4：59-63. 217 定，而且 VAPID 的參數(shù)變化也表現(xiàn)出較好的抗干 擾能力。 值得說明的是，雖然仿真整定工作只是在文中 給出的 5 個(gè)固定工作點(diǎn)展開的，但由于進(jìn)行的是魯 棒整定，除了 Kp10 對(duì)負(fù)荷信號(hào)的修正系數(shù)是變化的 外， 其余參數(shù)均被 IGA 搜索到了適應(yīng)所有工況的最 佳值并被最終固定下來，因此算法對(duì)于 100%30% 之間的其它工況均可保證良好的控制性能。對(duì)于這 一點(diǎn)，作者利用插值的方法對(duì)其它負(fù)荷如 95%， 75%，55%等也做了仿真研究，仿真結(jié)果與圖 4 的 曲線具有同樣的性能。 y 2

32、 1 0 -1 0 1000 (a 輸出 0.2 0.0 2000t/s 0 1000 (b Kp 4 2 2000t/s 0 1.0 1000 (c Ki 0.5 2000t/s 0 1000 (d Kd 2000t/s Kp 0.4 ×10-3 Ki 6 Kd 1.5 2 鐘慶昌, 謝劍英, 李輝(Zhong Qingchang,Xie Jianying,Li Hui. 變參 數(shù) PID 控制(PID controller with variable argumentsJ.信息與控制, 1999,28(4：273-277. 3 劉志遠(yuǎn), 呂劍虹, 陳來九(Liu Zhiyuan,

33、 Lu Jianhong, Chen Laijiu.智 能 PID 控制器在電廠熱工過程控制中的應(yīng)用前景(Prospects of application of intelligent PID controller in power plant thermal process controlJ.中國(guó)電機(jī)工程學(xué)報(bào)(Proceedings of the CSEE, 2002, 22(8： 128-134. 4 李萌, 沈炯(Li Meng, Shen Jiong. 基于自適應(yīng)遺傳算法的過熱汽溫 PID 參數(shù)優(yōu)化控制仿真研究(Simulation study of adaptive GA-based

34、 PID parameter optimization for the control of superheated steam temperatureJ.中國(guó)電機(jī)工程學(xué)報(bào)(Proceedings of the CSEE, 2002, 22(8：145-149. 5 范永勝, 徐治皋, 陳來九(Fan Yongsheng, Xu Zhigao, Chen Laijiu.基 于動(dòng)態(tài)特性機(jī)理分析的鍋爐過熱汽溫自適應(yīng)模糊控制系統(tǒng)研究 (Study of adaptive fuzzy control of boiler superheated steam temperature based on dy

35、namic mechanism analysisJ.中國(guó)電機(jī)工程 學(xué)報(bào)(Proceedings of the CSEE, 1997,17(1：23-28. 6 Chun J S, Kim M K, Jung H K, et al. Shape optimization of electronic devices using immune algorithmJ. IEEE Trans. On Magnetics, 1997, 33(2：1876-1879. 7 Tazawa I, Koakutsu S, Hirata H. An evolutionary optimization based o

36、n the immune system and its application to the VLSI floor-plan design problemA.Trans. of the Institute of Electrical Engineers of Japan,Part CC,1997,117-C(7：821-828. 8 王磊, 潘進(jìn), 焦李成(Wang Lei,Pan Jin,Jiao Licheng. 免疫算法(The immune algorithmJ. 電子學(xué)報(bào)(ACTA Electronoc SINICA, 2000, 28(7：74-78. 9 Rudolph G. Convergence properties of canonical genetic algorithmJ. IEEE Trans. on NN., 1994,5(1：96-101. 10胡包鋼(Hu Baogang, Mann G K I, Gosine R G. 關(guān)于模糊 PID 控制器 推理機(jī)維數(shù)的研究( Study of dimensionality of fuzzy inference for Automation SINICA, 圖 5 在噪聲干擾情況下汽溫系統(tǒng) VAPID 控制仿真曲線