CN105487496B - 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法 - Google Patents
基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法 Download PDFInfo
- Publication number
- CN105487496B CN105487496B CN201510485228.9A CN201510485228A CN105487496B CN 105487496 B CN105487496 B CN 105487496B CN 201510485228 A CN201510485228 A CN 201510485228A CN 105487496 B CN105487496 B CN 105487496B
- Authority
- CN
- China
- Prior art keywords
- individual
- pid controller
- island
- hfc
- fitness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 155
- 230000008569 process Effects 0.000 title claims abstract description 114
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 69
- 230000002068 genetic effect Effects 0.000 title claims abstract description 66
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 230000010354 integration Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 76
- 230000005540 biological transmission Effects 0.000 claims description 49
- 230000004044 response Effects 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 24
- 230000006978 adaptation Effects 0.000 claims description 20
- 241000894007 species Species 0.000 claims description 16
- 230000010429 evolutionary process Effects 0.000 claims description 14
- 238000002360 preparation method Methods 0.000 claims description 12
- 238000013178 mathematical model Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000010353 genetic engineering Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 238000007667 floating Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 230000019771 cognition Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims 1
- 230000000630 rising effect Effects 0.000 claims 1
- 230000007246 mechanism Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 108090000623 proteins and genes Proteins 0.000 description 8
- 241000124008 Mammalia Species 0.000 description 5
- 230000003139 buffering effect Effects 0.000 description 4
- 238000012850 discrimination method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002028 premature Effects 0.000 description 4
- 238000013517 stratification Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于双目标并行ISLAND‑HFC混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法，其步骤如下：一、搭建硬件平台；二、所述优化方法由硬件平台执行前台界面软件和后台软件完成；后台软件由现场试验及数据采集软件、过程辨识软件和PID控制器参数优化软件组成；本发明将ISLAND模型和HFC模型有机地融为一体，抗早熟收敛性强，充分利用工业控制计算机的多核CPU资源，多线程并发运行，进化速度快，适于解决复杂问题；双目标进化一方面控制进化模型与理想模型之间的误差，另一方面控制进化个体的结构，最终使最优个体结构和参数都满足要求，对于过程辨识，精确匹配出现场过程模型，对于PID控制器参数优化，得出最优比例、积分、微分参数。
Description
技术领域
本发明涉及一种基于双目标并行ISLAND-HFC混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法，属于热工自动化智能控制、进化计算技术领域。
背景技术
1.火力发电厂控制优化现状
现代大型火力发电机组大容量高参数运行，燃煤发电节能降耗潜力巨大；同时，国家对零排放、低污染等环保方面要求日益严格，通过现场分布式控制系统（简称DCS）控制优化实现节能环保目标，已经是火力发电厂的迫切需求。DCS控制中80%以上是PID控制，通过对PID参数的优化整定可改善闭环控制的动态响应（见图3），实现目标最优控制。对锅炉风、煤、水以及汽机调门的优化控制可达到节能降耗的目标；对脱硫、脱硝等环保环节的控制可降低机组排放，提高环保性能。
在控制理论中，控制优化的前提是建立被控对象的精确数学模型，这一工作需要进行现场开环阶跃试验，采集过程响应数据，然后运行过程辨识算法。由于缺少在线的数据采集及过程辨识装置，目前在现场很难实现。目前，现场实际工作中都是通过多次阶跃试验观察动态响应曲线，不断调节PID参数实现优化，这一过程耗费很多人力、时间，对机组的安全运行也容易产生不利影响。
2.数学建模的现有方法
建立系统数学模型的方法有两种：机理分析法和辨识法。
机理分析法通常需要通过分析过程的运动规律，运用一些已知的定律、定理和原理，如化学动力学原理、生物学定律、牛顿定理、物料平衡方程、能量平衡方程和传热传质原理等，才能建立过程的数学模型。这种方法也称作理论建模。对于比较复杂的实际系统来说，这种建模方法有很大的局限性。这是因为进行理论建模时，对所研究的对象必须提出合理的简化假定，否则会使问题过于复杂化，然而这些假定往往不一定能符合实际情况。何况实际过程的机理有时也并非完全知道。另外，过程的某些因素也可能在不断变化，难以精确描述，如受热面积垢、催化剂老化等。诸如此类的原因使得理论建模法应用受到很大局限。
辨识法是根据系统的输入、输出数据建立系统数学模型的方法。过程的输入、输出数据一般是可以测量的，而过程的动态特性必然表现在这些输入、输出数据之中，所以可以基于输入、输出数据建模。辨识法无须对系统的机理有非常深入的了解，所以比机理分析法有优越之处。
迄今为止，在系统辨识领域，已经有非参数模型辨识法（又称经典辨识法）、参数模型辨识法（又称现代辨识法）、人工智能辨识法（包括神经网络、模糊逻辑、遗传算法）等多种不同的辨识方法。然而，以上所述各种辨识方法都有不足之处，例如：经典辨识方法适用范围是线性系统；现代辨识方法模型辨识与参数辨识需分步进行；神经网络或模糊逻辑等人工智能方法将系统作为纯粹的黑箱，无法给出显式的输入、输出之间的数学关系。
总而言之，现有的建模方法都有其局限性和不足。如何高效、精确地为各种复杂的目标系统建立数学模型一直是控制领域关注和研究的问题。
3.单种群遗传编程算法及其在辨识和控制优化方面的应用
遗传编程这种人工智能算法是对自然界进化的模拟，该算法在程序空间中通过进化寻找能非常好解决用户问题的程序。在算法运行过程中，程序以“树”的数据结构存在。从理论上讲，使用遗传编程算法时，只需要告诉计算机 “需要完成什么”，而不用告诉它“如何去完成”，算法即可自动给出结果。这一算法最终可能实现真正意义上的人工智能：自动化的发明机器。
传统的遗传编程算法基于单种群结构，算法运行时，首先要确定解决用户问题所需的终端集合（包括变量、随机常数等）和函数集合（包括各种运算符、数学函数等），然后由终端集合和函数集合随机地产生原始种群（几百个甚至几千个程序组成的集合）。
然后确定适应度标准，就是衡量一个程序解决用户问题的能力，类似于自然界中生物对环境的适应性。适应度有多种表达方式，如原始适应度、标准适应度、修正适应度、正态适应度等。原始适应度根据用户问题的本质确定，其它适应度根据原始适应度计算而得。
在进化过程中，两个程序之间发生类似生物有性繁殖的基因交叉操作（“树”状程序之间的交叉），单个程序发生类似生物无性繁殖的个体复制操作，此外还有模拟生物基因突变等行为的操作。与自然界的进化相似，适应度高的个体程序被选中参与基因交叉、个体复制等操作的机会大，从而他们的整体或一部分通过基因操作传递到下一代的可能性就大，适应度低的个体逐渐消亡，也就是达尔文进化论的“物竞天择，适者生存”。这样经过数十代乃至数百代的进化，种群中就能出现适应度比较高，能较好解决用户问题的程序。单种群算法的流程图如附图11所示。
应用于系统辨识和控制优化，将描述对象模型的传递函数以及控制对象的控制算法视为程序，遗传编程可以按照优化目标（适应度标准）进化出满足要求的对象模型或控制算法，从而实现精确建模和控制算法的优化。
对于复杂的对象，普通的单种群遗传编程算法容易早熟收敛于局部最优点，不能得出精确数学模型，需要采用抗早熟收敛技术。ISLAND模型和HFC（hierarchical faircompetition）模型是广泛采用的抗早熟收敛多种群进化技术，以下做简要介绍。
4. ISLAND多种群并行进化模型
ISLAND模型是一种在进化计算中广泛应用的多种群模型。
在此模型中，整个进化种群被分为若干个对等的子种群，每个子种群独立进化，相当于一个单种群进化系统。子种群之间按照一定的速率（每隔若干代）进行个体交换，每次交换若干个个体。算法一般采取客户机-服务器方式，每个客户机运行一个单种群进程，服务器控制子种群之间的交换。常见的交换方式有环形交换法（见图12-1）、交叉交换法（见图12-2）、随机交换法（见图12-3）等。最常用的交换方式是用A子种群中k个最好的个体替换B子种群中k个最差的个体；然后用B子种群中k个最好的个体替换A子种群中k个最差的个体。
基于ISLAND模型的多种群进化算法可运行于多个通过局域网互联的计算机上，可设置为每个客户计算机运行一个子种群，服务器负责协调客户机上运行的子种群之间的个体交换;或运行于一个多CPU的计算机上，每个子种群以一个线程的方式运行，从而提高运行效率，加速进化进程。
ISLAND模型遗传编程算法流程图如图13所示。
5.HFC遗传编程算法描述
在传统的进化计算算法中，随着进化的进行，种群的平均适应度越来越高，种群逐渐失去了在搜索空间“探索”的能力，对于简单问题，算法可能会收敛于全局最优点，但对于复杂问题，算法可能只能找到局部最优点而早熟收敛。发生收敛后，种群中个体间相似性增大，个体间的适应度差值越来越小，即使增大选择压力（如采取排名选择、锦标赛选择等方法），也很难进一步甄别个体的好坏而得出更好的结果。
种群一旦收敛，就丧失了通过进化较大规模改变个体基因结构的能力，而对基因结构小的改变无法将算法拽出局部最优点，所以最终算法无法持续进化。
对于复杂问题，其搜索空间可能是巨大、多维、多模的，局部最优点可能非常多，甚至比一般进化算法的种群个体数量还多。在传统进化框架中，为了解决此类问题，都是尽可能广泛地“探索”搜索空间，一是要增加种群中个体的数量，另外还要保持种群中个体的多样性。但这样做的代价是算法的运算成本大大增加，效率严重降低。
HFC算法就是根据这种需求创建的抗早熟收敛进化算法。其解决早熟收敛模型的抗早熟机理可用自然界、人类社会教育系统中普遍存在的层次化公平竞争比喻说明。
（1）自然界中的层次化公平竞争
自然界进化中，自低端的单细胞生物到高端的哺乳动物乃至人类都有其生存的空间，形成了各自的生态位。自然选择的“最适者生存”只是一种局部的现象，自然界存在着保护弱者的机制，不会因为哺乳动物比单细胞生物高等就淘汰掉单细胞生物。事实上每种生物都是自然界不可分的一部分，进化史也表明，哺乳动物是从单细胞生物进化而来的。
同样，在单个种群中也存在这种机制，例如哺乳动物：成年哺乳动物会保护、养育自己的子兽，使它们在成年前，不需要跟种群中的其它成年个体直接竞争，而是与同龄的子兽在一起成长，直至能够独立。
（2）人类社会教育系统中存在的层次化公平竞争
在人类社会的教育系统中，学生按照所学知识由易到难被分为不同级别（从小学生、初中生、高中生、本科生、硕士生直至博士生）。同等知识水平的学生被组织在一起学习，知识水平相差较大的学生不会在一起竞争（如中学生不会跟博士生在一起竞争）。这样不同层次的学生都有充分的成长时间和机会，一个孩子可以在这个系统中通过努力学习从小学生一直成长为博士。
以上所举的例子有如下共同点：在种群进化发展过程中，弱者被保护，具有大致相同能力的个体被组织在一起竞争，弱者与强者之间不会直接竞争，这样就给了弱者足够的时间和机会成长、发展，变成强者。种群中不同能力的个体都有足够的机会参与进化，也就保证了种群的多样性。
这种模型被称为层次结构公平竞争模型 (Hierarchical Fair Competition, 简称HFC)。
HFC模型应用于进化计算（如遗传编程、遗传算法等），就形成了可有效防止早熟收敛的进化计算算法。
HFC进化构架使用三种主要机制来模拟自然界或人类社会中的层次化公平竞争：
a.按适应度由低到高组织的层次化结构的多种群机制
在HFC算法中，整个种群按适应度(使用修正适应度)由低到高分为n个子种群。每个子种群都设置一个低适应度域限和一个高适应度域限。假设n个子种群分别为子种群1、子种群2、……..、子种群n，则自子种群1到子种群n适应度域限由低到高取值，且第i个子种群的高适应度域限，等于第i+1个子种群的低适应度域限。子种群1的低适应度域限取值为最小可能的适应度值(0.0)，子种群n的高适应度域限取值为最大可能的适应度值(1.0)，这样整个种群的适应度值域范围就涵盖了所有可能的适应度取值。
在HFC算法中，各子种群的高、低适应度域限可以设为定值或在进化过程中动态设置。若域限采用动态设置的方法得出，则称这种算法为自适应HFC (adaptivehierarchical fair competition，简称AHFC) 算法。在AHFC中，在原始种群产生后，以及算法每进化若干代后(由个体交换率和子种群适应度域限刷新率确定)，都要计算、刷新各子种群的适应度域限，具体的适应度域限计算方法如下所述。
假设当前整个种群中全部个体适应度的平均值和标准差分别为 fμ和σf，整个种群中最高适应度值为fmax ，则子种群1到n的适应度低限fth1, fth2,…fthn (fth1<fth2<……fthn)的计算方法如式 (A) 到式 (D) 。
fth1＝最小可能适应度值 (A)
fth2＝ fμ (B)
fthn= fmax – σf (C)
i= 3, 4, 5, 6…… n-1 (D)
b.种群间的单向个体流动（自低适应度子种群向高适应度子种群）及公平竞争机制
在每次计算、刷新各子种群的适应度域限后，每个子种群中的每个个体都被检查其适应度值，若个体的适应度值大于当前所在子种群的高适应度域限，则此个体将被重新分配到其它子种群中，分配的原则是此个体的适应度值能落在新分配的子种群的高、低适应度域限之间；否则，该个体继续存在于它原来的子种群中。
可见，在HFC算法中，个体只从低适应度子种群向高适应度子种群流动，不允许向相反的方向流动。
个体流动时，每个子种群都建立一个输入缓冲，流入的个体首先被暂存在输入缓冲中，个体交换结束时，按适应度由高到低的顺序将缓冲中的个体拷贝到子种群中。若子种群拷贝满了，输入缓冲中多余的个体将被抛弃掉；若所有输入缓冲中的个体都拷贝入子种群后，子种群仍有空缺位置，则空缺的位置由随机产生的新个体占据。
个体交换结束，各子种群继续进行各自的进化，其进化过程与单种群进化相同。算法一直运行到满足结束条件为止，然后最优个体被作为结果给出。
在HFC算法中，适应度相差比较大的个体被分隔在不同的子种群中，适应度相近的个体被组织在同一子种群中进化，这样就保护了“弱者”，使所有个体都有充分的机会“成长壮大”。这样在进化的任何阶段，在整个种群中都存在自高到低各种适应度的个体，实现了类似自然界和人类社会中存在的公平竞争，保证了种群的多样性和可持续进化的进行。
HFC模型种群总体结构如附图14所示。
c.新鲜“基因材料”的不断产生机制
由图14可以看出，在HFC多子种群层次结构的最底层，不断地随机产生新鲜的个体（基因材料），并将新鲜的基因材料不断地通过子种群间交换向高适应度子种群输送；此外，子种群在个体交换过程中出现的空余位置由随机产生的新个体占据，引入了“新鲜血液”。这些措施都保证了整个种群中个体的多样性，拓宽了算法在整个程序空间的搜索范围，使进化计算的“生产线”不会缺少新鲜原材料，能持续不断地生产高适应度的“成品”，从而有效防止了早熟收敛的发生。
可以看出通过以上三种机制，HFC进化框架突破了传统的收敛性进化框架的局限性，使进化可在由低到高的各个适应度区域持续进行。
HFC模型进化流程如图15所示。
发明内容
本发明所要解决的技术问题是提供一种抗早熟收敛性能强、进化速度快的基于双目标并行ISLAND-HFC混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法。
本发明解决其技术问题所采用的技术方案：
一种基于双目标并行ISLAND-HFC混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法，其步骤如下：
一、搭建硬件平台
所述硬件平台包括现场分布式控制系统DCS和工业控制计算机；所述现场分布式控制系统DCS的各柜体内的分布处理单元DPU通过DCS现场总线双冗余通信网络相连接；所述现场分布式控制系统DCS的各柜体内的分散处理单元DPU、输入输出模块或通信卡之间通过DCS柜内通信总线相连接；第一柜体内的通信卡与工业控制计算机的RS485串行通信口相连接；所述工业控制计算机具有双核及以上CPU；所述通信卡采用MODBUS通信卡；
二、所述优化方法由所述硬件平台执行前台界面软件和后台软件完成；所述后台软件由现场试验及数据采集软件、过程辨识软件和PID控制器参数优化软件组成；
（一）现场试验及数据采集软件：
（1）首先置所述现场分布式控制系统DCS中的被辨识环节于开环状态，即置PID控制器处于手动运行状态；
手动调节PID控制器的输出信号u(t)，分别施加两种信号即阶跃信号和斜坡信号，两种信号的幅度分别为PID控制器的输出信号u(t)的满量程的8%—10%，所述斜坡信号的上升或下降速率小于每分钟所述满量程的一半；
（2）通过所述数据采集软件采集所述阶跃信号和斜坡信号的过程开环响应数据，所述工业控制计算机显示所述过程开环响应曲线，并将过程开环响应数据写入数据文件；
（二）过程辨识软件：
所述工业控制计算机调用双目标并行ISLAND-HFC混合模型遗传编程算法进行过程辨识；
（1）所述双目标并行ISLAND-HFC混合模型遗传编程算法为：将ISLAND模型和HFC模型有机融合，充分利用工业控制计算机多CPU的硬件优势，采用多线程并发运行，形成一种运行高效、有效抗早熟收敛的进化算法；
a.关于ISLAND-HFC混合模型：
所述ISLAND-HFC混合模型的多种群进化分为内外两个层面，在外层面，各ISLAND子种群按照ISLAND模型进行进化，在内层面每个ISLAND子种群内部再按HFC适应度规则细分为HFC子种群；
在进化过程中，在外层面，每个ISLAND子种群以单线程运行，彼此之间每20~25代交换一次个体，交换个体来自ISLAND子种群内部的适应度最高HFC子种群；在内层里，每个ISLAND子种群内部以HFC模型方式进化，每10~15代按适应度规则重新划分每个个体的子种群归属；
单个HFC子种群按照普通的单种群进化方式进化，自父辈种群中按照与适应度成比例的概率选取个体参与基因操作即交叉操作和突变操作，对于交叉操作选取两个个体，对于突变操作只选取一个个体，基因操作产生子代个体最终替换父代个体，完成种群的一代进化；
b.双目标进化：
对于过程辨识，在运行过程中，由于进化的随机性，进化个体会产生本不属于现场过程传递函数的冗余项目；
为了能够控制进化个体传递函数，达到精确辨识的目的，适应度采用了双目标，一个目标控制模型的误差，另一个目标控制模型的结构，从而实现过程辨识数学模型的精确建立；
c.进化前的准备工作：
①函数集合与终端集合定义：
使用遗传编程进化传递函数，采用的函数集合为：
{ +， - ， ，/}
其中“/”仅在根节点使用；
采用的终端集合为：{ s，R }
其中s为拉普拉斯变换微分算子，R为-1.0 ~ 1.0之间的随机浮点数，用于匹配传递函数参数；
②树状传递函数的结构：
典型的SISO即单输入单输出传递函数如式 （1） 所示：
（1）
式中是被控量的拉普拉斯变换，是过程输入量的拉普拉斯变换，n、m为传递函数阶次，……和……是不同阶次的系数，过程辨识就是通过输入、输出数据推导出传递函数的阶次即结构和各阶次系数即参数；
所述ISLAND-HFC混合模型遗传编程算法是对树状程序的进化，为了以树状程序表征传递函数，将典型的SISO传递函数式（1）中等号右侧的分式以树状形式表示；
在个体初始化以及整个进化过程中，每个进化个体的根节点固定为函数节点“/”，即代数中的除法表示符号，通过进化自动匹配出传递函数阶次以及和的值，从而实现过程辨识；
③适应度定义：
过程辨识中采用双目标适应度：
目标1：误差
假设现场实际采集的阶跃过程输入信号为
阶跃响应输出信号为
假设现场实际采集的斜坡过程输入信号为
斜坡响应输出信号为
将阶跃过程输入信号输入ISLAND-HFC混合模型遗传编程进化种群中的个体传递函数模型，得到的第一输出信号为
将所述斜坡过程输入信号输入ISLAND-HFC混合模型遗传编程进化种群中的个体传递函数模型，得到的第二输出信号为
则阶跃响应的最小二乘误差定义如式（2）：
（2）
斜坡响应的最小二乘误差定义如式（3）：
（3）
进化个体的总最小二乘误差定义为：
+ （4）
目标2： 结构控制
进化过程的随机性容易使个体变得结构复杂庞大，在过程辨识中，进化出的传递函数中往往含有很多目标系统中不存在的冗余项，为了控制个体的结构，采用结构控制目标；
将每个个体分子、分母多项式都化简为最简s多项式形式，假设分子、分母最简多项式项数最大为N，则结构目标值定义如式（5）：
（5）
进化适应度根据两个进化目标计算如下：
定义标准适应度：
（6）
定义修正适应度:
（7）
在过程辨识软件中，个体适应度使用修正适应度，取值在0.0~1.0之间，适应度值越高，个体越优秀；
④ISLAND-HFC混合模型遗传编程控制参数：
ISLAND-HFC混合模型遗传编程控制参数定义如下表1所示：
表1：
d.利用ISLAND-HFC混合模型遗传编程算法进行过程辨识：
进化准备工作完成后，开始运行所述双目标并行ISLAND-HFC混合模型遗传编程算法进行过程辨识，从而进化出最优个体传递函数；
（三）PID控制器参数优化软件：
由工业控制计算机调用所述双目标并行ISLAND-HFC混合模型遗传编程算法进行PID控制器参数优化，将上述过程辨识软件进化出的最优个体传递函数作为PID控制器参数优化软件的仿真对象，最终进化出最优比例、积分、微分参数：
（1）利用所述最优个体传递函数进行仿真：
PID控制器由比例、积分、微分三部分组成：
（8）
（9）
（10）
其中、、分别为PID控制器的比例、积分、微分系数；、、分别为单个比例、积分、微分控制器的输出，PID控制器的总输出即过程的输入定义为：
（11）
其传递函数形式为
= （12）
上式（12）为PID控制器采用的传递函数表达形式，进化过程中用树状程序表示；
（2）进化前的准备工作：
a.函数集合与终端集合定义：
采用的函数集合为：{ +， - ， }
采用的终端集合为：{ s，，R }
其中s为拉普拉斯变换微分算子，1/s 为拉普拉斯变换积分算子，R为-1.0 ~ 1.0之间的随机浮点数，用于匹配PID控制器参数；
b.适应度定义：
PID控制器参数优化过程中采用双目标适应度：
目标1：误差控制
利用设定值sp仿真阶跃信号和斜坡信号以计算控制误差；
假设设定值信号为阶跃信号sp1(t)，其幅度为被控量满量程的8% ~ 10%；
sp时
进化个体PID控制器的输入信号为
输出信号为
定义偏差
（13）
定义阶跃响应最小二乘误差为：
（14）
式中第一项目标是消除控制误差，第二项目标是减少PID控制器运行中的能量消耗,系数0.9、0.1用于调节权重；
同样，当设定信号为斜坡信号sp2(t)，其信号幅度为满量程的8% ~ 10%；上升或下降速率<50%满量程/分钟；
sp2 时
进化个体PID控制器的输入信号为
输出信号为
定义偏差
（15）
定义阶跃响应最小二乘误差为：
（16）
总控制误差定义为：
（17）
目标2： 结构控制
进化过程的随机性容易使个体变得结构复杂庞大，在PID控制器参数优化过程中，进化出的PID控制器参数中往往含有冗余项即不属于比例、积分、微分项的其它项，为了控制进化个体的结构，采用结构控制目标；
将每个个体化简为最简s多项式形式，假设最简多项式项数为N，则结构目标值定义如式（18）：
（18）
进化适应度根据两个进化目标计算如下：
定义标准适应度：
（19）
修正适应度定义如式（7）；
在PID控制器参数优化过程中，个体适应度使用修正适应度，取值在0.0~1.0之间，适应度值越高，个体越优秀；
c.ISLAND-HFC混合模型遗传编程控制参数：
ISLAND-HFC混合模型遗传编程运行控制参数如所述表1所示；
（3）利用所述ISLAND-HFC混合模型遗传编程算法进行PID控制器参数优化：
进化准备工作完成后，开始运行所述双目标并行ISLAND-HFC混合模型遗传编程算法进行PID控制器参数优化；最终优化出比例、积分、微分参数；
（四）将最终优化出的比例、积分、微分参数写入DCS逻辑：
PID控制器参数优化程序进化出的最优化比例、积分、微分参数通过MODBUS通信在线回传给DCS逻辑，然后将PID控制器设置为自动运行方式，控制环节恢复闭环，从而实现所述优化方法。
本发明的有益效果如下：
（1）本发明将ISLAND模型和HFC模型有机地融合为一体，抗早熟收敛性能强，充分利用工业控制计算机的多核CPU资源，多线程并发运行，进化速度快，适合于解决复杂问题。
（2）双目标进化一方面控制进化模型与理想模型之间的误差，另一方面控制进化个体的结构，最终使最优个体结构和参数都满足要求，对于过程辨识，精确匹配出现场过程模型，对于PID控制器参数优化，得出最优比例、积分、微分参数。
（3）本发明可实现结构辨识和参数辨识的同步进行，无论是一阶、二阶、三阶还是大迟延系统，都可用ISLAND-HFC混合模型遗传编程算法进行进化，无需分步确定阶次和参数；对于PID控制器参数优化软件，灵活的进化个体结构及防早熟进化机制能使所述ISLAND-HFC混合模型遗传编程算法在更广泛搜索空间搜索，避免收敛于局部最优点，能够更加接近全局最优，使PID控制器运行于最优动态性能和节能状态。
（4）本发明实现在线过程辨识，与DCS通过串口MODBUS直接互联,使用LABVIEW 虚拟仪器技术将数据采集、过程辨识、PID控制器参数优化无缝集成，大大简化了现场控制器调试整定工作，减少工作量，提高现场工作效率。
附图说明
图1为本发明的硬件配置框图（示意图）。
图2位本发明的软件工作流程图。
图3为典型的PID控制器工作流程图。
图4为PID控制器置于开环试验的工作流程图。
图5为数据采集软件的工作流程图。
图6为传递函数树状结构图。
图7为ISLAND-HFC混合模型进化构架示意图。
图8为ISLAND-HFC混合模型遗传编程进化流程图。
图9为单个HFC种群进化一代流程图。
图10为最优传递函数数学模型仿真构架图。
图11为单种群进化的流程图。
图12-1为ISLAND模型子种群之间的环形交换法示意图。
图12-2为ISLAND模型子种群之间的交叉交换法示意图。
图12-3为ISLAND模型子种群之间的随机交换法示意图。
图13为ISLAND模型进化流程图。
图14为HFC模型种群总体结构图。
图15为HFC模型进化流程图。
具体实施方式
下面结合附图1-附图15和实施例对本发明作进一步说明。
实施例的具体步骤如下：
一、搭建硬件平台（见图1）
所述硬件平台包括现场分布式控制系统DCS和工业控制计算机；所述现场分布式控制系统DCS的各柜体内的分布处理单元DPU通过DCS现场总线双冗余通信网络相连接；所述现场分布式控制系统DCS的各柜体内的分散处理单元DPU、输入输出模块或通信卡之间通过DCS柜内通信总线相连接；第一柜体内的通信卡与工业控制计算机的RS485串行通信口相连接；所述工业控制计算机具有双核及以上CPU；所述通信卡采用MODBUS通信卡；
在本实施例中，工业控制计算机采用西门子SIMTIC IPC427C嵌入式工业PC机。
二、所述优化方法由所述硬件平台执行前台界面软件和后台软件完成；所述后台软件由现场试验及数据采集软件、过程辨识软件和PID控制器参数优化软件组成；
前台界面软件和数据采集软件采用LABVIEW G语言编写，过程辨识软件和PID控制器参数优化软件采用VC++语言编写；各软件工作的总流程图如图2所示。
（一）现场试验及数据采集软件：
（1）首先置所述现场分布式控制系统DCS中的被辨识环节于开环状态，即置PID控制器处于手动运行状态（见图4）；
手动调节PID控制器的输出信号u(t)，分别施加两种信号即阶跃信号和斜坡信号，两种信号的幅度分别为PID控制器的输出信号u(t)的满量程的8%—10%，所述斜坡信号的上升或下降速率小于每分钟所述满量程的一半；
（2）通过所述数据采集软件采集所述阶跃信号和斜坡信号的过程开环响应数据，所述工业控制计算机显示所述过程开环响应曲线，并将过程开环响应数据写入数据文件（见图5）；
（二）过程辨识软件：
所述工业控制计算机调用双目标并行ISLAND-HFC混合模型遗传编程算法进行过程辨识；
（1）所述双目标并行ISLAND-HFC混合模型遗传编程算法为：将ISLAND模型和HFC模型有机融合，充分利用工业控制计算机多CPU的硬件优势，采用多线程并发运行，形成一种运行高效、有效抗早熟收敛的进化算法；
a.关于ISLAND-HFC混合模型：
所述ISLAND-HFC混合模型的多种群进化分为内外两个层面，在外层面，各ISLAND子种群按照ISLAND模型进行进化，在内层面每个ISLAND子种群内部再按HFC适应度规则细分为HFC子种群（见图7）；
在进化过程中，在外层面，每个ISLAND子种群以单线程运行，彼此之间每20~25代交换一次个体，交换个体来自ISLAND子种群内部的适应度最高HFC子种群；在内层里，每个ISLAND子种群内部以HFC模型方式进化，每10~15代按适应度规则重新划分每个个体的子种群归属（见图8）；
单个HFC子种群按照普通的单种群进化方式进化，自父辈种群中按照与适应度成比例的概率选取个体参与基因操作即交叉操作和突变操作，对于交叉操作选取两个个体，对于突变操作只选取一个个体，基因操作产生子代个体最终替换父代个体，完成种群的一代进化（见图9）；
b.双目标进化：
对于过程辨识，在运行过程中，由于进化的随机性，进化个体会产生本不属于现场过程传递函数的冗余项目；
为了能够控制进化个体传递函数，达到精确辨识的目的，适应度采用了双目标；一个目标控制模型的误差，另一个目标控制模型的结构，从而实现过程辨识数学模型的精确建立；
c.进化前的准备工作：
①函数集合与终端集合定义：
使用遗传编程进化传递函数，采用的函数集合为：
{ +， - ， ，/}
其中“/”仅在根节点使用；
采用的终端集合为：{ s，R }
其中s为拉普拉斯变换微分算子，R为-1.0 ~ 1.0之间的随机浮点数，用于匹配传递函数参数；
②树状传递函数的结构：
典型的SISO即单输入单输出传递函数如式 （1） 所示：
（1）
式中是被控量的拉普拉斯变换，是过程输入量的拉普拉斯变换，n、m为传递函数阶次，……和……是不同阶次的系数，过程辨识就是通过输入、输出数据推导出传递函数的阶次即结构和各阶次系数即参数；
所述ISLAND-HFC混合模型遗传编程算法是对树状程序的进化，为了以树状程序表征传递函数，将典型的SISO传递函数式（1）中等号右侧的分式以树状形式表示（见图6）；
在个体初始化以及整个进化过程中，每个进化个体的根节点固定为函数节点“/”，即代数中的除法表示符号，通过进化自动匹配出传递函数阶次以及和的值，从而实现过程辨识；
③适应度定义：
过程辨识中采用双目标适应度：
目标1：误差
假设现场实际采集的阶跃过程输入信号为
阶跃响应输出信号为
假设现场实际采集的斜坡过程输入信号为
斜坡响应输出信号为
将阶跃过程输入信号输入ISLAND-HFC混合模型遗传编程进化种群中的个体传递函数模型，得到的第一输出信号为
将所述斜坡过程输入信号输入ISLAND-HFC混合模型遗传编程进化种群中的个体传递函数模型，得到的第二输出信号为
则阶跃响应的最小二乘误差定义如式（2）：
（2）
斜坡响应的最小二乘误差定义如式（3）：
（3）
进化个体的总最小二乘误差定义为：
+ （4）
目标2： 结构控制
进化过程的随机性容易使个体变得结构复杂庞大，在过程辨识中，进化出的传递函数中往往含有很多目标系统中不存在的冗余项，为了控制个体的结构，采用结构控制目标；
将每个个体分子、分母多项式都化简为最简s多项式形式，假设分子、分母最简多项式项数最大为N，则结构目标值定义如式（5）：
（5）
进化适应度根据两个进化目标计算如下：
定义标准适应度：
（6）
定义修正适应度:
（7）
在过程辨识软件中，个体适应度使用修正适应度，取值在0.0~1.0之间，适应度值越高，个体越优秀；
④ISLAND-HFC混合模型遗传编程控制参数：
ISLAND-HFC混合模型遗传编程控制参数定义如下表1所示：
表1：
d.利用ISLAND-HFC混合模型遗传编程算法进行过程辨识：
进化准备工作完成后，开始运行所述双目标并行ISLAND-HFC混合模型遗传编程算法进行过程辨识，从而进化出最优个体传递函数；
（三）PID控制器参数优化软件：
由工业控制计算机调用所述双目标并行ISLAND-HFC混合模型遗传编程算法进行PID控制器参数优化，将上述过程辨识软件进化出的最优个体传递函数作为PID控制器参数优化软件的仿真对象，最终进化出最优比例、积分、微分参数：
（1）利用所述最优个体传递函数进行仿真：
PID控制器由比例、积分、微分三部分组成：
（8）
（9）
（10）
其中、、分别为PID控制器的比例、积分、微分系数；、、分别为单个比例、积分、微分控制器的输出，PID控制器的总输出即过程的输入定义为：
（11）
其传递函数形式为
= （12）
上式（12）为PID控制器采用的传递函数表达形式，进化过程中用树状程序表示；
（2）进化前的准备工作：
a.函数集合与终端集合定义：
采用的函数集合为：{ +， - ， }
采用的终端集合为：{ s，，R }
其中s为拉普拉斯变换微分算子，1/s 为拉普拉斯变换积分算子，R为-1.0 ~ 1.0之间的随机浮点数，用于匹配PID控制器参数；
b.适应度定义：
PID控制器参数优化过程中采用双目标适应度：
目标1：误差控制
利用设定值sp仿真阶跃信号和斜坡信号以计算控制误差；
假设设定值信号为阶跃信号sp1(t)，其幅度为被控量满量程的8% ~ 10%；
sp时
进化个体PID控制器的输入信号为
输出信号为
定义偏差
（13）
定义阶跃响应最小二乘误差为：
（14）
式中第一项目标是消除控制误差，第二项目标是减少PID控制器运行中的能量消耗,系数0.9、0.1用于调节权重；
同样，当设定信号为斜坡信号sp2(t)，其信号幅度为满量程的8% ~ 10%；上升或下降速率<50%满量程/分钟；
sp2 时
进化个体PID控制器的输入信号为
输出信号为
定义偏差
（15）
定义阶跃响应最小二乘误差为：
（16）
总控制误差定义为：
（17）
目标2： 结构控制
进化过程的随机性容易使个体变得结构复杂庞大，在PID控制器参数优化过程中，进化出的PID控制器参数中往往含有冗余项即不属于比例、积分、微分项的其它项，为了控制进化个体的结构，采用结构控制目标；
将每个个体化简为最简s多项式形式，假设最简多项式项数为N，则结构目标值定义如式（18）：
（18）
进化适应度根据两个进化目标计算如下：
定义标准适应度：
（19）
修正适应度定义如式（7）；
在PID控制器参数优化过程中，个体适应度使用修正适应度，取值在0.0~1.0之间，适应度值越高，个体越优秀；
c.ISLAND-HFC混合模型遗传编程控制参数：
ISLAND-HFC混合模型遗传编程运行控制参数如所述表1所示；
（3）利用所述ISLAND-HFC混合模型遗传编程算法进行PID控制器参数优化（见图10）：
进化准备工作完成后，开始运行所述双目标并行ISLAND-HFC混合模型遗传编程算法进行PID控制器参数优化；最终优化出比例、积分、微分参数；
（四）将最终优化出的比例、积分、微分参数写入DCS逻辑：
PID控制器参数优化程序进化出的最优化比例、积分、微分参数通过MODBUS通信在线回传给DCS逻辑，然后将PID控制器设置为自动运行方式，控制环节恢复闭环，从而实现所述优化方法。
Claims (1)
1.一种基于双目标并行ISLAND-HFC混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法，其特征在于步骤如下：
一、搭建硬件平台
所述硬件平台包括现场分布式控制系统DCS和工业控制计算机；所述现场分布式控制系统DCS的各柜体内的分布处理单元DPU通过DCS现场总线双冗余通信网络相连接；所述现场分布式控制系统DCS的各柜体内的分散处理单元DPU、输入输出模块或通信卡之间通过DCS柜内通信总线相连接；第一柜体内的通信卡与工业控制计算机的RS485串行通信口相连接；所述工业控制计算机具有双核及以上CPU；所述通信卡采用MODBUS通信卡；
二、所述优化方法由所述硬件平台执行前台界面软件和后台软件完成；所述后台软件由现场试验及数据采集软件、过程辨识软件和PID控制器参数优化软件组成；
（一）现场试验及数据采集软件：
（1）首先置所述现场分布式控制系统DCS中的被辨识环节于开环状态，即置PID控制器处于手动运行状态；
手动调节PID控制器的输出信号u(t)，分别施加两种信号即阶跃信号和斜坡信号，两种信号的幅度分别为PID控制器的输出信号u(t)的满量程的8%—10%，所述斜坡信号的上升或下降速率小于每分钟所述满量程的一半；
（2）通过所述数据采集软件采集所述阶跃信号和斜坡信号的过程开环响应数据，所述工业控制计算机显示所述过程开环响应曲线，并将过程开环响应数据写入数据文件；
（二）过程辨识软件：
所述工业控制计算机调用双目标并行ISLAND-HFC混合模型遗传编程算法进行过程辨识；
（1）所述双目标并行ISLAND-HFC混合模型遗传编程算法为：将ISLAND模型和HFC模型有机融合，充分利用工业控制计算机多CPU的硬件优势，采用多线程并发运行，形成一种运行高效、有效抗早熟收敛的进化算法；
a.关于ISLAND-HFC混合模型：
所述ISLAND-HFC混合模型的多种群进化分为内外两个层面，在外层面，各ISLAND子种群按照ISLAND模型进行进化，在内层面每个ISLAND子种群内部再按HFC适应度规则细分为HFC子种群；
在进化过程中，在外层面，每个ISLAND子种群以单线程运行，彼此之间每20~25代交换一次个体，交换个体来自ISLAND子种群内部的适应度最高HFC子种群；在内层里，每个ISLAND子种群内部以HFC模型方式进化，每10~15代按适应度规则重新划分每个个体的子种群归属；
单个HFC子种群按照普通的单种群进化方式进化，自父辈种群中按照与适应度成比例的概率选取个体参与基因操作即交叉操作和突变操作，对于交叉操作选取两个个体，对于突变操作只选取一个个体，基因操作产生子代个体最终替换父代个体，完成种群的一代进化；
b.双目标进化：
对于过程辨识，在运行过程中，由于进化的随机性，进化个体会产生本不属于现场过程传递函数的冗余项目；
为了能够控制进化个体传递函数，达到精确辨识的目的，适应度采用了双目标，一个目标控制模型的误差，另一个目标控制模型的结构，从而实现过程辨识数学模型的精确建立；
c.进化前的准备工作：
①函数集合与终端集合定义：
使用遗传编程进化传递函数，采用的函数集合为：
{+，-，，/}
其中“/”仅在根节点使用；
采用的终端集合为：{ s，R }
其中s为拉普拉斯变换微分算子，R为-1.0 ~ 1.0之间的随机浮点数，用于匹配传递函数参数；
②树状传递函数的结构：
典型的SISO即单输入单输出传递函数如式 （1） 所示：
（1）
式中是被控量的拉普拉斯变换，是过程输入量的拉普拉斯变换，n、m为传递函数阶次，……和……是不同阶次的系数，过程辨识就是通过输入、输出数据推导出传递函数的阶次即结构和各阶次系数即参数；
所述ISLAND-HFC混合模型遗传编程算法是对树状程序的进化，为了以树状程序表征传递函数，将典型的SISO传递函数式（1）中等号右侧的分式以树状形式表示；
在个体初始化以及整个进化过程中，每个进化个体的根节点固定为函数节点“/”，即代数中的除法表示符号，通过进化自动匹配出传递函数阶次以及和的值，从而实现过程辨识；
③适应度定义：
过程辨识中采用双目标适应度：
目标1：误差
假设现场实际采集的阶跃过程输入信号为
阶跃响应输出信号为
假设现场实际采集的斜坡过程输入信号为
斜坡响应输出信号为
将阶跃过程输入信号输入ISLAND-HFC混合模型遗传编程进化种群中的个体传递函数模型，得到的第一输出信号为
将所述斜坡过程输入信号输入ISLAND-HFC混合模型遗传编程进化种群中的个体传递函数模型，得到的第二输出信号为
则阶跃响应的最小二乘误差定义如式（2）：
（2）
斜坡响应的最小二乘误差定义如式（3）：
（3）
进化个体的总最小二乘误差定义为：
+ （4）
目标2： 结构控制
进化过程的随机性容易使个体变得结构复杂庞大，在过程辨识中，进化出的传递函数中往往含有很多目标系统中不存在的冗余项，为了控制个体的结构，采用结构控制目标；
将每个个体分子、分母多项式都化简为最简s多项式形式，假设分子、分母最简多项式项数最大为N，则结构目标值定义如式（5）：
（5）
进化适应度根据两个进化目标计算如下：
定义标准适应度：
（6）
定义修正适应度:
（7）
在过程辨识软件中，个体适应度使用修正适应度，取值在0.0~1.0之间，适应度值越高，个体越优秀；
④ISLAND-HFC混合模型遗传编程控制参数：
ISLAND-HFC混合模型遗传编程控制参数定义如下表1所示：
表1：
d.利用ISLAND-HFC混合模型遗传编程算法进行过程辨识：
进化准备工作完成后，开始运行所述双目标并行ISLAND-HFC混合模型遗传编程算法进行过程辨识，从而进化出最优个体传递函数；
（三）PID控制器参数优化软件：
由工业控制计算机调用所述双目标并行ISLAND-HFC混合模型遗传编程算法进行PID控制器参数优化，将上述过程辨识软件进化出的最优个体传递函数作为PID控制器参数优化软件的仿真对象，最终进化出最优比例、积分、微分参数：
利用所述最优个体传递函数进行仿真：
PID控制器由比例、积分、微分三部分组成：
（8）
（9）
（10）
其中、、分别为PID控制器的比例、积分、微分系数；、、分别为单个比例、积分、微分控制器的输出，PID控制器的总输出即过程的输入定义为：
（11）
其传递函数形式为
= （12）
上式（12）为PID控制器采用的传递函数表达形式，进化过程中用树状程序表示；
（2）进化前的准备工作：
a.函数集合与终端集合定义：
采用的函数集合为：{ +，-， }
采用的终端集合为：{ s，，R }
其中s为拉普拉斯变换微分算子，1/s 为拉普拉斯变换积分算子，R为-1.0 ~ 1.0之间的随机浮点数，用于匹配PID控制器参数；
b.适应度定义：
PID控制器参数优化过程中采用双目标适应度：
目标1：误差控制
利用设定值sp仿真阶跃信号和斜坡信号以计算控制误差；
假设设定值信号为阶跃信号sp1(t)，其幅度为被控量满量程的8% ~ 10%；
sp时
进化个体PID控制器的输入信号为
输出信号为
定义偏差
（13）
定义阶跃响应最小二乘误差为：
（14）
式中第一项目标是消除控制误差，第二项目标是减少PID控制器运行中的能量消耗,系数0.9、0.1用于调节权重；
同样，当设定信号为斜坡信号sp2(t)，其信号幅度为满量程的8% ~ 10%；上升或下降速率<50%满量程/分钟；
sp2 时
进化个体PID控制器的输入信号为
输出信号为
定义偏差
（15）
定义阶跃响应最小二乘误差为：
（16）
总控制误差定义为：
（17）
目标2： 结构控制
进化过程的随机性容易使个体变得结构复杂庞大，在PID控制器参数优化过程中，进化出的PID控制器参数中往往含有冗余项即不属于比例、积分、微分项的其它项，为了控制进化个体的结构，采用结构控制目标；
将每个个体化简为最简s多项式形式，假设最简多项式项数为N，则结构目标值定义如式（18）：
（18）
进化适应度根据两个进化目标计算如下：
定义标准适应度：
（19）
修正适应度定义如式（7）；
在PID控制器参数优化过程中，个体适应度使用修正适应度，取值在0.0~1.0之间，适应度值越高，个体越优秀；
c.ISLAND-HFC混合模型遗传编程控制参数：
ISLAND-HFC混合模型遗传编程运行控制参数如所述表1所示；
（3）利用所述ISLAND-HFC混合模型遗传编程算法进行PID控制器参数优化：
进化准备工作完成后，开始运行所述双目标并行ISLAND-HFC混合模型遗传编程算法进行PID控制器参数优化；最终优化出比例、积分、微分参数；
（四）将最终优化出的比例、积分、微分参数写入DCS逻辑：
PID控制器参数优化程序进化出的最优化比例、积分、微分参数通过MODBUS通信在线回传给DCS逻辑，然后将PID控制器设置为自动运行方式，控制环节恢复闭环，从而实现所述优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510485228.9A CN105487496B (zh) | 2015-08-10 | 2015-08-10 | 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510485228.9A CN105487496B (zh) | 2015-08-10 | 2015-08-10 | 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105487496A CN105487496A (zh) | 2016-04-13 |
| CN105487496B true CN105487496B (zh) | 2018-06-26 |
Family
ID=55674538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510485228.9A Active CN105487496B (zh) | 2015-08-10 | 2015-08-10 | 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105487496B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106094926A (zh) * | 2016-06-16 | 2016-11-09 | 苏州浙远自动化工程技术有限公司 | 一种中药提取过程温度精确控制装置及方法 |
| CN106094572B (zh) * | 2016-07-29 | 2019-03-22 | 河北省电力建设调整试验所 | 一种源侧涉网生产试验闭环仿真辨识应用方法 |
| JP2018049316A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社東芝 | センサ診断装置、センサ診断方法、およびプログラム |
| CN107561941B (zh) * | 2017-09-01 | 2021-06-29 | 华北电力大学（保定） | 一种火电机组脱硝系统的全工况达标排放控制方法 |
| CN110134095A (zh) * | 2019-06-12 | 2019-08-16 | 国网河北能源技术服务有限公司 | 火电厂热工模拟量控制系统优化的方法及终端设备 |
| CN110705030B (zh) * | 2019-09-06 | 2023-03-24 | 重庆智能机器人研究院 | 一种基于遗传算法的pid控制器参数优化方法及电机 |
| CN111290267B (zh) * | 2019-12-27 | 2023-08-15 | 国网河北省电力有限公司电力科学研究院 | 基于LabVIEW的火电模型辨识装置和辨识方法 |
| CN112015081B (zh) * | 2020-06-18 | 2021-12-17 | 浙江大学 | Siso紧格式无模型控制器基于pso-lstm协同算法的参数自整定方法 |
| CN116403270B (zh) * | 2023-06-07 | 2023-09-05 | 南昌航空大学 | 一种基于多特征融合的人脸表情识别方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10220085A1 (de) * | 2002-04-25 | 2003-11-20 | Peter Schmutter | Computerprogramm zur automatischen Optimierung des Verhaltens und der Kommunikationseigenschaften von topologisch angeordneten (möglicherweise mobilen, aber nicht notwendigerweise physikalischen) Entitäten zur Erreichung eines höheren Zieles durch Kooperation |
| CN101286045A (zh) * | 2008-05-12 | 2008-10-15 | 杭州电子科技大学 | 一种燃煤锅炉系统混合控制方法 |
| CN103345555A (zh) * | 2013-07-05 | 2013-10-09 | 国家电网公司 | 基于遗传编程的火电机组煤耗特性曲线建模方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6564194B1 (en) * | 1999-09-10 | 2003-05-13 | John R. Koza | Method and apparatus for automatic synthesis controllers |
-
2015
- 2015-08-10 CN CN201510485228.9A patent/CN105487496B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10220085A1 (de) * | 2002-04-25 | 2003-11-20 | Peter Schmutter | Computerprogramm zur automatischen Optimierung des Verhaltens und der Kommunikationseigenschaften von topologisch angeordneten (möglicherweise mobilen, aber nicht notwendigerweise physikalischen) Entitäten zur Erreichung eines höheren Zieles durch Kooperation |
| CN101286045A (zh) * | 2008-05-12 | 2008-10-15 | 杭州电子科技大学 | 一种燃煤锅炉系统混合控制方法 |
| CN103345555A (zh) * | 2013-07-05 | 2013-10-09 | 国家电网公司 | 基于遗传编程的火电机组煤耗特性曲线建模方法 |
Non-Patent Citations (3)
| Title |
|---|
| Application design of sustainable simulated algorithm based on hierarchical fair competition model;Hai Zhang 等;《Journal of Computer Applications》;20101231;第30卷(第1期);第171-174页 * |
| 基于遗传编程的系统辨识研究;袁晓磊;《中国博士学位论文全文数据库信息科技辑》;20100930(第9期);I140-12 * |
| 基于遗传编程的非线性系统辨识;袁晓磊 等;《控制工程》;20090131;第16卷(第1期);第52-55页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105487496A (zh) | 2016-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105487496B (zh) | 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法 | |
| CN108090658A (zh) | 基于时域特征参数融合的电弧故障诊断方法 | |
| CN110378799A (zh) | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 | |
| CN106201651A (zh) | 神经形态芯片的模拟器 | |
| CN109325591A (zh) | 面向Winograd卷积的神经网络处理器 | |
| CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
| CN110046710A (zh) | 一种神经网络的非线性函数极值优化方法及系统 | |
| CN109193756B (zh) | 一种风电接入系统的场景解耦动态经济调度模型求解方法 | |
| CN106371316B (zh) | 基于pso‑lssvm的水岛加药在线控制方法 | |
| CN110135584A (zh) | 基于自适应并行遗传算法的大规模符号回归方法及系统 | |
| CN109359730A (zh) | 面向固定输出范式Winograd卷积的神经网络处理器 | |
| Cai et al. | Self-organizing neighborhood-based differential evolution for global optimization | |
| Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
| Niu et al. | Model of turbine optimal initial pressure under off-design operation based on SVR and GA | |
| CN111897240A (zh) | 一种基于核动力系统运行的仿真方法及系统 | |
| Xu et al. | Competitive search algorithm: a new method for stochastic optimization | |
| CN112819192A (zh) | 一种基于蜂群算法优化的rf_gru网络短期电力负荷预测方法 | |
| Fan et al. | A modified salp swarm algorithm based on the perturbation weight for global optimization problems | |
| CN108388768A (zh) | 利用生物知识搭建的神经网络模型的生物特性预测方法 | |
| Shayanfar et al. | Solving optimal unit commitment by improved honey bee mating optimization | |
| Löppenberg et al. | Self optimisation and automatic code generation by evolutionary algorithms in PLC based controlling processes | |
| Li et al. | Adaptive scheduling for smart shop floor based on deep Q-network | |
| Gao et al. | A hybrid intelligent algorithm for stochastic multilevel programming | |
| Ruz et al. | Reconstruction of Boolean regulatory models of flower development exploiting an evolution strategy | |
| CN105069192B (zh) | 一种基于遗传算法求解风机功率曲线参数模型的改进方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |