CN109828461A - 一种基于粒子群的热工多回路控制器闭环迭代整定系统及整定方法 - Google Patents
一种基于粒子群的热工多回路控制器闭环迭代整定系统及整定方法 Download PDFInfo
- Publication number
- CN109828461A CN109828461A CN201910066858.0A CN201910066858A CN109828461A CN 109828461 A CN109828461 A CN 109828461A CN 201910066858 A CN201910066858 A CN 201910066858A CN 109828461 A CN109828461 A CN 109828461A
- Authority
- CN
- China
- Prior art keywords
- controller
- setting
- parameter
- control
- adjusting
- 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.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于粒子群计算的热工多回路控制器闭环迭代整定系统及整定方法,本发明中迭代整定控制单元调用闭环辨识模型单元,对来自于现场控制系统的历史数据进行辨识,并将得到的ARX模型阶次和参数值输入到控制回路仿真单元,然后调用闭环粒子群整定单元对待整定控制器参数初始化,其余控制器保持原参数,闭环粒子群整定单元调用控制回路仿真单元对各待整定控制器逐一进行闭环整定,并轮回迭代整定多次,优化出各待整定控制器参数作为闭环迭代粒子群整定系统的输出结果,将该结果输出到现场控制系统。本发明实现热工多回路控制器参数的闭环优化整定,从而在不影响生产的前提下,指导控制器参数的在线调整,有效提高控制系统的调节品质。
Description
技术领域
本发明涉及热工自动控制技术,尤其是涉及基于粒子群的热工多回路控制器参数的闭环迭代整定系统及整定方法。
背景技术
PID控制是热工控制系统目前主要采用的控制器。由于热工系统具有大范围负荷变动、长期连续运行、非线性动态、多扰动等特点,使得PID控制器的控制性能可能在运行中变差,导致被调量大幅振荡,不能维持系统的安全经济运行。为此需要进行PID参数的在线优化整定,使控制器重新适应工况。工程整定PID控制器参数的方法有开环和闭环方法,其中开环法需要进行开环阶跃响应实验,影响生产;闭环法中有临界比例带法、衰减响应曲线法、PID单一参数自整定法等常规方法,以及基于智能计算的闭环优化整定方法。因为热工系统具有多变量特点,控制回路中常包含多个控制器,用闭环法中的常规方法整定多回路控制参数时,各控制器互相耦合,且扰动多,给整定造成不便;若用基于智能计算的闭环整定方法,则因多个控制器的优化参数数量多而不易收敛,且优化出的参数常常不合理,难以实际应用。因此,多回路控制器PID参数的在线优化整定是个难以解决的问题。
发明内容
发明目的:为解决现有技术的不足,本发明提出一种基于粒子群的热工多回路控制器闭环迭代整定系统(以下简称整定系统)及整定方法,充分利用历史数据实现热工多回路控制器参数的闭环优化整定,从而在不影响生产的前提下,指导控制器参数的在线调整,有效提高控制系统的调节品质。
技术方案:为了达到上述目的,本发明采用以下技术方案:
一种基于粒子群的热工多回路控制器闭环迭代整定系统,包括闭环辨识模型单元、闭环粒子群整定单元、控制回路仿真单元、迭代整定控制单元和现场控制系统,迭代整定控制单元控制整定系统的工作流程,首先迭代整定控制单元调用闭环辨识模型单元,对来自于现场控制系统的历史数据进行辨识,得到被控过程的ARX模型的阶次和参数值,迭代整定控制单元将得到的ARX模型阶次和参数输入到建立好的控制回路仿真单元,然后迭代整定控制单元将控制回路仿真单元中n个回路中的第i个控制器,i=1,…,n,设为待整定控制器,调用闭环粒子群整定单元对待整定控制器参数用原参数叠加随机值的方式初始化,其余控制器保持原参数,闭环粒子群整定单元调用控制回路仿真单元对第i个待整定控制器进行闭环整定,优化出第i个待整定控制器参数,迭代整定控制单元令待整定控制器序号i加1,若i<=n,则对第i个待整定控制器进行整定,若i>n,判断是否达到迭代整定轮数,达到则完成整定,所得的各个控制器参数为闭环迭代整定系统的输出结果,将该结果输出到现场控制系统,若未达到迭代整定轮数,则令i=1,进行下一轮闭环控制器参数整定,直至完成迭代整定轮数后则停止整定。
本发明还提供了一种基于粒子群的热工多回路控制器闭环迭代整定方法,包括以下步骤:
(1)建立闭环控制回路仿真单元,将仿真模型的输入量从历史数据库导入,通过仿真模型计算控制量、输出量,该输出量的变化过程应该与实际输出近似;
(2)从历史数据库中选取一段用于被控对象模型辨识的数据,包括输入控制量、输入扰动量和输出被调量,采用闭环辨识法辨识回路中的被控对象,得到被控对象的多输入单输出的ARX模型,将所得ARX模型的阶次与参数导入控制回路仿真单元;
(3)从控制回路中选择第i个控制器作为待整定控制器,i为待整定控制器序号,i=1,2,…,n,用原参数叠加随机值的方式初始化其参数,利用粒子群优化算法进行编码,设定适应度评价指标,调用控制回路仿真单元执行仿真,根据仿真结果计算粒子适应度评价指标,追踪最优粒子,通过适当代的粒子群计算,收敛于适应度评价指标最优的参数,得到第i个控制器的优化参数,更新控制回路中第i个控制器的参数;
(4)如果控制回路中控制器个数为n≥1,当前i<n,则选择下一个待整定控制器,令i=i+1,重复步骤(3);
(5)如果控制回路中的所有控制器都完成整定,即i=n,则判断迭代整定的轮次是否达到设定轮数,如未达到,则对第1至第n个控制器进行下一轮整定,重新令待整定控制器序号i=1,重复步骤(3);如果达到设定轮数,则整定结束,输出n个控制器的整定参数。
进一步的,步骤(1)中闭环控制回路仿真单元包括n(n≥1)个控制器、被控制过程模型、现场历史数据和性能监控,每个控制器都根据现场实际控制器搭建,被控过程模型的形式采用多输入单输出的ARX模型,从外部赋值阶次与参数值,设定值的现场历史数据输入控制器,通过控制器计算出控制量,将所得控制量和扰动量的历史数据输入被控对象模型,计算出被调量,并将被调量反馈到控制器的输入端,形成闭环控制系统;性能监控显示被控对象模型输出的被调量与实际被调量的拟合曲线。
进一步的,步骤(2)包括以下步骤:
(21)从历史数据库中选取工况变化频繁的数据段作为辨识数据,数据长度要充分大、输入控制量和输入扰动量变化快及幅度大,被控过程具有明显的惯性或延迟;
(22)采用闭环辨识法辨识模型,首先,采用互相关函数法辨识出多输入单输出ARX模型的纯时滞;其次,采用基于Hankel矩阵的SVD分解法,辨识出多输入单输出ARX模型的阶次;第三,采用递推最小二乘法辨识出多输入单输出ARX模型的参数;
(23)多输入单输出ARX模型的形式如下:
其中,yt为t时刻输出,ai为输出量的系数,n为输出的阶次,bp,j为第p个输入的系数,mp为第p个输入的阶次,nu为输入量个数,dp为第p个输入的纯滞后时间,为第p个输入在t-j-dp时刻的值。
更进一步的,步骤(22)中采用互相关函数法辨识出多输入单输出ARX模型的纯时滞,方法如下:
其中,S为测点数目,dp=1,2,...,K<<S,K为估计的最大时滞,取Rp最大值所对应的dp为第p个输入的纯滞后时间。
更进一步的,步骤(22)中采用基于Hankel矩阵的SVD分解法辨识出多输入单输出ARX模型的阶次,具体为:
首先,对应输出序列,第p个输入序列向右移位dp个采样点,p=1,...,nu;其次利用移位后的输入输出序列辨识出一个高阶的多输入单输出ARX模型;然后输入脉冲信号激励该模型,得到脉冲响应序列构造如下Hankel矩阵:
其中,
hij(k)为k时刻输入i与输出j之间的脉冲响应函数值,l为大于系统阶次的任意整数;取k=0,对H(0)进行奇异值分解,得到:
其中,矩阵U0和V0为正交矩阵,对角矩阵Λ=diag(λ1,...,λR),其对角元素为降序排列的奇异值,且R=max{q,p};观察奇异值曲线的变化情况,其突降处的下标作为模型的阶次。
更进一步的,步骤(22)中采用递推最小二乘法辨识出多输入单输出ARX模型的参数,递推最小二乘法方法如下:
其中,t表示当前时刻,yt为t时刻的实际输出测量值;观测向量φt=[-yt-1,-yt-2,...,-yt-n,u1,t-1,u1,t-2,...,u1,t-n,...,up,t-1,up,t-2,...,up,t-n],t=1,2,……S,参数向量θ=[a1,a2,...,an,b1,1,b1,2,...,b1,n,...,bp,1,bp,2,...,bp,n]T,表示前一时刻的参数估计,初始值估计误差方差矩阵Pt的初始值取P0=106In;Kt为增益矩阵。
进一步的,步骤(3)包括以下步骤:
(31)粒子维数为待整定控制器参数个数,采用启发式粒子群优化算法,对粒子位置的初始化采用在原控制器参数值上叠加(0,1)之间随机值的方式;
(32)将种群中每个粒子的位置作为待整定控制器参数,输入控制回路仿真单元的待整定控制器中,进行一次控制回路的设定值阶跃仿真,得到被调量、控制量的变化过程,根据被调量与设定值偏差、控制量变化率设计适应度评价指标,计算出种群中每个粒子对应的适应度评价指标值;粒子适应度评价指标如下:
其中,L为仿真输出序列包含的点数,j为点序号,y为被调量输出,r为设定值,ui,j为第i个输入控制量的第j个值,即当前待整定控制器的输出,p为控制器数目,w1,w2,w3为权重;
(33)根据种群中每个粒子对应得到的适应度评价指标值排序,选出当前适应度评价指标最优的粒子个体位置,然后更新种群全局最优粒子位置,再更新每个粒子飞行速度以及粒子位置,若粒子群优化迭代代数未完成,回到(32),若完成,则全局最优粒子位置对应待整定控制器的最优参数。
有益效果:与现有技术相比,本发明具有以下优点:
(1)逐个优化多控制器参数,使粒子群优化计算收敛速度快;
(2)方式灵活,可针对性能下降的控制器单独优化;
(3)可优化多种控制回路参数,包括串级控制器,前馈控制器、预估补偿器等控制回路中的可调参数;
(4)按顺序依次优化整定各个控制器参数后,进行多轮迭代整定,逐轮提高控制器性能,是一种稳健的优化整定方法;
(5)利用历史数据辨识对象特性和建立仿真回路的方法,方便与大数据平台结合。
附图说明
图1是本发明系统结构示意图;
图2是330MW热电机组二级减温水系统的结构示意图;
图3是本发明方法流程图;
图4是过热器二级减温水控制回路仿真单元方框图;
图5是减温器A出口汽温模型输出效果图;
图6是减温器B出口汽温模型输出效果图;
图7是高温过热器出口汽温模型输出效果图;
图8是控制器参数整定前后的被控量输出结果曲线图;
图9是控制器参数整定后减温器A控制阀开度曲线图;
图10是控制器参数整定后减温器B控制阀开度曲线图;
图11是迭代整定过程中的A侧减温水控制器的粒子最优适应度变化曲线图;
图12是迭代整定过程中的B侧减温水控制器的粒子最优适应度变化曲线图。
具体实施方式
下面结合附图和具体实施案例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。热工多回路控制器参数的闭环迭代粒子群整定系统及整定方法
如图1所示,一种基于粒子群的热工多回路控制器闭环迭代整定系统,包括闭环辨识模型单元1、闭环粒子群整定单元2、控制回路仿真单元3、迭代整定控制单元4和现场控制系统5;迭代整定控制单元4控制整定系统的工作流程,首先根据现场实际控制回路建立控制回路仿真单元3,其次调用闭环辨识模型单元1,对来自于现场控制系统5的历史数据进行辨识,得到被控过程的ARX模型(自回归各态历经(AutoRegressivweXogenous,ARX)模型)阶次和参数值,迭代整定控制单元4将得到的模型阶次和参数输入到建立好的控制回路仿真单元3,然后迭代整定控制单元4将控制回路仿真单元3中n个回路中的第i个控制器,i=1,…,n,设为待整定控制器,调用闭环粒子群整定单元2对待整定控制器参数用原参数叠加随机值的方式初始化,其余控制器保持原参数,闭环粒子群整定单元2调用控制回路仿真单元3对第i个待整定控制器进行闭环整定,优化出第i个待整定控制器参数,迭代整定控制单元4令待整定控制器序号i加1,若i<=n,则对第i个待整定控制器进行整定,若i>n,判断是否达到迭代整定轮数,达到则完成整定,所得的各个控制器参数为闭环迭代粒子群整定系统的输出结果,将该结果输出到现场控制系统5,若未达到迭代整定轮数,则令i=1,进行下一轮闭环控制器参数整定,直至完成迭代整定轮数后则停止整定。
某330MW热电机组二级减温水控制系统结构示意图如图2,输入控制量分别是A、B两侧减温水阀门开度,输入扰动量是蒸汽流量和A、B两侧末级过热器入口汽温,输出量是末级过热器出口汽温,本发明以该330MW热电机组二级减温水控制系统为例进行说明。
如图3所示,本发明提供的一种基于历史数据的热工多回路控制器的闭环迭代粒子群整定方法,具体实施包括以下步骤:
(1)建立闭环控制回路的仿真模型,将仿真模型的输入量从历史数据库导入,通过仿真模型计算控制量、输出量,该输出量的变化过程应该与实际输出近似;
根据现场实际控制回路,建立控制回路仿真单元,可在任何数值仿真软件平台上搭建,本实施例采用MathWorks公司的Simulink软件搭建二级减温水控制回路仿真单元,该回路方框图如附图4所示,包括第一控制器(A侧控制器)、第二控制器(B侧控制器)、A导前区模型、B导前区模型、高温过热器模型、现场历史数据和性能监控,A侧导前区模型、B侧导前区模型、高温过热器模型均为辨识所得模型,是可从外部赋值阶次与参数值的多输入单输出的自回归各态历经(AutoRegressivw eXogenous,ARX)模型。A侧控制器、B侧控制器都包含PID控制器、纯迟延函数、前馈控制器和限幅函数。当数值仿真软件平台驱动控制回路仿真单元运行时,将设定值r的现场历史数据输入到A侧控制器、B侧控制器,通过控制器计算出A侧控制量u1,2和B侧控制量u2,2,将A侧控制量u1,2和A侧扰动量(系统功率u1,1和减温器A入口蒸汽温度u1,3)的现场历史数据一起输入到A侧导前区模型,通过模型计算出减温器A出口汽温y1;将B侧控制量u2,2和B侧扰动量(系统功率u2,1和减温器B入口蒸汽温度u2,3)的现场历史数据一起输入到B侧导前区模型,通过模型计算出减温器B出口汽温y2;将减温器A出口汽温y1、减温器B出口汽温y2和扰动量(系统功率u3)一起输入到高温过热器模型,通过高温过热器模型计算出高温过热器出口汽温y3(被调量),将y3反馈到A侧控制器和B侧控制器的输入端,形成闭环控制系统。性能监控显示模型输出y1,y2,y3与相应的实际汽温的拟合曲线,如附图5、6、7所示。
(2)从历史数据库中选取一段用于被控对象模型辨识的数据,包括输入控制量、输入扰动量和输出被调量,采用闭环辨识法辨识回路中的被控对象,得到被控对象的多输入单输出的ARX模型,将所得ARX模型的阶次与参数导入控制回路仿真单元;
具体为:
(21)从历史数据库中选取工况变化(AGC调度)频繁的数据段作为辨识数据,以尽量满足充分激励条件和闭环可辨识条件,要求数据长度要充分大、输入控制量和输入扰动量变化快及幅度大,被控过程具有明显的惯性或延迟。
(22)采用闭环辨识法辨识模型,分为三个步骤。首先,可采用互相关函数法辨识出多输入单输出ARX模型的纯时滞;方法如下:
其中,S为测点数目,dp=1,2,...,K<<S,K为估计的最大时滞。取Rp最大值所对应的dp为第p个输入的纯滞后时间。
其次,可采用基于Hankel矩阵的SVD分解法,辨识出多输入单输出ARX模型的阶次;方法如下:
首先,对应输出序列,第p个输入序列向右移位dp个采样点,p=1,...,nu;其次利用移位后的输入输出序列辨识出一个高阶的多输入单输出ARX模型,可选15阶;然后输入脉冲信号激励该模型,得到脉冲响应序列构造如下Hankel矩阵:
其中,
hij(k)为k时刻输入i与输出j之间的脉冲响应函数值,l为大于系统阶次的任意整数;取k=0,对H(0)进行奇异值分解,得到:
其中,矩阵U0和V0为正交矩阵,对角矩阵Λ=diag(λ1,...,λR),其对角元素为降序排列的奇异值,且R=max{q,p};观察奇异值曲线的变化情况,其突降处的下标作为模型的阶次。
采用递推最小二乘法辨识出多输入单输出ARX模型的参数,递推最小二乘法方法如下:
其中,t表示当前时刻,yt为t时刻的实际输出测量值;观测向量φt=[-yt-1,-yt-2,...,-yt-n,u1,t-1,u1,t-2,...,u1,t-n,...,up,t-1,up,t-2,...,up,t-n],t=1,2,……S,参数向量θ=[a1,a2,...,an,b1,1,b1,2,...,b1,n,...,bp,1,bp,2,...,bp,n]T,表示前一时刻的参数估计,初始值估计误差方差矩阵Pt的初始值取P0=106In;Kt为增益矩阵。
(23)多输入单输出ARX模型的形式如下:
其中,yt为t时刻输出,ai为输出量的系数,n为输出的阶次,bp,j为第p个输入的系数,mp为第p个输入的阶次,nu为输入量个数,dp为第p个输入的纯滞后时间,为第p个输入在t-j-dp时刻的值。
(3)从控制回路中选择第i个控制器作为待整定控制器,i=1,2,…,n,为带整定控制器序号。用原参数叠加随机值的方式初始化其参数,利用粒子群优化算法进行编码,设定适应度评价指标,根据控制回路仿真结果计算粒子适应度评价指标,追踪最优粒子,通过适当代的粒子群计算,收敛于适应度评价指标最优的参数,得到第i个控制器的优化参数,更新控制回路中第i个控制器的参数。具体为:
(31)粒子维数为待整定控制器参数个数,采用启发式粒子群优化算法,对粒子位置的初始化采用在原控制器参数值上叠加(0,1)之间随机值的方式;
(32)将种群中每个粒子的位置作为待整定控制器参数,输入控制回路仿真单元的待整定控制器中,进行一次控制回路的设定值阶跃仿真,得到被调量、控制量的变化过程,根据被调量与设定值偏差、控制量变化率等设计适应度评价指标,计算出种群中每个粒子对应的适应度评价指标值。可选的粒子适应度评价指标如下:
其中,L为仿真输出序列包含的点数,j为点序号,y为被调量输出,r为设定值,ui,j为第i个输入控制量的第j个值,即当前待整定控制器的输出,p为控制器数目,w1,w2,w3为权重。
(33)根据种群中每个粒子对应得到的适应度评价指标值排序,选出当前适应度评价指标最优的粒子个体位置,然后更新种群全局最优粒子位置,再更新每个粒子飞行速度以及粒子位置,若粒子群优化迭代代数未完成,回到(32),若完成,则全局最优粒子位置对应待整定控制器的最优参数。
(4)如果控制回路中控制器个数为n≥1,当前i<n,则选择下一个待整定控制器,令i=i+1,重复步骤(3)。
(5)如果控制回路中的所有控制器都完成整定,即i=n,则判断迭代整定的轮次是否达到设定轮数,如未达到,则对第1至第n个控制器进行下一轮整定,重新令待整定控制器序号i=1,重复步骤(3);如果达到设定轮数,则整定结束,输出n个控制器的整定参数。
为了有效说明本发明方法的有效性,以某330MW热电机组二级减温水控制系统为例,在Matlab r2018a的Simulink仿真平台上进行验证。
(1)根据现场实际控制回路,建立过热器二级减温水闭环控制回路仿真单元,包括A、B两侧控制器、从外部赋值阶次与参数值的多输入单输出的被控过程ARX模型;A、B两侧控制器均包含PID控制器、前馈、函数等所有现场控制系统所包含的环节,其中PID控制器传递函数为:
(2)选取8000点历史数据,以4000点作为辨识数据,后4000点作为验证数据;闭环辨识得到二级减温水系统的多输入单输出模型如下:
y1(t)=0.9448y1(t-1)-0.0022u1,1(t-1)-0.0184u1,2(t-1)+0.0516u1,3(t-1)
y2(t)=0.9403y2(t-1)-0.0071u2,1(t-1)-0.0114u2,2(t-1)+0.0624u2,3(t-1)
y3(t)=1.2983y3(t-1)-0.3027y3(t-2)+0.0255u3,1(t-1)-0.0193u3,1(t-2)
+0.0310u3,2(t-1)-0.0375u3,2(t-2)+0.0449u3,3(t-1)-0.0396u3,3(t-2);
其中,y1为减温器A出口蒸汽温度(A侧导前区);y2为减温器B出口蒸汽温度(B侧导前区);y3为高温过热器出口蒸汽温度;u1,1为系统功率;u1,2为减温器A阀门开度;u1,3为减温器A入口蒸汽温度;u2,1为系统功率;u2,2为减温器B阀门开度;u2,3为减温器B入口蒸汽温度;u3,1为减温器A出口蒸汽温度;u3,2为系统功率;u3,3为减温器B出口蒸汽温度。
模型辨识效果如附图5、6、7所示,图中汽温是去除均值后的汽温偏差值。由图看出汽温的模型输出与实际输出拟合度高,所得模型能较为精确地反映被建模对象的动态特性。将所得二级减温水系统的模型阶次和参数导入控制回路仿真单元,将控制回路仿真单元的输入量(包括扰动量、设定值)从历史数据库导入,运行控制回路仿真单元计算出控制量和被调量。
(3)从控制回路中选择A侧控制器进行整定,在原参数上叠加随机值初始化其参数,B侧控制器保持初始参数不变。利用粒子群优化算法进行整定,粒子维数取为4,分别为PID控制器参数kp1,ki1,kd1,ka1,总增益k1固定为0.2。粒子的适应度评价指标如下:
式中,L=800,p=2,w1=3,w2=0.02,w3=0.001。
通过15代的粒子群计算,得到控制器的优化参数,更新控制回路中A侧控制器的参数。
(4)选择B侧控制器为待整定控制器,在原参数上叠加随机值初始化其参数,A侧控制器保持参数不变。利用粒子群优化算法进行整定,粒子维数取为4,分别为PID控制器参数kp2,ki2,kd2,ka2,总增益k2固定为0.2。粒子的适应度评价指标如下:
式中,L=800,p=2,w1=3,w2=0.05,w3=0.001。
通过15代的粒子群计算,得到控制器的优化参数,更新控制回路中B侧控制器的参数。
(5)判断迭代整定次数是否达到,如未达到,则回到(3)进行下一轮整定,如果达到,则输出多控制器整定参数。本实施例中,经过两轮迭代整定得到A侧控制器PID参数为:
kp1=4.2333
ki1=0.61101
kd1=12.951
ka1=17.9977
B侧控制器PID参数为:
kp2=4.7146
ki2=0.80781
kd2=3.8546
ka2=9.5959
控制效果如图8所示,与控制器优化前的控制效果相比,优化后控制系统的被控量均方根误差有较大的改善,说明控制器参数得到了有效的优化。A、B侧二级减温水阀门开度(控制量)变化如图9和图10所示,表明控制器参数优化后的控制量波动幅度和强度都适中。图11和图12为A、B两侧减温水控制器整定过程中最优粒子的适应度变化。本例进行了2轮迭代整定,每轮依次整定减温水控制器A和B,每个控制器的闭环整定中粒子群优化15代。对同一控制器来说,第一轮整定结束时,即迭代次数为15处的适应度,不与下一轮从16处开始的第2轮整定初值连续,适应度出现明显下降。这表明在对某一控制器的两轮整定之间,通过对其它控制器的整定,控制回路整体性能得到优化,同一控制器的第二轮整定在一个系统性能更优的基点上进行。所提出的基于各控制器逐个优化的迭代整定方法,确保多控制器回路参数朝者系统性能更优的方向递进。
Claims (8)
1.一种基于粒子群的热工多回路控制器闭环迭代整定系统,其特征在于:包括闭环辨识模型单元(1)、闭环粒子群整定单元(2)、控制回路仿真单元(3)、迭代整定控制单元(4)和现场控制系统(5),迭代整定控制单元(4)控制整定系统的工作流程,首先迭代整定控制单元(4)调用闭环辨识模型单元(1),对来自于现场控制系统(5)的历史数据进行辨识,得到被控过程的ARX模型的阶次和参数值,迭代整定控制单元(4)将得到的ARX模型阶次和参数输入到建立好的控制回路仿真单元(3),然后迭代整定控制单元(4)将控制回路仿真单元(3)中n个回路中的第i个控制器,i=1,…,n,设为待整定控制器,调用闭环粒子群整定单元(2)对待整定控制器参数用原参数叠加随机值的方式初始化,其余控制器保持原参数,闭环粒子群整定单元(2)调用控制回路仿真单元(3)对第i个待整定控制器进行闭环整定,优化出第i个待整定控制器参数,迭代整定控制单元(4)令待整定控制器序号i加1,若i<=n,则对第i个待整定控制器进行整定,若i>n,判断是否达到迭代整定轮数,达到则完成整定,所得的各个控制器参数为闭环迭代整定系统的输出结果,将该结果输出到现场控制系统(5),若未达到迭代整定轮数,则令i=1,进行下一轮闭环控制器参数整定,直至完成迭代整定轮数后则停止整定。
2.一种基于粒子群的热工多回路控制器闭环迭代整定方法,其特征在于,包括以下步骤:
(1)建立闭环控制回路仿真单元,将仿真单元的输入量从历史数据库导入,通过仿真单元计算控制量、输出量,该输出量的变化过程应该与实际输出近似;
(2)从历史数据库中选取一段用于被控对象模型辨识的数据,包括输入控制量、输入扰动量和输出被调量,采用闭环辨识法辨识回路中的被控对象,得到被控对象的多输入单输出的ARX模型,将所得ARX模型的阶次与参数导入控制回路仿真单元;
(3)从控制回路中选择第i个控制器作为待整定控制器,i为待整定控制器序号,i=1,2,…,n,用原参数叠加随机值的方式初始化其参数,利用粒子群优化算法进行编码,设定适应度评价指标,调用控制回路仿真单元执行仿真,根据仿真结果计算粒子适应度评价指标,追踪最优粒子,通过适当代的粒子群计算,收敛于适应度评价指标最优的参数,得到第i个控制器的优化参数,更新控制回路中第i个控制器的参数;
(4)如果控制回路中控制器个数为n≥1,当前i<n,则选择下一个待整定控制器,令i=i+1,重复步骤(3);
(5)如果控制回路中的所有控制器都完成整定,即i=n,则判断迭代整定的轮次是否达到设定轮数,如未达到,则对第1至第n个控制器进行下一轮整定,重新令待整定控制器序号i=1,重复步骤(3);如果达到设定轮数,则整定结束,输出n个控制器的整定参数。
3.根据权利要求2所述的一种基于粒子群的热工多回路控制器闭环迭代整定方法,其特征在于,步骤(1)中闭环控制回路仿真单元包括n(n≥1)个控制器、被控制过程模型、现场历史数据和性能监控,每个控制器都根据现场实际控制器搭建,被控过程模型的形式采用多输入单输出的ARX模型,从外部赋值阶次与参数值,设定值的现场历史数据输入控制器,通过控制器计算出控制量,将所得控制量和扰动量的历史数据输入被控对象模型,计算出被调量,并将被调量反馈到控制器的输入端,形成闭环控制系统;性能监控显示被控对象模型输出的被调量与实际被调量的拟合曲线。
4.根据权利要求2所述的一种基于粒子群的热工多回路控制器闭环迭代整定方法,其特征在于,步骤(2)包括以下步骤:
(21)从历史数据库中选取工况变化频繁的数据段作为辨识数据,数据长度要充分大、输入控制量和输入扰动量变化快及幅度大,被控过程具有明显的惯性或延迟;
(22)采用闭环辨识法辨识模型,首先,采用互相关函数法辨识出多输入单输出ARX模型的纯时滞;其次,采用基于Hankel矩阵的SVD分解法,辨识出多输入单输出ARX模型的阶次;第三,采用递推最小二乘法辨识出多输入单输出ARX模型的参数;
(23)多输入单输出ARX模型的形式如下:
其中,yt为t时刻输出,ai为输出量的系数,n为输出的阶次,bp,j为第p个输入的系数,mp为第p个输入的阶次,nu为输入量个数,dp为第p个输入的纯滞后时间,为第p个输入在t-j-dp时刻的值。
5.根据权利要求4所述的一种基于粒子群的热工多回路控制器闭环迭代整定方法,其特征在于,步骤(22)中采用互相关函数法辨识出多输入单输出ARX模型的纯时滞,方法如下:
其中,S为测点数目,dp=1,2,...,K<<S,K为估计的最大时滞,取Rp最大值所对应的dp为第p个输入的纯滞后时间。
6.根据权利要求4所述的一种基于粒子群的热工多回路控制器闭环迭代整定方法,其特征在于,步骤(22)中采用基于Hankel矩阵的SVD分解法辨识出多输入单输出ARX模型的阶次,具体为:
首先,对应输出序列,第p个输入序列向右移位dp个采样点,p=1,...,nu;其次利用移位后的输入输出序列辨识出一个高阶的多输入单输出ARX模型;然后输入脉冲信号激励该模型,得到脉冲响应序列构造如下Hankel矩阵:
其中,
hij(k)为k时刻输入i与输出j之间的脉冲响应函数值,l为大于系统阶次的任意整数;取k=0,对H(0)进行奇异值分解,得到:
其中,矩阵U0和V0为正交矩阵,对角矩阵Λ=diag(λ1,...,λR),其对角元素为降序排列的奇异值,且R=max{q,p};观察奇异值曲线的变化情况,其突降处的下标作为模型的阶次。
7.根据权利要求4所述的一种基于粒子群的热工多回路控制器闭环迭代整定方法,其特征在于,步骤(22)中采用递推最小二乘法辨识出多输入单输出ARX模型的参数,递推最小二乘法方法如下:
其中,t表示当前时刻,yt为t时刻的实际输出测量值;观测向量φt=[-yt-1,-yt-2,...,-yt-n,u1,t-1,u1,t-2,...,u1,t-n,...,up,t-1,up,t-2,...,up,t-n],t=1,2,……S,参数向量θ=[a1,a2,...,an,b1,1,b1,2,...,b1,n,...,bp,1,bp,2,...,bp,n]T,表示前一时刻的参数估计,初始值估计误差方差矩阵Pt的初始值取P0=106In;Kt为增益矩阵。
8.根据权利要求2所述的一种基于粒子群的热工多回路控制器闭环迭代整定方法,其特征在于,步骤(3)包括以下步骤:
(31)粒子维数为待整定控制器参数个数,采用启发式粒子群优化算法,对粒子位置的初始化采用在原控制器参数值上叠加(0,1)之间随机值的方式;
(32)将种群中每个粒子的位置作为待整定控制器参数,输入控制回路仿真单元的待整定控制器中,进行一次控制回路的设定值阶跃仿真,得到被调量、控制量的变化过程,根据被调量与设定值偏差、控制量变化率设计适应度评价指标,计算出种群中每个粒子对应的适应度评价指标值;粒子适应度评价指标如下:
其中,L为仿真输出序列包含的点数,j为点序号,y为被调量输出,r为设定值,ui,j为第i个输入控制量的第j个值,即当前待整定控制器的输出,p为控制器数目,w1,w2,w3为权重;
(33)根据种群中每个粒子对应得到的适应度评价指标值排序,选出当前适应度评价指标最优的粒子个体位置,然后更新种群全局最优粒子位置,再更新每个粒子飞行速度以及粒子位置,若粒子群优化迭代代数未完成,回到(32),若完成,则全局最优粒子位置对应待整定控制器的最优参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910066858.0A CN109828461B (zh) | 2019-01-24 | 2019-01-24 | 热工多回路控制器的闭环迭代粒子群整定系统及整定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910066858.0A CN109828461B (zh) | 2019-01-24 | 2019-01-24 | 热工多回路控制器的闭环迭代粒子群整定系统及整定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109828461A true CN109828461A (zh) | 2019-05-31 |
CN109828461B CN109828461B (zh) | 2021-09-07 |
Family
ID=66862358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910066858.0A Active CN109828461B (zh) | 2019-01-24 | 2019-01-24 | 热工多回路控制器的闭环迭代粒子群整定系统及整定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109828461B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764417A (zh) * | 2019-11-13 | 2020-02-07 | 东南大学 | 一种基于闭环辨识模型的线性二次型最优动态前馈-反馈pid控制系统及其控制方法 |
CN110794677A (zh) * | 2019-11-04 | 2020-02-14 | 东南大学 | 基于迭代学习的抽汽供热发电机组协调系统预测控制器 |
CN111538240A (zh) * | 2020-04-13 | 2020-08-14 | 大唐环境产业集团股份有限公司 | 一种用于脱硫系统的性能评价及自整定方法 |
CN111736618A (zh) * | 2020-06-28 | 2020-10-02 | 清华大学 | 一种无人摩托转向控制参数整定方法和装置 |
CN112965365A (zh) * | 2021-02-23 | 2021-06-15 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
CN115420054A (zh) * | 2022-08-12 | 2022-12-02 | 清华大学合肥公共安全研究院 | 冷却水系统的开环控制方法、系统以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172125A1 (en) * | 2012-09-29 | 2014-06-19 | Operation Technology, Inc. | Dynamic parameter tuning using particle swarm optimization |
CN104460318A (zh) * | 2013-09-25 | 2015-03-25 | 北京化工大学 | 一种基于闭环过程信息约束的前向通道模型多目标优化辨识整定方法 |
CN104763999A (zh) * | 2015-03-04 | 2015-07-08 | 内蒙古瑞特优化科技股份有限公司 | 电厂煤粉锅炉燃烧性能在线优化方法和系统 |
CN105680746A (zh) * | 2015-11-20 | 2016-06-15 | 宋正强 | 一种利用在线粒子群优化算法来设计永磁同步电动机电流和速度控制器pi参数的方法 |
US20160209031A1 (en) * | 2015-01-20 | 2016-07-21 | Alstom Technology Ltd | Model-based controls for a furnace and method for controlling the furnace |
-
2019
- 2019-01-24 CN CN201910066858.0A patent/CN109828461B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172125A1 (en) * | 2012-09-29 | 2014-06-19 | Operation Technology, Inc. | Dynamic parameter tuning using particle swarm optimization |
CN104460318A (zh) * | 2013-09-25 | 2015-03-25 | 北京化工大学 | 一种基于闭环过程信息约束的前向通道模型多目标优化辨识整定方法 |
US20160209031A1 (en) * | 2015-01-20 | 2016-07-21 | Alstom Technology Ltd | Model-based controls for a furnace and method for controlling the furnace |
CN104763999A (zh) * | 2015-03-04 | 2015-07-08 | 内蒙古瑞特优化科技股份有限公司 | 电厂煤粉锅炉燃烧性能在线优化方法和系统 |
CN105680746A (zh) * | 2015-11-20 | 2016-06-15 | 宋正强 | 一种利用在线粒子群优化算法来设计永磁同步电动机电流和速度控制器pi参数的方法 |
Non-Patent Citations (4)
Title |
---|
HUANHUAN YIN 等: "Model order determination using the Hankel matrix of impulse responses", 《APPLIED MATHEMATICS LETTERS》 * |
冯本勇: "参数离线在线整定相结合的PID控制算法", 《电子测试》 * |
吴晓威 等: "多变量系统的PID控制器设计", 《信息与控制》 * |
李珍 等: "基于PSO的一类线性系统参数辨识方法研究", 《重庆工商大学学报(自然科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110794677A (zh) * | 2019-11-04 | 2020-02-14 | 东南大学 | 基于迭代学习的抽汽供热发电机组协调系统预测控制器 |
CN110764417A (zh) * | 2019-11-13 | 2020-02-07 | 东南大学 | 一种基于闭环辨识模型的线性二次型最优动态前馈-反馈pid控制系统及其控制方法 |
CN110764417B (zh) * | 2019-11-13 | 2022-06-03 | 东南大学 | 一种基于闭环辨识模型的线性二次型最优动态前馈-反馈pid控制系统及其控制方法 |
CN111538240A (zh) * | 2020-04-13 | 2020-08-14 | 大唐环境产业集团股份有限公司 | 一种用于脱硫系统的性能评价及自整定方法 |
CN111736618A (zh) * | 2020-06-28 | 2020-10-02 | 清华大学 | 一种无人摩托转向控制参数整定方法和装置 |
CN112965365A (zh) * | 2021-02-23 | 2021-06-15 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
CN112965365B (zh) * | 2021-02-23 | 2023-03-31 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
CN115420054A (zh) * | 2022-08-12 | 2022-12-02 | 清华大学合肥公共安全研究院 | 冷却水系统的开环控制方法、系统以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109828461B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109828461A (zh) | 一种基于粒子群的热工多回路控制器闭环迭代整定系统及整定方法 | |
CN105929683B (zh) | 一种微分可调pid控制器参数工程整定模型及方法 | |
Shakibjoo et al. | Load frequency control for multi-area power systems: A new type-2 fuzzy approach based on Levenberg–Marquardt algorithm | |
CN110566406B (zh) | 基于强化学习的风电机组实时变桨距鲁棒控制系统及方法 | |
CN105700380B (zh) | 二次再热机组汽轮机调速系统仿真模型及其建模方法 | |
CN106054596B (zh) | 一种基于改进性能指标的pid控制器参数优化整定方法 | |
CN105652665A (zh) | 一种微型燃气轮机冷热电三联供系统的协调控制方法 | |
CN114217524A (zh) | 一种基于深度强化学习的电网实时自适应决策方法 | |
Sayed et al. | Gain tuning PI controllers for boiler turbine unit using a new hybrid jump PSO | |
CN104102134B (zh) | 一种通过性能指标实现再热汽温多变量协调预测控制的方法 | |
CN103590969A (zh) | 基于多工况时域响应的pid水轮机调速器参数优化方法 | |
CN104833154A (zh) | 基于模糊pid与神经内模的冷冻水回路控制方法 | |
CN110764417A (zh) | 一种基于闭环辨识模型的线性二次型最优动态前馈-反馈pid控制系统及其控制方法 | |
CN106532691A (zh) | 基于自适应动态规划的单区域电力系统频率复合控制方法 | |
CN107908106A (zh) | 二次再热机组再热汽温的自降阶多回路集中预估控制系统 | |
CN111290282B (zh) | 火电机组协调系统的预见式预测控制方法 | |
Gouadria et al. | Comparison between self-tuning fuzzy PID and classic PID controllers for greenhouse system | |
CN115494892A (zh) | 高空模拟试车台进气环境模拟系统解耦控制方法 | |
CN117093033A (zh) | 基于粒子群算法优化pid参数的电阻加热炉温度控制系统 | |
CN109062030A (zh) | 基于拉盖尔函数模型的火电单元机组负荷预测pid控制方法 | |
Menhas et al. | Real/binary co-operative and co-evolving swarms based multivariable PID controller design of ball mill pulverizing system | |
CN105720574A (zh) | 基于spsa的电力系统单区域负荷频率的数据驱动控制方法 | |
CN102004836A (zh) | 非线性水力机组控制参数的改进粒子群优化方法 | |
CN108803342B (zh) | 一种单元机组负荷快速响应预测控制方法 | |
CN116581764A (zh) | 一种用于可控负荷最优互动过程中的动态稳控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |