CN111352343A - 核电pid控制系统控制参数自动寻优方法 - Google Patents
核电pid控制系统控制参数自动寻优方法 Download PDFInfo
- Publication number
- CN111352343A CN111352343A CN201811572767.6A CN201811572767A CN111352343A CN 111352343 A CN111352343 A CN 111352343A CN 201811572767 A CN201811572767 A CN 201811572767A CN 111352343 A CN111352343 A CN 111352343A
- Authority
- CN
- China
- Prior art keywords
- nuclear power
- optimal
- control system
- parameters
- controller
- 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.)
- Pending
Links
Images
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及核电控制技术领域,具体公开了一种核电PID控制系统控制参数自动寻优方法。该方法包括:1、获取核电PID控制系统的相关参数;2、根据输入的阶跃试验输入输出数据,寻求核电PID控制系统最优阶次及系统的模型参数;3、对控制器系统进行稳定性判断;4、利用多目标粒子群算法,获取控制器最优参数集;5、从控制器最优参数集选取最优的PID参数。该方法能够获得核电PID控制系统的最优控制参数,减少人工工作量,缩短调试时间;本方法已成功应用于CP1000核电模拟机中,适用于CP1000核电模型的典型单回路PID控制系统。
Description
技术领域
本发明属于核电控制技术领域,具体涉及一种核电PID控制系统控制参数 自动寻优方法。
背景技术
PID调节在核电工程调试、DCS工程样机调试、以及模拟机、设计验证平 台开发过程中是不可或缺的环节,目前对于该项工作都采用手动调节的方式, 根据工程师经验调节,在遇到一些复杂的控制系统时,PID调节时常会占用很多 时间,这种方法调试效率低下,影响整个工程进度。
发明内容
本发明的目的在于提供一种核电PID控制系统控制参数自动寻优方法,可 用于核电控制系统的PID参数自动调试,避免手动经验调试,提高整体调试效 率。
本发明的技术方案如下:一种核电PID控制系统控制参数自动寻优方法, 该方法具体包括如下步骤:
步骤1、获取核电PID控制系统的相关参数;
步骤2、根据输入的阶跃试验输入输出数据,寻求核电PID控制系统最优阶 次及系统的模型参数;
步骤3、对控制器系统进行稳定性判断;
步骤4、利用多目标粒子群算法,获取控制器最优参数集;
步骤4.1、获取初始化粒子位置,计算适应度值;
步骤4.2、初始化历史最优Pbest为其本身和找出全局最优Gbest;
步骤4.3、根据位置和速度公式进行位置和速度的更新;
步骤4.4、重新计算适应度,并根据适应度更新历史最优Pbest和全局最优 Gbest,并在收敛或达到最大迭代次数时,完成多目标粒子群算法,获得控制器 最优参数集;
步骤5、从控制器最优参数集选取最优的PID参数。
所述的步骤1中获取核电PID控制系统的相关参数包括:阶跃试验的输入 输出数据,以及PID参数寻优范围数据;控制器的参数包括反馈类型,控制器 输出限幅下限值,控制器输出限幅上限制,积分环节饱和下限值,积分饱和上 限值以及积分类型。
所述的步骤2中寻求核电PID控制系统最优阶次及系统的模型参数的具体 步骤为:
步骤2.1、设定辨识模型;
设定辨识模型为:
A(z-1)y(k)=B(z-1)u(k-d)+ξ(k)
式中,ξ(k)为白噪声,结构参数na,nb和d均未知,且
步骤2.2、利用自适应最小二乘辨识方法,寻找系统的最优阶次及系统的模 型参数;
设na=nb=n,d=0,根据可测量的输入输出,确定如下2n个参数:
a1 a2 … an b1 b2 … bn
将上述对象写成最小二乘形式:
式中
所述的步骤4.3中根据位置和速度公式进行位置和速度更新的具体步骤为:
位置的更新公式为:
present(k)=present(k-1)+v
其中:present(k)为粒子当前的位置,present(k-1)为粒子上一次的位置,v 为粒子速度,k为粒子更新次数;
速度的更新公式为:
v=wv+c1*rand1*(pbest-present)
+c2*rand2*(gbest-present)
其中,c1为惯性因子,rand1为介于0~1之间的随机数,present为粒子当前 的位置,c2为学习因子,rand2为介于0~1之间的随机数,pbest为粒子本身经历 过的最优位置,gbest为粒子群经历过的最优位置。
所述的步骤4.1获取初始化粒子位置,计算适应度值的具体步骤为:
随机生成均匀分布,初始化粒子位置,每个位置代表一组控制器参数,并 获取相关性能指标。
所述的步骤5具体包括:根据多目标粒子群寻优算法获得控制器最优参数 集以及相应的性能指标,根据性能指标的模糊加权比,挑选满足技术指标的PID 参数。
所述的步骤3对控制器系统进行稳定性的判断具体为:
利用闭环脉冲传递函数的全部极点zi(i=1,2,...,n)位于z平面上以原点为圆心的单位圆内,确定控制器系统的稳定性判断。
本发明的显著效果在于:本发明所述的一种核电PID控制系统控制参数自 动寻优方法,能够获得核电PID控制系统的最优控制参数,减少人工工作量, 缩短调试时间;本方法已成功应用于CP1000核电模拟机中,适用于CP1000核 电模型的典型单回路PID控制系统。
附图说明
图1为本发明所述的一种核电PID控制系统控制参数自动寻优方法流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
如图1所示,一种核电PID控制系统控制参数自动寻优方法,该方法具体 包括如下步骤:
步骤1、获取核电PID控制系统的相关参数;
获取核电PID控制系统的相关参数,包括阶跃试验的输入输出数据,以及 PID参数寻优范围数据;控制器的参数包括反馈类型,控制器输出限幅下限值, 控制器输出限幅上限制,积分环节饱和下限值,积分饱和上限值以及积分类型;
步骤2、根据输入的阶跃试验输入输出数据,寻求核电PID控制系统最优阶 次及系统的模型参数;
步骤2.1、设定辨识模型;
设定辨识模型为:
A(z-1)y(k)=B(z-1)u(k-d)+ξ(k)
式中,ξ(k)为白噪声,结构参数na,nb和d均未知,且
步骤2.2、利用自适应最小二乘辨识方法,寻找系统的最优阶次及系统的模 型参数;
设na=nb=n,d=0,根据可测量的输入输出,确定如下2n个参数:
a1 a2 … an b1 b2 … bn
将上述对象写成最小二乘形式:
式中
步骤3、对控制器系统进行稳定性判断;
利用闭环脉冲传递函数的全部极点zi(i=1,2,...,n)位于z平面上以原点为圆心的单位圆内,确定控制器系统的稳定性判断;
步骤4、利用多目标粒子群算法,获取控制器最优参数集;
步骤4.1、获取初始化粒子位置,计算适应度值;
随机生成均匀分布,初始化粒子位置,每个位置代表一组控制器参数,并 获取相关性能指标;
步骤4.2、初始化历史最优Pbest为其本身和找出全局最优Gbest,其中,Pbest 为粒子本身经历过的最优位置,Gbest为粒子群经历过的最优位置;
步骤4.3、根据位置和速度公式进行位置和速度的更新;
位置的更新公式为:
present(k)=present(k-1)+v
其中:present(k)为粒子当前的位置,present(k-1)为粒子上一次的位置,v 为粒子速度,k为粒子更新次数;
速度的更新公式为:
v=wv+c1*rand1*(pbest-present)
+c2*rand2*(gbest-present)
其中,c1为惯性因子,rand1为介于0~1之间的随机数,present为粒子当前 的位置,c2为学习因子,rand2为介于0~1之间的随机数,pbest为粒子本身经历 过的最优位置,gbest为粒子群经历过的最优位置;
步骤4.4、重新计算适应度,并根据适应度更新历史最优Pbest和全局最优 Gbest,并在收敛或达到最大迭代次数时,完成多目标粒子群算法,获得控制器 最优参数集;
步骤5、从控制器最优参数集选取最优的PID参数;
根据多目标粒子群寻优算法获得控制器最优参数集以及相应的性能指标, 根据性能指标的模糊加权比,挑选满足技术指标的PID参数。
Claims (7)
1.一种核电PID控制系统控制参数自动寻优方法,其特征在于:该方法具体包括如下步骤:
步骤1、获取核电PID控制系统的相关参数;
步骤2、根据输入的阶跃试验输入输出数据,寻求核电PID控制系统最优阶次及系统的模型参数;
步骤3、对控制器系统进行稳定性判断;
步骤4、利用多目标粒子群算法,获取控制器最优参数集;
步骤4.1、获取初始化粒子位置,计算适应度值;
步骤4.2、初始化历史最优Pbest为其本身和找出全局最优Gbest;
步骤4.3、根据位置和速度公式进行位置和速度的更新;
步骤4.4、重新计算适应度,并根据适应度更新历史最优Pbest和全局最优Gbest,并在收敛或达到最大迭代次数时,完成多目标粒子群算法,获得控制器最优参数集;
步骤5、从控制器最优参数集选取最优的PID参数。
2.根据权利要求1所述的一种核电PID控制系统控制参数自动寻优方法,其特征在于:所述的步骤1中获取核电PID控制系统的相关参数包括:阶跃试验的输入输出数据,以及PID参数寻优范围数据;控制器的参数包括反馈类型,控制器输出限幅下限值,控制器输出限幅上限制,积分环节饱和下限值,积分饱和上限值以及积分类型。
3.根据权利要求1所述的一种核电PID控制系统控制参数自动寻优方法,其特征在于:所述的步骤2中寻求核电PID控制系统最优阶次及系统的模型参数的具体步骤为:
步骤2.1、设定辨识模型;
设定辨识模型为:
A(z-1)y(k)=B(z-1)u(k-d)+ξ(k)
式中,ξ(k)为白噪声,结构参数nc,nb和d均未知,且
步骤2.2、利用自适应最小二乘辨识方法,寻找系统的最优阶次及系统的模型参数;
设nc=nb=n,d=0,根据可测量的输入输出,确定如下2n个参数:
a1 a2 … an b1 b2 … bn
将上述对象写成最小二乘形式:
式中
4.根据权利要求1所述的一种核电PID控制系统控制参数自动寻优方法,其特征在于:所述的步骤4.3中根据位置和速度公式进行位置和速度更新的具体步骤为:
位置的更新公式为:
present(k)=present(k-1)+v
其中:present(k)为粒子当前的位置,present(k-1)为粒子上一次的位置,v为粒子速度,k为粒子更新次数;
速度的更新公式为:
v=wv+c1*rand1*(pbest-present)+c2*rand2*(gbest-present)
其中,c1为惯性因子,rand1为介于0~1之间的随机数,present为粒子当前的位置,c2为学习因子,rand2为介于0~1之间的随机数,pbest为粒子本身经历过的最优位置,gbest为粒子群经历过的最优位置。
5.根据权利要求1所述的一种核电PID控制系统控制参数自动寻优方法,其特征在于:所述的步骤4.1获取初始化粒子位置,计算适应度值的具体步骤为:
随机生成均匀分布,初始化粒子位置,每个位置代表一组控制器参数,并获取相关性能指标。
6.根据权利要求1所述的一种核电PID控制系统控制参数自动寻优方法,其特征在于:所述的步骤5具体包括:根据多目标粒子群寻优算法获得控制器最优参数集以及相应的性能指标,根据性能指标的模糊加权比,挑选满足技术指标的PID参数。
7.根据权利要求1所述的一种核电PID控制系统控制参数自动寻优方法,其特征在于:所述的步骤3对控制器系统进行稳定性的判断具体为:
利用闭环脉冲传递函数的全部极点zi(i=1,2,...,n)位于z平面上以原点为圆心的单位圆内,确定控制器系统的稳定性判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811572767.6A CN111352343A (zh) | 2018-12-21 | 2018-12-21 | 核电pid控制系统控制参数自动寻优方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811572767.6A CN111352343A (zh) | 2018-12-21 | 2018-12-21 | 核电pid控制系统控制参数自动寻优方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111352343A true CN111352343A (zh) | 2020-06-30 |
Family
ID=71195370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811572767.6A Pending CN111352343A (zh) | 2018-12-21 | 2018-12-21 | 核电pid控制系统控制参数自动寻优方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111352343A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112666821A (zh) * | 2020-11-25 | 2021-04-16 | 中国核电工程有限公司 | 一种核电厂闭环控制系统最优pid参数的设计方法 |
CN113189874A (zh) * | 2021-04-29 | 2021-07-30 | 上海电力大学 | 基于pso的压水堆核电站主蒸汽压力的控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789824A (zh) * | 2012-08-08 | 2012-11-21 | 中广核工程有限公司 | 一种核电厂闭环控制系统的调试方法和系统 |
-
2018
- 2018-12-21 CN CN201811572767.6A patent/CN111352343A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789824A (zh) * | 2012-08-08 | 2012-11-21 | 中广核工程有限公司 | 一种核电厂闭环控制系统的调试方法和系统 |
Non-Patent Citations (3)
Title |
---|
夏立荣 等: "基于动态层次分析的自适应多目标粒子群优化算法及其应用", 《控制与决策》 * |
孟丽 等: "基于多目标粒子群算法的PID控制器设计", 《计算机仿真》 * |
郭利辉 等: "基于MATLAB的最小二乘法系统辨识与仿真", 《许昌学院学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112666821A (zh) * | 2020-11-25 | 2021-04-16 | 中国核电工程有限公司 | 一种核电厂闭环控制系统最优pid参数的设计方法 |
CN113189874A (zh) * | 2021-04-29 | 2021-07-30 | 上海电力大学 | 基于pso的压水堆核电站主蒸汽压力的控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Neural-network-based optimal control for a class of unknown discrete-time nonlinear systems using globalized dual heuristic programming | |
CN108512258B (zh) | 一种基于改进多智能体一致性算法的风电场有功调度方法 | |
CN101286044B (zh) | 一种燃煤锅炉系统蒸汽温度混合建模方法 | |
CN109901403A (zh) | 一种自主水下机器人神经网络s面控制方法 | |
CN109787251B (zh) | 一种集群温控负荷聚合模型、系统参数辨识及反推控制方法 | |
Sayed et al. | Gain tuning PI controllers for boiler turbine unit using a new hybrid jump PSO | |
CN104408518A (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
CN111352343A (zh) | 核电pid控制系统控制参数自动寻优方法 | |
CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
CN112883652B (zh) | 考虑动态尾流的风电场有功功率离线预测控制器设计方法 | |
CN114217524A (zh) | 一种基于深度强化学习的电网实时自适应决策方法 | |
WO2022121446A1 (zh) | 控制系统、无功电压控制方法和装置、介质以及计算装置 | |
CN111002302B (zh) | 结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法 | |
CN110361974B (zh) | 基于bp-foa混合算法的水轮机调速系统优化方法 | |
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 | |
CN106777521B (zh) | 基于双链量子遗传算法的发电机组涉网参数优化方法 | |
CN117028141A (zh) | 一种风电机组的变桨协调优化控制方法 | |
CN111142378A (zh) | 一种双足机器人神经网络控制器的神经网络优化方法 | |
CN106647247B (zh) | 一种适用于伺服控制器的控制算法 | |
CN113641101B (zh) | 一种基于数值仿真的多渠池控制参数寻优算法 | |
CN114039366B (zh) | 一种基于孔雀优化算法的电网二次调频控制方法及装置 | |
CN113741182B (zh) | 一种基于广义值迭代的污水处理过程控制方法 | |
CN116300422A (zh) | 一种水电机组控制优化方法及终端 | |
CN112465271B (zh) | 一种面向储能平抑风电波动场景的储能电池选型方法 | |
Jianping et al. | Multi-robot task allocation based on robotic utility value and genetic algorithm |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200630 |
|
RJ01 | Rejection of invention patent application after publication |