CN112394640A - 参数整定方法、装置、存储介质及参数整定单元 - Google Patents

参数整定方法、装置、存储介质及参数整定单元 Download PDF

Info

Publication number
CN112394640A
CN112394640A CN202010828608.9A CN202010828608A CN112394640A CN 112394640 A CN112394640 A CN 112394640A CN 202010828608 A CN202010828608 A CN 202010828608A CN 112394640 A CN112394640 A CN 112394640A
Authority
CN
China
Prior art keywords
individual
individuals
elite
model
optimal
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
Application number
CN202010828608.9A
Other languages
English (en)
Other versions
CN112394640B (zh
Inventor
屈小凡
吕剑虹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010828608.9A priority Critical patent/CN112394640B/zh
Publication of CN112394640A publication Critical patent/CN112394640A/zh
Application granted granted Critical
Publication of CN112394640B publication Critical patent/CN112394640B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • 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

本申请实施例公开了一种参数整定方法、装置、存储介质及参数整定单元，属于热工控制领域。所述方法包括：对不同工况下的被控对象创建模型库，所述模型库中的每个模型对应一种工况；从所述模型库中选择与协调控制系统的当前数据相匹配的最优模型；根据历史数据、所述最优模型和改进后的差分进化算法生成预测控制器的最优控制参数；将所述最优控制参数提供给所述预测控制器。本申请实施例可以结合改进后的差分进化算法进行参数整定，无需手动进行参数整定，既可以提高控制参数的准确性，也可以提高参数整定的效率。

Description

参数整定方法、装置、存储介质及参数整定单元
技术领域
本申请实施例涉及热工控制领域，特别涉及一种参数整定方法、装置、存储介质及参数整定单元。
背景技术
预测控制自提出以来被越来越多地应用到多种工业领域，在交通、土木、能源、航天航空及医疗等方面都能发现其身影。就热工控制领域而言，面对当今大容量、复杂和具有不确定性的热工对象，早期的PID(Proportion Integration Differentiation，比例积分微分)控制系统显然已经不能适应电力行业快速发展的需要，而预测控制器因其能够预测被控对象变化，超前调节被控对象，且处理约束能力较强，在火电机组有着广泛的工程应用。
由于预测控制器的控制参数的不同对协调控制系统的性能有较大影响，且考虑到预测控制器中待确定的控制参数较多，尽管工业上存在一定控制参数选取原则，但通过手动选取预测控制器的控制参数的方法仍略显粗糙。此外，对于工况变化下的复杂协调控制系统，多次手动进行控制参数整定显得尤为困难且费时。
发明内容
本申请实施例提供了一种参数整定方法、装置、存储介质及参数整定单元，用于解决手动整定预测控制器中的控制参数时，控制参数的准确性较差且整定效率低的问题。所述技术方案如下：
一方面，提供了一种参数整定方法，所述方法包括：
对不同工况下的被控对象创建模型库，所述模型库中的每个模型对应一种工况；
从所述模型库中选择与协调控制系统的当前数据相匹配的最优模型；
根据历史数据、所述最优模型和改进后的差分进化算法生成预测控制器的最优控制参数；
将所述最优控制参数提供给所述预测控制器。
在一种可能的实现方式中，所述对不同工况下的被控对象创建模型库，包括：
获取所述被控对象在不同工况下运行的历史数据；
对于每个预设的典型工况点，根据与所述典型工况点对应的历史数据为所述被控对象创建一个模型。
在一种可能的实现方式中，所述从所述模型库中选择与协调控制系统的当前数据相匹配的最优模型，包括：
获取所述协调控制系统的当前数据；
根据所述当前数据计算每个模型的适配度；
将适配度最高的模型确定为所述最优模型。
在一种可能的实现方式中，所述根据历史数据、所述最优模型和改进后的差分进化算法生成预测控制器的最优控制参数，包括：
获取第k个种群，所述第k个种群中包括NP个个体，所述个体为D维向量，且所述个体中的每个元素为一种控制参数，所述k、NP和D为正整数；
根据所述历史数据和所述最优模型计算所述第k个种群中每个个体的个体适应度；
根据所述个体适应度更新所述第k个种群；
将k更新为k+1，继续执行所述获取第k个种群的步骤，直至迭代结束后将个体适应度最高的个体确定为所述最优控制参数。
在一种可能的实现方式中，所述根据所述个体适应度更新所述第k个种群，包括：
将个体适应度低于预设阈值的多个个体确定为第k轮精英个体；
利用所述第k轮精英个体替换所述第k个种群中保留的第k-1轮精英个体，所述第k-1轮精英个体是第k-1次迭代时生成的精英个体；
对于所述第k个种群中除所述第k轮精英个体之外的每个非精英个体，对所述非精英个体进行变异运算、交叉运算和选择运算，得到更新后的个体。
在一种可能的实现方式中，所述利用所述第k轮精英个体替换所述第k个种群中保留的第k-1轮精英个体，包括：
对于所述第k轮精英个体中的每个精英个体，根据曼哈顿距离算法计算所述精英个体与所述第k-1轮精英个体中每个精英个体的个体相似度；
从所述第k-1轮精英个体中选择与所述精英个体的个体相似度最高的目标精英个体；
利用所述精英个体替换所述目标精英个体。
在一种可能的实现方式中，所述对所述非精英个体进行变异运算、交叉运算和选择运算，得到更新后的个体，包括：
根据所述个体适应度选择最优个体和最劣个体，所述最优个体的个体适应度最低，所述最劣个体的个体适应度最高；
对所述最优个体、最劣个体、随机选择的三个个体和所述非精英个体进行变异运算，得到变异个体；
对所述变异个体进行交叉运算，得到交叉个体；
将所述非精英个体和所述交叉个体中个体适应度最高的个体确定为更新后的个体。
一方面，提供了一种参数整定装置，所述装置包括：
创建模块，用于对不同工况下的被控对象创建模型库，所述模型库中的每个模型对应一种工况；
选择模块，用于从所述模型库中选择与协调控制系统的当前数据相匹配的最优模型；
生成模块，用于根据历史数据、所述最优模型和改进后的差分进化算法生成预测控制器的最优控制参数；
提供模块，用于将所述最优控制参数提供给所述预测控制器。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的参数整定方法。
一方面，提供了一种协调控制系统，所述协调控制系统包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的参数整定方法。
本申请实施例提供的技术方案的有益效果至少包括：
通过对不同工况下的被控对象创建模型库，由于该模型库中的每个模型对应一种工况，所以，可以从模型库中选择与协调控制系统的当前数据相匹配的最优模型，再根据历史数据、最优模型和改进后的差分进化算法生成预测控制器的最优控制参数，最后将最优控制参数提供给预测控制器，实现了结合改进后的差分进化算法进行参数整定，无需手动进行参数整定，既可以提高控制参数的准确性，也可以提高参数整定的效率。另外，差分进化算法作为一种智能寻优算法，与遗传算法类似，具有较为高效的寻优能力，其变异策略的优越性也保证了更加稳定的收敛能力，因此，可以应用在预测控制器的参数整定环节，但差分进化算法仍然存在搜索停滞与收敛早熟的问题。本实施例中，通过对差分进化算法进行改进，增加其自适应能力，在防止收敛早熟的同时加快收敛速度，并且根据电厂生产的实际特点，将改进差分进化算法应用于电厂的预测控制器的参数整定。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的参数整定方法的方法流程图；
图2是本申请一个实施例提供的参数整定方法的流程图；
图3是本申请一个实施例提供的参数整定方法的方法流程图；
图4是本申请一个实施例提供的参数整定装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1和图2，其示出了本申请一个实施例提供的参数整定方法的方法流程图，该参数整定方法可以应用于参数整定单元中。该参数整定方法，可以包括：
步骤101，对不同工况下的被控对象创建模型库，该模型库中的每个模型对应一种工况。
被控对象可以是超临界机组或超超临界机组中的对象。
工况可以与负荷点关联，即不同的工况对应于不同的负荷点。
本实施例中，对不同工况下的被控对象创建模型库，可以包括：获取被控对象在不同工况下运行的历史数据；对于每个预设的典型工况点，根据与典型工况点对应的历史数据为被控对象创建一个模型。
在一个示例中，以主汽调门开度指令μT、燃料量指令μB和给水指令μw为输入量，以机组功率NE、主汽压力PT和分离器温度Tsp为输出量，模型库中包括N 个模型，且模型库中的第i个模型的状态空间方程为：
Figure RE-RE-GDA0002884855210000051
其中，xi为状态量，且初始值为预设值，u为输入量，yi为输出量，t表示时间序列，Ai、Bi和Ci为已知的模型参数矩阵，且
Figure RE-RE-GDA0002884855210000052
步骤102，从模型库中选择与协调控制系统的当前数据相匹配的最优模型。
其中，从模型库中选择与协调控制系统的当前数据相匹配的最优模型，可以包括：获取协调控制系统的当前数据；根据当前数据计算每个模型的适配度；将适配度最高的模型确定为最优模型。
本实施例中，可以通过公式λi＝||yi(t)-y(t)||2计算第i(i＝1,2,…,N)个模型的适配度，并选择λi最小时的模型作为最优模型。
步骤103，根据历史数据、最优模型和改进后的差分进化算法生成预测控制器的最优控制参数。
在选出最优模型后，可以将最优模型导入仿真单元，则仿真单元可以包括最优模型、预测控制器和历史数据。其中，最优模型即为步骤102中选择的模型，采用状态空间方式表示；预测控制器按照现场实际控制器搭建，本实施例中选择三输入三输出的控制器为预测控制器，则输入量分别是主汽调门开度指令μT、燃料量指令μB和给水指令μw，输出量分别是机组功率NE、主汽压力PT和分离器温度Tsp。通过历史数据导入仿真设定值，并通过预测控制器计算出控制量后，可以通过最优模型计算出输出量，并反馈到预测控制器的输入端，从而构成协调控制系统的仿真单元，其中，输出量的变化应与实际输出近似。
从预测控制器中选择待整定的控制参数后，可以设置参数搜索范围并确定适应度评价指标，调用仿真单元，并根据仿真结果计算适应度评价指标，采用改进后的差分进化算法寻优得到最优控制，并输出至预测控制器。
本实施例中，预测控制器的待整定的控制参数为预测时域P，控制时域M，误差权系数
Figure RE-RE-GDA0002884855210000061
控制权系数
Figure RE-RE-GDA0002884855210000062
其中，还可以先根据当前工况和生产要求确定待整定的控制参数的搜索空间，例如，搜索上限为 Xh＝[500 20 10000 100000 10000 100 100100]，搜索下限为Xl＝[20 1 0 0 0 0 0 0]。
本实施例中的适应度评价指标可以通过公式
Figure RE-RE-GDA0002884855210000066
计算得到，其中，ω1、ω2、ω3∈(0,1) 为权重，且ω1+ω2+ω3＝1。在一个实例中，根据系统性能要求，可以选取ω1＝0.6ω2＝0.3ω3＝0.1。
需要说明的是，在变工况情况下，可以利用当前数据进行仿真单元的在线适配，且可以通过调整适应度评价指标的权重系数来使得参数整定更加灵活，拥有较好的鲁棒性的同时，保证协调控制系统能够满足不同的性能需求。
上述公式中的
Figure RE-RE-GDA0002884855210000064
其中，rNe是机组功率的设定值，yNe是机组功率的实际输出值，yNe0是满负荷时的机组功率；
Figure RE-RE-GDA0002884855210000065
是主汽压力的设定值，可以根据rNe计算得到，
Figure RE-RE-GDA0002884855210000071
是主汽压力的实际输出值，
Figure RE-RE-GDA0002884855210000072
是满负荷时的主汽压力；
Figure RE-RE-GDA0002884855210000073
是分离器温度的设定值，可以根据rNe计算得到，
Figure RE-RE-GDA0002884855210000074
是分离器温度的实际输出值，
Figure RE-RE-GDA0002884855210000075
是满负荷时的分离器温度。
请参考图3，下面对采用改进后的差分进化算法进行参数寻优的流程进行介绍，则根据历史数据、最优模型和改进后的差分进化算法生成预测控制器的最优控制参数，可以包括：
步骤1031，获取第k个种群，第k个种群中包括NP个个体，个体为D维向量，且个体中的每个元素为一种控制参数，k、NP和D为正整数。
在k＝1时，即获取初始种群时，可以设置种群中每个个体的维数为D，并根据设置的参数搜索空间的上下限Xl和Xh构成初始种群： Xi,0＝Xl+rand(0,1)×(Xh-Xl)，其中，i∈[1,2,…,NP]。
在k≠1时，即获取非初始种群时，可以将上一轮迭代后生成的种群确定为第k个种群。
步骤1032，根据历史数据和最优模型计算第k个种群中每个个体的个体适应度。
根据上文中提到的适应度评价指标的公式来计算第k个种群中每个个体的个体适应度。
需要说明的是，还可以将第k个种群中每个个体的个体适应度进行比较，将个体适应度最低的个体确定为最优个体XI,best，将个体适应度最高的个体确定为最劣个体XI,worst。当最优个体的个体适应度满足预设的精度要求，或者，当迭代次数达到预设的最大迭代次数Imax时，结束参数寻优流程，即结束迭代；若不满足上述两个条件，则继续执行步骤1033。
步骤1033，根据个体适应度更新第k个种群。
其中，根据个体适应度更新第k个种群，可以包括：
1)将个体适应度低于预设阈值的多个个体确定为第k轮精英个体。
其中，可以预先设置预设阈值，并将第k个种群中的每个个体的个体适应度与该预设阈值进行比较，将个体适应度低于该预设阈值的个体确定为精英个体。
2)利用第k轮精英个体替换第k个种群中保留的第k-1轮精英个体，第k-1 轮精英个体是第k-1次迭代时生成的精英个体。
其中，利用第k轮精英个体替换第k个种群中保留的第k-1轮精英个体，可以包括：对于第k轮精英个体中的每个精英个体，根据曼哈顿距离算法计算精英个体与第k-1轮精英个体中每个精英个体的个体相似度；从第k-1轮精英个体中选择与精英个体的个体相似度最高的目标精英个体；利用精英个体替换目标精英个体。
利用曼哈顿距离算法定义第i个个体的个体相似度为：
Figure RE-RE-GDA0002884855210000081
种群相似度为
Figure RE-RE-GDA0002884855210000082
3)对于第k个种群中除第k轮精英个体之外的每个非精英个体，对非精英个体进行变异运算、交叉运算和选择运算，得到更新后的个体。
其中，对非精英个体进行变异运算、交叉运算和选择运算，得到更新后的个体，可以包括：
1)根据个体适应度选择最优个体和最劣个体，最优个体的个体适应度最低，最劣个体的个体适应度最高。
2)对最优个体、最劣个体、随机选择的三个个体和非精英个体进行变异运算，得到变异个体。
在生成变异个体时，对非精英个体Xi,I随机生成0-1之间的一个随机数，若 rand(0,1)＜0.3，则Vi,I+1＝Xi,I+rand(0,1)×(XI,best-Xi,I)-rand(0,1)×(XI,worst-Xi,I)；若 rand(0,1)＞0.3，则Vi,I+1＝Xr1,I+F×(Xr2,I-Xr3,I)。其中，Xr1,I,Xr2,I,Xr3,I是除Xi,I之外的三个随机且不同的个体，F为自适应缩放因子，可以根据种群相似度S和以下公式计算得到：F＝F0×2exp(1-1/S)，F0是初始缩放因子。
3)对变异个体进行交叉运算，得到交叉个体。
在进行交叉运算时，选取交叉概率CR∈(0.5,1)和固定随机数jrand∈[0,…,D]，则交叉个体可以通过以下公式计算得到：
Figure RE-RE-GDA0002884855210000083
4)将非精英个体和交叉个体中个体适应度最高的个体确定为更新后的个体。
在进行选择运算时，可以在非精英个体Xi,I和交叉个体Ui,I+1中选择个体适应度最高的个体作为更新后的个体。即，
Figure RE-RE-GDA0002884855210000091
步骤1034，将k更新为k+1，继续执行获取第k个种群的步骤，直至迭代结束后将个体适应度最高的个体确定为最优控制参数。
在迭代结束后，可以在最后一个种群中选择个体适应度最高的个体作为最优控制参数。其中，迭代结束的条件详见上文中的描述，此处不作赘述。
步骤104，将最优控制参数提供给预测控制器。
本实施例能够在不影响现场工业过程的前提下，根据实际工况，利用改进后的差分进化算法的良好的全局寻优能力进行控制参数的在线自整定，保证协调控制系统具有较高的控制精度和鲁棒性，有效提高协调控制系统的调节品质。
综上所述，本申请实施例提供的参数整定方法，通过对不同工况下的被控对象创建模型库，由于该模型库中的每个模型对应一种工况，所以，可以从模型库中选择与协调控制系统的当前数据相匹配的最优模型，再根据历史数据、最优模型和改进后的差分进化算法生成预测控制器的最优控制参数，最后将最优控制参数提供给预测控制器，实现了结合改进后的差分进化算法进行参数整定，无需手动进行参数整定，既可以提高控制参数的准确性，也可以提高参数整定的效率。另外，差分进化算法作为一种智能寻优算法，与遗传算法类似，具有较为高效的寻优能力，其变异策略的优越性也保证了更加稳定的收敛能力，因此，可以应用在预测控制器的参数整定环节，但差分进化算法仍然存在搜索停滞与收敛早熟的问题。本实施例中，通过对差分进化算法进行改进，增加其自适应能力，在防止收敛早熟的同时加快收敛速度，并且根据电厂生产的实际特点，将改进差分进化算法应用于电厂的预测控制器的参数整定。
另外，本实施例通过对差分进化算法进行自适应性改进，在保证其收敛稳定性的前提下，加快收敛速度，增强了全局收敛能力，对于复杂的预测控制器的参数整定具有良好的适应能力，且本实施例不仅适用于单个预测控制器的参数整定，也适用于有多个预测控制器的参数整定。
在一个示例中，维数D为8，种群规模NP为30，最大迭代次数Imax为75，初始缩放因子F0为0.2，交叉概率CR为0.8，则当机组负荷为550MW时，经整定得到的最优控制参数为：P＝80，M＝15，
Figure RE-RE-GDA0002884855210000101
Figure RE-RE-GDA0002884855210000102
与参数整定前的控制效果相比，协调控制系统的输出量的均方根误差有了较大的改善，参数优化效果明显，且优化后的控制量波动幅度与强度均适度。在机组变工况时，预测控制器的控制参数可以进行在线自整定，以适应协调控制系统的性能要求，且改进后的差分进化算法收敛速度增加，全局收敛能力提高，与手动试凑参数整定相比，复杂性与耗时明显降低。
请参考图4，其示出了本申请一个实施例提供的参数整定装置的结构框图，该参数整定装置可以应用于协调控制系统中。该参数整定装置，可以包括：
创建模块410，用于对不同工况下的被控对象创建模型库，模型库中的每个模型对应一种工况；
选择模块420，用于从模型库中选择与协调控制系统的当前数据相匹配的最优模型；
生成模块430，用于根据历史数据、最优模型和改进后的差分进化算法生成预测控制器的最优控制参数；
提供模块440，用于将最优控制参数提供给预测控制器。
在一个可选的实施例中，创建模块410，还用于：
获取被控对象在不同工况下运行的历史数据；
对于每个预设的典型工况点，根据与典型工况点对应的历史数据为被控对象创建一个模型。
在一个可选的实施例中，选择模块420，还用于：
获取协调控制系统的当前数据；
根据当前数据计算每个模型的适配度；
将适配度最高的模型确定为最优模型。
在一个可选的实施例中，生成模块430，还用于：
获取第k个种群，第k个种群中包括NP个个体，个体为D维向量，且个体中的每个元素为一种控制参数，k、NP和D为正整数；
根据历史数据和最优模型计算第k个种群中每个个体的个体适应度；
根据个体适应度更新第k个种群；
将k更新为k+1，继续执行获取第k个种群的步骤，直至迭代结束后将个体适应度最高的个体确定为最优控制参数。
在一个可选的实施例中，生成模块430，还用于：
将个体适应度低于预设阈值的多个个体确定为第k轮精英个体；
利用第k轮精英个体替换第k个种群中保留的第k-1轮精英个体，第k-1轮精英个体是第k-1次迭代时生成的精英个体；
对于第k个种群中除第k轮精英个体之外的每个非精英个体，对非精英个体进行变异运算、交叉运算和选择运算，得到更新后的个体。
在一个可选的实施例中，生成模块430，还用于：
对于第k轮精英个体中的每个精英个体，根据曼哈顿距离算法计算精英个体与第k-1轮精英个体中每个精英个体的个体相似度；
从第k-1轮精英个体中选择与精英个体的个体相似度最高的目标精英个体；
利用精英个体替换目标精英个体。
在一个可选的实施例中，生成模块430，还用于：
根据个体适应度选择最优个体和最劣个体，最优个体的个体适应度最低，最劣个体的个体适应度最高；
对最优个体、最劣个体、随机选择的三个个体和非精英个体进行变异运算，得到变异个体；
对变异个体进行交叉运算，得到交叉个体；
对交叉个体中的每个元素进行选择运算，得到更新后的个体。
综上所述，本申请实施例提供的参数整定装置，通过对不同工况下的被控对象创建模型库，由于该模型库中的每个模型对应一种工况，所以，可以从模型库中选择与协调控制系统的当前数据相匹配的最优模型，再根据历史数据、最优模型和改进后的差分进化算法生成预测控制器的最优控制参数，最后将最优控制参数提供给预测控制器，实现了结合改进后的差分进化算法进行参数整定，无需手动进行参数整定，既可以提高控制参数的准确性，也可以提高参数整定的效率。另外，差分进化算法作为一种智能寻优算法，与遗传算法类似，具有较为高效的寻优能力，其变异策略的优越性也保证了更加稳定的收敛能力，因此，可以应用在预测控制器的参数整定环节，但差分进化算法仍然存在搜索停滞与收敛早熟的问题。本实施例中，通过对差分进化算法进行改进，增加其自适应能力，在防止收敛早熟的同时加快收敛速度，并且根据电厂生产的实际特点，将改进差分进化算法应用于电厂的预测控制器的参数整定。
本申请一个实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的参数整定方法。
本申请一个实施例提供了一种参数整定单元，所述参数整定单元包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的参数整定方法。
需要说明的是：上述实施例提供的参数整定装置在进行参数整定时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将参数整定装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的参数整定装置与参数整定方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请实施例的保护范围之内。

Claims (10)

1.一种参数整定方法，其特征在于，所述方法包括：
对不同工况下的被控对象创建模型库，所述模型库中的每个模型对应一种工况；
从所述模型库中选择与协调控制系统的当前数据相匹配的最优模型；
根据历史数据、所述最优模型和改进后的差分进化算法生成预测控制器的最优控制参数；
将所述最优控制参数提供给所述预测控制器。
2.根据权利要求1所述的方法，其特征在于，所述对不同工况下的被控对象创建模型库，包括：
获取所述被控对象在不同工况下运行的历史数据；
对于每个预设的典型工况点，根据与所述典型工况点对应的历史数据为所述被控对象创建一个模型。
3.根据权利要求1所述的方法，其特征在于，所述从所述模型库中选择与协调控制系统的当前数据相匹配的最优模型，包括：
获取所述协调控制系统的当前数据；
根据所述当前数据计算每个模型的适配度；
将适配度最高的模型确定为所述最优模型。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据历史数据、所述最优模型和改进后的差分进化算法生成预测控制器的最优控制参数，包括：
获取第k个种群，所述第k个种群中包括NP个个体，所述个体为D维向量，且所述个体中的每个元素为一种控制参数，所述k、NP和D为正整数；
根据所述历史数据和所述最优模型计算所述第k个种群中每个个体的个体适应度；
根据所述个体适应度更新所述第k个种群；
将k更新为k+1，继续执行所述获取第k个种群的步骤，直至迭代结束后将个体适应度最高的个体确定为所述最优控制参数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述个体适应度更新所述第k个种群，包括：
将个体适应度低于预设阈值的多个个体确定为第k轮精英个体；
利用所述第k轮精英个体替换所述第k个种群中保留的第k-1轮精英个体，所述第k-1轮精英个体是第k-1次迭代时生成的精英个体；
对于所述第k个种群中除所述第k轮精英个体之外的每个非精英个体，对所述非精英个体进行变异运算、交叉运算和选择运算，得到更新后的个体。
6.根据权利要求5所述的方法，其特征在于，所述利用所述第k轮精英个体替换所述第k个种群中保留的第k-1轮精英个体，包括：
对于所述第k轮精英个体中的每个精英个体，根据曼哈顿距离算法计算所述精英个体与所述第k-1轮精英个体中每个精英个体的个体相似度；
从所述第k-1轮精英个体中选择与所述精英个体的个体相似度最高的目标精英个体；
利用所述精英个体替换所述目标精英个体。
7.根据权利要求5所述的方法，其特征在于，所述对所述非精英个体进行变异运算、交叉运算和选择运算，得到更新后的个体，包括：
根据所述个体适应度选择最优个体和最劣个体，所述最优个体的个体适应度最低，所述最劣个体的个体适应度最高；
对所述最优个体、最劣个体、随机选择的三个个体和所述非精英个体进行变异运算，得到变异个体；
对所述变异个体进行交叉运算，得到交叉个体；
将所述非精英个体和所述交叉个体中个体适应度最高的个体确定为更新后的个体。
8.一种参数整定装置，其特征在于，所述装置包括：
创建模块，用于对不同工况下的被控对象创建模型库，所述模型库中的每个模型对应一种工况；
选择模块，用于从所述模型库中选择与协调控制系统的当前数据相匹配的最优模型；
生成模块，用于根据历史数据、所述最优模型和改进后的差分进化算法生成预测控制器的最优控制参数；
提供模块，用于将所述最优控制参数提供给所述预测控制器。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的参数整定方法。
10.一种参数整定单元，其特征在于，所述参数整定单元包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至7任一所述的参数整定方法。
CN202010828608.9A 2020-08-18 2020-08-18 参数整定方法、装置、存储介质及参数整定单元 Active CN112394640B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010828608.9A CN112394640B (zh) 2020-08-18 2020-08-18 参数整定方法、装置、存储介质及参数整定单元

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010828608.9A CN112394640B (zh) 2020-08-18 2020-08-18 参数整定方法、装置、存储介质及参数整定单元

Publications (2)

Publication Number Publication Date
CN112394640A true CN112394640A (zh) 2021-02-23
CN112394640B CN112394640B (zh) 2022-06-07

Family

ID=74596201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010828608.9A Active CN112394640B (zh) 2020-08-18 2020-08-18 参数整定方法、装置、存储介质及参数整定单元

Country Status (1)

Country Link
CN (1) CN112394640B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113625549A (zh) * 2021-09-08 2021-11-09 上海卓然工程技术股份有限公司 一种基于优化路径的pid参数设置方法与系统
CN117193140A (zh) * 2023-10-19 2023-12-08 中广核工程有限公司 控制参数的确定方法、装置、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108107724A (zh) * 2017-12-05 2018-06-01 燕山大学 基于遗传算法的模型预测控制参数在线优化方法
CN108919642A (zh) * 2018-06-28 2018-11-30 东南大学 一种炉跟机协调控制系统控制器参数优化整定方法
CN109284579A (zh) * 2018-11-12 2019-01-29 东南大学 基于改进差分进化算法的非线性系统参数辨识方法
CN109765910A (zh) * 2019-03-08 2019-05-17 哈尔滨工程大学 一种基于改进差分进化算法的船舶动力定位推力分配方法
CN110095981A (zh) * 2019-04-02 2019-08-06 南京交通职业技术学院 一种自抗扰控制器参数的整定方法、装置和电子设备
CN110244787A (zh) * 2019-06-28 2019-09-17 新奥数能科技有限公司 转速控制系统的调节方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108107724A (zh) * 2017-12-05 2018-06-01 燕山大学 基于遗传算法的模型预测控制参数在线优化方法
CN108919642A (zh) * 2018-06-28 2018-11-30 东南大学 一种炉跟机协调控制系统控制器参数优化整定方法
CN109284579A (zh) * 2018-11-12 2019-01-29 东南大学 基于改进差分进化算法的非线性系统参数辨识方法
CN109765910A (zh) * 2019-03-08 2019-05-17 哈尔滨工程大学 一种基于改进差分进化算法的船舶动力定位推力分配方法
CN110095981A (zh) * 2019-04-02 2019-08-06 南京交通职业技术学院 一种自抗扰控制器参数的整定方法、装置和电子设备
CN110244787A (zh) * 2019-06-28 2019-09-17 新奥数能科技有限公司 转速控制系统的调节方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙立: "基于精英搜索策略的差分进化算法及其应用研究", 《万方学位论文》, 26 May 2017 (2017-05-26), pages 1 - 67 *
张大斌等: "基于精英协同的混洗差分进化算法及其应用", 《运筹与管理》, vol. 22, no. 5, 31 October 2013 (2013-10-31), pages 17 - 23 *
王双玉等: "差分进化算法在机组组合问题中的应用", 《江南大学学报（自然科学版）》, vol. 9, no. 4, 31 August 2010 (2010-08-31), pages 455 - 458 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113625549A (zh) * 2021-09-08 2021-11-09 上海卓然工程技术股份有限公司 一种基于优化路径的pid参数设置方法与系统
CN117193140A (zh) * 2023-10-19 2023-12-08 中广核工程有限公司 控制参数的确定方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN112394640B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN114186749B (zh) 基于强化学习及遗传算法的柔性车间调度方法及模型
CN112394640B (zh) 参数整定方法、装置、存储介质及参数整定单元
CN116610025B (zh) 一种基于改进元启发式算法的pid控制器优化方法
CN111523749B (zh) 一种水电机组模型智能辨识方法
JPH0628332A (ja) 制御される装置の構造を識別し、パラメータを評価する装置および２変数関数の非線形最適化問題を効率的に解く方法
CN111173573A (zh) 一种汽轮机调节系统功率对象模型的辨识方法
CN109254530A (zh) 基于磨矿过程基础回路的无模型自适应控制方法
CN106940068B (zh) 一种基于遗传蚁群算法的水蓄冷空调系统节能优化控制策略的确定方法
CN112131670A (zh) 一种基于混合自适应差分进化的航空发动机模型迭代算法
CN112163376A (zh) 一种基于天牛须搜索的极端随机树炉温预测控制方法
CN112636368A (zh) 针对多源多区域互联电力系统的自动发电控制方法
CN117970782B (zh) 一种基于鱼鳞进化gsom改进的模糊pid控制方法
CN109074348A (zh) 用于对输入数据集进行迭代聚类的设备和迭代方法
da Silva et al. Cartesian genetic programming with crossover for designing combinational logic circuits
CN114880806A (zh) 基于粒子群优化的新能源汽车销量预测模型参数优化方法
CN109839820A (zh) 基于灰色随机差分进化算法的振动系统pid控制优化方法
CN114880927A (zh) 一种智慧电厂监控方法、系统、设备及存储介质
CN110490446A (zh) 一种基于改进遗传算法的模块化工艺重组方法
CN104749956A (zh) 基于和声搜索算法的工业机器人结构优化方法
CN110888323A (zh) 一种用于切换系统智能优化的控制方法
Li et al. The application of immune genetic algorithm in PID parameter optimization for level control system
CN112487723B (zh) 一种基于多参数的中水热源泵系统优化设计方法
Ardilla et al. Batch Learning Growing Neural Gas for Sequential Point Cloud Processing
Wang et al. Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm
CN114202063A (zh) 一种基于遗传算法优化的模糊神经网络温室温度预测方法

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