CN114722693A - 一种水轮机调节***二型模糊控制参数的优化方法 - Google Patents
一种水轮机调节***二型模糊控制参数的优化方法 Download PDFInfo
- Publication number
- CN114722693A CN114722693A CN202210477900.XA CN202210477900A CN114722693A CN 114722693 A CN114722693 A CN 114722693A CN 202210477900 A CN202210477900 A CN 202210477900A CN 114722693 A CN114722693 A CN 114722693A
- Authority
- CN
- China
- Prior art keywords
- population
- costfunction
- objective function
- fuzzy
- index
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于二型模糊PID控制的水轮机调节***控制参数的优化方法,用于对水电机组进行优化控制,该控制参数优化方法具体为:首先建立水轮机调节***的多工况非线性仿真平台,初步确定控制参数的调节范围,搭建一型模糊控制器,根据控制参数调节范围设置输入与输出的论域,设置隶属度函数,将一型转化为二型。接着设置改进PSO算法的种群规模、进化代数等参数,并进行种群初始化。最后根据目标函数并经过一定进化代数后,可得到最优PID控制参数。优化后的PID控制器能更好地保障水轮机调速***的控制性能,进而更好地满足电站实际生产需求。
Description
技术领域
本发明涉及水轮机调节***技术领域,具体涉及一种水轮机调节***二型模糊控制参数的优化方法。
背景技术
随着大容量高水头水轮机组和远距离特高压输电技术的发展,为改善电网供电质量,有关学者对水电机组调节品质提出了更高要求。目前的水轮机调节控制***广泛采用PID控制规律,在机组并网后,采用一组PID控制参数对机组的频率功率进行调节。随着用电负荷的变化,实际运行中的水轮机工况点会经常发生改变。由于模型参数的不断变化,定PID调节策略将难以保证水电机组的稳定运行,无法满足对调节***控制品质的要求。同时,水轮机调速***具有非线性、变结构、变参数等特性,这使得经典控制理论越来越难以满足更高调节品质的要求,以现代控制理论、智能控制方法为基础的新型控制策略研究已经成为发展的必然趋势。
水电机组的优化控制研究主要集中在两个方面,一是在对现有调速器控制参数或结构加以优化,以满足机组优化运行的需要;二是提出新的控制策略,以促进水电机组调速器的发展。对于调速器控制参数的整定优化,典型的正交法或梯度法具有对初始参数敏感,以及对目标函数可导性要求较高等不足,限制了其应用范围;工程整定法基于现场试验和经验公式,方法简单但得到的最优参数往往是不准确的。随着人工智能的兴起,启发式算法和神经网络开始被广泛应用于调速器控制参数的整定和优化。这些方法基于变参数PID的思想,提出了适应式控制规律,根据水轮机组当前的运行工况,采用智能算法不断改变当前的PID参数。相比于线性***,非线性***的控制参数优化更为困难,原因是非线性***的控制参数优化问题的数学方程更为复杂、可能存在多个局部最优解,限制了传统数学方法的应用,同时对智能算法的求解能力要求更高。为使算法具有优异的求解性能,很多学者对基于启发式算法的改进算法进行了研究并取得了理想的效果。然而,大多数改进算法是以较大的计算代价换取较高的计算精度,不可避免地引入了新的参数,增加了算法本身的复杂性,极大限制了工程应用。其中专利CN112012875A提出了一种水轮机调节***PID控制参数的优化方法,但是该方法采用模糊控制惯性权重、萤火虫——粒子群混合进化方式,使得算法的计算代价相对较高;学习因子异步变化,粒子“自身学习”与“群体学习”分别进行、相互磨合,在某些案例下存在收敛速度较慢的缺陷。本专利基于以上不足进行改进,使该方法在更广的应用范围内达到更优质的控制效果。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种水轮机调节***PID控制参数的优化方法。
为实现上述目的,本发明采用的技术方案为基于二型模糊PID控制的水轮机调节***控制参数的优化方法,包括以下步骤:
步骤1:根据水轮机各工作参数、调节系数、传递函数建立水轮机调节***多工况的非线性数学模型,在matlab/simulink中搭建改进粒子群算法与二型模糊控制协同优化PID参数的仿真平台;
步骤2:在matlab中搭建一型模糊控制器,确定输出变量与输入变量的论域与隶属度函数,按照一定的模糊规则搭建好模糊控制器;
步骤3:确定MF的不确定度占用空间(FOU),随机配置每个MF的比例因子,将一型模糊控制器按照相应带宽转换为二型模糊控制器;
步骤4:初始化生成原种群与模糊粒子群算法参数;
步骤5:将原种群的每个候选解代入仿真平台进行仿真,根据目标信号与响应信号的误差计算CostFunction指标目标函数值,记录原种群局部和全局历史的最优解,所述CostFunction指标目标函数值的计算公式如下:
式中,t为仿真时间,e(t)为目标信号与响应信号的误差;
步骤6:通过模糊粒子群算法对原种群的每一个粒子进行迭代计算,得到原种群中所有粒子下一时刻的速度和位置,将下一时刻的种群作为新种群,其中,迭代计算的公式如下:
式中:vi j(t+1)表示在t+1次迭代中第i个粒子的第j维变量所对应的速度,vi j(t)和xi j(t)分别代表在t次迭代中第i个粒子的第j维变量所对应的速度和位置,w为惯性权重,c1和c2为学习因子,rand是0至1之间的随机数,t是迭代次数,pi j和gj分别是个体历史最优位置和群体历史最优位置;
式中:xi j(t+1)表示在t+1次迭代中第i个粒子的第j维变量所对应的位置,vi j(t)和xi j(t)分别代表在t次迭代中第i个粒子的第j维变量所对应的速度和位置;
其中,自适应调整算法惯性权重w:
式中:wmin为最小惯性权重,wmax为最大惯性权重,Cmin为CostFunction指标最小值,Cavg为CostFunction指标平均值;
学习因子c1,c2同步变化:
式中:cS,cL分别为学习因子的最小值与最大值,一般地,cS,cL根据具体问题进行预设;t为当前迭代次数,T为最大迭代次数;
步骤7:计算新种群的CostFunction指标目标函数值,若新种群的CostFunction指标目标函数值小于原种群的个体历史CostFunction指标目标函数最优值,则将其更新为种群的个体历史CostFunction指标目标函数最优值,若新种群的个体历史CostFunction指标目标函数值小于原种群的群体历史CostFunction指标目标函数最优值,则将其更新为种群的群体历史CostFunction指标目标函数最优值,记录种群个体最优位置和全局历史的最优解;
步骤8:判断当前种群的迭代次数是否达到最大迭代次数,若达到最大迭代次数,则终止迭代计算并输出种群个体最优位置和全局历史的最优解;否则继续对当前种群进行迭代计算。
进一步的,在所述步骤1中,水轮机调节***分为调速器和调节对象两部分,所述调速器采用二型模糊PID控制律,所述调节对象采用高阶发电机模型和电网简化模型。
进一步的,在所述步骤1中,所述仿真平台包含控制器、随动***、水轮机及引水***、发电机及负载、励磁***和电力***稳定器。
进一步的,在所述步骤5中,所述最优解为当求得的CostFunction指标目标函数值最小时对应的模糊粒子群算法参数。
本发明的有益效果:由上述对本发明的描述可知,本发明提供了一种水轮机调节***二型模糊控制参数的优化方法,在水力机组某一工况下与现有技术相比,该方法利用改进自适应惯性权重与同步学习因子的粒子群算法,同时,采用二型模糊控制***协同优化PID控制参数,使得***的CostFunction指标最小。该方法可使得CostFunction指标更快收敛于最小值,控制调节时间、超调量大大减少,并拥有一定的鲁棒性,从而达到提高调速器调节品质的目的,创新地解决了非线性***的控制参数较难优化的问题,减轻了相关工程人员的工作负担。
附图说明
图1为本发明优选实施例中用于PID参数优化的二型模糊推理***输入变量设计图;
图2为本发明优选实施例中用于PID参数优化的二型模糊推理***输出变量与模糊规则设计图;
图3为本发明优选实施例水轮机调节***多工况仿真平台示意图;
图4为本发明实施例中优化过程中目标函数变化情况的示意图;
图5为本发明实施例中最优控制参数的控制效果的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1-5所示,本发明的优选实施例,基于二型模糊PID控制的水轮机调节***控制参数的优化方法,包括以下步骤:
步骤1:根据水轮机各工作参数、调节系数、传递函数建立水轮机调节***多工况的非线性数学模型,在matlab/simulink中搭建改进粒子群算法与二型模糊控制协同优化PID参数的仿真平台;
步骤2:在matlab中搭建一型模糊控制器,确定输出变量与输入变量的论域与隶属度函数,按照一定的模糊规则搭建好模糊控制器;
步骤3:确定MF的不确定度占用空间(FOU),随机配置每个MF的比例因子,将一型模糊控制器按照相应带宽转换为二型模糊控制器;
步骤4:初始化生成原种群与模糊粒子群算法参数;
步骤5:将原种群的每个候选解代入仿真平台进行仿真,根据目标信号与响应信号的误差计算CostFunction指标目标函数值,记录原种群局部和全局历史的最优解,所述CostFunction指标目标函数值的计算公式如下:
式中,t为仿真时间,e(t)为目标信号与响应信号的误差;
步骤6:通过模糊粒子群算法对原种群的每一个粒子进行迭代计算,得到原种群中所有粒子下一时刻的速度和位置,将下一时刻的种群作为新种群,其中,迭代计算的公式如下:
式中:vi j(t+1)表示在t+1次迭代中第i个粒子的第j维变量所对应的速度,vi j(t)和xi j(t)分别代表在t次迭代中第i个粒子的第j维变量所对应的速度和位置,w为惯性权重,c1和c2为学习因子,rand是0至1之间的随机数,t是迭代次数,pi j和gj分别是个体历史最优位置和群体历史最优位置;
式中:xi j(t+1)表示在t+1次迭代中第i个粒子的第j维变量所对应的位置,vi j(t)和xi j(t)分别代表在t次迭代中第i个粒子的第j维变量所对应的速度和位置;
其中,自适应调整算法惯性权重w:
式中:wmin为最小惯性权重,wmax为最大惯性权重,Cmin为CostFunction指标最小值,Cavg为CostFunction指标平均值;
学习因子c1,c2同步变化:
式中:cS,cL分别为学习因子的最小值与最大值,一般地,cS,cL根据具体问题进行预设;t为当前迭代次数,T为最大迭代次数;
步骤7:计算新种群的CostFunction指标目标函数值,若新种群的CostFunction指标目标函数值小于原种群的个体历史CostFunction指标目标函数最优值,则将其更新为种群的个体历史CostFunction指标目标函数最优值,若新种群的个体历史CostFunction指标目标函数值小于原种群的群体历史CostFunction指标目标函数最优值,则将其更新为种群的群体历史CostFunction指标目标函数最优值,记录种群个体最优位置和全局历史的最优解;
步骤8:判断当前种群的迭代次数是否达到最大迭代次数,若达到最大迭代次数,则终止迭代计算并输出种群个体最优位置和全局历史的最优解;否则继续对当前种群进行迭代计算。
表1 Kp参数调节的模糊规则表
表2 Ki参数调节的模糊规则表
表3 Kd参数调节的模糊规则表
在本实施例中,在所述步骤1中,水轮机调节***分为调速器和调节对象两部分,所述调速器采用二型模糊PID控制律,所述调节对象采用高阶发电机模型和电网简化模型。首先根据上表模糊规则建立一型模糊控制***,再将一型模糊控制器按照相应带宽转换为二型模糊控制器,其中每个MF的比例因子随机配置。
在本实施例中,在所述步骤1中,所述仿真平台包含控制器、随动***、水轮机及引水***、发电机及负载、励磁***和电力***稳定器。
在本实施例中,在所述步骤5中,所述最优解为当求得的CostFunction指标目标函数值最小时对应的模糊粒子群算法参数。
本发明提供了一种水轮机调节***二型模糊控制参数的优化方法,在水力机组某一工况下与现有技术相比,该方法利用改进自适应惯性权重与同步学习因子的粒子群算法,同时,采用二型模糊控制***协同优化PID控制参数,使得***的CostFunction指标最小。该方法与专利CN112012875A中提到的方法相比,可使得CostFunction指标更快收敛于最小值,控制调节时间、超调量大大减少,并拥有一定的鲁棒性,从而拥有更高的调速器调节品质,创新地解决了非线性***的控制参数较难优化的问题,进一步减轻了相关工程人员的工作负担。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出:在不脱离本发明思想的前提下,做出的若干变形和改进,均应在本发明的保护范围之内。
Claims (4)
1.一种水轮机调节***二型模糊控制参数的优化方法,其特征在于,所述优化方法包括以下步骤:
步骤1:在matlab/simulink中建立水轮机调节***多工况的非线性模型,搭建改进粒子群算法与二型模糊控制协同优化PID参数的仿真平台;
步骤2:在matlab中搭建一型模糊控制器,确定输出变量与输入变量的论域与隶属度函数,按照一定的模糊规则搭建好模糊控制器;确定MF的不确定度占用空间(FOU),随机配置每个MF的比例因子,将一型模糊控制器按照相应带宽转换为二型模糊控制器;
步骤3:生成原种群并初始化模糊粒子群算法参数;将原种群的每个候选解代入仿真平台进行仿真,根据目标信号与响应信号的误差计算CostFunction指标目标函数值,记录原种群局部和全局历史的最优解,所述CostFunction指标目标函数值的计算公式如下:
式中,t为仿真时间,e(t)为目标信号与响应信号的误差;
步骤4:通过模糊粒子群算法对原种群的每一个粒子进行迭代计算,得到原种群中所有粒子下一时刻的速度和位置,将下一时刻的种群作为新种群,其中,迭代计算的公式如下:
式中:vi j(t+1)表示在t+1次迭代中第i个粒子的第j维变量所对应的速度,vi j(t)和xi j(t)分别代表在t次迭代中第i个粒子的第j维变量所对应的速度和位置,w为惯性权重,c1和c2为学习因子,rand是0至1之间的随机数,t是迭代次数,pi j和gj分别是个体历史最优位置和群体历史最优位置;
式中:xi j(t+1)表示在t+1次迭代中第i个粒子的第j维变量所对应的位置,vi j(t)和xi j(t)分别代表在t次迭代中第i个粒子的第j维变量所对应的速度和位置;
步骤5:计算新种群的CostFunction指标目标函数值,若新种群的CostFunction指标目标函数值小于原种群的个体历史CostFunction指标目标函数最优值,则将其更新为种群的个体历史CostFunction指标目标函数最优值,若新种群的个体历史CostFunction指标目标函数值小于原种群的群体历史CostFunction指标目标函数最优值,则将其更新为种群的群体历史CostFunction指标目标函数最优值,记录种群个体最优位置和全局历史的最优解;判断当前种群的迭代次数是否达到最大迭代次数,若达到最大迭代次数,则终止迭代计算并输出种群个体最优位置和全局历史的最优解;否则继续对当前种群进行迭代计算。
3.根据权利要求1所述的一种水轮机调节***二型模糊控制参数的优化方法,其特征在于:在所述步骤2中,水轮机调节***分为调速器和调节对象两部分,所述调速器采用二型模糊PID控制律,所述调节对象采用高阶发电机模型和电网简化模型。
4.根据权利要求1所述的一种水轮机调节***二型模糊控制参数的优化方法,其特征在于:在所述步骤1中,所述仿真平台包含控制器、随动***、水轮机及引水***、发电机及负载、励磁***和电力***稳定器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210477900.XA CN114722693A (zh) | 2022-04-29 | 2022-04-29 | 一种水轮机调节***二型模糊控制参数的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210477900.XA CN114722693A (zh) | 2022-04-29 | 2022-04-29 | 一种水轮机调节***二型模糊控制参数的优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114722693A true CN114722693A (zh) | 2022-07-08 |
Family
ID=82246397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210477900.XA Pending CN114722693A (zh) | 2022-04-29 | 2022-04-29 | 一种水轮机调节***二型模糊控制参数的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722693A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115906654A (zh) * | 2022-12-14 | 2023-04-04 | 南京信息工程大学 | 一种用于EVs无线充电的基于模糊粒子群算法的控制方法 |
CN117742426A (zh) * | 2024-02-20 | 2024-03-22 | 北京金博众科技有限公司 | 一种恒温恒压的供水机组的智能控制方法和*** |
-
2022
- 2022-04-29 CN CN202210477900.XA patent/CN114722693A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115906654A (zh) * | 2022-12-14 | 2023-04-04 | 南京信息工程大学 | 一种用于EVs无线充电的基于模糊粒子群算法的控制方法 |
CN115906654B (zh) * | 2022-12-14 | 2023-07-28 | 南京信息工程大学 | 一种用于EVs无线充电的基于模糊粒子群算法的控制方法 |
CN117742426A (zh) * | 2024-02-20 | 2024-03-22 | 北京金博众科技有限公司 | 一种恒温恒压的供水机组的智能控制方法和*** |
CN117742426B (zh) * | 2024-02-20 | 2024-04-26 | 北京金博众科技有限公司 | 一种恒温恒压的供水机组的智能控制方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning | |
Arya | Automatic generation control of two-area electrical power systems via optimal fuzzy classical controller | |
CN114722693A (zh) | 一种水轮机调节***二型模糊控制参数的优化方法 | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN112012875B (zh) | 一种水轮机调节***pid控制参数的优化方法 | |
CN113241762B (zh) | 基于事件触发的回声状态网络自适应负荷频率控制方法 | |
Hosseini et al. | Improving response of wind turbines by pitch angle controller based on gain-scheduled recurrent ANFIS type 2 with passive reinforcement learning | |
CN111245032B (zh) | 一种计及风电场集电线路降损优化的电压预测控制方法 | |
CN115313403A (zh) | 一种基于深度强化学习算法的实时电压调控方法 | |
Malmir et al. | Controlling megawatt class WECS by ANFIS network trained with modified genetic algorithm | |
CN115345380A (zh) | 一种基于人工智能的新能源消纳电力调度方法 | |
CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
Zheng et al. | Deep reinforcement learning based active disturbance rejection load frequency control of multi-area interconnected power systems with renewable energy | |
Kumari et al. | Two-Area Power System Load Frequency Regulation Using ANFIS and Genetic Algorithm | |
CN114566971A (zh) | 一种基于近端策略优化算法的实时最优潮流计算方法 | |
CN105720574A (zh) | 基于spsa的电力***单区域负荷频率的数据驱动控制方法 | |
Gupta et al. | Deep learning for optimal Volt/VAR control using distributed energy resources | |
CN113448248A (zh) | 一种火电机组灵活性及深度调峰智能控制方法 | |
CN112865137A (zh) | 一种变频率偏置系数的负荷频率控制方法 | |
Luan et al. | Load-following control of nuclear reactors based on Takagi-Sugeno fuzzy model | |
CN105207220B (zh) | 一种基于渐进学习的分级电压调控方法 | |
CN113270867B (zh) | 一种薄弱电网潮流无解自动调整方法 | |
CN115622131A (zh) | 一种带储能的微电网频率鲁棒最优h2/h∞控制器设计方法 | |
CN112488442B (zh) | 基于深度强化学习算法及源荷不确定性的配电网重构方法 | |
CN113162063B (zh) | 一种抑制超低频振荡的多直流协调控制器设计方法 |
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 |