一种改进型人群搜索算法优化PID控制火电深度调峰机组的主汽压力的方法与流程

一种改进型人群搜索算法优化pid控制火电深度调峰机组的主汽压力的方法
技术领域
1.本发明属于火电机组热工控制技术领域，具体涉及一种改进型人群搜索算法优化pid控制火电深度调峰机组的主汽压力的方法。


背景技术：

2.在碳达峰和碳中和背景下，我国将逐步构建以新能源为主体的新型电力系统，为提高新能源消纳率和系统调节灵活性，火电机组将更多地承担电网调峰调频任务。火电机组主汽压力本身具有的大滞后、大惯性和非线性等控制特性在深度调峰工况下表现得尤为明显，由此带来的主汽压力控制响应慢、动态偏差大等问题严重制约了火电机组调峰爬坡速率，也不利于机组安全稳定运行。
3.目前，火电机组普遍采用以锅炉跟随为基础的协调控制系统，即锅炉调节主汽压力，汽轮调节负荷。锅炉主控采用pid调节器，并设计主汽压力偏差的微分前馈、机组负荷指令前馈等。对亚临界火电机组而言，锅炉主控pid生成燃料主控调节指令并送往燃料主控，燃料主控pid负责生成燃料指令并作为给煤机(直吹式制粉系统)或给粉机(中储式制粉系统)。燃料主控pid多为一快速随动调节器，参数整定简便，调节品质一般均能满足燃料量调节精度要求；而锅炉主控pid的被调量为锅炉主汽压力，其调节参数的设置对主汽压力的调节品质起到决定性作用。现场试验发现，深度调峰工况下，由于锅炉燃烧特性和汽轮机流量特性的改变，采用常规负荷段的主汽压力控制pid调节器参数设置适用性较差，无法满足调节品质要求，需采用先进优化算法对主汽压力控制系统进行优化。


技术实现要素：

4.本发明要解决的技术问题是提供一种改进型人群优化算法优化pid控制火电机组深度调峰工况下主汽压力的方法，基于改进型人群搜索算法(seeker optimization algorithm,soa)优化pid控制参数的方法来控制火电机组主汽压力，使得主汽压力跟踪设定值的性能好，且具有很好的鲁棒性。
5.本发明提供的技术方案：一种改进型人群搜索算法优化pid控制火电深度调峰机组的主汽压力的方法，包括如下步骤：
6.(1)建立基于现场试验数据的主汽压力辨识传递函数模型；
7.(2)基于人群搜索算法的pid参数优化；
8.(3)采用反向差分进化机制和自适应t分布策略对原始人群搜索算法进行联合改进，对主汽压控制pid进行参数优化，将优化得到的控制参数在现场dcs组态中置入，通过定值扰动试验检验控制效果。
9.进一步的，步骤(1)中基于现场数据的主汽压力辨识建模。对某深度调峰火电机组稳态运行工况进行试验建模，阶跃改变入炉燃料量，获取主汽压力响应曲线，通过最小二乘方法辨识得到主汽压力传递函数模型。主汽压力为一典型有自平衡能力热工过程，模型结
构可选择为式(1)，得到如式(2)的传递函数模型。
[0010][0011][0012]
公式中：k-主汽压力传递函数静态增益；n-传递函数阶次；τ-延迟时间；s-拉普拉斯算子。
[0013]
进一步的，步骤(2)中基于人群搜索算法优化主汽压力pid控制参数。
[0014]
由式(2)可知，火电机组在深度调峰工况下的主汽压力模型为二阶惯性加纯迟延对象，现场整定pid多采用依据经验的试凑法，调试过程耗时长，调节过程动态指标不易达到精度要求。
[0015]
目前国内外主流dcs控制系统内置pid模块均采用并联式pid，根据输入值rin(t)和输出值yout(t)的偏差e(t)构成如式(3)的控制规律。式(5)为pid的传递函数形式，其中k
p
为比例系数，ti为积分时间常数，td为微分时间常数，三者为待优化整定参数。
[0016]
e(t)＝rin(t)-yout(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0017][0018][0019]
公式中e(t)-系统输出与期望输出的偏差；u(t)-pid的控制输出信号。
[0020]
选择合适的采样周期，将pid控制器和被控对象进行离散化处理，在使用matlab进行算法编程仿真时，可采用其内置函数c2d进行离散化。
[0021]
参数编码：将pid的三个参数作为一个搜索个体，则每个个体的位置矢量的维数为d＝3，定义种群p中有s个个体，所以种群p可用式(6)表示：
[0022][0023]
适应度函数的选取：适应度函数是搜索优化过程中评价个体优劣的唯一指标，也是soa算法与控制系统结合的纽带，指导着算法朝控制目标不断进化。选取原则如下：为了获取优良的调节动态特性，采用误差绝对值的时间积分性能指标作为最小目标函数；为了防止控制器输出量能过大损坏现场设备，引入控制输入平方项；为了避免超调现象，采用适度的惩罚控制，将超调量作为指标的一项。如此，目标函数如式(7)所示。其中，各项权值的取值一般为：ω1＝0.999，ω2＝0.001，ω3＝100。
[0024][0025]
搜索步长的确定：soa的不确定推理行为是利用模糊系统的逼近能力，模拟人的智能搜索行为，用以建立目标函数值和步长之间的联系。采用高斯隶属函数表示搜索步长模糊变量。
[0026][0027]
上式(8)中，ua为高斯隶属度；x为输入变量；u、δ为隶属函数参数。当输出变量超出[u-3δ,u 3δ]时，若隶属度小于0.0111，则可忽略，故设定u
min
＝0.0111，同时为了获得较快的收敛速度，设定u
max
＝0.95。
[0028]
采用线性隶属度函数，在最佳位置有最大隶属度u
max
＝1，最差位置有最小隶属度u
min
＝0.0111，在其他位置u＜1.0，如式(9)所示。
[0029][0030]
上式(9)中，u
ij
为j维搜索空间目标函数值i的隶属度；α
ij
为j维搜索空间的搜索步长；δ
ij
为高斯隶属函数参数，其值由式(10)和(11)确定：
[0031][0032]
ω＝(iter
max-iter)/iter
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0033]
上式中，x
min
和x
max
分别是同一种群中的最小和最大函数值的位置；ω是惯性权值，随进化代数的增加从0.9线性递减至0.1；iter和iter
max
分别是当前迭代次数和最大迭代次数。
[0034]
搜索方向的确定：通过对人的利己行为、利他行为和预动行为的分析和建模，得到三种行动方向的表达式如式(12)-(14)：
[0035][0036][0037][0038]
综合以上因素，采用三个方向随机加权几何平均确定搜索方向，如式(15)：
[0039][0040]
其中，和分别为中的最佳位置；为第i个搜寻个体所在邻域的集体历史最佳位置，为第i个搜寻个体到目前为止经历过的最佳位置；sign(*)为符号函数；和为[0,1]内的常数；ω是惯性权值。
[0041]
个体位置的更新：根据上述分析，可根据搜索方向和步长进行个体位置更新，如下式所示。
[0042]
δx
ij
(t 1)＝α
ij
(t)d
ij
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0043]
x
ij
(y 1)＝x
ij
(y) δx
ij
(t 1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0044]
其中，δx
ij
(t 1)为第i个搜寻个体在j维搜索空间下一时刻的位置变化量，x
ij
(t)为t时刻第i个搜寻个体在j维搜索空间的位置。
[0045]
进一步的，步骤(3)中人群搜索算法的改进：标准人群搜索算法依赖于经验梯度方向和不确定推理行为之间的相互配合，在整个迭代过程中广泛地进行全局搜索，进而为挖掘全局最优解积累丰富的先验知识。然而，以模糊步长为导向的位置更新方式容易诱发算法陷入局部最优，从而导致搜索偏离最优解；人群缺乏信息交流易降低人群多样性，将进一
步限制算法的开发范围。针对上述问题，采用反向差分进化机制和自适应t分布策略对原始人群搜索算法进行联合改进，进一步增强其脱离局部最优的能力。
[0046]
对于任意个体x
ij
，其反向解定义为
[0047]
x'
ij
＝ubj lb
j-x
ij
ꢀꢀ
(18)
[0048]
上式中，ubj和lbj分别为第j维搜索空间的上限和下限。为进一步增强人群多样性，提出采用差分进化(differential evolution algorithm,de)对人群位置进行更新，通过变异、交叉和选择策略来寻找优质个体，加强个体之间的信息交。
[0049]
对于人群中每个个体向量xi，随机选择三个不同的个体向量进行结合，产生变异个体：
[0050][0051]
上式中，r1,r2,r3为[1,0.5n]内三个不同差分个体的编号，其中，缩放因子f为[0,1]范围内的随机数。
[0052]
采用交叉操作构造试验个体u
ij
(t 1)，构造方法为：
[0053][0054]
其中，rand产生[0,1]之间的随机数，交叉概率因子cr的范围在[0,1]之间。f(*)为适应度函数，计算经交叉操作产生后新个体的适应度值，如果新个体的具有更优的适应度，则对原始个体进行替换：
[0055][0056]
采用以迭代次数i为系统参量的变异因子对全局最优位置进行自适应更新，基于贪婪选择算法推选出质量更高的位置并参与下轮迭代。自适应t分布是融合高斯分布与柯西分布优点随机参数组，当其作为变异因子对可行解进行扰动时，可使算法具有一定的局部随机搜索能力以避免陷入局部最优。最优个体的自适应变异过程如下公式所示：
[0057]
x
best
(t 1)＝x
best
(t) x
best
(t)*trnd(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0058][0059]
上式中，trnd为自适应t分布参量函数，可由matlab函数库调用；x
best
(t)为当前最优解，x
best
(t 1)为自适应t分布变异后的新解。
[0060]
综上所述，人群搜索算法soa按照以上分析流程对主汽压控制pid进行参数优化。为验证所得调节系统的稳态、动态性能，采用设定值阶跃信号对设计好的闭环控制系统进行激励。
[0061]
本发明的优点：相较于其他智能寻优算法，本发明所采用的改进型soa算法在整定pid参数过程中涉及的适应度函数、寻优步长及方向、个体位置迭代更新等设计过程意义明确、参数设置简单，且本发明可直接采用现场实际数据进行建模，使设计得到的pid控制器对生产过程的针对性更强，更具有工程实用价值。
附图说明
[0062]
图1是本发明的控制原理示意图；
[0063]
图2是本发明实施例中主汽压力辨识建模曲线图；
[0064]
图3是本发明的算法流程图；
[0065]
图4是本发明实施例中pid参数变化曲线；
[0066]
图5是本发明实施例中soa优化过程中适应度函数变化曲线图；
[0067]
图6是本发明实施例中主汽压设定值阶跃扰动响应曲线图；
[0068]
图7是本发明实例中主汽压设定值阶跃响应综合比较曲线图(soa与改进型soa)；
[0069]
图8是采用本发明算法的某火电机组深调工况主汽压力调节过程曲线。
具体实施方式
[0070]
下面结合附图，以某660mw深度调峰火电机组作为实施对象，按本发明的技术方法对主汽压力控制系统进行参数优化，详细说明基于人群搜索优化智能算法在火电机组主汽压力控制系统中的应用。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。
[0071]
参照图1，对本发明的整体控制原理进行介绍。图中的主汽压-燃料控制对象包含了燃料指令和实际燃料量控制的广义控制对象，在燃料主控控制参数一定的情况下，可使得主汽压力的建模更加简便。考虑到人群搜索算法的复杂性和计算量，在dcs原有控制逻辑和pid控制器结构基本保持不变的情况下，采用离线参数整定的方案。在离线情况下，对辨识得到的主汽压力传递函数被控对象进行控制系统设计，通过人群搜索算法不断迭代计算已合理构造的适应度函数，获得一组最佳pid控制参数值。
[0072]
基于人群搜索优化算法(soa)的火电机组深度调峰工况下的主汽压力控制方法具体包含如下步骤：
[0073]
(1)采用现场阶跃扰动试验法，基于系统辨识原理，建立主汽压力对象的传递函数模型。将机组锅炉主控、汽机主控均切为手动状态，阶跃改变燃料主控指令(5％)，获取主汽压力响应曲线,并对数据进行坏值剔除、零均值处理。选取如式(1)所示的典型有自平衡能力的热工过程已知结构表达式，只需辨识其中的参数即可，辨识算法可采用最小二乘、粒子群优化算法等。所得燃料量-主汽压力过程的传递函数为式(2)形式，辨识结果曲线如图2所示。
[0074][0075][0076]
公式中：k-主汽压力传递函数静态增益；n-传递函数阶次；τ-延迟时间；s-拉普拉斯算子。
[0077]
(2)基于人群搜索算法优化主汽压力pid控制参数。
[0078]
由式(2)可知，火电机组在深度调峰工况下的主汽压力模型为二阶惯性加纯迟延对象，现场整定pid多采用依据经验的试凑法，调试过程耗时长，调节过程动态指标不易达到精度要求。
[0079]
本工程案例中机组主控dcs采用并联式pid，根据输入值rin(t)和输出值yout(t)的偏差e(t)构成如式(3)的控制规律。式(5)为pid的传递函数形式，其中k
p
为比例系数，ti为积分时间常数，td为微分时间常数，三者为待优化整定参数。
[0080]
e(t)＝rin(t)-yout(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0081][0082][0083]
选择合适的采样周期，将pid控制器和被控对象进行离散化处理，在使用matlab进行算法编程仿真时，可采用其内置函数c2d进行离散化。
[0084]
参数编码：将pid的三个参数作为一个搜索个体，则每个个体的位置矢量的维数为d＝3，定义种群p中有s个个体，所以种群p可用式(6)表示：
[0085][0086]
适应度函数的选取：适应度函数是搜索优化过程中评价个体优劣的唯一指标，也是soa算法与控制系统结合的纽带，指导着算法朝控制目标不断进化。选取原则如下：为了获取优良的调节动态特性，采用误差绝对值的时间积分性能指标作为最小目标函数；为了防止控制器输出量能过大损坏现场设备，引入控制输入平方项；为了避免超调现象，采用适度的惩罚控制，将超调量作为指标的一项。如此，目标函数如式(7)所示。其中，各项权值的取值一般为：ω1＝0.999，ω2＝0.001，ω3＝100。
[0087][0088]
搜索步长的确定：soa的不确定推理行为是利用模糊系统的逼近能力，模拟人的智能搜索行为，用以建立目标函数值和步长之间的联系。采用高斯隶属函数表示搜索步长模糊变量。
[0089][0090]
上式(8)中，ua为高斯隶属度；x为输入变量；u、δ为隶属函数参数。当输出变量超出[u-3δ,u 3δ]时，若隶属度小于0.0111，则可忽略，故设定u
min
＝0.0111，同时为了获得较快的收敛速度，设定u
max
＝0.95。
[0091]
采用线性隶属度函数，在最佳位置有最大隶属度u
max
＝1，最差位置有最小隶属度u
min
＝0.0111，在其他位置u＜1.0，如式(9)所示。
[0092][0093]
上式(9)中，α
ij
为j维搜索空间的搜索步长；δ
ij
为高斯隶属函数参数，其值由式(10)和(11)确定：
[0094]
[0095]
ω＝(iter
max-iter)/iter
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0096]
上式中，x
min
和x
max
分别是同一种群中的最小和最大函数值的位置；ω是惯性权值，随进化代数的增加从0.9线性递减至0.1；iter和iter
max
分别是当前迭代次数和最大迭代次数。
[0097]
搜索方向的确定：通过对人的利己行为、利他行为和预动行为的分析和建模，得到三种行动方向的表达式如式(12)-(14)：
[0098][0099][0100][0101]
综合以上因素，采用三个方向随机加权几何平均确定搜索方向，如式(15)：
[0102][0103]
其中，和分别为中的最佳位置；为第i个搜寻个体所在邻域的集体历史最佳位置，为第i个搜寻个体到目前为止经历过的最佳位置；sign(*)为符号函数；和为[0,1]内的常数；ω是惯性权值。
[0104]
个体位置的更新：根据上述分析，可根据搜索方向和步长进行个体位置更新，如下式所示。
[0105]
δx
ij
(t 1)＝α
ij
(t)d
ij
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0106]
x
ij
(t 1)＝x
ij
(t) δx
ij
(t 1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0107]
其中，δx
ij
(t 1)为第i个搜寻个体在j维搜索空间下一时刻的位置变化量，x
ij
(t)为t时刻第i个搜寻个体在j维搜索空间的位置。
[0108]
人群搜索算法的改进：以模糊步长为导向的位置更新方式容易诱发算法陷入局部最优，从而导致搜索偏离最优解；人群缺乏信息交流易降低人群多样性，将进一步限制算法的开发范围。针对上述问题，采用反向差分进化机制和自适应t分布策略对原始人群搜索算法进行联合改进，进一步增强其脱离局部最优的能力。
[0109]
对于任意个体x
ij
，其反向解定义为
[0110]
x'
ij
＝ubj lb
j-x
ij
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0111]
上式中，ubj和lbj分别为第j维搜索空间的上限和下限。为进一步增强人群多样性，提出采用差分进化(differential evolution algorithm,de)对人群位置进行更新，通过变异、交叉和选择策略来寻找优质个体，加强个体之间的信息交。
[0112]
对于人群中每个个体向量xi，随机选择三个不同的个体向量进行结合，产生变异个体：
[0113][0114]
上式中，r1,r2,r3为[1,0.5n]内三个不同差分个体的编号，其中，缩放因子f为[0,1]范围内的随机数。
[0115]
采用交叉操作构造试验个体u
ij
(t 1)，构造方法为：
[0116][0117]
其中，rand产生[0,1]之间的随机数，交叉概率因子cr的范围在[0,1]之间。f(*)为适应度函数，计算经交叉操作产生后新个体的适应度值，如果新个体的具有更优的适应度，则对原始个体进行替换：
[0118][0119]
采用以迭代次数i为系统参量的变异因子对全局最优位置进行自适应更新，基于贪婪选择算法推选出质量更高的位置并参与下轮迭代。自适应t分布是融合高斯分布与柯西分布优点随机参数组，当其作为变异因子对可行解进行扰动时，可使算法具有一定的局部随机搜索能力以避免陷入局部最优。最优个体的自适应变异过程如下公式所示：
[0120]
x
best
(t 1)＝x
best
(t) x
best
(t)*trnd(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0121][0122]
上式中，x
best
(t)为当前最优解，x
best
(t 1)为自适应t分布变异后的新解。
[0123]
按照上述步骤，实现改进型人群搜索算法soa对主汽压力pid控制器的参数优化，迭代过程中参数变化曲线如图4所示，最终寻优得到的参数为kp＝8.32、ki＝0.01、kd＝52.1。结合现场dcs控制器结构，并转换为实际微分形式，将参数序列置入现场dcs逻辑组态，可获得较为优良的控制品质。由图7所示，是本发明实例中主汽压设定值阶跃响应综合比较曲线，可知传统soa算法得到的控制参数在控制输出条件约束下的阶跃响应输出调节时间较长，且静态偏差较大；而本文提出的改进型soa算法得到的控制参数在设定值阶跃响应过程中动态响应快、静态偏差小、精度更高、收敛更快，验证了改进型算法的优越性。如图8所示，采用本发明方法的某超临界机组深度调峰工况下协调变负荷试验过程中，实际主汽压力跟踪设定值的性能良好，控制系统指标能够满足相关行业技术标准。
[0124]
以上所述仅为本发明的具体实施方案的详细描述，并不以此限制本发明，凡在本发明的设计思路上所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。