[发明专利]一种PID控制器参数智能优化方法

说明书

本发明涉及一种PID控制器参数智能优化方法，包括：S1，建立水轮调节系统仿真模型，根据预设的性能评价指标设置目标函数；S2，采用Z‑N工程整定法求得水轮调节系统仿真模型中的PID控制器的参数；其中PID控制器的参数包括比例系数Kp，积分系数Ki，微分系数Kd；S3，对水轮调节系统仿真模型和算法的所有参数进行初始化；S4，采用标准粒子群算法和免疫粒子群算法组成的混合算法优化PID控制器参数。通过仿真，本发明对水力发电水轮机PID控制调节效果有了很好的改善，免疫自适应粒子群算法比标准粒子群算法达到的性能指标更优，没有出现较大的超调量，调节时间更短，对阶跃信号的响应效果更好。

技术领域

本发明涉及水力发电控制技术领域，特别是涉及一种PID控制器参数智能优化方法。

背景技术

水力资源作为一种可再生的电力能源，而水轮电机组将水力资源转换为电能，水轮电机组调节系统调节性能的优劣直接关系到电网的电能质量，对水电站安全运行具有重要的影响，是电站的重要辅助设备。水轮机调节系统动态过渡过程，是指机组运行工况变化时，调节系统从原来初始状态变化到新的稳定状态的变化过程，其计算是对水力、机械、电气和自动控制理论的综合应用。如何对水轮机调速器参数进行选择与优化以维持机组频率在额定频率规定范围内，一直以来是研究工作者最关注的问题。

在现代工业控制领域中，PID控制器由于其结构简单、鲁棒性好、可靠性高等优点得到了广泛应用。PID的控制性能与控制器参数的优化整定直接相关，Ziegler-Nichols法是一种基于频域设计PID控制器的方法。此法首先通过实验获取控制对象单位阶跃响应，获得K、L和T参数。令 a＝KL/T，通过表1给出的Ziegler-Nichols经验公式确定P、PI和PID控制器的参数。在工业控制过程中，多数控制对象是高阶、时滞、非线性的，所以对PID控制器的参数整定是较为困难的。优化问题是工业设计中经常遇到的问题，许多问题最后都可以归结为优化问题。为了解决各种各样的优化问题，人们提出了许多优化算法，比较常见的有爬山法、神经网络算法和遗传算法等。

自然界中的鸟群和鱼群的群体行为一直是科学家的研究兴趣，生物学家CraigReynolds在1987年提出了一个非常有影响的鸟群聚集模型；1995 年，美国社会心理学家James Kennedy和电气工程师Russell Eberhart基于对鸟类群体行为进行建模与仿真的研究结果共同提出了粒子群算法，。Shi 和Eberhart在1998年提出了一种改进算法，在速度更新公式中引入惯性权重ω。Clerc研究了压缩因子法可以保证粒子群的收敛性。Angeline提出了混合群体，Lovbjerg提出了繁殖粒子群算法。后来出现变异粒子群算法、混合粒子群算法、全局与局部统一粒子群算法、感知粒子群算法、拓扑神经网络粒子群算法等等。粒子群算法作为一种成熟的群体智能算法，自从提出来以后，由于其概念简单，设置参数少，容易实现，收敛速度快，很快就在国际上得到广泛的认可。适用于工业系统设计与优化、机器人控制、电力系统控制、交通、通信技术、以及计算机科学等领域。作为全局优化算法，和其它全局优化算法一样，有易陷入局部最优，收敛精度不高，后期收敛速度慢等缺点。粒子群算法原理：一个D维的目标搜索空间中，有n个微粒组成一个粒子群，其中每个微粒是一个D维的向量，它的空间位置表示为x_i＝(x_i1，x_i2，…，x_iD)，i＝1，2，…n。微粒的空间位置是目标优化问题中的一个解，将它代入适应度函数可以计算出适应度值，根据适应度值的大小衡量微粒的优劣；第i个微粒的飞行速度也是一个D维的向量，记为v_i＝(v_i1，v_i2，…，V_iD)；第i个微粒所经历过的具有最好适应值的位置称为个体历史最好位置，记为p_i＝(p_i1，p_i2，…，p_iD)；整个微粒群所经历过的最好位置称为全局历史最好位置，记为p_g＝(p_g1，p_g2，…，p_gD)，粒子群的进化方程可描述为：