神經(jīng)元網(wǎng)絡(luò)控制器在熱網(wǎng)中的應(yīng)用研究

朱林吳冬雪柴玲

(內(nèi)蒙古科技大學(xué)信息工程學(xué)院1,內(nèi)蒙古 包頭 014010;江蘇金恒信息科技有限公司2,江蘇 南京 210035)

神經(jīng)元網(wǎng)絡(luò)控制器在熱網(wǎng)中的應(yīng)用研究

朱林1吳冬雪1柴玲2

(內(nèi)蒙古科技大學(xué)信息工程學(xué)院1,內(nèi)蒙古 包頭 014010;江蘇金恒信息科技有限公司2,江蘇 南京 210035)

城市供熱管網(wǎng)運(yùn)行質(zhì)調(diào)節(jié)和量調(diào)節(jié)之間的耦合制約了質(zhì)量并調(diào)的控制效果。針對這個問題,提出采用PID神經(jīng)元網(wǎng)絡(luò)解耦控制器對質(zhì)量并調(diào)供熱系統(tǒng)進(jìn)行解耦控制。深入分析了PID神經(jīng)元網(wǎng)絡(luò)的優(yōu)缺點(diǎn)和適用范圍,采用PSO學(xué)習(xí)算法優(yōu)化PID神經(jīng)元網(wǎng)絡(luò)初始權(quán)值;并對PSO優(yōu)化后的PID神經(jīng)元網(wǎng)絡(luò)控制器進(jìn)行了仿真驗(yàn)證。分析表明,PSO優(yōu)化的PID神經(jīng)元網(wǎng)絡(luò)控制器可在供熱管網(wǎng)質(zhì)量并調(diào)控制中實(shí)現(xiàn)解耦。

PSO算法 PID神經(jīng)元網(wǎng)絡(luò) 初始權(quán)值 解耦 熱網(wǎng) 仿真

0 引言

傳統(tǒng)的解耦控制方法通過對系統(tǒng)傳遞函數(shù)的分解,實(shí)現(xiàn)其對角化或?qū)莾?yōu)勢化,以達(dá)到解耦的目的[1]。但該方法魯棒性較差,精確性不易保證。

文獻(xiàn)[2]對自適應(yīng)解耦控制和模糊PID解耦控制進(jìn)行了介紹,并對多變量PID自適應(yīng)解耦控制進(jìn)行了仿真。該方法仍具有PID控制器的運(yùn)行工況適應(yīng)性差、在復(fù)雜非線性系統(tǒng)中的控制效果不佳的缺點(diǎn)。

文獻(xiàn)[3]提出基于遺傳算法的PID神經(jīng)網(wǎng)絡(luò)解耦控制,克服了BP算法易陷入局部極值的缺點(diǎn),并具備PID神經(jīng)網(wǎng)絡(luò)控制的優(yōu)點(diǎn)。但是,遺傳算法全局搜索性能和收斂速度之間存在矛盾,易出現(xiàn)早熟現(xiàn)象。

文獻(xiàn)[4]～[6]提出一種新型神經(jīng)元網(wǎng)絡(luò),將PID控制規(guī)律融進(jìn)神經(jīng)元中。該方法充分發(fā)揮了PID控制和神經(jīng)元網(wǎng)絡(luò)的優(yōu)勢,實(shí)現(xiàn)了PID控制和神經(jīng)網(wǎng)絡(luò)控制的本質(zhì)結(jié)合。該方法的不足之處是,PID神經(jīng)元網(wǎng)絡(luò)采用的學(xué)習(xí)算法是梯度學(xué)習(xí)法,初始值隨機(jī)得到,權(quán)值在學(xué)習(xí)過程中可能陷入局部極小值。

本文在選用PID神經(jīng)元網(wǎng)絡(luò)構(gòu)建供熱管網(wǎng)解耦控制器時,先通過粒子群算法對PID神經(jīng)元網(wǎng)絡(luò)初始權(quán)值進(jìn)行優(yōu)化,再進(jìn)行對比仿真分析。

1 供熱管網(wǎng)質(zhì)量并調(diào)系統(tǒng)

1.1 供熱管網(wǎng)運(yùn)行背景

供熱管網(wǎng)常見的運(yùn)行控制結(jié)構(gòu)如圖1所示。

圖1 熱力站常見控制結(jié)構(gòu)示意圖Fig.1 Schematic diagram of common control structure in thermal station

供熱管網(wǎng)由一次網(wǎng)和二次網(wǎng)組成,一次網(wǎng)是指連接熱源與小區(qū)熱力站換熱器輸入側(cè)之間的管網(wǎng),二次網(wǎng)是指換熱站換熱器輸出側(cè)管網(wǎng)。熱力站通過換熱器將熱源輸送過來的熱量交換給二次網(wǎng)的熱用戶。改變一次管網(wǎng)供水管道電動調(diào)節(jié)閥門開度u1,可以調(diào)節(jié)一次網(wǎng)供水流量,改變二次側(cè)供水溫度;調(diào)節(jié)二次網(wǎng)回水管道上的循環(huán)水泵轉(zhuǎn)速,可以調(diào)節(jié)二次網(wǎng)流量。實(shí)際運(yùn)行工況是,調(diào)節(jié)一次網(wǎng)閥門開度,在改變二次側(cè)供水溫度的同時,也會影響二次網(wǎng)流量;調(diào)節(jié)二次網(wǎng)循環(huán)水泵轉(zhuǎn)速,在改變二次網(wǎng)流量的同時,亦會影響二次網(wǎng)進(jìn)回、水溫度。所以需要設(shè)計(jì)一個解耦控制器,將整個系統(tǒng)的控制按照質(zhì)調(diào)節(jié)和量調(diào)節(jié)兩個通道進(jìn)行控制,實(shí)現(xiàn)熱力站雙閉環(huán)系統(tǒng)控制。

1.2 神經(jīng)網(wǎng)絡(luò)解耦控制系統(tǒng)

1.2.1 熱網(wǎng)解耦控制系統(tǒng)結(jié)構(gòu)

供熱管網(wǎng)PID神經(jīng)元網(wǎng)絡(luò)解耦控制系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 PID神經(jīng)元網(wǎng)絡(luò)解耦控制系統(tǒng)結(jié)構(gòu)Fig.2 Structure of PID neural network decoupling control system

圖2中:R1為二次網(wǎng)供水溫度給定值;R2為二次網(wǎng)流量給定值;Y1為二次網(wǎng)供水溫度;Y2為二次網(wǎng)流量;u1為一次網(wǎng)供水閥門開度;u2為二次網(wǎng)循環(huán)水泵變頻器的頻率;W11為質(zhì)調(diào)節(jié)主通道模型;W12為量調(diào)節(jié)主通道模型;W21為以二次循環(huán)水泵變頻器頻率為控制量,二次網(wǎng)供水溫度為被控量的耦合通道1模型;W22為以一次網(wǎng)閥門開度為控制量,二次網(wǎng)循環(huán)水流量為被控量的耦合通道2模型。

解耦控制系統(tǒng)由PID神經(jīng)元網(wǎng)絡(luò)和被控對象組成。PID神經(jīng)元網(wǎng)絡(luò)具備多層前向神經(jīng)元網(wǎng)絡(luò)的任意函數(shù)逼近能力和自學(xué)習(xí)與自適應(yīng)能力,以及良好的動態(tài)性能,網(wǎng)絡(luò)結(jié)構(gòu)清晰,適用于供熱過程質(zhì)量并調(diào)耦合系統(tǒng)的控制。

1.2.2 熱網(wǎng)質(zhì)量并調(diào)系統(tǒng)建模

建模所用樣本數(shù)據(jù)取自包頭市某熱力公司,采樣條件如下:熱力站一次管網(wǎng)流量改變時,二次管網(wǎng)進(jìn)、回水溫度,流量實(shí)測值數(shù)據(jù);二次網(wǎng)流量改變時,二次管網(wǎng)進(jìn)、回水溫度,流量實(shí)測值數(shù)據(jù)。通過機(jī)理建模和試驗(yàn)建模相結(jié)合的方法建立供熱過程的數(shù)學(xué)模型[7]。供熱過程質(zhì)量并調(diào)數(shù)學(xué)模型如下。

供熱過程主通道模型為:

運(yùn)用與主通道模型相同的數(shù)據(jù),建立兩個耦合通道的模型。

耦合通道1模型為:

耦合通道2模型為:

從而可得到完整的供熱過程數(shù)學(xué)模型為:

對上述質(zhì)調(diào)節(jié)量調(diào)節(jié)耦合系統(tǒng)模型,運(yùn)用PID神經(jīng)元網(wǎng)絡(luò)解耦控制器進(jìn)行控制。為了改善PID神經(jīng)元網(wǎng)絡(luò)初始權(quán)值隨機(jī)給定、網(wǎng)絡(luò)權(quán)值修正速度較慢、易陷入局部極小值的不足,采用全局搜索與局部搜索收斂速度較快的粒子群優(yōu)化(particle swarm optimization, PSO)算法來優(yōu)化PID神經(jīng)元網(wǎng)絡(luò)解耦控制器。

2 PSO優(yōu)化PID神經(jīng)元網(wǎng)絡(luò)

2.1 PSO算法

粒子群智能算法是基于種群的隨機(jī)優(yōu)化技術(shù),是由Eberhart和Kennedy在1995年提出的一種先進(jìn)的優(yōu)化智能算法[8]。其根據(jù)個體適應(yīng)度值最優(yōu)位置pbest和種群中所有粒子搜索到的適應(yīng)度值最優(yōu)位置gbest來更新個體位置和速度。

假設(shè)在d維搜索空間中有s個微粒,組成一個微粒群X=(X1X2… Xs),其中第i個微粒的空間位置為Xi=(xi,1xi,2…xi,d)T,它是優(yōu)化問題的一個潛在解。計(jì)算相應(yīng)的適應(yīng)度值,根據(jù)適應(yīng)度值可衡量Xi的優(yōu)劣。第i個微粒的個體極值為Pi=(pi,1pi,2…pi,d)T,飛行速度為Vi=(vi,1vi,2…vi,d)T。微粒的全局極值為Gi=(pg,1pg,2…pg,d)T,Fg為全局歷史最好適應(yīng)值。對于每一代微粒,其第j維(1≤j≤d)根據(jù)如下方程迭代更新其速度和位置:

式中:α為控制速度的權(quán)重即約束因子;c1、c2為學(xué)習(xí)因子,取值非負(fù)常數(shù);r1、r2為均勻分布的隨機(jī)數(shù),取值在[0,1];w為慣性權(quán)重,取值非負(fù)數(shù)。

為更好地平衡算法的全局搜索與局部搜索的能力,本文提出了線性權(quán)重,w隨迭代次數(shù)變化的行徑如式(7)所示,由最大加權(quán)因子wmax線性減小到最小wmin[9]。

式中:itermax為最大迭代數(shù);iter為當(dāng)前迭代數(shù)。

同時,為防止粒子的盲目搜索,將粒子的位置和速度分別限制在[-xmax,xmax]和[-vmax,vmax]中。

2.2 PSO優(yōu)化具體實(shí)現(xiàn)步驟

PSO優(yōu)化PID神經(jīng)元網(wǎng)絡(luò)初始權(quán)值的具體步驟如圖3所示。

圖3 PSO算法流程圖Fig.3 Flowchart of PSO algorithm

用PSO算法對PID神經(jīng)網(wǎng)絡(luò)解耦控制器進(jìn)行優(yōu)化時,適應(yīng)度函數(shù)為神經(jīng)網(wǎng)絡(luò)權(quán)值修正目標(biāo)的倒數(shù)。適應(yīng)度函數(shù)表達(dá)式為:

網(wǎng)絡(luò)權(quán)值修正目標(biāo)函數(shù)為:

式中:N為被控變量的個數(shù);L為每批采樣點(diǎn)數(shù);R為樣本的給定值;Y為樣本實(shí)際輸出值。

根據(jù)PID神經(jīng)元網(wǎng)絡(luò)解耦控制系統(tǒng)結(jié)構(gòu),確定PID神經(jīng)元網(wǎng)絡(luò)解耦控制器的權(quán)值數(shù)量,即粒子的維度數(shù)d。定義PID神經(jīng)元網(wǎng)絡(luò)的權(quán)值是粒子群位置向量X的元素,粒子群中每個粒子的維度分量都對應(yīng)著神經(jīng)網(wǎng)絡(luò)中的一個連接權(quán)值。隨著訓(xùn)練誤差的減小,粒子的適應(yīng)度不斷提高,達(dá)到最大迭代數(shù)停止時,適應(yīng)度最高的粒子即為訓(xùn)練問題的最優(yōu)解。

3 仿真試驗(yàn)

為了驗(yàn)證PSO優(yōu)化的PID神經(jīng)元網(wǎng)絡(luò)解耦控制器對熱網(wǎng)質(zhì)量并調(diào)耦合系統(tǒng)的有效控制,本文運(yùn)用Matlab仿真平臺進(jìn)行試驗(yàn)分析,并與未優(yōu)化的PID神經(jīng)元網(wǎng)絡(luò)解耦控制器進(jìn)行分析比較。其中仿真試驗(yàn)二次管網(wǎng)初始運(yùn)行溫度為75℃,流量為260 m3/h。

設(shè)置PSO算法相關(guān)參數(shù)。在PSO算法尋優(yōu)的過程中,粒子的搜索范圍M給定為25,而粒子的維數(shù)d= 24;r1、r2在程序中設(shè)為隨機(jī)量;根據(jù)調(diào)試訓(xùn)練過程得出當(dāng)c1=c2=1.45時的最佳值;慣性權(quán)重w為非負(fù)數(shù),最大權(quán)重wmax為0.9,最小權(quán)重wmin為0.4,隨算法迭代次數(shù)而變化,權(quán)重公式如式(7)所示。根據(jù)PSO算法流程編寫代碼。

仿真時,同時給定二次網(wǎng)供水溫度R1和二次網(wǎng)流量R2,即質(zhì)調(diào)節(jié)、量調(diào)節(jié)通道的輸入R=(R1,R2)= (64,200),分別通過優(yōu)化前后的PID神經(jīng)元網(wǎng)絡(luò)解耦控制器和供熱過程耦合模型,計(jì)算出二次網(wǎng)供水溫度、二次網(wǎng)循環(huán)水流量在達(dá)到穩(wěn)定時對應(yīng)的輸出Y=(Y1,Y2)。

試驗(yàn)中每隔50 min給系統(tǒng)模型一個階躍信號,分別為R=(62,195)、R=(63,205)、R=(64,200)。仿真得到的系統(tǒng)輸出如圖4、圖5所示。

圖4 質(zhì)調(diào)節(jié)控制效果Fig.4 The qualitative regulation control effect

圖5 量調(diào)節(jié)控制效果Fig.5 The quantitative regulation control effect

從圖中可以看出系統(tǒng)能夠跟蹤給定值變化。PID神經(jīng)元網(wǎng)絡(luò)解耦控制器優(yōu)化前后控制指標(biāo)對比如表1所示。

從圖4和圖5以及表1所示的控制效果對比可知:

①熱網(wǎng)供熱過程中PID神經(jīng)元網(wǎng)絡(luò)解耦控制器能夠?qū)崿F(xiàn)解耦控制;

②與PID神經(jīng)元網(wǎng)絡(luò)控制相比,PSO優(yōu)化的PID神經(jīng)元網(wǎng)絡(luò)解耦控制器在調(diào)節(jié)時間、超調(diào)量、震蕩次數(shù)等控制指標(biāo)方面均有改善,總體的控制效果得到提升。

表1 PSO優(yōu)化PID神經(jīng)元網(wǎng)絡(luò)解耦控制器前后效果對比Tab.1 Comparison of the effects of PID neural network decoupling controller before and after PSO optimization

4 結(jié)束語

本文針對集中供熱過程中質(zhì)量并調(diào)的耦合系統(tǒng),設(shè)計(jì)了PID神經(jīng)元網(wǎng)絡(luò)解耦控制器,運(yùn)用PSO智能算法優(yōu)良的全局搜索和局部搜索能力優(yōu)化PID神經(jīng)元網(wǎng)絡(luò)的初始權(quán)值,從而提高了PID神經(jīng)元網(wǎng)絡(luò)的收斂精度和速度。Matlab仿真驗(yàn)證了PSO優(yōu)化的PID神經(jīng)元網(wǎng)絡(luò)解耦控制器對供熱管網(wǎng)控制的可行性。該方法是實(shí)現(xiàn)供熱管網(wǎng)運(yùn)行優(yōu)化控制的一種新方法。

[1] Stefanovski J.Sufficien conditions for linear control system decoupling by static state feedback[J].Institute of Electrical and Electronics Engineers Inc.IEEE Transactions on Automatic Control,2001,46(6): 984-990.

[2] 閔娟,黃之初.多變量解耦控制方法[J].控制工程,2005,12(12): 125-127.

[3] 王曉哲,顧樹生.基于遺傳算法的PID神經(jīng)網(wǎng)絡(luò)解耦控制[J].控制與決策,1999,14(14):617-620.

[4] 舒懷林.PID神經(jīng)元網(wǎng)絡(luò)對強(qiáng)耦合帶時延多變量系統(tǒng)的解耦控制[J].控制理論與應(yīng)用,1998,15(6):920-924.

[5] 舒懷林.PID神經(jīng)元網(wǎng)絡(luò)多變量控制系統(tǒng)分析[J].自動化學(xué)報,1999,25(1):105-111.

[6] 舒懷林.PID神經(jīng)元網(wǎng)絡(luò)及其控制系統(tǒng)[M].北京:國防工業(yè)出版社,2006:10-36.

[7] 陳烈.基于神經(jīng)網(wǎng)絡(luò)的熱力站供熱過程預(yù)測控制研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2009.

[8] Kenned Y J,Eberhart R C.Particle swarm optimization[C]// Proceedings of IEEE International Conference on Neural Networks. Perth,WA,Australia,1995:1942-1948.

[9] 楊曉慶,左為恒,李昌春.改進(jìn)PSO算法在中央空調(diào)控制系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)仿真,2011,28(11):201-204.

Study and Application of Neural Network Controller in the Heat Supply Network

In urban heat supply network operation,the coupling between qualitative(temperature)regulation and quantitative(flow) regulation constrains the control effect for collaborative quality and quantity control.Aiming at this problem,the decoupling control based on PID neural network de-coupler for such control system is proposed.Depth analysis on the advantages,disadvantages,and scope of application for PID neural network is conducted;the initial weights of PID neural network are optimized by adopting PSO learning algorithm;and the PID neural network controller optimized by PSO is simulated and verified.The analysis indicates that the PID neural network controller optimized by PSO can be used in heat supply network for decoupling and implement collaborative control.

Particle swarm optimization(PSO)algorithm PID neural network Initial weights Decoupling Heat supply network Simulation

TP183

A

內(nèi)蒙古自然科學(xué)基金資助項(xiàng)目(編號:2012MO910)。

修改稿收到日期:2014-02-27。

朱林(1957-),女,1982年畢業(yè)于大連理工大學(xué)自動化專業(yè),獲學(xué)士學(xué)位,教授;主要從事遠(yuǎn)程工業(yè)過程控制系統(tǒng)、數(shù)據(jù)驅(qū)動控制理論研究及應(yīng)用、軟測量技術(shù)及工業(yè)應(yīng)用、人工神經(jīng)元網(wǎng)絡(luò)理論及應(yīng)用、平行控制系統(tǒng)研究與應(yīng)用。