王 磊

（大唐淮南田家庵發(fā)電廠，安徽 淮南 232007）

0 引言

蟻群算法最先是由意大利學(xué)者Dorigo M，Maniezz V 和Colorni A 在20 世紀(jì)90 年代提出的一種生物學(xué)算法[1]，它包括ANT-density，ANTquantity 和ANT-cycle 三個(gè)算法。1996 年Dorigo 通過對Ant System 改進(jìn)后提出的Ant-Colony System(ACS)算法，1999 年Bullnheimer 等人又提出了rank-based version of Ant System(ASrank)算法[2]。2000 年，Stutzle 和Hoos 提出Max-Min AntSystem 算法[3]。此外還有文獻(xiàn)提出了一些針對特定問題的改進(jìn)的蟻群算法，這些算法被統(tǒng)稱為蟻群優(yōu)化算法Ant Colony Optimization Algorithm（ACA）。遺傳算法是由美國密執(zhí)安大學(xué)的Holland教授在20 世紀(jì)60 年代提出來的[4]，De Jong 利用計(jì)算機(jī)對數(shù)值函數(shù)對進(jìn)行了優(yōu)化算法的模擬，從理論上證實(shí)了算法的優(yōu)越性，Goldberg 對遺傳思想進(jìn)行了全面的總結(jié)，于80 年代建立了現(xiàn)代遺傳算法的理論模型[5]。

遺傳算法(Genetic Algorithm，GA)雖然具有很快全局搜索能力，但對于運(yùn)算中系統(tǒng)產(chǎn)生的反饋信息卻沒有利用，結(jié)果導(dǎo)致了數(shù)據(jù)的冗余迭代增加，求解時(shí)間漫長。而蟻群算法雖然是利用信息素的累積和更新而收斂到的最優(yōu)路徑，但由于初期信息素匱乏、部分參數(shù)需要憑借經(jīng)驗(yàn)等不科學(xué)因素帶入，不可避免的導(dǎo)致算法收斂時(shí)間長。為了克服兩種算法各自的缺陷，形成優(yōu)勢互補(bǔ)?？梢岳眠z傳算法得到初始信息素分布，然后，在運(yùn)算中利用蟻群算法。由于遺傳算法具有隨機(jī)搜索、快速性、全局收斂性的特點(diǎn)，而蟻群算法又具有的并行性、正反饋機(jī)制以及求解效率等特征。蟻群算法與遺傳算法相融合可以用來解決離散域和連續(xù)域中的多種優(yōu)化問題[6-7]。

目前隨著電力技術(shù)的進(jìn)步，電廠鍋爐越來越向著大功率、高效能的方向發(fā)展，而大型火電廠的主蒸汽控制系統(tǒng)則是保障鍋爐穩(wěn)定運(yùn)行的，提高發(fā)電效率的主要設(shè)備。由于熱控對象普遍存在非線性、大滯后和大慣性的特點(diǎn)，以傳統(tǒng)PID 為基礎(chǔ)的常規(guī)控制系統(tǒng)用于大機(jī)組的普適參數(shù)已無法適應(yīng)越來越高的現(xiàn)代化高效率生產(chǎn)的要求。因此，研究電廠主蒸汽的溫度控制系統(tǒng)的PID 模糊參數(shù)控制具有重要的現(xiàn)實(shí)意義[8]。

本文采用遺傳蟻群算法動(dòng)態(tài)調(diào)整電廠主蒸汽鍋爐的蒸汽溫度調(diào)節(jié)PID 參數(shù)，通過在螞蟻的搜索過程中，嵌入了遺傳算法以搜索更優(yōu)的解，使系統(tǒng)運(yùn)行中保持最優(yōu)的瞬態(tài)參數(shù)。仿真實(shí)驗(yàn)結(jié)果表明，將遺傳蟻群算法應(yīng)用于主蒸汽溫度PID 控制器參數(shù)的優(yōu)化是可行和有效的，它可以克服傳統(tǒng)PID 控制器參數(shù)不可改變的缺點(diǎn)，而且具有更高的性能。

1 PID 控制器參數(shù)

1.1 過熱氣溫傳遞特性分析

在控制過熱汽溫的影響的各種因素中，蒸汽流量，煙氣傳熱量和減溫水量是設(shè)計(jì)中需重點(diǎn)考慮的幾個(gè)問題。根據(jù)不同的實(shí)現(xiàn)機(jī)理，在設(shè)計(jì)中可以采用擺動(dòng)式燃燒器、煙氣擋板和多級噴水溫度調(diào)節(jié)的方式。由于多級噴水溫調(diào)節(jié)設(shè)計(jì)原理簡單，適用范圍廣，控制效果較好，因此目前火力電廠主汽溫調(diào)節(jié)均采用多級噴水溫的調(diào)節(jié)設(shè)計(jì)。

設(shè)在減溫水流量擾動(dòng)下，導(dǎo)前和過熱汽溫的傳遞函數(shù)分別為：

式中，K 為減溫水流量擾動(dòng)下導(dǎo)前汽溫的放大系數(shù)，T 為減溫水流量擾動(dòng)下導(dǎo)前汽溫對象的時(shí)間常數(shù)，n 為階數(shù)，具體的參數(shù)數(shù)值一般采用實(shí)驗(yàn)確定。傳統(tǒng)的PID 方法在設(shè)計(jì)控制系統(tǒng)時(shí)，考慮傳遞函數(shù)的參數(shù)是固定不變的，因此精度難以滿足特殊生產(chǎn)過程的要求。本文利用遺傳蟻群算法從控制論的角度出發(fā)對PID 參數(shù)優(yōu)化進(jìn)行研究，將其運(yùn)用于電廠鍋爐過熱氣溫，取得了較好的效果。

1.2 PID 控制原理

PID 控制器系統(tǒng)的原理如圖1 所示：

圖1 PID 控制器原理圖

在PID 控制器原理圖中，R(S)為輸入量，Y(S)為輸出量，其控制算法為[9]：

式中，u(t)為控制量，Kp為比例系數(shù)，e(n)為偏差，Ti為積分時(shí)間常數(shù)，T 為采樣周期，Td為微分時(shí)間常數(shù)。PID 控制器參數(shù)就是Kp、Kp/Ti和KpTd，調(diào)整PID 控制系統(tǒng)的參數(shù)目的就是PID 控制器性能指標(biāo)的函數(shù)的尋優(yōu)問題，目標(biāo)函數(shù)通常采用能衡量系統(tǒng)調(diào)節(jié)品質(zhì)的平方偏差積分(ISE)來描述。

2 算法實(shí)現(xiàn)與仿真

2.1 算法思想

設(shè)螞蟻總數(shù)為m，每個(gè)螞蟻i 對應(yīng)的目標(biāo)函數(shù)為Q，則：△Q=Qi-Qj，?i，j。定義螞蟻i 在t 時(shí)刻的轉(zhuǎn)移概率：

K 個(gè)時(shí)間后，該螞蟻移動(dòng)路徑的信息素強(qiáng)度調(diào)整為：

2.2 算法偽代碼

步驟1 設(shè)置初始值。選取合適的種群，大小為M、個(gè)體的編碼長度為l、進(jìn)化代數(shù)、交叉概率、變異概率等參數(shù)，隨機(jī)生成m 個(gè)個(gè)體作為初始群體P(t)，設(shè)t=0 時(shí)迭代次數(shù)為Nc；

步驟2 將m 只螞蟻放在各自的初始化鄰域中，另其按式（5）規(guī)定的轉(zhuǎn)移概率移動(dòng)；

步驟3 計(jì)算各螞蟻的目標(biāo)函數(shù)Ql（l=1，2，…m），并記錄PID 控制器當(dāng)前最優(yōu)解；

步驟4 按式（5）-（7）所給出的方程修正信息素強(qiáng)度，置環(huán)次數(shù)Nc+1；

步驟5 如循環(huán)次數(shù)Nc＜預(yù)定迭代次數(shù)即轉(zhuǎn)步驟2，否則停止；

步驟6 生成PID 控制器最優(yōu)解。

2.3 實(shí)驗(yàn)仿真

我們以大唐淮南田家庵發(fā)電廠主蒸汽溫度串級PID 控制系統(tǒng)為例，對比采用遺傳蟻群算法和傳統(tǒng)的整定方法進(jìn)行優(yōu)化的控制效果。算法參數(shù)為：Q=1，ρ＝0.7，α＝β＝1，m=9

設(shè)定值做lmA 的階躍變化，用遺傳蟻群算法和常規(guī)方法分別對主蒸汽溫度串級PID 控制系統(tǒng)的參數(shù)進(jìn)行優(yōu)化，設(shè)定參數(shù)見表1。階躍響應(yīng)對比見圖2，紅線是蟻群算法所得的結(jié)果，藍(lán)線是傳統(tǒng)方法所得的結(jié)果。顯而易見，對PID 控制系統(tǒng)采用遺傳蟻群算法的收斂時(shí)間遠(yuǎn)遠(yuǎn)小于傳統(tǒng)算法，同時(shí)振蕩幅度也絕對優(yōu)于傳統(tǒng)算法。由此可見采用智能算法所帶來的改善是相當(dāng)明顯的。

表1 設(shè)定參數(shù)表

圖2 躍階響應(yīng)時(shí)間對比圖

3 結(jié)論

本文研究了傳統(tǒng)PID 調(diào)節(jié)器參數(shù)存在問題，提出了采用遺傳蟻群算法用于精確控制PID 控制系統(tǒng)的優(yōu)化方法。通過在螞蟻的搜索過程中，嵌入了遺傳算法，融入遺傳算法的雜交、變異等方法以搜索更優(yōu)的解，努力使系統(tǒng)運(yùn)行中保持最優(yōu)的瞬態(tài)參數(shù)。在將算法和田家庵電廠的傳統(tǒng)算法模擬對比后，發(fā)現(xiàn)系統(tǒng)單位階躍響應(yīng)大幅度減少，具有較好的控制性和魯棒性。研究結(jié)果表明將該算法用于主蒸汽溫度PID 控制器參數(shù)調(diào)節(jié)的方法是可行和有效的，將該算法在工程實(shí)踐推廣和應(yīng)用將是下一步研究和解決的問題。

［1］Marco Dorigo，V.Maniezzo，and A.Colorni.The Ant System：Optimization by a colony of Cooperating agents[J].IEEE Transactions off Systems.Man，and Cybernetics-Part B.1996，26(1)：29-41.

［2］Bullnheimer B，Hartl R.F and Strauss C.A new rank-Based version of the ant system：a computational study[J].Central European Journal for Operations Research and Economics，1999，7（1）：7-38.

［3］Stutzle T and Hoos H.Max-Min ant system[J].Future Generation Computer Systems，2000，16(8)：889-914.

［4］J.Holland.Adaptation in Natural and Artificial Systems[M].Oxford，England：U Michigan Press.1975.

［5］Glodberg.D.E.Genetic Algorithms in Search，Optimization &Machine Learning[M].Addison-Wesley，Reading，Mass，1989.

［6］Marco Dorigo and Tommas StBtzle.Ant colony optimization[M].MIT Press，2004.

［7］段海濱.蟻群算法原理及其應(yīng)用[M].科學(xué)出版社，2005.

［8］TAN Guarr-Zhrng Li Aroping.Fuzzy-GA PID controller within complete derivation and its Application to intelligent bionic artificial leg[J].Journal of Central South University of Technology，2003，10(3)：237-243.

［9］TAN Guan-zheng and LI Wen-bin.Design of ant algorithm based optimal PID controller and its application to intelligent artificial leg[J].J Cent South university.2004，35(1)：91-96.