王 朋， 劉 林， 陳 哲， 翟永杰， 周杰聯(lián)

（1.廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，廣州510080；2.廣東電網(wǎng)有限責(zé)任公司佛山供電局，廣東佛山528000；3.華北電力大學(xué) 河北省發(fā)電過程仿真與優(yōu)化控制重點實驗室，河北保定071003）

近年來，隨著人工智能的發(fā)展，許多新型智能控制算法在理論上已被證明優(yōu)于傳統(tǒng)的PID 控制算法.然而，在實際的工業(yè)過程中，特別是在熱工控制領(lǐng)域中，占主導(dǎo)地位的控制策略仍是PID 控制.PID控制器的控制效果取決于控制器參數(shù)的取值，控制器參數(shù)的整定一直是一個重要的研究課題.傳統(tǒng)的試湊法需要運行人員的經(jīng)驗，而且精度不高.近年來，許多學(xué)者引入了一些智能尋優(yōu)算法，如蟻群算法（ACO）［1］、遺傳算法（GA）和粒子群優(yōu)化（PSO）［2］算法等，這些算法雖然提高了優(yōu)化精度，但自身較為復(fù)雜，易陷入局部最優(yōu).

微分進(jìn)化（DE）算法從GA 發(fā)展而來，是一種高效智能且無需編碼和解碼的優(yōu)化算法，具有速度快、魯棒性強(qiáng)和在實數(shù)域上搜索能力強(qiáng)的優(yōu)點，被認(rèn)為是一種極具潛力的跨學(xué)科優(yōu)化算法，其在解決優(yōu)化問 題中具有 比GA 和PSO 算 法 更 明 顯 的 優(yōu) 勢［3－6］.筆者在DE算法的基礎(chǔ)上，為提高搜索效率和速率，引入經(jīng)驗整定公式和自適應(yīng)算子，提出了改進(jìn)的微分進(jìn)化（IDE）算法，即基于經(jīng)驗整定公式的參數(shù)自適應(yīng)的DE 算法，并將其應(yīng)用于某循環(huán)流化床（CFB）鍋爐主汽溫控制系統(tǒng)的PID 參數(shù)整定.

1 DE算法

DE算法基于種群進(jìn)化，對當(dāng)前種群進(jìn)行變異、交叉和選擇后產(chǎn)生新一代種群，并使種群逐步達(dá)到接近最優(yōu)解的狀態(tài)，是一種基于實數(shù)編碼的貪婪GA［7］.假設(shè)需要優(yōu)化的參數(shù)為x1，x2，…，xm，共m個，則DE算法可表示為求解如下優(yōu)化問題：

式中：ai和bi分別為xi的下限和上限，｛（ai，bi）｝構(gòu)成了m 維優(yōu)化參數(shù)定義空間S0，表征了DE 算法的尋優(yōu)范圍.

假設(shè)在DE算法中每一代G 中有NP個個體，即種群規(guī)模為NP.設(shè)G 為當(dāng)前進(jìn)化代數(shù)，則第G 代可表示為，其中為第G 代的第i個個體.DE算法的具體步驟如下：

（1）變異操作.生成變異個體的方法為

（2）雜交操作.DE 算法利用雜交操作以保持種群的多樣性，其實現(xiàn)過程如下：將變異生成的個體和當(dāng)前的個體進(jìn)行二項分布雜交操作，生成雜交個體uG＋1i，即

式中：k（i）為｛1，2，…，m｝內(nèi)的隨機(jī)參數(shù)；rand（j）為均勻分布的隨機(jī)數(shù)，rand（j）∈［0，1］；CR為雜交因子，CR∈［0，1］，通過控制選擇變異的個體分量來替代當(dāng)前點分量值的概率.

2 基于經(jīng)驗整定公式的參數(shù)自適應(yīng)DE算法

2.1 經(jīng)驗整定公式

DE算法最優(yōu)解的優(yōu)劣取決于初始集合是否能夠包含解空間的全部可能解集，并在遺傳進(jìn)化過程中不失去其優(yōu)良的特性［7］.需要通過增加搜索力度使初始種群盡量散布在最有希望獲得最優(yōu)解的解空間區(qū)域.因此，DE算法初始種群的產(chǎn)生方式會大大影響其應(yīng)用效果.DE 算法初始種群通常通過對各控制變量的取值范圍內(nèi)取隨機(jī)數(shù)來獲得.

由于本文研究的DE 算法用于PID 參數(shù)的優(yōu)化，其初始種群的確定實質(zhì)上是PID 參數(shù)范圍的確定.目前，大多數(shù)研究均采用經(jīng)驗試湊法來求取PID參數(shù)的初始范圍，這種方法對工程技術(shù)人員的經(jīng)驗要求較高，而且很難找到最優(yōu)的參數(shù)結(jié)果.Zhang等［1］經(jīng)過大量實驗得出了一組求取PID 參數(shù)的經(jīng)驗整定公式，并驗證了這些公式的有效性，利用該方法計算得到的PID 參數(shù)即可確定其大致范圍.

熱工對象一般分為有自平衡對象和無自平衡對象，其數(shù)學(xué)模型的描述形式分別為：

式中：K 為對象靜態(tài)增益；e－τs為純遲延環(huán)節(jié)；τ為純遲延時間；T 為過程的慣性時間常數(shù)；n 為對象的階次.

Bailey PID 控制器的傳遞函數(shù)［8］為

式中：δ 為比例帶，等于比例增益Kp的倒數(shù)；Ti為積分時間；Td為微分時間.

所研究的CFB 鍋爐主汽溫控制系統(tǒng)是典型的有自平衡對象，因此只給出了有自平衡對象的PID參數(shù)經(jīng)驗整定公式［9］：

通過計算可直接得到PID 參數(shù)，利用該方法可以指導(dǎo)DE算法的尋優(yōu)范圍：即先采用經(jīng)驗整定公式計算出PID 參數(shù)，得到DE算法的尋優(yōu)范圍，再利用DE算法在此范圍內(nèi)對參數(shù)進(jìn)行微調(diào)，搜索最佳參數(shù)值，有效地提高了優(yōu)化的精度和收斂速度.

2.2 參數(shù)自適應(yīng)算子

DE算法的性能除與尋優(yōu)范圍有關(guān)外，還與自身的參數(shù)有很大關(guān)系，如變異率F 和雜交因子.F 越大，種群中個體的振蕩幅度就越大，有利于其變量的多樣性，但收斂速度變慢；F 取值小則可以提高算法的收斂速度，但易陷于局部最優(yōu)點.因此，在計算初期為獲得多樣性的變量，F(xiàn) 應(yīng)取較大值，而在計算末期為了提高收斂速度，F(xiàn) 應(yīng)取較小值.CR取值過小會導(dǎo)致種群在雜交操作后產(chǎn)生的新個體變少，降低了算法拓展新空間的能力；CR取值過大不利于種群的穩(wěn)定性，進(jìn)而降低了算法的穩(wěn)定性.因此，CR在計算初期應(yīng)取較大值、計算末期取較小值.借鑒PSO 算法中慣性權(quán)重的思想，引入自適應(yīng)算子，F(xiàn) 和CR隨進(jìn)化代數(shù)進(jìn)行自適應(yīng)調(diào)整，即

式中：Gmax為最大進(jìn)化代數(shù)；Fmin和Fmax分別為最小和最大變異率；Cmin和Cmax分別為最小和最大雜交因子.

由式（11）和式（12）可知，F(xiàn) 和CR在初始階段較大，全局搜索能力較強(qiáng)，F(xiàn) 和CR均隨著進(jìn)化代數(shù)的增大逐漸減小；F 和CR在后階段均較小，局部搜索能力較強(qiáng)，既保證了全局搜索能力，又提高了收斂速度.

2.3 IDE算法優(yōu)化PID 參數(shù)

在熱工控制系統(tǒng)設(shè)計中，常采用絕對誤差的二階矩積分作為目標(biāo)函數(shù)：

式中：Q 為目標(biāo)函數(shù)；e（t）為第t時刻被調(diào)量與目標(biāo)函數(shù)值的差值.

基于經(jīng)驗整定公式的自適應(yīng)DE 算法優(yōu)化PID參數(shù)的步驟如下：

（1）根據(jù)上文的PID 經(jīng)驗整定公式計算得到初始PID 參數(shù)：KP0、Ti0和Td0，從而確定DE算法的初始種群，即尋優(yōu)范圍；

（2）初始化IDE 參數(shù)，如NP＝40，Gmax＝500，F(xiàn)min＝0.4，F(xiàn)max＝0.9，Cmin＝0.3，Cmax＝0.9，產(chǎn)生初始種群，當(dāng)前進(jìn)化代數(shù)G＝1；

（3）對初始種群進(jìn)行評價，按照式（13）計算目標(biāo)函數(shù)值；

（4）判斷是否滿足結(jié)束條件，若是則輸出最佳PID 參數(shù)組合.其中結(jié)束條件為：G＝Gmax＝500 或者適應(yīng)度值小于1×10－4；

（5）對所有個體進(jìn)行變異和雜交操作，得到臨時種群，對臨時種群進(jìn)行評價，計算目標(biāo)函數(shù)值，進(jìn)行選擇操作，得到新種群；

（6）更新G，即G ＝G＋1，然后轉(zhuǎn)向步驟（4）.

3 IDE 算法優(yōu)化CFB 鍋爐汽溫控制系統(tǒng)PID參數(shù)

3.1 數(shù)學(xué)模型分析

某CFB鍋爐汽溫控制系統(tǒng)采用串級調(diào)節(jié)方式，控制結(jié)構(gòu)如圖1所示，其中內(nèi)環(huán)和外環(huán)均采用負(fù)反饋，θ1和θ2分別代表主汽溫和導(dǎo)前區(qū)汽溫，主副回路均采用PI調(diào)節(jié)器.

圖1 汽溫控制系統(tǒng)圖Fig.1 Schematic diagram of the steam temperature control system

該系統(tǒng)的傳遞函數(shù)［11］為

式中：W1（s）為惰性區(qū)傳遞函數(shù)；W2（s）為導(dǎo)前區(qū)傳遞函數(shù)；當(dāng)鍋爐負(fù)荷在25%～100%內(nèi)變化時，對應(yīng)的K1為0.8～0.5，T1為100～80s，K2為2～1，T2為50～35s.

由此可以看出，隨著鍋爐負(fù)荷的增大，汽溫控制系統(tǒng)的增益和慣性時間常數(shù)均相應(yīng)地逐漸減小，同時表現(xiàn)出明顯的大慣性特性，因此常采用上述串級雙回路PID 控制方案.

3.2 控制器參數(shù)整定結(jié)果及性能分析

3.2.1 設(shè)定值跟蹤實驗

采用文獻(xiàn)［10］中給出的經(jīng)驗公式，經(jīng)整定計算得到初始PID 參數(shù)，即副調(diào)節(jié)器：δ01＝0.9，Ti01＝51.05s；主調(diào)節(jié)器：δ02＝0.9，Ti02＝180s.因此，可設(shè)定DE 算法的初始種群，即尋優(yōu)范圍：δ1＝［0.009，9］，Ti1＝［5.75，575］s，δ2＝［0.009，9］，Ti2＝［20，2 000］s.利 用IDE 算 法 尋 得 最 優(yōu)PID 參 數(shù)：δ1＝0.998 8，Ti1＝228.057 7s，δ2＝0.062 2，Ti2＝359.124 2s.100%負(fù)荷下系統(tǒng)在設(shè)定值單位階躍擾動時的仿真結(jié)果見圖2，其中調(diào)節(jié)時間為762×（1±5%）s，超調(diào)量為1.747 3%.

圖2 100%負(fù)荷下設(shè)定值單位階躍擾動時系統(tǒng)的響應(yīng)曲線Fig.2 System response to unit step disturbance of setpoint at 100%load

同時，圖2給出了用GA 優(yōu)化PID 參數(shù)的控制效果（圖中實線），對應(yīng)最優(yōu)PID 參數(shù)為副調(diào)節(jié)器：δ01＝2.168 8，Ti01＝114.987 6s；主調(diào)節(jié)器：δ02＝0.091 8，Ti02＝17.389 9s.此時調(diào)節(jié)時間為1 094s（過程值與目標(biāo)函數(shù)值偏差在±5%），超調(diào)量為8.133 1%.由圖2中設(shè)定值單位階躍擾動時系統(tǒng)的響應(yīng)曲線可知，IDE算法相比于GA 具有較小的超調(diào)量和較短的調(diào)節(jié)時間，其控制效果和品質(zhì)均優(yōu)于GA.

3.2.2 魯棒性實驗

CFB鍋爐汽溫的慣性時間常數(shù)易受到負(fù)荷等因素的影響而發(fā)生變化，而對象靜態(tài)增益也可能因為某種原因而變化.因此，根據(jù)可能的變化采用不同的傳遞函數(shù)進(jìn)行仿真.

（1）假設(shè)對象的慣性時間常數(shù)由80s變?yōu)?00 s，其傳遞函數(shù)為，相應(yīng)的設(shè)定值單位階躍擾動時系統(tǒng)的響應(yīng)曲線如圖3所示.

圖3 慣性時間常數(shù)變化后系統(tǒng)的階躍響應(yīng)曲線Fig.3 System response to variation of inertia time constant

圖4 對象靜態(tài)增益發(fā)生變化后系統(tǒng)的階躍響應(yīng)曲線Fig.4 System response to variation of static gains

由圖3和圖4可知，當(dāng)對象特性發(fā)生變化時，與GA 相比，通過IDE 算法整定得出的最優(yōu)參數(shù)能夠獲得更好的控制效果，表明IDE 算法的魯棒性較強(qiáng)，具有良好的調(diào)節(jié)品質(zhì).

3.2.3 減溫水內(nèi)擾實驗

CFB鍋爐中減溫水流量的波動對主汽溫的影響較大，在滿負(fù)荷時對減溫水流量進(jìn)行單位階躍擾動，相應(yīng)的系統(tǒng)響應(yīng)曲線如圖5所示.由圖5可知，通過IDE算法整定的PID 控制器對擾動具有較好的抑制作用，比經(jīng)典的GA 整定后的控制效果好.

圖5 減溫水流量單位階躍擾動時系統(tǒng)的響應(yīng)曲線Fig.5 System response to unit step disturbance of attemperating water flow

3.2.4 實際應(yīng)用效果

將IDE算法應(yīng)用于某300 MW CFB 鍋爐主汽溫控制系統(tǒng)中，該串級控制回路是在ABB Symphony系統(tǒng)中組態(tài)實現(xiàn)的，并采用了變參數(shù)調(diào)節(jié)方案（見圖6）.優(yōu)化前的控制器參數(shù)采用文獻(xiàn)［9］中的半經(jīng)驗整定法，對該鍋爐負(fù)荷為50%、75%和100%時分別進(jìn)行控制器參數(shù)整定，并采用折線函數(shù)實現(xiàn)調(diào)節(jié)器變參數(shù)的方法.穩(wěn)定負(fù)荷時，控制回路的主汽溫波動在10K 左右.采用IDE 算法分別進(jìn)行了相應(yīng)負(fù)荷下控制器參數(shù)的優(yōu)化、調(diào)整，無論是變負(fù)荷還是穩(wěn)定負(fù)荷，汽溫控制效果均有明顯改善，溫度的控制誤差小于5K（見圖7），滿足相關(guān)標(biāo)準(zhǔn)要求.

圖6 某300 MW CFB鍋爐主汽溫控制系統(tǒng)Fig.6 Main steam temperature control system of a 300 MW CFB boiler

圖7 某300 MW CFB鍋爐主汽溫控制系統(tǒng)優(yōu)化前后的效果對比Fig.7 Comparison of main steam temperature control effect for the 300 MW CFB boiler before and after optimization

4 結(jié) 論

針對PID 參數(shù)的整定問題，引入DE 算法優(yōu)化PID 參數(shù)，在此基礎(chǔ)上采用自適應(yīng)微分進(jìn)化算法，提高了算法的收斂速度，避免了算法陷入局部收斂.利用PID 經(jīng)驗整定公式計算的結(jié)果指導(dǎo)初始種群數(shù)量，減少了不可行解的數(shù)目，加快收斂速度，避免了DE 算法尋優(yōu)的隨機(jī)性，且不需依賴調(diào)試人員的經(jīng)驗，實現(xiàn)完全自適應(yīng)獲得最優(yōu)PID 參數(shù).某CFB 鍋爐汽溫控制系統(tǒng)的仿真結(jié)果表明，利用IDE 算法來整定PID 控制器參數(shù)，其調(diào)節(jié)時間短、超調(diào)量小，獲得了比經(jīng)典GA 優(yōu)化PID 控制器更好的效果；當(dāng)對象特性和減溫水流量發(fā)生變化時，同樣能獲得良好的控制效果，魯棒性較強(qiáng).將該算法應(yīng)用于某300 MW CFB鍋爐主汽溫控制系統(tǒng)中，其汽溫控制效果得到明顯改善.

［1］ ZHANG Qian，DONG Ze，HAN Pu，et al.Optimization of controllers in the thermal system using initial pheromone distribution in ant colony optimization［C］／／IEEE International Conference on Information Reuse and Integration.Las Vegas，USA：s.n.，2008：22－27.

［2］ 謝謝，曾德良，劉吉臻，等.基于遺傳算法的協(xié)調(diào)控制系統(tǒng)魯棒PID 參數(shù)尋優(yōu)化［J］.動力工程學(xué)報，2010，30（12）：937－940，959.XIE Xie，ZENG Deliang，LIU Jizhen，et al.Optimization of robust PID controllers for a coordinated control system based on genetic algorithm［J］.Journal of Chinese Society of Power Engineering，2010，30（12）：937－940，959.

［3］ 楊勇，王東風(fēng)，焦嵩鳴.基于混沌PSO 的循環(huán)流化床汽溫系統(tǒng)分?jǐn)?shù)階控制［J］.華北電力大學(xué)學(xué)報：自然科學(xué)版，2011，38（4）：12－16.YANG Yong，WANG Dongfeng，JIAO Songming.Design of fractional order control for steam temperature system of circulating fluidized bed boiler based on chaos particle swarm optimization method［J］.Journal of North China Electric Power University：Natural Science Edition，2011，38（4）：12－16.

［4］ 袁沔齊，鄒振宇，孫凱祺，等.基于遺傳算法和微分進(jìn)化算法的分布式電源優(yōu)化配置［J］.中國電力，2013，46（1）：4－7.YUAN Mianqi，ZOU Zhenyu，SUN Kaiqi，et al.Optimal allocation of distributed generation based on genetic algorithms and differential evolution algorithm［J］.Electric Power，2013，46（1）：4－7.

［5］ 王文蘭，王巍，崔艷艷.改進(jìn)PSO 算法優(yōu)化超臨界機(jī)組主汽溫參數(shù)的研究［J］.廣東電力，2013，26（10）：13－18.WANG Wenlan，WANG Wei，CUI Yanyan.Study on application of supercritical main steam temperature parameters based on improved particle swarm optimization algorithm［J］.Guangdong Electric Power，2013，26（10）：13－18.

［6］ 李巖，王東風(fēng)，焦嵩鳴，等.采用微分進(jìn)化算法和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的熱工過程模型辨識［J］.中國電機(jī)工程學(xué)報，2010，30（8）：110－116.LI Yan，WANG Dongfeng，JIAO Songming，et al.Thermal process identification using differential evolution algorithm and radial basis function neural network［J］.Proceedings of the CSEE，2010，30（8）：110－116.

［7］ 張炳才，秦四娟，喬世軍，等.基于改進(jìn)微分進(jìn)化算法的電力系統(tǒng)無功優(yōu)化［J］.電力系統(tǒng)保護(hù)與控制，2010，38（15）：91－94.ZHANG Bingcai，QIN Sijuan，QIAO Shijun，et al.Reactive power optimization in power system based on modified differential evolution algorithm［J］.Power System Protection and Control，2010，38（15）：91－94.

［8］ DWYER O A.Handbook of PI and PID controller tuning rules［M］.2nd ed.Singapore：Imperial College Press，2006.

［9］ 韓璞，呂玲，張倩，等.基于經(jīng)驗整定公式的熱工系統(tǒng)控制器參數(shù)智能優(yōu)化［J］.華北電力大學(xué)學(xué)報：自然科學(xué)版，2010，37（5）：73－77.HAN Pu，LüLing，ZHANG Qian，et al.Controller parameter intelligent optimization in thermal system utilizing regulation－based formulas［J］.Journal of North China Electric Power University：Natural Science Edition，2010，37（5）：73－77.

［10］ 薛曉強(qiáng).基于改進(jìn)微分進(jìn)化算法的配電網(wǎng)分布式電源優(yōu)化規(guī)劃［D］.北京：華北電力大學(xué)，2009.

［11］ 王子杰，黃宇，韓璞，等.循環(huán)流化床鍋爐汽溫自抗擾控制器的優(yōu)化設(shè)計［J］.動力工程學(xué)報，2010，30（1）：32－35.WANG Zijie，HUANG Yu，HAN Pu，et al.Optimal design of active disturbance rejection controller for steam temperature of circulating fluidized bed boilers［J］.Journal of Chinese Society of Power Engineering，2010，30（1）：32－35.