王鎮(zhèn)道，張樂(lè)，彭子舜

(湖南大學(xué) 物理與微電子科學(xué)學(xué)院，湖南 長(zhǎng)沙 410082)

基于PSO優(yōu)化算法的模糊PID勵(lì)磁控制器設(shè)計(jì)*

王鎮(zhèn)道，張樂(lè)?，彭子舜

(湖南大學(xué) 物理與微電子科學(xué)學(xué)院，湖南 長(zhǎng)沙 410082)

針對(duì)優(yōu)化發(fā)電機(jī)勵(lì)磁控制器控制問(wèn)題，研究模糊理論及人工智能控制方法，建立數(shù)學(xué)模型分析勵(lì)磁控制器，找到將粒子群算法與模糊PID相整合的勵(lì)磁控制途徑，并設(shè)計(jì)了適用于低壓水輪發(fā)電機(jī)的勵(lì)磁控制器.粒子群優(yōu)化算法優(yōu)化控制系統(tǒng)的初始參數(shù)，模糊PID完成對(duì)系統(tǒng)的動(dòng)態(tài)控制.仿真結(jié)果表明，改進(jìn)的控制器算法相比傳統(tǒng)PID控制和模糊控制PID，響應(yīng)速度較快(上升時(shí)間少于1 s)，超調(diào)量小(超調(diào)量少于5%).能夠滿足控制器快速、準(zhǔn)確和穩(wěn)定的要求，是一種先進(jìn)的控制方法.

勵(lì)磁系統(tǒng)；粒子群算法；模糊自適應(yīng)PID勵(lì)磁控制

在發(fā)電機(jī)組正常運(yùn)行和事故運(yùn)行中，發(fā)電機(jī)勵(lì)磁系統(tǒng)起著重要作用，優(yōu)良的勵(lì)磁系統(tǒng)不僅可以提供安全運(yùn)行環(huán)境，供給適當(dāng)?shù)碾娔埽€能對(duì)電力系統(tǒng)的穩(wěn)定進(jìn)行調(diào)節(jié).勵(lì)磁系統(tǒng)由勵(lì)磁控制器、勵(lì)磁功率單元組成.勵(lì)磁控制系統(tǒng)的發(fā)展包括：勵(lì)磁系統(tǒng)方式的改良與勵(lì)磁控制器的改良[1].PID勵(lì)磁控制作為工業(yè)生產(chǎn)自動(dòng)化常用方法，優(yōu)勢(shì)在于算法簡(jiǎn)單、魯棒性好且可靠性高，對(duì)于可建立精確數(shù)學(xué)模型的系統(tǒng)非常適用.但是在實(shí)際工業(yè)生產(chǎn)中不容易建立準(zhǔn)確的數(shù)學(xué)模型，多數(shù)具有非線性和不確定性[2-4].常規(guī)PID由于參數(shù)整定方法繁雜、模型不精確等原因，大多數(shù)情況下整定均采用經(jīng)驗(yàn)法，這樣比較費(fèi)時(shí)，且難以找到最優(yōu)參數(shù).引入智能控制理論，改良勵(lì)磁控制器是公認(rèn)的既可靠又能提升經(jīng)濟(jì)效益的方法[5-6],使用智能算法優(yōu)化PID勵(lì)磁控制參數(shù)，如：模擬退火算法、粒子群算法、模糊控制算法、遺傳算法和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法等[7-8]，這些方法雖然一定程度上提升了控制效果，但是也有缺陷：遺傳算法進(jìn)化速度慢，易于早熟；神經(jīng)網(wǎng)絡(luò)易于陷入局部最優(yōu)；模擬退火算法執(zhí)行時(shí)間長(zhǎng)，收斂速度慢，算法性能受初始值影響存在參數(shù)敏感等問(wèn)題.對(duì)于具有不確定性、時(shí)變性、非線性、時(shí)滯、藕合等特點(diǎn)的被控對(duì)象(水輪發(fā)電機(jī))，僅僅采用一種控制算法很難達(dá)到要求，相比較而言，多種智能控制方法相結(jié)合可以得到更好的控制效果[9-10].

模糊控制是基于相關(guān)專(zhuān)家的知識(shí)或現(xiàn)場(chǎng)操作人員的控制經(jīng)驗(yàn)，魯棒性強(qiáng)且在設(shè)計(jì)中不要求被控對(duì)象精確的數(shù)學(xué)模型，控制效果基本不受干擾和參數(shù)變化的影響，非線性、時(shí)變及純滯后系統(tǒng)應(yīng)用效果好[11]，缺點(diǎn)是采用模糊控制容易受初始參數(shù)的影響.粒子群(PSO)算法具有容易實(shí)現(xiàn)、精度高、收斂快等優(yōu)點(diǎn)可以很好匹配PID勵(lì)磁控制器[12]，但粒子群優(yōu)化算法隨機(jī)性較強(qiáng)，對(duì)于復(fù)雜系統(tǒng)容易出現(xiàn)無(wú)法收斂的情況.針對(duì)勵(lì)磁控制的優(yōu)化，本文提出了一種基于粒子群算法優(yōu)化的模糊PID勵(lì)磁控制方法，該方法是兩種控制算法互補(bǔ)，一定程度上規(guī)避了兩者的缺陷.Matlab仿真實(shí)例對(duì)比表明該方法對(duì)系統(tǒng)控制有明顯的優(yōu)化效果，控制過(guò)程中系統(tǒng)超調(diào)現(xiàn)象很小(超調(diào)量少于5%)，參數(shù)收斂精度(誤差少于0.1%)優(yōu)于常規(guī)PID勵(lì)磁控制和模糊PID控制，系統(tǒng)響應(yīng)速度更快(上升時(shí)間少于1 s)，為勵(lì)磁控制提供了一種可行的優(yōu)化方法.

1 PSO算法及模糊PID勵(lì)磁控制

1.1 模糊PID勵(lì)磁控制器

模糊控制簡(jiǎn)單來(lái)說(shuō)是一種計(jì)算機(jī)數(shù)字控制，由3部分構(gòu)成，分別是模糊語(yǔ)言變量、模糊集合論和模糊邏輯推理.模糊控制是一種控制方式，通過(guò)反饋及反饋控制的方式分析人的控制行為，再用模糊語(yǔ)言固化人的該種規(guī)律化的控制行為而形成模糊控制規(guī)則.

模糊PID勵(lì)磁控制器的系統(tǒng)結(jié)構(gòu)如圖1所示，系統(tǒng)結(jié)構(gòu)主要由PID勵(lì)磁控制和模糊控制兩部分構(gòu)成.圖中U為參考電壓；Uout為發(fā)電機(jī)端電壓；e(t)為系統(tǒng)偏差；de/dt為系統(tǒng)偏差變化率.

圖1 模糊PID勵(lì)磁控制系統(tǒng)結(jié)構(gòu)圖Fig.1 Fuzzy PID excitation control system

常規(guī)PID調(diào)節(jié)器數(shù)學(xué)模型如下：

(1)

式中：U(n)為第n個(gè)采樣得到的輸出量；e(n)為第n個(gè)采樣需要的輸入量.

PID勵(lì)磁控制器的主要控制目標(biāo)是控制功率單元執(zhí)行水輪發(fā)電機(jī)輸出穩(wěn)定的電壓和保證發(fā)電機(jī)組間具有穩(wěn)定的無(wú)功分配.模糊控制主要通過(guò)整定PID勵(lì)磁控制器的參數(shù)，使得PID最優(yōu)參數(shù)能在不同工況下調(diào)整.模糊控制以系統(tǒng)偏差e及偏差變化率ec作為輸入，將它們的精確值模糊化為模糊量，并表述成相應(yīng)的模糊語(yǔ)言，得到它們對(duì)應(yīng)的模糊語(yǔ)言集合E和EC，通過(guò)專(zhuān)家經(jīng)驗(yàn)形成模糊推理規(guī)則庫(kù)來(lái)推理進(jìn)行模糊決策，得出模糊控制變量U，再經(jīng)過(guò)反模糊化為精確的控制量u，同時(shí)深入控制水輪發(fā)電機(jī)電壓，包括調(diào)整PID參數(shù)ΔKp,ΔKi,ΔKd，對(duì)比發(fā)電機(jī)端電壓的設(shè)定值與返回的精確值，循環(huán)上述步驟，實(shí)現(xiàn)PID勵(lì)磁控制參數(shù)的自動(dòng)調(diào)節(jié).

1.2 粒子群優(yōu)化算法

模糊PID控制仍然需要參考經(jīng)驗(yàn)選取初始PID控制參數(shù)，較差的初始參數(shù)影響系統(tǒng)性能，因此可以引入粒子群優(yōu)化算法對(duì)初始參數(shù)進(jìn)行優(yōu)化.

粒子群算法通過(guò)智能演化鳥(niǎo)類(lèi)覓食模型的群體來(lái)計(jì)算參數(shù)，其原理簡(jiǎn)單、實(shí)現(xiàn)方便、需調(diào)整參數(shù)少.它的基本原理是首先初始化一群沒(méi)有體積沒(méi)有質(zhì)量的粒子，初始粒子的位置和速度相當(dāng)于鳥(niǎo)群中每只鳥(niǎo)的初始狀態(tài)；將每個(gè)粒子作為問(wèn)題的一個(gè)解，所有的粒子都有一個(gè)由被優(yōu)化的函數(shù)決定粒子好壞的適應(yīng)值.每個(gè)粒子有一個(gè)預(yù)設(shè)的可行范圍，在每次迭代過(guò)程中，粒子的運(yùn)動(dòng)方向和距離由兩方面來(lái)決定:一方面是個(gè)體經(jīng)驗(yàn)，即粒子在迭代過(guò)程中本身的最優(yōu)解Pbest;一個(gè)是群體經(jīng)驗(yàn)，即整個(gè)粒子群目前的最優(yōu)解Gbest;群體中的粒子就是根據(jù)個(gè)體經(jīng)驗(yàn)與群體經(jīng)驗(yàn)來(lái)調(diào)整自己的飛行方向與速度.由n個(gè)粒子組成粒子群在D維空間中搜索，每個(gè)粒子i都具有D維位置向量xi=(xi1,xi2,…,xid)以及速度向量veli=(veli1,veli2,…,velid)，i=1,2,…,n.其中，每個(gè)微粒的位置向量構(gòu)成目標(biāo)問(wèn)題的解空間，每個(gè)位置向量即為一組解.粒子i在搜索D維解空間時(shí)，將自己的解代入適應(yīng)度函數(shù)求出適應(yīng)度值，用來(lái)選擇最優(yōu)位置pi=(pi1,pi2,…,pid);而群體里具有最優(yōu)適應(yīng)度值的粒子位置記為群體最優(yōu)經(jīng)驗(yàn)pg=(pg1,pg2,…,pgd).每次迭代的過(guò)程，粒子i參考自身經(jīng)驗(yàn)和群體經(jīng)驗(yàn)調(diào)整自身的狀態(tài)，包括速度向量及位置向量.粒子群的進(jìn)化方程可描述為:

(2)

(3)

式中:w是慣性權(quán)重因子;k為迭代數(shù);c1和c2分別為個(gè)體和群體加速常數(shù);r1和r2是0到1范圍內(nèi)相互獨(dú)立的隨機(jī)數(shù);j為粒子維數(shù)，即目標(biāo)值維數(shù);d為常數(shù).在迭代過(guò)程中，粒子的飛行速度和所處位置不斷改變，個(gè)體極值Pbest和全局極值Gbest也在不斷更新變化，滿足終止條件找到的Gbest即為全局最優(yōu)解.終止條件一般為達(dá)到預(yù)定的最小適應(yīng)度閾值或達(dá)到最大迭代次數(shù).

1.3 基于粒子群優(yōu)化算法的模糊PID勵(lì)磁控制器

該勵(lì)磁控制器有以下特點(diǎn)：粒子群算法本身速度快、實(shí)現(xiàn)簡(jiǎn)單、操作方便，結(jié)合模糊控制收斂速度更快、收斂率也更高了.粒子群算法適用范圍廣，尋優(yōu)效果好，在初始條件不佳的情況下，仍可以找出合適的參數(shù)，達(dá)到系統(tǒng)要求.粒子群算法優(yōu)化模糊PID控制由于其并行性，對(duì)多目標(biāo)優(yōu)化效果十分出色.

圖2為基于粒子群優(yōu)化算法的模糊PID勵(lì)磁控制器的系統(tǒng)結(jié)構(gòu)圖，其中模糊控制仍然調(diào)整PID參數(shù)ΔKp,ΔKi,ΔKd；PSO則優(yōu)化初始PID參數(shù)Kp,Ki,Kd.通過(guò)目標(biāo)函數(shù)可以算出適應(yīng)值F，該適應(yīng)值是判斷PSO當(dāng)前輸出的PID控制參數(shù)好壞的唯一標(biāo)準(zhǔn)，通過(guò)不斷調(diào)整輸出PID控制參數(shù)，用以降低目標(biāo)函數(shù)的輸出值，從而達(dá)到優(yōu)化系統(tǒng)的目的.

圖2 基于PSO的模糊PID勵(lì)磁控制系統(tǒng)結(jié)構(gòu)圖Fig.2 PSO-based fuzzy PID excitation control system structure diagram

2 勵(lì)磁控制系統(tǒng)Matlab模型

2.1 勵(lì)磁模型

發(fā)電機(jī)勵(lì)磁系統(tǒng)如圖3所示，它包括勵(lì)磁功率單元、勵(lì)磁控制器、發(fā)電機(jī)電壓測(cè)量單元、無(wú)功電流補(bǔ)償單元和電力系統(tǒng)穩(wěn)定器.輸入電壓信號(hào)(偏差UERR，過(guò)勵(lì)限制輸出UOEL，低勵(lì)限制輸出UUEL，參考UREF和電力系統(tǒng)穩(wěn)定器輸出Us)經(jīng)過(guò)勵(lì)磁控制器，它結(jié)合自身的調(diào)節(jié)準(zhǔn)則再去控制勵(lì)磁功率單元，然后勵(lì)磁功率單元向同步發(fā)電機(jī)轉(zhuǎn)子提供直流勵(lì)磁電流，最后發(fā)電機(jī)和電力系統(tǒng)的輸出變化情況又作為勵(lì)磁控制器的輸入信號(hào)，最終形成了一個(gè)反饋系統(tǒng).發(fā)電機(jī)電壓測(cè)量和電流補(bǔ)償部分根據(jù)輸入U(xiǎn)t(發(fā)電機(jī)電壓)和It(發(fā)電機(jī)電流)來(lái)形成需要控制的偏差信號(hào)[1].

圖3 勵(lì)磁系統(tǒng)組成Fig.3 Composition of the excitation system

在小擾動(dòng)工況下，當(dāng)只分析系統(tǒng)的靜態(tài)和動(dòng)態(tài)特性，不考慮系統(tǒng)飽和、限幅等非線性情況，只需建立線性模型.基于PID勵(lì)磁控制的Matlab仿真線性勵(lì)磁系統(tǒng)模型如圖4所示.其輸入Fin(s)與輸出Fout(s)間傳遞函數(shù)為：

(4)

如果要考慮限幅、飽和等非線性特性，需建立非線性模型.基于PID勵(lì)磁控制的非線性勵(lì)磁系統(tǒng)Matlab模型如圖5所示.非線性模型在線性模型的基礎(chǔ)上增加了一個(gè)模擬飽和環(huán)節(jié)的限幅模塊，同時(shí)進(jìn)一步增加了系統(tǒng)延時(shí)，該模型更為接近實(shí)際勵(lì)磁系統(tǒng).

圖4 基于PID勵(lì)磁控制的線性勵(lì)磁系統(tǒng)仿真模型Fig.4 Simulation of linear excitation system based on PID excitation control

圖5 基于PID勵(lì)磁控制的非線性勵(lì)磁系統(tǒng)仿真圖Fig.5 Simulation of nonlinear excitation system based on pid excitation control

非線性勵(lì)磁模型中輸入Fin1(s)與輸出Fout1(s)間傳遞函數(shù)為:

(5)

其中

(6)

2.2 基于粒子群優(yōu)化算法的模糊控制策略

從線性勵(lì)磁模型和非線性勵(lì)磁模型的傳遞函數(shù)中可以看出，兩種模型均為高階復(fù)雜的非線性函數(shù)，且相對(duì)于線性勵(lì)磁模型，非線性勵(lì)磁模型的階數(shù)更高.因此針對(duì)勵(lì)磁系統(tǒng)，僅采用普通PID控制，其控制參數(shù)整定難以達(dá)到比較理想的效果.針對(duì)非線性系統(tǒng)，本文采用基于粒子群優(yōu)化算法的模糊控制策略來(lái)解決勵(lì)磁系統(tǒng)的非線性控制器設(shè)計(jì)問(wèn)題.

模糊控制simulink仿真模型如圖6所示.通過(guò)誤差和誤差的微分作為模糊控制的輸入，從而可以經(jīng)由相應(yīng)的輸入變量論域獲得合適的PID參數(shù).

圖6 模糊控制仿真模型Fig.6 Fuzzy control simulation model

引入粒子群優(yōu)化算法則是對(duì)初始PID參數(shù)進(jìn)行優(yōu)化，以提高系統(tǒng)性能.增加粒子群優(yōu)化算法后，得到的基于粒子群優(yōu)化算法的模糊PID控制如圖2所示，其中PSO算法對(duì)初始PID參數(shù)進(jìn)行優(yōu)化，模糊控制優(yōu)化PID增量參數(shù).模糊控制通過(guò)模糊邏輯推理、模糊集合論和模糊語(yǔ)言變量輸出參數(shù)；粒子群優(yōu)化算法則通過(guò)目標(biāo)函數(shù)判斷系統(tǒng)優(yōu)劣，從而調(diào)整參數(shù)的輸出值.

2.3 收斂分析

因模糊控制的論域設(shè)置主要依賴(lài)工程經(jīng)驗(yàn)，這里主要分析粒子群優(yōu)化算法中w和c(假設(shè)c=c1=c2，忽略隨機(jī)數(shù)的影響)等主要參數(shù)的收斂范圍.

將式(3)改為如下公式

xij(t)=xij(t-1)+vij(t)

(7)

結(jié)合式(2),式(3)和式(7)得到差分矩陣方程為:

(8)

其中

(9)

矩陣A中w為正數(shù)，矩陣A為非奇異矩陣，則該矩陣必然存在特征值λ，存在關(guān)系

|λI-A|=0

(10)

設(shè)x(t)的特解x*為mt，其中m為常數(shù)，通過(guò)式(8)得到特解為：

(11)

為保證x*收斂，2c不能為零，式(11)中分母不能為零.

式(8)穩(wěn)定條件是|λn|<1，分別討論特征值λ1和λ2在不同情況下，差分方程的通解.

1)特征值λ1和λ2為兩個(gè)不同實(shí)根，x(t)的解為:

x(t)=C1(λ1)t+C2(λ2)t+x*

(12)

式中C1和C2為常數(shù)，為保證該通解收斂，此時(shí)有：

(13)

求解式(13)得到：

1+2c>w>c-1

(14)

2)特征值λ1和λ2相等，x(t)的解為:

x(t)=(C1+C2t)λt+x*

(15)

特征值為重根(λ1=λ2)，得到:

(1+w-2c)2=4w

(16)

進(jìn)一步可以推出:

w<2+2c

(17)

3)特征值λ1和λ2為共軛復(fù)根，x(t)的解為:

x(t)=rt(C1cos(θt)+C2sin(θt))+x*

(18)

假設(shè)

(19)

其中

(20)

通過(guò)式(18)得到:

(21)

根據(jù)式(14)，式(17)和式(21)，w和c選取的范圍如下:

(22)

3 仿真實(shí)驗(yàn)

針對(duì)圖4所示線性勵(lì)磁系統(tǒng)模型采用常規(guī)PID控制，Kp,Ki,Kd3個(gè)參數(shù)值分別為10.424 0,15.445 4和0.932 9；針對(duì)圖5所示非線性勵(lì)磁系統(tǒng)模型采用常規(guī)PID控制，Kp,Ki,Kd3個(gè)參數(shù)值分別為4,10和1.1.

針對(duì)圖4所示線性勵(lì)磁系統(tǒng)模型采用常規(guī)PID控制，采用模糊PID控制時(shí)，Kp,Ki,Kd3個(gè)參數(shù)分別為10,6和5；針對(duì)圖5所示非線性勵(lì)磁系統(tǒng)模型采用常規(guī)PID控制，采用模糊PID控制時(shí)，Kp,Ki,Kd3個(gè)參數(shù)分別為10,10和1.1.采用的模糊控制方式及參數(shù)均不變，其中的輸入變量的論域設(shè)為{-20，-40/3，-20/3，0，20/3，40/3，20}；輸出變量的論域設(shè)為{-12，-8，-4，0，4，8，12}；輸入輸出語(yǔ)言變量設(shè)為{負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大}.

針對(duì)圖4所示的線性勵(lì)磁系統(tǒng)模型和圖5所示的非線性勵(lì)磁系統(tǒng)模型，采用粒子群優(yōu)化模糊PID控制時(shí)，控制參數(shù)不變，粒子群優(yōu)化算法優(yōu)化的參數(shù)為Kp,Ki,Kd.其中粒子種群數(shù)N=40；加速因子c1=c2=2.05；慣性權(quán)重w=0.9～0.4；粒子位置Xmin=-Xmax=-50；速度限制Vmax=-Vmax=-1;迭代次數(shù)采用100次尋優(yōu).模糊控制的模糊規(guī)則、輸入與輸出論域均不改變.

變壓器Ka=1，Ta=0.02；放大系數(shù)Kt=55；功率單元Te=0.02；電壓測(cè)量Tr=0.001；發(fā)電機(jī)Td0=2.PSO優(yōu)化所需要的目標(biāo)函數(shù)公式為:

(23)

式中e(t)為指令信號(hào)和反饋信號(hào)的誤差，評(píng)價(jià)優(yōu)化性能的指標(biāo)有超調(diào)量和上升時(shí)間.

按圖4和圖5的勵(lì)磁系統(tǒng)模型分別建立基于PID控制(與圖4和圖5相同)、基于模糊PID控制(在PID控制的基礎(chǔ)上增加模糊控制，其中模糊控制調(diào)整ΔKp,ΔKi,ΔKd參數(shù))和基于粒子群優(yōu)化算法的模糊PID控制(粒子群優(yōu)化算法優(yōu)化Kp,Ki,Kd參數(shù)，模糊控制調(diào)整ΔKp,ΔKi,ΔKd參數(shù))模型，然后進(jìn)行仿真實(shí)驗(yàn)對(duì)比.

針對(duì)線性采用PID勵(lì)磁控制的線性勵(lì)磁系統(tǒng)階躍響應(yīng)、采用模糊PID勵(lì)磁控制的線性勵(lì)磁系統(tǒng)階躍響應(yīng)和采用基于粒子群算法優(yōu)化的模糊自適應(yīng)PID勵(lì)磁控制的線性勵(lì)磁系統(tǒng)階躍響應(yīng)如圖7所示.

圖7 不同控制策略的線性勵(lì)磁系統(tǒng)階躍響應(yīng)Fig.7 Linear excitation system with different control strategies Step response

對(duì)比圖7中多種控制方式，采用勵(lì)磁PID控制時(shí)候超調(diào)量為50%，上升時(shí)間為0.9 s；而采用勵(lì)磁PID結(jié)合模糊控制時(shí)超調(diào)量為20%，上升時(shí)間為1.2 s；采用基于粒子群算法優(yōu)化的模糊自適應(yīng)PID勵(lì)磁控制時(shí)超調(diào)量為4.9%，上升時(shí)間為0.9 s.

針對(duì)線性采用PID勵(lì)磁控制的非線性勵(lì)磁系統(tǒng)階躍響應(yīng)、采用模糊PID勵(lì)磁控制的非線性勵(lì)磁系統(tǒng)階躍響應(yīng)和采用基于粒子群算法優(yōu)化的模糊自適應(yīng)PID勵(lì)磁控制的非線性勵(lì)磁系統(tǒng)階躍響應(yīng)如圖8所示.

圖8 不同控制策略的非線性勵(lì)磁系統(tǒng)階躍響應(yīng)Fig.8 Non-linear excitation system step response for different control strategies

對(duì)比圖8中多種控制方式，采用勵(lì)磁PID控制時(shí)候超調(diào)量為51%，上升時(shí)間為0.28 s；采用勵(lì)磁PID結(jié)合模糊控制時(shí)超調(diào)量為30%，上升時(shí)間為0.25 s；采用基于粒子群算法優(yōu)化的模糊自適應(yīng)PID勵(lì)磁控制時(shí)超調(diào)量為3%，上升時(shí)間為0.26 s.

由圖7和圖8可知，采用基于粒子群優(yōu)化算法的模糊PID勵(lì)磁控制具有較為優(yōu)異的優(yōu)化性能，該控制方式在保證系統(tǒng)能快速收斂的前提下，有效減少了超調(diào)量，使系統(tǒng)得到穩(wěn)定控制.基于粒子群優(yōu)化算法的模糊PID勵(lì)磁控制將模糊控制魯棒性強(qiáng)的優(yōu)點(diǎn)，和粒子群優(yōu)化算法容易實(shí)現(xiàn)、精度高、收斂快等優(yōu)點(diǎn)相結(jié)合，較PID控制和模糊PID控制，該算法無(wú)需設(shè)置經(jīng)驗(yàn)參數(shù)，能夠有效提高控制性能.

4 結(jié) 論

本文利用Matlab/Simulink針對(duì)水輪發(fā)電機(jī)不同情況，建立了線性和非線性勵(lì)磁調(diào)節(jié)系統(tǒng)仿真模型.采用常規(guī)PID控制，因參數(shù)整定問(wèn)題，往往難以得到較優(yōu)解，且整定耗時(shí).為了提高控制性能，本文采用基于粒子群優(yōu)化的模糊PID勵(lì)磁控制，粒子群優(yōu)化算法優(yōu)化Kp,Ki,Kd參數(shù)，模糊控制優(yōu)化PID增量.

通過(guò)仿真對(duì)比可知，采用本文提出的控制策略其超調(diào)量最小，上升時(shí)間快，因此性能最優(yōu).將PSO和模糊PID相結(jié)合，可以彌補(bǔ)PSO容易陷入局部最優(yōu)的缺點(diǎn)，同時(shí)也不考慮初值影響，提高了模糊控制的優(yōu)化性能，因此相較PID勵(lì)磁控制和模糊PID勵(lì)磁控制其收斂速度更快(上升時(shí)間少于1 s)，控制精度更高(誤差小于0.1%)，超調(diào)量少(超調(diào)量少于5%)，有效提高了控制效果.

[2] YE Y,YIN C B,GONG Y,etal.Position control of nonlinear hydraulic system using an improved PSO based PID controller[J].Mechanical Systems & Signal Processing,2016,83:241-259.

[3] MEHMOOD C A. A new methodology for the design and tuning of robust PID controllers in electric drives[J]. Dissertations & Theses-Gradworks, 2014:73-126.

[4] KONSTANTINOS G,PAPADOPOULO S,NIKOLAOS D,etal.Analytical runing rules for digital PID type controllers via the magnitude optimum criterion[C]//Industrial Technology(ICIT).Athens,Greek,2012：875-880.

[5] DOUIRI M R, BELGHAZI O, CHERKAOUI M. Fuzzy and Neural Rotor Resistance Estimator for Vector Controlled Induction Motor Drives[C]//Proceedings of the 13th International Conference on Artificial Intelligence and Soft Computing. Berlin: Springer-Verlag, 2014: 317-327.

[6] KUMAR R S,VASANTH J A.Intelligent neuro controller based speed and torque control of five phase switched reluctance motor[C]//2013 International Conference on Information Communication and Embedded Systems(ICICES).IEEE，2013：966-973.

[7] 師彪,李郁俠,于新花,等.基于改進(jìn)粒子群-模糊神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[J].系統(tǒng)工程理論與實(shí)踐,2010,30(1):157-166.

SHI Biao,LI Yuxia,YU Xinhua,etal.Short-term load forecasting based on modified particle swarm optimizer and fuzzy neural network model[J].Systems Engineering-Theory&Practice,2010,30(1): 157-166.(In Chinese)

[8] KENNEDY J,EBERHART R.Particle swarm optimization[C]//Proceedings of ICNN'95 International Conference on Neural Networks.Perth,WA,Australia,1995:1942-1948.

[9] WANG S H,ZHANG Y D,DONG Z C,etal.Feed-forward neural network optimized by hybridization of PSO and ABC for abnormal brain detection[J].International Journal of Imaging Systems and Technology,2015,25(2):153-164.

[10]王彥,鄧勇,王超.基于改進(jìn)粒子群算法的模糊神經(jīng)網(wǎng)絡(luò)PID控制器設(shè)計(jì)[J].控制工程,2012,19(5):761-764.

WANG Yan,DENG Yong,WANG Chao.Fuzzy neural network PID controller design based on improved particle swarm optimization[J].Control Engineering of China,2012,19(5):761-764.(In Chinese)

[11]龐清樂(lè),王永強(qiáng).基于模糊和PI控制的MIG焊接電源設(shè)計(jì)[J].控制工程,2012,19(3):147-150,174.

PANG Qingle,WANG Yongqiang.Design of fuzzy and PI control based MIG welding power source[J].Control Engineering of China,2012,19(3):147-150,174.(In Chinese)

[12]VEERACHARY M,SAXENA A R.Optimized power stage design of low source current ripple fourth-order boost DC-DC converter: a PSO approach[J].Industrial Electronics IEEE Transactions on,2015,62(3):1491-1502.

Design of Fuzzy PID Excitation Control Based on PSO Optimization Algorithm

WANG Zhendao，ZHANG Le?，PENG Zishun

(School of Physics and Microeletronics，Hunan Univercity，Changsha 410082，China)

In order to optimize the excitation control problem of hydro-generator,a mathematical model was presented.With the fuzzy theory and the advanced intelligent optimization control method,a hydro-generator excitation controller was proposed based on the integration of particle swarm algorithm (PSO) and fuzzy PID.The initial parameters of controller were selected by PSO,and the system was dynamically controlled by FAPID.Finally,compared with the traditional PID control and fuzzy control PID control,the simulation results show that the fuzzy adaptive PID excitation control based on the particle swarm optimization algorithm has faster response speed (less than 1 second rise time) and smaller overshoot (less than 5% overshoot).The control system as an advanced control method can be faster,more accurate and stable.

excitation system；particle swarm optimization；fuzzy adaptive PID control

1674-2474(2017)08-0106-06

10.16339/j.cnki.hdxbzkb.2017.08.016

2017-01-18

國(guó)家自然科學(xué)基金資助項(xiàng)目(61505051),National Natural Science Foundation of China(61505051)

王鎮(zhèn)道(1974—)，男，湖南益陽(yáng)人，湖南大學(xué)副教授，博士

?通訊聯(lián)系人,E-mail:13142044800@163.com

TM743

A