張京杰,姜麗芬,花季偉,張少強(qiáng)
(天津師范大學(xué)計(jì)算機(jī)與信息工程學(xué)院,天津300387)
遺傳算法因其自身優(yōu)勢已經(jīng)在科學(xué)研究的許多領(lǐng)域有廣泛的應(yīng)用.Stephen Smith、Nichael Crumb以及Jhon Koza等學(xué)者先后各自獨(dú)立闡述了遺傳編程的概念,即自動化生成和選擇計(jì)算機(jī)程序來完成用戶定義的任務(wù)[1].國內(nèi)學(xué)者在遺傳算法研究領(lǐng)域也取得了一些研究成果.如,文獻(xiàn)[2]提出了基因塊編碼的概念,并結(jié)合并行遺傳算法的框架,在群體中識別出優(yōu)勢基因塊作為下一輪重復(fù)操作的初始群體.文獻(xiàn)[3]提出針對并行遺傳算法求解TSP問題,探討了使用彈性策略來維持群體的多樣性,使得算法跨過局部收斂的障礙,向全局最優(yōu)解方向進(jìn)化.
集中供熱是當(dāng)前社會關(guān)注度比較高的民生問題.解決供熱網(wǎng)中供熱冷熱不均問題的常用方法,是將該問題抽象為一個函數(shù)優(yōu)化問題,通過函數(shù)抽象,利用相關(guān)算法調(diào)節(jié)供熱網(wǎng)中水流量來解決.文獻(xiàn)[4]針對換熱站質(zhì)調(diào)、量調(diào)通道之間的耦合作用和控制模型參數(shù)時變的問題,利用模糊控制器對PID參數(shù)進(jìn)行優(yōu)化.文獻(xiàn)[5]使用了基于蟻群優(yōu)化的遺傳算法對PID參數(shù)進(jìn)行整定,降低了超調(diào)量,但整定時間較長.本文提出一種改進(jìn)的遺傳算法.算法的選擇運(yùn)算采用精英策略;交叉運(yùn)算采用可調(diào)節(jié)的交叉概率,使得不同的個體采用不同的交叉概率,確保適應(yīng)度高的個體獲得較低的交叉概率,從而有更大機(jī)會復(fù)制到下一代中;變異運(yùn)算采用集中程度的概念分析數(shù)據(jù),對應(yīng)不同的情況調(diào)整算法的變異概率,變異概率的改進(jìn)可以避免群體過早收斂,并且可盡快找到問題的最優(yōu)解.
實(shí)施城市集中供熱的主要目的就是提高室內(nèi)溫度,創(chuàng)造一個適合人們正常生活工作和生產(chǎn)的室內(nèi)溫度環(huán)境,所以,衡量供熱品質(zhì)的最重要標(biāo)準(zhǔn)就是供熱后的室內(nèi)溫度[6-7].
目前,我國供熱技術(shù)自動控制方面仍有不足,在現(xiàn)有資源供給有限的條件下,僅僅利用以往的經(jīng)驗(yàn),通過人工控制調(diào)節(jié)供熱系統(tǒng),已經(jīng)滿足不了人們的需求.因此,智能化操作便成了大勢所趨,結(jié)合計(jì)算機(jī)監(jiān)控技術(shù)實(shí)現(xiàn)整個供熱系統(tǒng)的數(shù)據(jù)采集管理,運(yùn)行狀況分析,研究建立網(wǎng)絡(luò)化熱網(wǎng)監(jiān)控系統(tǒng)控制,使其控制系統(tǒng)更加科學(xué)有效,顯得極為重要[8].
換熱站是集中供熱控制系統(tǒng)中的重要組成部分.換熱站的運(yùn)行程序獨(dú)立存在于控制系統(tǒng)PLC中,其可以通過控制上位機(jī)監(jiān)控管理系統(tǒng)進(jìn)行觀察并實(shí)施調(diào)整.換熱站溫度控制系統(tǒng)根據(jù)室外溫度的變化給二次側(cè)熱網(wǎng)供水溫度分別設(shè)置各自對應(yīng)的設(shè)定值,實(shí)現(xiàn)不同的室外溫度下二次側(cè)供水溫度的恒定.溫度控制系統(tǒng)通過比較二次網(wǎng)側(cè)供水溫度和設(shè)定值計(jì)算出電動調(diào)節(jié)閥的開度作為輸出值來控制換熱站的一次供水流量.換熱站供熱系統(tǒng)如圖1所示.
圖1 換熱站供熱系統(tǒng)圖Fig.1 Heating system of heat exchange station
換熱站一次側(cè)傳遞熱量Q1為
其中:Q1為單位時間內(nèi)一次側(cè)傳遞給管壁L1的熱量,單位W;c1為水的比熱容,單位J/(kg·℃);q1為L1的水流量,單位kg/s;T1g為L1供水溫度,單位℃;T1h為L1回水溫度,單位℃.
換熱站二次側(cè)傳遞熱量Q2為
其中:Q2為單位時間內(nèi)一次側(cè)傳遞給管壁L2的熱量,單位W;c2為水的比熱容,單位J/(kg·℃);q2為L2的水流量,單位kg/s;T2g為L2供水溫度,單位℃;T2h為L2回水溫度,單位℃.
換熱站兩側(cè)傳熱速率方程為
其中:Q3為在單位時間內(nèi)管壁L1至管壁L2的傳熱量,單位W;U為傳熱系數(shù),單位W/(m2·℃);A為換熱站的換熱面積,單位m2.
對于一次側(cè)管網(wǎng),有
對于二次側(cè)管網(wǎng),有
其中:M1為單位時間內(nèi)一次側(cè)積存的水量,M2為單位時間內(nèi)二次側(cè)積存的水量,單位均為kg/s.
設(shè)T1g-T1h=Δt1為常數(shù),式(4)可線性為
由于所有溫度都是基于L2回溫,即T2h的偏差,故式(5)可變?yōu)?/p>
求導(dǎo)得
將式(6)代入式(8)得
由式(7)得
綜合式(9)和式(8)得
經(jīng)拉格朗日式化簡得
考慮到延時問題,最終得到溫控系統(tǒng)的傳遞函數(shù)為
雜交概率和變異概率的確定是遺傳算法的關(guān)鍵.雜交概率和變異概率的取值對尋優(yōu)速度有著重要影響,如果取值恰當(dāng),經(jīng)過幾代就能找到滿意解;否則,經(jīng)過幾十代,甚至上百代的計(jì)算,目標(biāo)函數(shù)值都無明顯改善[9].
改進(jìn)遺傳算法的精英個體是指當(dāng)代中適應(yīng)度最高的個體.基于精英策略的選擇算子可以避免“精英”在接下來的操作中被破壞,保證將每一代中的最優(yōu)解原封不動的復(fù)制到下一代中.精英策略可使算法收斂速度變快.而精英個體的數(shù)量也會影響到遺傳算法的求解速度,合適數(shù)量的精英個體有利于算法的求解,設(shè)定過多的精英會造成算法局部收斂,不利于問題最優(yōu)解的獲得.
改進(jìn)遺傳算法的選擇算子具體操作是,從當(dāng)前代中選擇2個適應(yīng)度最高的個體直接進(jìn)入下一代.具體實(shí)現(xiàn)是通過遍歷找到當(dāng)代適應(yīng)度最高的個體保留.
基本遺傳算法中的交叉概率設(shè)置后,在算法的不同階段都是不變的,這不利于實(shí)際問題的解決.本文中的交叉概率能夠根據(jù)問題具體調(diào)整,以便較快找到問題的最優(yōu)解.
設(shè)計(jì)交叉概率如下:
其中:pc1=0.9,pc2=0.6;fmax為群體中的最大適應(yīng)度值;favg為每代群體平均適應(yīng)度值;f′為個體適應(yīng)度值.由式(14)可以看出,當(dāng)個體適應(yīng)度大于或等于適應(yīng)度的平均值時,交差概率較低;當(dāng)個體適應(yīng)度值小于平均值時,則交叉概率變高.這樣,適應(yīng)度值越高的個體越容易保留到下一代,適應(yīng)度值差的個體更大可能地進(jìn)行交叉操作.
考慮到供熱系統(tǒng)的數(shù)據(jù)范圍,定義種群的集中程度m,用于描述種群的離散趨勢,
其中:fmax為當(dāng)代個體中適應(yīng)度最高值;fmin為當(dāng)代個體中適應(yīng)度最低值;favg為當(dāng)代群體適應(yīng)度的平均值.m越大,則種群的分布越集中,種群的進(jìn)化趨于成熟,應(yīng)采取較低的變異概率.m越小,則種群的分布越分散,種群的進(jìn)化處于較低級階段,應(yīng)采取較高的變異概率.自適應(yīng)變異概率為
根據(jù)pm進(jìn)行變異,其中:pmmax為變異概率的最大值;t為當(dāng)前代數(shù);T為終止代數(shù).
比例、積分和微分控制簡稱PID控制.與其他簡單的控制運(yùn)算不同,PID控制可以根據(jù)歷史數(shù)據(jù)和差別的出現(xiàn)率來調(diào)整輸入值,這樣可以使系統(tǒng)更加準(zhǔn)確和穩(wěn)定[10-11].
PID控制在換熱站的溫度控制系統(tǒng)中有著至關(guān)重要的作用.當(dāng)整個換熱系統(tǒng)的運(yùn)行狀況發(fā)生很大變化時,固定參數(shù)的控制效果就會發(fā)生改變,使整個系統(tǒng)運(yùn)行質(zhì)量下降,有時甚至?xí)瓜到y(tǒng)運(yùn)行狀態(tài)脫離安全穩(wěn)定范圍,這時就需要調(diào)整相應(yīng)參數(shù)[12].
PID控制器的控制效果取決于控制器的3個參數(shù)(比例因子Kp,積分因子Ki,微分因子Kd)是否合理.因此,應(yīng)首先確定參數(shù)初始值的變化范圍,然后利用遺傳操作進(jìn)行參數(shù)整定,對PID參數(shù)進(jìn)行修改,再進(jìn)行PID控制,PID控制器結(jié)構(gòu)如圖2所示.
圖2 遺傳算法控制PID控制器Fig.2 PID controller by genetic algorithm
(1)參數(shù)的編碼:首先對控制器的Kp0、Ki0、Kd0進(jìn)行浮點(diǎn)數(shù)編碼.
(2)參數(shù)變化范圍的確定:為了更合理地選擇參數(shù)搜索范圍,首先采用Z-N整定法獲得初始值Kp0、Ki0、Kd0,再以該初始值為中心向左右兩邊擴(kuò)展,得到參數(shù)的搜索范圍.
以啟動時刻為例,確定參數(shù)的變化范圍是Kp0=[0,5],Ki0=[0,10],Kd0=[0,1].
(1)初始種群的產(chǎn)生
根據(jù)參數(shù)選擇范圍隨機(jī)產(chǎn)生初始種群,其主要代碼如下:
(2)適應(yīng)度函數(shù)選擇和計(jì)算
適應(yīng)度函數(shù)的主要代碼如下:
(3)選擇算子的代碼實(shí)現(xiàn)
合格的師資隊(duì)伍是口腔專業(yè)研究生規(guī)范化培訓(xùn)的基礎(chǔ)。建立完善的師資培訓(xùn)制度,在整個教學(xué)體系的標(biāo)準(zhǔn)化運(yùn)行中具有重要作用,因此師資培訓(xùn)應(yīng)規(guī)范化、制度化。每年定期組織規(guī)范化師資培訓(xùn),并對師資隊(duì)伍進(jìn)行定期考核,不斷強(qiáng)化教員的教學(xué)水平;在保證教學(xué)質(zhì)量的同時,也要確保教員的數(shù)量。對口腔專業(yè)研究生的培訓(xùn)可采取專人帶教、小組帶教,或科室領(lǐng)導(dǎo)、教學(xué)組長、帶教老師三級綜合帶教模式;同建立帶教教員的評估和監(jiān)察制度,確保規(guī)范培訓(xùn)的教學(xué)質(zhì)量。
首先找到適應(yīng)度最大的個體.
引入精英策略的選擇操作.
(4)交叉算子
按照適者生存的原則,不同的個體采用不同的交叉概率,保證適應(yīng)度高的個體獲得較低的交叉概率.
(5)變異算子
根據(jù)每一代的聚合程度,設(shè)置變異概率,主要代碼如下:
測試程序采用了Rosenbrock函數(shù)作為測試函數(shù),該函數(shù)有2個局部極值f(2.048,-2.048)=3 897.734 2和f(-2.048,-2.048)=3 905.926,后者為該函數(shù)全局最大值點(diǎn).設(shè)定pc=0.9,pm=0.08,T=600.仿真結(jié)果見圖3和圖4.
圖3 一次求解對比圖Fig.3 Diagrams of primary solutions
圖4 二次求解對比圖Fig.4 Diagrams of secondary solutions
圖3(a)和圖4(a)為傳統(tǒng)遺傳算法在運(yùn)行過程中求最優(yōu)解的情況.圖 3(b)和圖 4(b)為改進(jìn)遺傳算法求最優(yōu)解的情況.可以看出,傳統(tǒng)遺傳算法最優(yōu)解曲線呈現(xiàn)出震蕩、不平穩(wěn)的狀態(tài),而改進(jìn)遺傳算法的解曲線能快速收斂到最優(yōu)解,而且尋找到最優(yōu)解的準(zhǔn)確性較高.實(shí)驗(yàn)結(jié)果表明,本文所提出的遺傳算法相對于傳統(tǒng)遺傳算法,收斂速度和求解速度均較快.
給定二次網(wǎng)供水溫度參考平均溫度為50℃,檢測時間范圍為0~500 s,滯后時間為190 s,對常規(guī)PID控制和應(yīng)用改進(jìn)遺傳算法的PID控制進(jìn)行了仿真,仿真結(jié)果見圖5和圖6.
圖5 升溫曲線圖Fig.5 Curves of heating up
圖6 降溫曲線圖Fig.6 Curves of cooling
當(dāng)室外溫度降低,二次網(wǎng)供水溫度應(yīng)相應(yīng)升高,常規(guī)PID控制器和應(yīng)用改進(jìn)遺傳算法的PID控制器調(diào)節(jié)情況如圖5所示.當(dāng)室外溫度升高,二次網(wǎng)供水溫度應(yīng)相應(yīng)降低,常規(guī)PID控制器和應(yīng)用改進(jìn)遺傳算法的PID控制器調(diào)節(jié)情況如圖6所示.從圖5和圖6可以看出,常規(guī)PID控制器響應(yīng)曲線超調(diào)量較大,而應(yīng)用改進(jìn)遺傳算法的PID控制器實(shí)現(xiàn)了超調(diào)量小的效果.實(shí)驗(yàn)結(jié)果表明,采用改進(jìn)遺傳算法的PID控制器使控制系統(tǒng)更加準(zhǔn)確,系統(tǒng)具有進(jìn)入穩(wěn)態(tài)平穩(wěn)、無振蕩、控制精度高等特點(diǎn).
本文提出一種改進(jìn)的遺傳算法,該遺傳算法的選擇運(yùn)算采用了精英策略;交叉運(yùn)算應(yīng)用了自適應(yīng)法則;變異運(yùn)算采用了集中程度的概念,對應(yīng)不同的情況調(diào)整變異概率.在MATLAB中實(shí)現(xiàn)了改進(jìn)遺傳算法與傳統(tǒng)遺傳算法的求解對比實(shí)驗(yàn),以及改進(jìn)遺傳算法PID控制器仿真實(shí)驗(yàn).實(shí)驗(yàn)表明:相對于傳統(tǒng)算法,改進(jìn)遺傳算法具有更高的收斂速度和求解效率;將改進(jìn)的遺傳算法應(yīng)用到換熱站控制系統(tǒng)的PID控制器上,可以使控制系統(tǒng)有更高的控制精度,其動態(tài)性能和魯棒性均比較理想.
參考文獻(xiàn):
[1] HOLLAND J.Adaptation in natural and artificial systems:An introductory analysis with applications to biology[J].Control and Artificial Intelligence,1975,6(2):126-137.
[2] 趙宏立,龐小紅,吳智銘.基因塊編碼的并行遺傳算法及其在TSP中的應(yīng)用[J].上海交通大學(xué)報,2004,38(1):213-217.ZHONG H L,PANG X H,WU Z M.A building block coded parallel genetic algorithm and its application in TSP[J].Journal of Shanghai Jiaotong University,2004,38(1):213-217(in Chinese).
[3] 江雷,陳賢富.基于遺傳算法的彈性TSP研究[J].計(jì)算機(jī)應(yīng)用,2004,24(7):40-42.JIANG L,CHEN X F.Study of elastic TSP based on genetic algorithm[J].Journal of Computer Applications,2004,24(7):40-42(in Chinese).
[4] 徐澎波,王偉杰,黃曉童.采用神經(jīng)網(wǎng)絡(luò):模糊PID的換熱站控制器設(shè)計(jì)與仿真[J].節(jié)能技術(shù),2012,30(3):224-228.YU P B,WANG W J,HUANG X T.Design and simulation of heat substation controller based on neural network-fuzzy PID control[J].Energy Conservation Technology,2012,30(3):224-228(in Chinese).
[5] 殷文雪,朱棟華,孟顯嬌,等.基于蟻群優(yōu)化的遺傳算法在集中供熱系統(tǒng)中的應(yīng)用與仿真[J].電子世界,2014(16):331-332.YIN W X,ZHU D H,MENG X J,et al.Application and simulation of genetic algorithm based on ant colony optimization in centralized heating system[J].Electronics World,2014(16):331-332(in Chinese).
[6] 黃文,管昌生.城市集中供熱研究現(xiàn)狀及發(fā)展趨勢[J].國外建材科技,2004,25(5):77-79.HUANG W,GUANG C S.Research status and development trend on urban centralizedheating[J].ScienceandTechnology of Overseas Building Materials,2004,25(5):77-79(in Chinese).
[7] 杜遠(yuǎn)輝.基于改進(jìn)遺傳算法的地區(qū)電網(wǎng)無功規(guī)劃優(yōu)化[D].濟(jì)南:山東大學(xué),2006.DU Y H.Reactive Power Planning Optimization in Area Power Network Based on Improved Genetic Algorithm[D].Jinan:Shandong University,2006(in Chinese).
[8] 劉楠.換熱站溫控系統(tǒng)控制算法優(yōu)化及遠(yuǎn)程監(jiān)控系統(tǒng)設(shè)計(jì)[D].天津:天津理工大學(xué),2013.LIU N.Design of Remote Monitoring System and Algorithm Optimization for Temperature Control System of Heat Exchange Station[D].Tianjin:Tianjin University of Technology,2013(in Chinese).
[9]嚴(yán)韜,陳建文,鮑拯,等.基于改進(jìn)遺傳算法的天波超視距雷達(dá)二維陣列稀疏優(yōu)化設(shè)計(jì)[J].電子與信息學(xué)報,2014,36(12):3014-3020.YAN T,CHEN J W,BAO Z,et al.Optimization design of sparse 2-D arrays for over-the-horizon radar(OTHR)based on improved genetic algorithm[J].Journal of Electronics and Information Technology,2014,36(12):3014-3020(in Chinese).
[10]李志堅(jiān),吳曉軍,任哲坡,等.基于分布式粗粒度并行計(jì)算的遺傳規(guī)劃算法研究[J].計(jì)算機(jī)應(yīng)用研究,2015,32(1):48-50.LI Z J,WU X J,REN Z B,et al.Research of genetic programming based on distributed coarse-grained parallel computing[J].Application Research of Computers,2015,32(1):48-50(in Chinese).
[11]殷雅冰.熱力網(wǎng)遠(yuǎn)程測控系統(tǒng)設(shè)計(jì)[J].河北工業(yè)大學(xué)學(xué)報,2012,41(5):27-31.YIN Y B.Design of remote measurement and control system of heat network[J].Journal of Hebei University of Technology,2012,41(5):27-31(in Chinese).
[12]曲志堅(jiān),張先偉,曹雁鋒,等.基于自適應(yīng)機(jī)制的遺傳算法研究[J].計(jì)算機(jī)應(yīng)用研究,2015,32(11):3222-3225.QU Z J,ZHANG X W,CAO Y F,et al.Research on genetic algorithm based on adaptive mechanism[J].Application Research of Computers,2015,32(11):3222-3225(in Chinese).