賈高杰,錢 晶,2,鄒屹東,曾 云,2
(1.昆明理工大學(xué)冶金與能源工程學(xué)院;2.云南省高校水力機(jī)械智能測(cè)試工程研究中心,云南昆明 650093)
調(diào)速系統(tǒng)的PID(Proportional,Integral,Differential)參數(shù)優(yōu)化是影響水力發(fā)電機(jī)組性能的關(guān)鍵環(huán)節(jié),對(duì)該參數(shù)進(jìn)行合理選擇不僅可以確保機(jī)組安全穩(wěn)定運(yùn)行[1],還能抑制電網(wǎng)擾動(dòng)誘發(fā)的全網(wǎng)超低頻振蕩現(xiàn)象[2-3],具有重要現(xiàn)實(shí)意義。
水輪機(jī)調(diào)速器是水輪發(fā)電機(jī)組非常重要的輔助控制設(shè)備,隨著計(jì)算機(jī)技術(shù)和控制理論的飛速發(fā)展,目前已有多種優(yōu)化算法被應(yīng)用于水輪機(jī)調(diào)速器的參數(shù)優(yōu)化中[4]。水電機(jī)組并網(wǎng)后一般采用一組PID 控制參數(shù),而采用固定的控制參數(shù)難以保證不同工況下均具有良好的動(dòng)態(tài)性能。為此,文獻(xiàn)[5]提出一種基于Chebyshev 融合狼群協(xié)同圍攻策略的改進(jìn)灰狼優(yōu)化算法,在求解不同維度的基準(zhǔn)測(cè)試函數(shù)上具有更好的尋優(yōu)性和穩(wěn)定性;文獻(xiàn)[6]提出在脈沖負(fù)載條件下,模糊PID 調(diào)速系統(tǒng)相較于常規(guī)PID 調(diào)速系統(tǒng)有更好的實(shí)時(shí)調(diào)節(jié)性能,能夠較好地改善系統(tǒng)電能質(zhì)量;文獻(xiàn)[7]提出一種改進(jìn)螢火蟲算法,在不同工況下均能發(fā)揮較好的調(diào)節(jié)功能;文獻(xiàn)[8]提出一種分?jǐn)?shù)階PID(Fractional Order PID,F(xiàn)OPID)控制策略,對(duì)含有非線性環(huán)節(jié)的系統(tǒng)具有更好的控制效果,表現(xiàn)出較強(qiáng)的魯棒穩(wěn)定性;文獻(xiàn)[9]提出一種概率統(tǒng)計(jì)Bayes 公式與MAXQ 算法相結(jié)合的自適應(yīng)行為預(yù)測(cè)算法B-MAXQ(Bayes-MAXQ),對(duì)調(diào)速器的PID參數(shù)進(jìn)行預(yù)測(cè);文獻(xiàn)[10]提出一種基于遺傳算法的模糊PID 控制系統(tǒng),能夠?qū)τ来磐秸{(diào)速系統(tǒng)進(jìn)行有效控制,進(jìn)而使系統(tǒng)具有較優(yōu)異的起動(dòng)特性和動(dòng)態(tài)穩(wěn)定性;文獻(xiàn)[11]提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的水輪機(jī)調(diào)速器PID 參數(shù)控制策略,彌補(bǔ)了傳統(tǒng)PID 控制魯棒性和自適應(yīng)能力較差的劣勢(shì),提高了水輪機(jī)組的控制性能。
然而,上述算法在全局搜索能力上存在局限性,普遍存在早熟收斂的問題,容易陷入局部最優(yōu)化。收斂因子粒子群優(yōu)化(Constriction Coefficient Particle Swarm Optimization,CPSO)算法收斂速度快,且陷入局部最小值的可能性較?。?2]。引力搜索算法(Gravitational Search Algorithm,GSA)需要的預(yù)設(shè)值少,且同時(shí)考慮到了解的質(zhì)量和適應(yīng)度值[13]。本文將兩者結(jié)合起來建立CPSOGSA 算法,應(yīng)用于水輪機(jī)調(diào)速系統(tǒng)的智能控制中,以優(yōu)化神經(jīng)網(wǎng)絡(luò)模型參數(shù)[14]并確定最小二乘支持向量回歸(Least Square Support Vector Regression,LSSVR)的最優(yōu)參數(shù)[15]。
采用IEEE Working Group 在分析總結(jié)水輪機(jī)模型研究基礎(chǔ)提出的非線性模型[16]。模型的非線性主要體現(xiàn)在水力系統(tǒng)動(dòng)態(tài)的非線性描述和出力代數(shù)方程的非線性形式上,即主要通過水輪機(jī)水頭和流量的變化體現(xiàn),水頭與流量為非線性關(guān)系,因此水輪機(jī)出力是水輪機(jī)水頭和流量的非線性函數(shù)。水輪機(jī)出力、流量、水頭的表達(dá)式分別為:
水力系統(tǒng)的動(dòng)態(tài),即水輪機(jī)水頭的暫態(tài)變化采用非線性微分方程描述,水輪機(jī)引水系統(tǒng)流量變化到水頭變化的傳遞函數(shù)為:
式中,Zn為管道的水力浪涌阻抗系數(shù);Te為水力彈性時(shí)間;s為拉普拉斯算子。
本文采用單機(jī)單管的水力系統(tǒng),并采用傳遞函數(shù)為簡(jiǎn)單剛性水擊模型,即上述公式中n=0的情形。
目前水電站中使用最廣泛的微機(jī)調(diào)速器為典型的并聯(lián)PID 控制單元,電液隨動(dòng)系統(tǒng)采用一階慣性環(huán)節(jié),兩者的傳遞函數(shù)為:
式中,Kp、Ki、Kd分別為PID 調(diào)節(jié)器的比例、積分、微分增益系數(shù)。
在水輪機(jī)調(diào)速系統(tǒng)仿真研究實(shí)驗(yàn)中,將一階發(fā)電機(jī)簡(jiǎn)化模型與水輪機(jī)模型及PID 控制規(guī)律結(jié)合,采用MATLAB/Simulink 仿真實(shí)驗(yàn)平臺(tái)以兩路并聯(lián)模塊的形式建立水輪機(jī)調(diào)速系統(tǒng)的非線性仿真模型,如圖1 所示。對(duì)該仿真模型作以下說明:①傳遞函數(shù)為增量線性化模型,用于描述非線性特性時(shí)涉及初值的設(shè)定,例如y0、q0、h0、mg0、mt0等可通過預(yù)設(shè)初值的形式表達(dá);②時(shí)間乘以誤差值絕對(duì)積分(Integral of Time and Absolute Error,ITAE)是衡量算法優(yōu)劣的性能指標(biāo),以控制量、誤差和時(shí)間為約束條件;③頻率擾動(dòng)通過預(yù)設(shè)階躍信號(hào)實(shí)現(xiàn),圖1 中的風(fēng)電功率擾動(dòng)通過mg0輸入擾動(dòng)模擬。
經(jīng)典粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)由3 個(gè)重要的算子組成,分別為慣性權(quán)重ω、個(gè)體最佳粒子pbest和全局最佳粒子gbest[17],其中慣性權(quán)重ω 為PSO 提供了多樣化探索能力和強(qiáng)化開發(fā)能力[18]。動(dòng)態(tài)ω能獲得比固定值更好的尋優(yōu)結(jié)果[19],其可在PSO 搜索過程中線性變化,也可以根據(jù)PSO 性能的某個(gè)測(cè)度函數(shù)動(dòng)態(tài)改變[20],目前采用較多的為線性遞減權(quán)值(Linearly Decreasing Weight,LDW)策略。
粒子群的速度和位置分別表示為:
CPSO 算法對(duì)經(jīng)典PSO 算法進(jìn)行了嚴(yán)格的代數(shù)和特征值搜索過程分析,控制粒子從搜索空間向外移動(dòng),從而增加粒子向pbest和gbest的收斂速度。各類控制參數(shù)分別表示為:
式中,φ1、φ2、φ均為控制參數(shù),其值對(duì)于控制粒子軌跡非常重要;k為收縮因子,其對(duì)于粒子收斂至全局最優(yōu)值至關(guān)重要。
當(dāng)ω(t)=k、C1=k×φ1和C2=k×φ2時(shí),修正形式的速度公式表示為:
Fig.1 Simulation model of nonlinear hydraulic turbine speed control system圖1 非線性水輪機(jī)調(diào)速系統(tǒng)仿真模型
可以看出,粒子的速度V與控制參數(shù)φ成反比。為了保持系統(tǒng)的穩(wěn)定性,φ值必須大于4。
GSA 算法中,每個(gè)質(zhì)量代理都有位置、慣性質(zhì)量、主動(dòng)引力質(zhì)量和被動(dòng)引力質(zhì)量4 個(gè)屬性。隨著時(shí)間的推移,質(zhì)量期望會(huì)被最大質(zhì)量吸引,而這個(gè)最大質(zhì)量表示搜索空間中的一個(gè)最優(yōu)解。
假設(shè)1個(gè)系統(tǒng)有N個(gè)代理,其中第i個(gè)代理的位置被定義為:
根據(jù)引力理論,將質(zhì)量j作用于質(zhì)量i,在t次迭代時(shí)的計(jì)算公式為:
式中,Mj為代理質(zhì)量j的主動(dòng)引力質(zhì)量,Mi為代理質(zhì)量i的被動(dòng)引力質(zhì)量,G(t)為t次迭代的引力常量。每個(gè)代理的慣性質(zhì)量計(jì)算方式為:
式中,fit(it)表示代理i在t次迭代時(shí)的適應(yīng)度值,best(t)和wors(tt)分別表示所有代理的最優(yōu)值和最差值。
代理i在維度d受到的總重力表示為:
式中,randj表示0~1之間的隨機(jī)數(shù)。
代理i在t次迭代,第d維空間上的加速度為:
式中,M(iit)對(duì)應(yīng)代理i的質(zhì)量。
代理i的下一個(gè)速度為當(dāng)前速度加上其加速度,得到的速度和位置分別為:
CPSOGSA 算法的主要目標(biāo)是基于GSA 算法的搜索能力和CPSO 算法的收斂能力,同時(shí)利用混沌映射克服標(biāo)準(zhǔn)GSA 算法局部極小值問題中的陷阱。兩種算法的合并方程為:
式中,V(it)表示記憶項(xiàng),r1和r2表示0~1 之間的兩個(gè)隨機(jī)數(shù),Gbest 表示全局最優(yōu)解,ai表示加速度,xi表示i當(dāng)前位置。
在系統(tǒng)迭代過程中,根據(jù)系統(tǒng)輸出響應(yīng)的超調(diào)量、上升時(shí)間、調(diào)節(jié)時(shí)間和穩(wěn)態(tài)誤差等判斷控制性能優(yōu)劣。使用綜合時(shí)間與絕對(duì)誤差(ITAE)作為算法的評(píng)價(jià)函數(shù),其是誤差絕對(duì)值乘以時(shí)間項(xiàng)對(duì)時(shí)間的積分,既能體現(xiàn)出誤差大?。刂凭龋帜荏w現(xiàn)誤差收斂速度,表示為:
水電機(jī)組的PID 參數(shù)優(yōu)化過程如圖2 所示。由于確定工況下水輪機(jī)系統(tǒng)的傳遞系數(shù)是已知的,預(yù)設(shè)好算法的初值后,在MATLAB/Simulink 平臺(tái)上得到仿真模型的輸出數(shù)值,采用輸出數(shù)值計(jì)算相對(duì)應(yīng)的評(píng)價(jià)函數(shù),仿真模型多次反復(fù)迭代直到滿足循環(huán)次數(shù),最后輸出尋優(yōu)結(jié)果。算法流程如圖3所示。
Fig.2 PID parameter optimization process圖2 PID參數(shù)優(yōu)化過程
Fig.3 Algorithm flow圖3 算法流程
圖4為水電—風(fēng)電聯(lián)合運(yùn)行系統(tǒng)示意圖。
Fig.4 Hydropower-wind power joint operation system diagram圖4 水電—風(fēng)電聯(lián)合運(yùn)行系統(tǒng)
水輪機(jī)調(diào)速系統(tǒng)非線性模型仿真實(shí)驗(yàn)參數(shù)設(shè)定如表1所示。現(xiàn)有CPSOGSA 算法多為人為預(yù)設(shè)參數(shù)值,對(duì)于水輪機(jī)調(diào)節(jié)系統(tǒng)不具有普適性。本文經(jīng)過大量仿真實(shí)驗(yàn)計(jì)算發(fā)現(xiàn)以下幾個(gè)規(guī)律:①在系統(tǒng)仿真計(jì)算中,ITAE 指標(biāo)數(shù)值與PSO 的適應(yīng)度值fitness和GSA 的質(zhì)量值mass有一定關(guān)系,一起進(jìn)入算法循環(huán)后,fitness和mass數(shù)值設(shè)置得過大或過小均會(huì)影響CPSOGSA 算法的迭代尋優(yōu)過程。fitenss=0.1 和mass=0.1 時(shí)可以較好地滿足調(diào)節(jié)系統(tǒng)需要;②適當(dāng)增加慣性權(quán)重ω或減小引力權(quán)重G有利于加快CPSOGSA算法的空間探索速度。φ1=2.05、φ2=2.05、G0=0.1 時(shí)能使CPSOGSA 算法在系統(tǒng)仿真計(jì)算中的迭代次數(shù)減少,加快收斂速度。
Table 1 Simulation parameters of hydraulic turbine model表1 水輪機(jī)模型仿真參數(shù)
CPSOGSA 算法其他仿真參數(shù)設(shè)置:維數(shù)d=3,棲息地個(gè)數(shù)N=50,迭代次數(shù)iteration=100,Kp?[0,8],Ki?[0,4],Kd?[0,6]。
仿真實(shí)驗(yàn)在剛性水擊模型的5%頻率擾動(dòng)工況下進(jìn)行,仿真時(shí)間為30s。實(shí)驗(yàn)得到的評(píng)價(jià)函數(shù)適應(yīng)度曲線如圖5 所示,圖中Iteration 為程序迭代次數(shù),W為適應(yīng)度值??梢钥闯?,經(jīng)CPSOGSA 算法改進(jìn)后的適應(yīng)度曲線在第9 次迭代就達(dá)到了0.7 以下的適應(yīng)度值,在第25 次迭代后趨向于穩(wěn)定,說明自26 次迭代后,評(píng)價(jià)函數(shù)就已經(jīng)收斂并且達(dá)到了控制參數(shù)所要求的最優(yōu)值。
Fig.5 Fitness curve under 5%frequency disturbance圖5 5%頻率擾動(dòng)下適應(yīng)度曲線
由圖6 可以看出,CPSOGSA 算法超調(diào)量比常規(guī)PID 小5.6%,系統(tǒng)在10s 內(nèi)便能趨于穩(wěn)定,而常規(guī)PID 則需要在22s左右才能使系統(tǒng)穩(wěn)定。
PID 參數(shù)及其對(duì)應(yīng)的控制性能指標(biāo)詳見表2。可以看出,在5%頻率擾動(dòng)下,CPSOGSA 算法的Ki、Kd值均小于常規(guī)PID,但常規(guī)PID 的ITAE 指標(biāo)卻 比CPSOGSA 算法更大。
Fig.6 Comparison under 5%frequency disturbance圖6 5%頻率擾動(dòng)下比較
Table 2 Comparison of PID parameters and control performance indicators表2 PID參數(shù)及控制性能指標(biāo)比較
第2 組仿真實(shí)驗(yàn)在剛性水擊模型的10%風(fēng)電功率擾動(dòng)工況下進(jìn)行,仿真時(shí)間為30s。圖7 為恒定風(fēng)速下模擬實(shí)際風(fēng)電機(jī)組的風(fēng)電功率輸出曲線,得到的評(píng)價(jià)函數(shù)適應(yīng)度曲線如圖8所示。
Fig.7 Wind power output curve圖7 風(fēng)電功率輸出曲線
由圖8 可以看出,CPSOGSA 算法在第8 次迭代時(shí)就達(dá)到了0.22 以下的適應(yīng)度值,在第19 次迭代后趨向于穩(wěn)定,說明自20 次迭代后,評(píng)價(jià)函數(shù)就已經(jīng)收斂并且達(dá)到了仿真研究要求的最優(yōu)適應(yīng)度曲線。
由圖9 可以看出,CPSOGSA 算法優(yōu)化后的系統(tǒng)在12s內(nèi)趨于穩(wěn)定,而常規(guī)PID 下的系統(tǒng)運(yùn)動(dòng)軌跡近似于二次函數(shù),經(jīng)23s 才趨于穩(wěn)定。由表2 可以看出,在10%風(fēng)電功率擾動(dòng)下,CPSOGSA 算法的Kp、Ki、Kd值均大于常規(guī)PID,但常規(guī)PID 的ITAE 指標(biāo)卻依舊比CPSOGSA 算法更大,說明后者的探索功能較優(yōu)。
Fig.8 Fitness curve under 10%wind power disturbance圖8 10%風(fēng)電功率擾動(dòng)下適應(yīng)度曲線
Fig.9 Comparison under 10%wind power disturbance圖9 10%風(fēng)電功率擾動(dòng)下比較
針對(duì)水輪機(jī)調(diào)節(jié)系統(tǒng)的非線性、時(shí)變性和多工況情況,本文提出一種基于CPSOGSA 算法的水輪機(jī)調(diào)速器PID參數(shù)控制策略,其將CPSO 和GSA 兩種智能控制算法相結(jié)合,實(shí)時(shí)整定調(diào)速器PID 參數(shù)。仿真實(shí)驗(yàn)結(jié)果表明,相較于傳統(tǒng)PID 控制策略,基于CPSOGSA 算法的水輪機(jī)系統(tǒng)動(dòng)態(tài)性能較優(yōu),彌補(bǔ)了傳統(tǒng)PID 控制魯棒性和自適應(yīng)能力較差的劣勢(shì),有效提高了水輪機(jī)組的控制性能。在后續(xù)工作中,將進(jìn)一步研究在其他風(fēng)電功率擾動(dòng)工況下水輪機(jī)調(diào)節(jié)系統(tǒng)的PID 參數(shù)整定以及系統(tǒng)動(dòng)態(tài)性能優(yōu)化問題。