一种基于改进遗传算法的超超临界机组主汽温PID控制方法

摘要

本发明提供了一种基于改进遗传算法的火力发电厂锅炉发电超超临界机组主汽温PID控制方法，方法中包括有改进遗传算法。本发明的改进遗传算法对简单遗传算法进行了改进，引入排序保优选择、非均匀线性交叉和高斯变异算子，采用均匀设计方法构造初始种群，通过Sigmoid函数适应性调整交叉和变异概率；采用面向DCS系统的PID控制器，该控制器在分负荷段下的参数集通过改进的遗传算法寻优得到。本发明提高了遗传算法的寻优速度和精度，可以代替工程复杂且准确性不高的工程整定方法，降低了现场调试人员的工作量，达到主汽温智能控制的目的，实现了智能优化技术在DCS系统下的应用，满足超超临界机组主汽温在深度调峰时的稳定控制需求。

说明书

技术领域

本发明涉及一种火力发电厂锅炉发电机组主汽温PID的控制方法，尤其是涉及一种基于 改进遗传算法的火力发电厂锅炉发电超超临界机组主汽温PID控制方法。

背景技术

火力发电厂锅炉发电机组主蒸汽温度是直流锅炉运行中需要监视的一个重要参数，具有 复杂的动、静态特性和广泛的影响因素。对于喷水减温扰动下的主汽温控制，电厂实际应用 中通常采用具有前馈补偿的串级PID控制策略，没有完全考虑其在变负荷时模型变化的影响， 工况复杂时需手工操作和监督控制，在对象模型变化时，往往达不到理想效果。

为适应火电厂大范围负荷下主汽温大滞后、非线性、模型不确定的特点，国内外学者将 各种控制方法引入到主汽温控制中。已有改进PID控制器、先进控制器和先进控制结构等被 引入火电厂热工过程中，实施了稳定可靠的现场应用或仿真试验。有学者提出了基于免疫遗 传算法和神经网络的PID控制、模糊自适应预测函数控制、状态变量-预测控制、神经免疫反 馈控制等复合控制方法，用于超超临界机组主汽温现场控制中，获得了优良的控制品质。还 有科研人员设计了一种基于自抗扰技术的汽温全程控制系统，试验结果表明，该系统有较好 的控制品质，在工况大范围变化时系统输出能较好地跟踪优化启动曲线。这些研究对于探索 大范围变负荷下的主汽温控制方法具有很好的促进作用，但都存在着结构复杂、参数整定规 则较多等问题，使其在软硬件实现方面缺乏有效的支持，特别是对实际现场DCS层的应用造 成了一定的困难。

发明内容

本发明所要解决的技术问题，就是提供一种面向DCS系统的基于改进遗传算法的超超临 界机组主汽温PID控制方法，可减少现场调试人员的工作量，并使系统具有较强的稳定性和 较好的鲁棒性。

为解决上述技术问题，本发明采用如下技术方案：

一种基于改进遗传算法的火力发电厂锅炉发电超超临界机组主汽温PID控制方法，方法 中采用面向DCS系统的PID控制器控制，所述PID控制器在分负荷段下的参数集通过改进的 遗传算法寻优得到，方法中包括有改进遗传算法，所述的改进遗传算法，包括以下步骤：

Step1:建立PID参数整定问题数学模型，包括目标函数和约束条件；

目标函数与达到控制的目的有关，约束条件与电厂锅炉的主汽温特性有关，所以不同的 电厂不同的设计人员这两方面的设计可能不同。遗传算法的适应度函数是根据目标函数来编 写的，而约束条件限制了遗传算法的计算范围，都要根据实际情况建立。

Step2:设置遗传参数，包括种群大小、进化代数、选择压力、交叉概率范围、变异概率 范围；

Step3:采用实数编码方式编码PID参数并设置合适的参数上、下限；

参数的上下限即step1中的约束条件，与各电厂的锅炉中主汽温的特性有关。有一种方 法是将现场调试人员的经验值的1/10作为下限，经验值的10倍作为上限。

Step4:建立均匀设计表，并根据均匀表对种群初始化，产生初始种群Pini；

Step5:判断适应度是否收敛，收敛则终止程序，不收敛则进入下一步骤；

Step6:计算每一代种群中个体的适应度

Step7:采用线性排序算子和精英选择策略选择优秀个体；

Step8:采用Sigmoid函数（即f(x)=1/(1+e-x)神经元的非线性作用函数，下面式子是 根据sigmoid函数的原理发明人自己推出来的）公式计算交叉概率P_c：概率调整曲线采用 Sigmoid函数，其计算公式为

$P_c^t=P_{c1}-\frac{P_{c1}-P_{c2}}{1+e^{-\beta (t/T-\mathrm{Ns})}}$

式中，P_c1为初始交叉概率；P_c2为终止交叉概率；β为形状因子，设定为20；Ns为分界点， 设定为0.25；

Step9:采用非均匀线性交叉算子产生新的基因；

Step10:采用Sigmoid函数公式计算变异概率Pm：概率调整曲线采用Sigmoid函数，其 计算公式为（这个式子也是自己根据sigmoid函数推出来的）

$P_m^t=P_{m1}+\frac{P_{m2}-P_{m1}}{1+e^{-\beta (t/T-\mathrm{Ns})}}$

式中，P_m1为初始变异概率；P_m2为终止变异概率；β为形状因子，设定为20；Ns为分界点，设 定为0.25；

Step11:采用高斯变异算子产生新的基因；

Step12:记录最个体、最佳适应度和子代种群信息；

Step13:判断是否达到最大进化代数，若否则返回第6步，重复以上运算过程直到达到 最大进化代数；

Step14:获得最优解，终止遗传算法优化程序。

所述的步骤Step4具体为：对均匀设计表的构造采用好格子点法，并通过L2偏差法来测 试其均匀性，该步骤Step4进一步包括以下子步骤：

Step4-1：给定均匀设计表的水平数n，当n为奇数时，生成一组由正整数向量 H_n＝{h₁，h₂，…，h_m}，其中h比n小，且它们的最大公因素为1；当n为偶数时，先构造均匀设 计表和向量H_n+1；

Step4-2：构造均匀设计表中第j列，其个体计算公式为χ_ij＝(i*h_j)(mod(n))，其中mod表 示同余运算，i＝1，2，…，n，j＝1，2，…，m，同余运算可以保证个体落在区间[1，n]，从而得 到了均匀设计表的U_n×m矩阵。当n为偶数时，产生矩阵U_(n+1)×m； Step4-3：采用L2-偏差函数CD₂(P)来测试其均匀性，选出均匀性做最好的s列构成均匀 设计表其函数方程为

${\mathrm{CD}}_2\left(P\right)=[{\left(\frac{13}{12}\right)}^s-\frac{2}{n}\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{s}{\Pi }}(2+|x_{\mathrm{ij}}-\frac{1}{2}|+$

${|x_{\mathrm{ij}}-\frac{1}{2}|}^2)+\frac{1}{n^2}\underset{k=1}{\overset{n}{\Sigma }}\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{s}{\Pi }}(1+\frac{1}{2}|x_{\mathrm{kj}}-\frac{1}{2}|$

$+|\frac{1}{2}{x}_{\mathrm{ij}}-\frac{1}{2}|-\frac{1}{2}|x_{\mathrm{kj}}-x_{\mathrm{ij}}|){]}^{\frac{1}{2}}$

Step4-4：通过均匀设计表产生遗传算法初始种群，其中s为参数个数，需要根据参数搜 索问题进行设定，种群大小为n，因此可以构造一个s因素n水平的均匀设计表，使初始种群 中的个体均匀分布在s维空间。

与现有技术相比，本发明具有以下优点和积极效果：

本发明对简单遗传算法进行了改进，提高了遗传算法的寻优速度和精度；提出的用改进 遗传算法寻优得到PID控制器在分负荷段下参数集的方法可以代替工程复杂且准确性不高的 工程整定方法，减少了现场调试人员的工作量，达到主汽温智能控制的目的，实现了智能优 化技术在DCS系统下的应用，满足超超临界机组主汽温在深度调峰时的稳定控制需求。

附图说明

图1是本发明中改进遗传算法的寻优流程图。

具体实施方式

下面通过实施例结合附图对本发明的技术方案作进一步说明。

本发明对超超临界机组的主汽温系统采用在DCS层上应用广泛的PID控制器，该PID控 制器在分负荷段下的参数集通过改进的遗传算法寻优得到。

本发明提出的一种基于改进遗传算法的超超临界机组主汽温PID控制方法，其改进的遗 传算法寻优的具体步骤如下：

Step1:建立PID参数整定问题数学模型，包括目标函数和约束条件；

Step2:设置遗传参数，包括种群大小、进化代数、选择压力、交叉概率范围、变异概率 范围；

Step3:采用实数编码方式编码PID参数并设置合适的参数上、下限；

Step4:建立均匀设计表并根据均匀表产生初始种群P_ini；其中U表示均匀设计表， n表示水平数或实验次数，s表示因素数；错误！未找到引用源。若需要辨识的参数有m个， 如果设定种群大小为n，则可以构造一个n水平m因素的均匀设计表，使初始种群个体以散点 形式均匀分布在m维空间中；

本具体实施例，对均匀设计表的构造采用好格子点法，并通过L₂-偏差法来测试其均匀性。 该步骤进一步包括以下子步骤：

Step4-1：给定均匀设计表的水平数n，当n为奇数时，生成一组由正整数向量 H_n＝{h₁，h₂，…，h_m}，其中h比n小，且它们的最大公因素为1；当n为偶数时，先构造均匀设 计表和向量H_n+1；

Step4-2：构造均匀设计表中第j列，其个体计算公式为χ_ij＝(i*h_j)(mod(n))，其中mod表 示同余运算，i＝1，2，…，n，j＝1，2，…，m，同余运算可以保证个体落在区间[1，n]，从而得 到了均匀设计表的U_n×m矩阵。当n为偶数时，产生矩阵U_(n+1)×m； Step4-3：采用L₂-偏差函数CD₂(P)来测试其均匀性，选出均匀性做最好的s列构成均匀 设计表其函数方程为

${\mathrm{CD}}_2\left(P\right)=[{\left(\frac{13}{12}\right)}^s-\frac{2}{n}\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{s}{\Pi }}(2+|x_{\mathrm{ij}}-\frac{1}{2}|+$

${|x_{\mathrm{ij}}-\frac{1}{2}|}^2)+\frac{1}{n^2}\underset{k=1}{\overset{n}{\Sigma }}\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{s}{\Pi }}(1+\frac{1}{2}|x_{\mathrm{kj}}-\frac{1}{2}|$

$+|\frac{1}{2}{x}_{\mathrm{ij}}-\frac{1}{2}|-\frac{1}{2}|x_{\mathrm{kj}}-x_{\mathrm{ij}}|){]}^{\frac{1}{2}}$

Step4-4：通过均匀设计表产生遗传算法初始种群，其中s为参数个数，需要根据参数搜 索问题进行设定，种群大小为n，因此可以构造一个s因素n水平的均匀设计表，使初始种群 中的个体均匀分布在s维空间。

Step5:判断适应度是否收敛，收敛则终止程序，不收敛则进入下一次循环；

Step6:计算每一代种群中个体的适应度

Step7:采用线序排序算子和精英选择策略选择优秀个体：其个体概率计算公式为

$\mathrm{Ps}\left(a_j\right)=\frac{1}{M}({\eta }^{+}-\frac{{\eta }^{+}-{\eta }^{-}}{M-1}(j-1))$

式中，M为群体大小；j为降序序号；η⁺为最佳个体期望数；η^-为最差个体期望数，η⁺+η-＝2。

Step8:计算交叉概率P_c：概率调整曲线采用Sigmoid函数，其计算公式为

$P_c^t=P_{c1}-\frac{P_{c1}-P_{c2}}{1+e^{-\beta (t/T-\mathrm{Ns})}}$

式中，P_c1为初始交叉概率；P_c2为终止交叉概率；β为形状因子，设定为20；Ns为分界点， 设定为0.25；

Step9:采用非均匀线性交叉算子产生新的基因；设父代个体为和则交叉后产生子 代个体为

$\left(\begin{array}{c}{X}_1^{t+1}=c·X_1^t+(1-c)·X_2^t\\ X_2^{t+1}=(1-c)·X_1^t+c·X_2^t\end{array}\right)$

式中，c为比例因子，其取值在(0，1)之间随机产生；

Step10:计算变异概率P_m：概率调整曲线采用Sigmoid函数，其计算公式为

$P_m^t=P_{m1}+\frac{P_{m2}-P_{m1}}{1+e^{-\beta (t/T-\mathrm{Ns})}}$

式中，P_m1为初始变异概率；P_m2为终止变异概率；β为形状因子，设定为20；Ns为分界点，设 定为0.25；

Step11:采用高斯变异算子产生新的基因：子代个体的计算公式为

X^t+1＝X^t+N(0,σ)

式中，N(0，σ)为高斯分布；σ为方差。其中为了使变异步长随遗传代数的增加而减少，将σ设 定为动态参数σ(t)，即

$\sigma \left(t\right)=1-0.9·\frac{g}{G}$

式中，g为当前进化代数；G为遗传代数；

Step12:记录最个体、最佳适应度和子代种群信息；

Step13:判断是否达到最大进化代数，若否则返回Step6，重复以上运算过程直到达到 最大进化代数；

Step14:获得最优解，终止遗传算法优化程序。