朱林吴冬雪柴玲

(内蒙古科技大学信息工程学院1,内蒙古 包头 014010;江苏金恒信息科技有限公司2,江苏 南京 210035)

神经元网络控制器在热网中的应用研究

朱林1吴冬雪1柴玲2

(内蒙古科技大学信息工程学院1,内蒙古 包头 014010;江苏金恒信息科技有限公司2,江苏 南京 210035)

城市供热管网运行质调节和量调节之间的耦合制约了质量并调的控制效果。针对这个问题,提出采用PID神经元网络解耦控制器对质量并调供热系统进行解耦控制。深入分析了PID神经元网络的优缺点和适用范围,采用PSO学习算法优化PID神经元网络初始权值;并对PSO优化后的PID神经元网络控制器进行了仿真验证。分析表明,PSO优化的PID神经元网络控制器可在供热管网质量并调控制中实现解耦。

PSO算法 PID神经元网络 初始权值 解耦 热网 仿真

0 引言

传统的解耦控制方法通过对系统传递函数的分解,实现其对角化或对角优势化,以达到解耦的目的[1]。但该方法鲁棒性较差,精确性不易保证。

文献[2]对自适应解耦控制和模糊PID解耦控制进行了介绍,并对多变量PID自适应解耦控制进行了仿真。该方法仍具有PID控制器的运行工况适应性差、在复杂非线性系统中的控制效果不佳的缺点。

文献[3]提出基于遗传算法的PID神经网络解耦控制,克服了BP算法易陷入局部极值的缺点,并具备PID神经网络控制的优点。但是,遗传算法全局搜索性能和收敛速度之间存在矛盾,易出现早熟现象。

文献[4]～[6]提出一种新型神经元网络,将PID控制规律融进神经元中。该方法充分发挥了PID控制和神经元网络的优势,实现了PID控制和神经网络控制的本质结合。该方法的不足之处是,PID神经元网络采用的学习算法是梯度学习法,初始值随机得到,权值在学习过程中可能陷入局部极小值。

本文在选用PID神经元网络构建供热管网解耦控制器时,先通过粒子群算法对PID神经元网络初始权值进行优化,再进行对比仿真分析。

1 供热管网质量并调系统

1.1 供热管网运行背景

供热管网常见的运行控制结构如图1所示。

图1 热力站常见控制结构示意图Fig.1 Schematic diagram of common control structure in thermal station

供热管网由一次网和二次网组成,一次网是指连接热源与小区热力站换热器输入侧之间的管网,二次网是指换热站换热器输出侧管网。热力站通过换热器将热源输送过来的热量交换给二次网的热用户。改变一次管网供水管道电动调节阀门开度u1,可以调节一次网供水流量,改变二次侧供水温度;调节二次网回水管道上的循环水泵转速,可以调节二次网流量。实际运行工况是,调节一次网阀门开度,在改变二次侧供水温度的同时,也会影响二次网流量;调节二次网循环水泵转速,在改变二次网流量的同时,亦会影响二次网进回、水温度。所以需要设计一个解耦控制器,将整个系统的控制按照质调节和量调节两个通道进行控制,实现热力站双闭环系统控制。

1.2 神经网络解耦控制系统

1.2.1 热网解耦控制系统结构

供热管网PID神经元网络解耦控制系统结构如图2所示。

图2 PID神经元网络解耦控制系统结构Fig.2 Structure of PID neural network decoupling control system

图2中:R1为二次网供水温度给定值;R2为二次网流量给定值;Y1为二次网供水温度;Y2为二次网流量;u1为一次网供水阀门开度;u2为二次网循环水泵变频器的频率;W11为质调节主通道模型;W12为量调节主通道模型;W21为以二次循环水泵变频器频率为控制量,二次网供水温度为被控量的耦合通道1模型;W22为以一次网阀门开度为控制量,二次网循环水流量为被控量的耦合通道2模型。

解耦控制系统由PID神经元网络和被控对象组成。PID神经元网络具备多层前向神经元网络的任意函数逼近能力和自学习与自适应能力,以及良好的动态性能,网络结构清晰,适用于供热过程质量并调耦合系统的控制。

1.2.2 热网质量并调系统建模

建模所用样本数据取自包头市某热力公司,采样条件如下:热力站一次管网流量改变时,二次管网进、回水温度,流量实测值数据;二次网流量改变时,二次管网进、回水温度,流量实测值数据。通过机理建模和试验建模相结合的方法建立供热过程的数学模型[7]。供热过程质量并调数学模型如下。

供热过程主通道模型为:

运用与主通道模型相同的数据,建立两个耦合通道的模型。

耦合通道1模型为:

耦合通道2模型为:

从而可得到完整的供热过程数学模型为:

对上述质调节量调节耦合系统模型,运用PID神经元网络解耦控制器进行控制。为了改善PID神经元网络初始权值随机给定、网络权值修正速度较慢、易陷入局部极小值的不足,采用全局搜索与局部搜索收敛速度较快的粒子群优化(particle swarm optimization, PSO)算法来优化PID神经元网络解耦控制器。

2 PSO优化PID神经元网络

2.1 PSO算法

粒子群智能算法是基于种群的随机优化技术,是由Eberhart和Kennedy在1995年提出的一种先进的优化智能算法[8]。其根据个体适应度值最优位置pbest和种群中所有粒子搜索到的适应度值最优位置gbest来更新个体位置和速度。

假设在d维搜索空间中有s个微粒,组成一个微粒群X=(X1X2… Xs),其中第i个微粒的空间位置为Xi=(xi,1xi,2…xi,d)T,它是优化问题的一个潜在解。计算相应的适应度值,根据适应度值可衡量Xi的优劣。第i个微粒的个体极值为Pi=(pi,1pi,2…pi,d)T,飞行速度为Vi=(vi,1vi,2…vi,d)T。微粒的全局极值为Gi=(pg,1pg,2…pg,d)T,Fg为全局历史最好适应值。对于每一代微粒,其第j维(1≤j≤d)根据如下方程迭代更新其速度和位置:

式中:α为控制速度的权重即约束因子;c1、c2为学习因子,取值非负常数;r1、r2为均匀分布的随机数,取值在[0,1];w为惯性权重,取值非负数。

为更好地平衡算法的全局搜索与局部搜索的能力,本文提出了线性权重,w随迭代次数变化的行径如式(7)所示,由最大加权因子wmax线性减小到最小wmin[9]。

式中:itermax为最大迭代数;iter为当前迭代数。

同时,为防止粒子的盲目搜索,将粒子的位置和速度分别限制在[-xmax,xmax]和[-vmax,vmax]中。

2.2 PSO优化具体实现步骤

PSO优化PID神经元网络初始权值的具体步骤如图3所示。

图3 PSO算法流程图Fig.3 Flowchart of PSO algorithm

用PSO算法对PID神经网络解耦控制器进行优化时,适应度函数为神经网络权值修正目标的倒数。适应度函数表达式为:

网络权值修正目标函数为:

式中:N为被控变量的个数;L为每批采样点数;R为样本的给定值;Y为样本实际输出值。

根据PID神经元网络解耦控制系统结构,确定PID神经元网络解耦控制器的权值数量,即粒子的维度数d。定义PID神经元网络的权值是粒子群位置向量X的元素,粒子群中每个粒子的维度分量都对应着神经网络中的一个连接权值。随着训练误差的减小,粒子的适应度不断提高,达到最大迭代数停止时,适应度最高的粒子即为训练问题的最优解。

3 仿真试验

为了验证PSO优化的PID神经元网络解耦控制器对热网质量并调耦合系统的有效控制,本文运用Matlab仿真平台进行试验分析,并与未优化的PID神经元网络解耦控制器进行分析比较。其中仿真试验二次管网初始运行温度为75℃,流量为260 m3/h。

设置PSO算法相关参数。在PSO算法寻优的过程中,粒子的搜索范围M给定为25,而粒子的维数d= 24;r1、r2在程序中设为随机量;根据调试训练过程得出当c1=c2=1.45时的最佳值;惯性权重w为非负数,最大权重wmax为0.9,最小权重wmin为0.4,随算法迭代次数而变化,权重公式如式(7)所示。根据PSO算法流程编写代码。

仿真时,同时给定二次网供水温度R1和二次网流量R2,即质调节、量调节通道的输入R=(R1,R2)= (64,200),分别通过优化前后的PID神经元网络解耦控制器和供热过程耦合模型,计算出二次网供水温度、二次网循环水流量在达到稳定时对应的输出Y=(Y1,Y2)。

试验中每隔50 min给系统模型一个阶跃信号,分别为R=(62,195)、R=(63,205)、R=(64,200)。仿真得到的系统输出如图4、图5所示。

图4 质调节控制效果Fig.4 The qualitative regulation control effect

图5 量调节控制效果Fig.5 The quantitative regulation control effect

从图中可以看出系统能够跟踪给定值变化。PID神经元网络解耦控制器优化前后控制指标对比如表1所示。

从图4和图5以及表1所示的控制效果对比可知:

①热网供热过程中PID神经元网络解耦控制器能够实现解耦控制;

②与PID神经元网络控制相比,PSO优化的PID神经元网络解耦控制器在调节时间、超调量、震荡次数等控制指标方面均有改善,总体的控制效果得到提升。

表1 PSO优化PID神经元网络解耦控制器前后效果对比Tab.1 Comparison of the effects of PID neural network decoupling controller before and after PSO optimization

4 结束语

本文针对集中供热过程中质量并调的耦合系统,设计了PID神经元网络解耦控制器,运用PSO智能算法优良的全局搜索和局部搜索能力优化PID神经元网络的初始权值,从而提高了PID神经元网络的收敛精度和速度。Matlab仿真验证了PSO优化的PID神经元网络解耦控制器对供热管网控制的可行性。该方法是实现供热管网运行优化控制的一种新方法。

[1] Stefanovski J.Sufficien conditions for linear control system decoupling by static state feedback[J].Institute of Electrical and Electronics Engineers Inc.IEEE Transactions on Automatic Control,2001,46(6): 984-990.

[2] 闵娟,黄之初.多变量解耦控制方法[J].控制工程,2005,12(12): 125-127.

[3] 王晓哲,顾树生.基于遗传算法的PID神经网络解耦控制[J].控制与决策,1999,14(14):617-620.

[4] 舒怀林.PID神经元网络对强耦合带时延多变量系统的解耦控制[J].控制理论与应用,1998,15(6):920-924.

[5] 舒怀林.PID神经元网络多变量控制系统分析[J].自动化学报,1999,25(1):105-111.

[6] 舒怀林.PID神经元网络及其控制系统[M].北京:国防工业出版社,2006:10-36.

[7] 陈烈.基于神经网络的热力站供热过程预测控制研究[D].哈尔滨:哈尔滨工业大学,2009.

[8] Kenned Y J,Eberhart R C.Particle swarm optimization[C]// Proceedings of IEEE International Conference on Neural Networks. Perth,WA,Australia,1995:1942-1948.

[9] 杨晓庆,左为恒,李昌春.改进PSO算法在中央空调控制系统中的应用[J].计算机仿真,2011,28(11):201-204.

Study and Application of Neural Network Controller in the Heat Supply Network

In urban heat supply network operation,the coupling between qualitative(temperature)regulation and quantitative(flow) regulation constrains the control effect for collaborative quality and quantity control.Aiming at this problem,the decoupling control based on PID neural network de-coupler for such control system is proposed.Depth analysis on the advantages,disadvantages,and scope of application for PID neural network is conducted;the initial weights of PID neural network are optimized by adopting PSO learning algorithm;and the PID neural network controller optimized by PSO is simulated and verified.The analysis indicates that the PID neural network controller optimized by PSO can be used in heat supply network for decoupling and implement collaborative control.

Particle swarm optimization(PSO)algorithm PID neural network Initial weights Decoupling Heat supply network Simulation

TP183

A

内蒙古自然科学基金资助项目(编号:2012MO910)。

修改稿收到日期:2014-02-27。

朱林(1957-),女,1982年毕业于大连理工大学自动化专业,获学士学位,教授;主要从事远程工业过程控制系统、数据驱动控制理论研究及应用、软测量技术及工业应用、人工神经元网络理论及应用、平行控制系统研究与应用。