廖松林

摘  要： 为了提高电气自动化控制系统的控制精度，提出路径优化混合算法的电气自动化控制系统。系统主要通过单神经网络的PID智能控制器，采用路径优化混合算法的控制策略对控制参数进行最优控制。研究结果表明，采用该系统后，电气自动化控制系统的输出频率波动较小，可快速收敛于最佳频率，单稳态调整误差、调节时间以及超调数目均最小。提高了电气自动化系统的控制效果，促使所控制的设备运行在高效、最佳工作状态。

关键词： 电气自动化控制系统; 路径优化; 混合算法; PID控制; 参数控制; 最佳频率

中图分类号： TN876?34; K73                     文献标识码： A                       文章编号： 1004?373X（2020）17?0106?04

Abstract： In order to improve the control accuracy of the electric automation control system， an electric automation control system based on the hybrid algorithm of path optimization is proposed. In the system， the control strategy based on the hybrid algorithm of path optimization is adopted to perform optimum control over the control parameters by the PID intelligent controller based on the single neural network. The research results show that， after adopting the proposed system， the output frequency of the electric automation control system fluctuates less and converges to the optimal frequency quickly， and the monostable adjustment error， adjustment time and overshoot number reach to the minimum. The control results of the electrical automation system are improved， and the controlled equipment is promoted to operate in an efficient and optimal state.

Keywords： electric automation control system; path optimization; hybrid algorithm; PID control; parameter control; optimal frequency

0  引  言

隨着全世界经济的快速发展，科学技术产业的发展得以加速，其中高新技术产业的核心力量即电气自动化控制系统在多数尖端产业中占据十分重要的地位[1]，比如：国防、远程监控、机械行业加工和电网系统等。电气自动化控制系统的使用大大提高了此类领域的生产效率。虽然当前我国电气自动化控制技术已经取得不菲的成绩，但与西方发达国家相比，中国的电气自动化控制技术还处于弱势。伴随中国市场经济的逐渐成熟，国际间的交流频率增多，电气自动化控制技术的竞争也愈发强烈[2]。当前我国的电气自动化的发展方向具有开放性与信息化特点，在实际运行中，应严格遵循网络技术的发展状况，设计与时俱进的电气自动化控制系统，保证系统整体管理程度得以优化，降低后续维护量。因此，本文设计基于路径优化混合算法的电气自动化控制系统，提高电气自动化控制效果。

1  路径优化混合算法的电气自动化控制系统

1.1  硬件设计

基于路径优化混合算法的电气自动化控制系统是围绕水轮机调节为目标，通过基于单神经网络的PID智能控制器模块，采用基于自适应蚁群遗传路径优化混合算法，实现水轮机PID智能控制器的最优控制[3]。

1.1.1  系统构成

系统核心元件中包含水轮机、压力引水道和大电机，其中，包含基于单神经网络的PID智能控制器模块，隶属反馈控制系统[4]。基于路径优化混合算法的电气自动化控制系统的结构图如图1所示。图1中，a描述转速给定信号，b表示输出的控制信号，c描述负载扰动信号，基于电网容量很大的前提下，针对1台并列运行机组来讲，它的输出功率变动状况对电力系统频率不存在干扰，基于此类状况，水轮机调节反馈系统的作用是0，则处于开环状态，在此类状况下基于单神经网络的PID智能控制器模块可以开启随动系统功能[5?6]。

1.1.2  基于单神经网络的PID智能控制器模块

智能PID控制器的核心是单神经元，可以完成自我学习，有较好的自适应性，并且结构简单，可以快速适应附近环境，现场调节参数不多，易于调节[7]，可以保障控制系统在现实应用中属于最优状态，它的控制效果优于普通PID控制器。在使用单神经元基础上，能够让自适应PID控制器更好的发挥作用，结构图如图2所示。

针对转换器输入来讲，它可以让水轮机被控制过程和PID控制设置状况得以优化，例如设置[s（r）]，在输出时可以变换成基于神经元学习控制中必需的有关状态数，则转换器输出的状态系数[Y1]，[Y2]，[Y3]中，[Y1r]等同于[?r]，[Y2r]的运算方法是[?r-?r-1]，[Y3r]的运算方法是[?r-2?r-1+?r-2]，[S]描述性能指标，[R]描述神经元比例系数，神经元使用关联检索可以衍生控制信号[Hp]，[Hi]，[Hd]，再采用路径优化混合算法的控制策略实现3种控制信号，也就是3种控制参数的最佳调节控制[8?9]。

1.2  基于路径优化混合算法的控制策略

1.2.1  节点与路径的生成

将[Hp]，[Hi]，[Hd]设成PID控制器需整定的3个变量，假定3个变量都存在5个有效数位[10]。按照PID控制器里的取值状况，设定[Hp]，[Hi]，[Hd]的5个数位，小数点前均占1位，小数点后均占4位，如1.002 5。之后根据此参数的蚁群算法优化蚂蚁路径图。针对这3个参数值，将其抽象地描述于[xOy]平面中[11]，方法是：绘出15条等间距、等长度并垂直于[x]轴的线段[A1]，[A2]，…，[A15]，其中，[A1～A5]，[A6～A10]，[A11～A15]依次描述[Hp]，[Hi]，[Hd]的第1位～第5个数位。9等分各线段，即从每条线段获取10个节点，依次描述此线段所表示的数位值[12]。至此，[xOy]平面中存在15×10个节点，将1个节点设成[a（xj，yj，i）]，其中，[xj]描述线段[Aj]的横坐标;[yj，i]描述[Aj]上节点[i]的纵坐标，数值和节点的纵坐标值[yj，i]相呼应。假定某只蚂蚁从坐标原点[O]出发，在它爬行至[Aj]线段中随机一点后，实现一次循环，它的爬行路径能够描述成[B=O，ax1，y1，i，ax2，y2，i，…，axj，yj，i]，其中[a（xj，yj，i）]节点处于线段[Aj]中，那么此路径描述的值为：

1.2.2  算法控制过程

基于路径优化混合算法的控制过程如下：

1） 按照参数整定方法，即[Z?N]法，运算PID参数是[Hp，s-M]，[Hi，s-M]，[Hd，s-M]。

2） 蚁群的种群数目是[n]，各只蚂蚁[h]存在15个用于保存蚂蚁途经15个节点的纵坐标值和爬行路径的属性[13]。

3） 混合算法参数初始化：把蚂蚁放在起点。

4） 设定变量[j]的值是1，如果参数[p

式中：[allowedh]描述蚂蚁[h]下一步可以选取的节点;[?jit2]描述能见度因素的重要性;[ψjit1]描述信息素轨迹强度重要性。

5） 各只蚂蚁走完一个节点，采用式（4）刷新局部信息素，并自适应变换局部信息挥发系数[14]。

式中：[Δψji=P1SPID1]，[SPID1]描述途经的节点路径;局部信息素参数[δ]的值采用自适应调节;[Δψji]描述单位长度轨迹信息素强度。

6） 设定[j=j+1]，若[j]的值不大于15，便跳至步骤3），反之，跳至步骤7）。

7） 按照蚂蚁[h]爬过的路径（数组[Gh]），运算此路径相应的PID参数[Hhp]，[Hhi]，[Hhd];实施计算机仿真，获取系统的性能指标[shz]，稳态调整误差[dh]与超调量[eh];运算蚂蚁[h]相应的目标函数，记录此轮循环里最佳路径和最佳性能指标，并把[Hhp]，[Hhi]，[Hhd]导进[H*p]，[H*i]，[H*d]里。

8） 假设[h←h+15]，按照式（5）刷新全体信息素，并自适应调节全体信息挥发系数。

式中[?]描述全体信息素挥发系数。

9） 使用单点交叉策略实施杂交（在杂交约束变量[θ<0.000 001]时实施杂交），衍生新个体。

10） 使用基本位变异（在杂交约束变量[θ<0.01]时出现变异）方案，再次运算每个参数值，若获取的性能指标近似于目标函数[F]，那么不去除变异，信息素实施更新，反之，去除变异[15]。

11） 如果全部蚁群没有收敛至相同路径，便再次把所有蚂蚁放在起始点并跳至步骤4）;反之，循环停止，输出最佳路径和相应的最佳PID参数[H*p]，[H*i]，[H*d]。

综上所述，路径优化混合算法的控制流程見图3。

2  仿真实验

将本文系统使用在某水电站混流式发电机组，采用本文系统实现水电站混流式发电机组中的水轮机PID最优控制。单机设定孤立负荷，设定两类工况，工况A是设计水头，额定功率工作;工况B是设计水头，部分负荷工作。机组参数：转轮型号是HL220?LJ?410;单机容量是102.7 MW;水流惯性时间常数是1.11 s，机组惯性时间常数是6.66 s。传统PID控制系统的参数设成[Hp=]4.04，[Hi=]1.23，[Hd=]2.67。实验中水轮机系统参数见表1。

工况A中，本文系统、传统PID控制系统控制下，水轮机系统遭到20%负荷干扰与2.1 Hz频率干扰时的响应曲线如图4所示;工况B中，在本文系统、传统PID控制系统控制下，水轮机系统遭到20%负荷干扰与2.1 Hz频率干扰时的响应曲线如图5所示。分析图4，图5的控制结果可知：本文系统的控制效果优于传统PID控制系统，在本文系统控制下，水轮机系统的输出频率波动较小，快速收敛于最佳频率;传统PID控制下，水轮机系统的输出频率波动较大，大约在实验用时50 s时才能收敛于最佳频率。由此可知，本文系统的控制效果最佳。

测试20%负荷干扰与2.1 Hz频率干扰时，采用本文系统控制水轮机后，水轮机的故障率结果如图6所示。图6中，20%负荷干扰与2.1 Hz频率干扰时，本文系统控制下水轮机故障率最大值均是0.02，说明本文系统存在较高的抗干扰性。

设定水轮机系统输入量属于单位阶跃信号。设定蚂蚁数目是30，迭代次数为100次。PID控制参数范围为：[Hp=Hi=Hd=][0.000 01，20]，依次和PLC的电气自动化控制系统、带式输送机可控变速装置电气控制系统进行对比。图7是3种系统控制下，水轮机系统PID单位阶跃响应图。

表2是PID整定参数和系统单位阶跃性能指标。基于图7与表2中数据可知，本文系统控制PID三个参数效果最好，本文系统控制下水轮机系统单位阶跃性能指标和另外两个系统相比，本文系统的稳态调整误差、调节时间以及超调数目均低于其他两种系统，由此可知，本文系统控制性能最好。

3  结  论

本文设计一种基于路径优化混合算法的电气自动化控制系统，并将其应用于实验之中，经测试不同工况中，当存在20%负荷干扰与2.1 Hz频率干扰时，本文系统的控制效果优于传统PID控制系统，本文系统控制下，水轮机系统的输出频率波动较小，快速收敛于最佳频率，且本文系统控制下水轮机故障率最大值均是0.02，存在较高的鲁棒性。

电气自动化控制系统的设计和研发必须分析干扰设备运行的工作环境，工作环境和设备的运行存在很大的关联性，设计时需要十分关注外界环境的干扰。另外，为了保证系统可以完成稳定的功率传输，基于系统研发设计周期，系统研发人员必须准确掌握系统的工作原理。

参考文献

[1] 李嘯骢，郑涛，梁志坚，等.水轮机水门、励磁与电气制动系统非线性综合控制[J].电力自动化设备，2016，36（7）：97?103.

[2] 吴明永，李菊生，王国伟，等.基于PLC的硅铁配料自动化控制系统的设计与应用[J].电气传动，2016，46（2）：72?76.

[3] 郭俊，田慕琴，宋建成，等.综采工作面生产自动化控制系统的开发[J].煤炭技术，2016，35（7）：277?279.

[4] 杨淑英，丁大尉，李曦，等.基于反电动势滑模观测器的异步电机矢量控制[J].电机与控制学报，2016，20（10）：23?30.

[5] 张国柱，徐殿国，朱良红，等.高功率因数无电解电容电机驱动系统电流控制策略[J].电机与控制学报，2018，22（1）：100?106.

[6] 杜锋.基于ARM的可重构控制器在船舶电站自动化控制系统的应用研究[J].舰船科学技术，2017，39（18）：97?99.

[7] 李敬兆，高之翔，杨大禹，等.矿山大型机电设备协同控制[J].工矿自动化，2017，43（3）：15?19.

[8] 范家华，马磊，周攀，等.基于径向基神经网络的压电作动器建模与控制[J].控制理论与应用，2016，33（7）：856?862.

[9] 李寅，邓仰东.基于GPU的混合式全源对最短路径算法研究[J].微电子学与计算机，2016，33（2）：77?82.

[10] 苏健民，张凡，李思阳.一种基于区域路径优化的混合聚类方法[J].黑龙江大学自然科学学报，2016，33（3）：399?404.

[11] 侯贵升，吴晓蓓，黄成，等.混合型异构传感器网络中移动数据收集器的路径优化[J].控制与决策，2016，31（7）：1285?1290.

[12] 张弦，刘柏希，屈涛.基于混合算法的挖掘机工作装置参数综合优化的研究[J].机械传动，2016，40（10）：28?32.

[13] BAEZA J R， GARCIA C. Friction compensation in pneumatic control valves through feedback linearization [J]. Journal of control automation & electrical systems， 2018， 29（3）： 303?317.

[14] 刘振军，杨迪雄.面向全局优化基于分形的混合混沌优化算法[J].数学的实践与认识，2016，46（9）：192?202.

[15] WANG Shijin， LI Qingyun， CAO Xi， et al. Optimization of air route network nodes to avoid "three areas" based on an adaptive ant colony algorithm [J]. Transactions of Nanjing University of Aeronautics and Astronautics， 2016， 33（4）： 469?478.