基于模糊神經(jīng)網(wǎng)絡PID的水輪機組頻率控制

陳德海 朱正坤 王超

摘 ?要： 在水電站發(fā)電過程中，頻率控制至關(guān)重要，但是對于這種非線性、時變性的復雜控制系統(tǒng)來說，傳統(tǒng)PID控制方法存在參數(shù)整定困難，控制效果不佳的缺陷。因此在傳統(tǒng)的PID算法、模糊控制以及神經(jīng)網(wǎng)絡控制算法的基礎之上，提出一種模糊神經(jīng)網(wǎng)絡PID聯(lián)合控制算法來優(yōu)化水輪機調(diào)節(jié)系統(tǒng)的PID參數(shù)，并應用到水輪機調(diào)節(jié)系統(tǒng)當中，與傳統(tǒng)PID控制器進行對比，結(jié)果表明模糊神經(jīng)網(wǎng)絡PID控制算法對水輪機調(diào)節(jié)系統(tǒng)的控制上在調(diào)整時間以及超調(diào)量方面都比傳統(tǒng)PID算法更好，控制效果好，克服了傳統(tǒng)PID算法的不足。

關(guān)鍵詞： 頻率控制; 水輪機調(diào)速; 系統(tǒng)參數(shù)優(yōu)化; PID控制器設計; 模糊神經(jīng)網(wǎng)絡PID; 水電站

中圖分類號： TN876?34; TP13 ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）23?0099?04

Abstract： Frequency control is very important in the process of hydroelectric power generation， but the traditional PID control method for the complex control system with non?linearity and time?varying characteristics has the defects of difficult parameter tuning and poor control effect. Therefore， on the basis of the traditional PID algorithm， fuzzy control and neural network control algorithm， a combined control algorithm of fuzzy neural network and PID is proposed to optimize the PID parameters of hydraulic turbine governing system. It is applied to the hydraulic turbine governing system and compared with the traditional PID controller. The results show that the fuzzy neural network PID control algorithm is better than the traditional PID ?algorithm in adjusting time and overshoot， and has good control effect. It has overcome the shortcomings of the traditional PID control algorithm.

Keywords： frequency control; turbine speed governing; system parameter optimization; PID controller design; fuzzy neural network PID; hydropower station

0 ?引 ?言

水輪機控制系統(tǒng)的好壞決定了水電機組能否安全穩(wěn)定的運行，同時也是水電站運行系統(tǒng)的核心部件。在水輪機控制系統(tǒng)中，頻率的控制對電網(wǎng)的穩(wěn)定性至關(guān)重要，對頻率的控制效果在很大程度上決定了電能的質(zhì)量以及電力系統(tǒng)的安全狀況。電網(wǎng)頻率的穩(wěn)定性控制可以使電能質(zhì)量得到大大提高，進一步提升人們的生活水平。

在控制領域中目前比較經(jīng)典的方法是采用PID對調(diào)速系統(tǒng)進行閉環(huán)控制[1]，PID依據(jù)給定值和實際測量值之間的誤差，通過比例、積分、微分三個環(huán)節(jié)對系統(tǒng)進行控制。PID控制器相對于結(jié)構(gòu)簡單的線性系統(tǒng)來說有較好的控制效果，但是對于像水輪機調(diào)節(jié)系統(tǒng)這樣具有非線性、時變性且存在非最小相位的系統(tǒng)來說，控制效果就不是那么理想了[2]。針對水輪機調(diào)節(jié)系統(tǒng)為了增加傳統(tǒng)PID控制器的控制效果，本文結(jié)合模糊控制和神經(jīng)網(wǎng)絡的各自優(yōu)勢，利用模糊神經(jīng)網(wǎng)絡PID算法來對水輪機調(diào)速系統(tǒng)進行控制。

模糊神經(jīng)網(wǎng)絡PID算法[3]的原理是根據(jù)人的經(jīng)驗知識具有良好的學習能力，而且神經(jīng)網(wǎng)絡也不需要掌握系統(tǒng)精確的模型，可以很好地克服水輪機調(diào)速系統(tǒng)因為其非線性、時變性導致模型難以建立的缺陷，改進算法可以在線對PID參數(shù)進行實時調(diào)整，而且具有良好的抗干擾能力，模糊神經(jīng)網(wǎng)絡PID算法兼顧了模糊控制算法以及神經(jīng)網(wǎng)絡控制技術(shù)兩者共同的優(yōu)勢，進而可以對水輪機調(diào)速系統(tǒng)這種復雜的系統(tǒng)進行很好的控制。

1 ?水輪機調(diào)速系統(tǒng)概述

1.1 ?水輪機調(diào)速基本原理

水輪機調(diào)速系統(tǒng)一般由引水系統(tǒng)、液壓伺服系統(tǒng)、水輪發(fā)電機以及調(diào)速器組成[3?4]，其調(diào)節(jié)的基本思路是：如果系統(tǒng)頻率發(fā)生改變或者受到外界負荷擾動時，由于電能沒辦法大量存儲，此時有功功率的變化將會導致頻率隨之變化，而水輪機轉(zhuǎn)速的變化是導致頻率變化的關(guān)鍵因素，轉(zhuǎn)速的大小又跟水流量有關(guān)，因此為了平衡這種變化，根據(jù)實際情況需要對水輪機導葉開度進行調(diào)整，以維持轉(zhuǎn)速變化率為0，使頻率再次達到新的穩(wěn)定狀態(tài)。

1.2 ?YWCT?300/600/1000液壓微機自動調(diào)速系統(tǒng)

水輪機發(fā)電機組、水輪機調(diào)速系統(tǒng)以及壓力引水系統(tǒng)三者一同組成了水輪機的調(diào)速控制系統(tǒng)，以下是水輪機調(diào)速系統(tǒng)的工作過程：為了保證在工作過程中發(fā)電機組轉(zhuǎn)速保持不變，因此導水機構(gòu)導葉開度隨工作負荷的變化也要發(fā)生相應的變化，導葉開度越小，轉(zhuǎn)速越大，反之，轉(zhuǎn)速越小。首先由測量元件測得發(fā)電機組的轉(zhuǎn)速信號，之后再把轉(zhuǎn)速信號轉(zhuǎn)化成系統(tǒng)可以識別的電壓信號，再把電壓信號傳輸至放大環(huán)節(jié)，與設定的轉(zhuǎn)速進行比較，從而計算出轉(zhuǎn)速偏差大小及方向，然后將偏差傳送至控制器進行調(diào)節(jié)，調(diào)節(jié)好以后再傳送到執(zhí)行機構(gòu)對導葉的開度進行調(diào)節(jié)，從而維持機組轉(zhuǎn)速恒定。水輪機調(diào)速系統(tǒng)結(jié)構(gòu)框圖如圖1所示。

1.3 ?調(diào)速系統(tǒng)數(shù)學模型建立

為了方便對水輪機調(diào)速系統(tǒng)動態(tài)特性進行分析，本文在此對其建立了一個模型，模型大致由三部分組成。

1） 調(diào)速器：調(diào)速器的作用是測量機組頻率，并計算出實際頻率與設定頻率之間的偏差，然后按照一定的控制規(guī)律輸出信號，進而控制執(zhí)行機構(gòu)調(diào)整導葉的開度，得以改變機組的轉(zhuǎn)速以及出力的大小。其傳遞函數(shù)可表示為：

2 ?基于模糊神經(jīng)網(wǎng)絡的PID控制器設計

模糊神經(jīng)網(wǎng)絡PID利用模糊規(guī)則的邏輯推理能力可以簡單有效地控制非線性系統(tǒng)，另一方面又利用了神經(jīng)網(wǎng)絡對系統(tǒng)的逼近能力和自適應學習能力，還具有PID控制的精準性。模糊神經(jīng)網(wǎng)絡PID控制器是由模糊神經(jīng)網(wǎng)絡以及傳統(tǒng)的PID兩部分組成，首先模糊神經(jīng)網(wǎng)絡根據(jù)系統(tǒng)轉(zhuǎn)速誤差以及誤差變化率整定出一組PID參數(shù)賦給PID控制器，這樣就可以實現(xiàn)PID參數(shù)的在線調(diào)整，從而讓PID控制器有了自適應的能力，模糊神經(jīng)網(wǎng)絡PID控制系統(tǒng)的原理如圖2所示。

2.1 ?PID控制算法

PID控制算法主要由比例、積分、微分3個環(huán)節(jié)構(gòu)成，是現(xiàn)代工業(yè)控制過程中應用最多的控制方式之一，通過實際測量值與設定值的偏差對系統(tǒng)進行閉環(huán)控制，其輸出信號可表示為：

2.2 ?控制器模糊邏輯

模糊神經(jīng)網(wǎng)絡控制器的輸入量是頻率實際值和給定值之間的誤差[e]以及誤差變化率[ec]，輸出值為PID控制器的3個控制指標，即比例、積分、微分系數(shù)[Kp][，Ki]，[Kd]。取這5個語言變量的模糊子集為{[NB ]（負大）、[NM]（負中）、[NS]（負?。?、[ZE]（零）、[PS]（正?。?、[PM]（正中）、[PB]（正大）}，量化為7個等級。規(guī)定誤差[e]以及誤差變化率[ec]的論域為{-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6}，PID的3個參數(shù)[Kp][，Ki]和[Kd]的論域取為{-0.6 -0.4 -0.2 0 0.2 0.4 0.6}。本文選用高斯函數(shù)作為神經(jīng)元激活函數(shù)。

2.3 ?模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)和算法

本文設計的模糊神經(jīng)網(wǎng)絡是一個5層的前饋神經(jīng)網(wǎng)絡，其結(jié)構(gòu)如圖3所示。該模糊神經(jīng)網(wǎng)絡的輸入神經(jīng)元是水輪機調(diào)速系統(tǒng)頻率的測量誤差以及誤差的變化率，輸出神經(jīng)元是PID的3個指標：比例、積分、微分系數(shù)[Kp][，Ki]，[Kd]。它由5層結(jié)構(gòu)組成，分別為輸入層、隸屬度函數(shù)生成層、推理層、歸一化層以及輸出層。為了方便研究，本文只針對歸一化層到輸出層之間的權(quán)值作出調(diào)整，其他層的權(quán)值都假設為1。

3 ?仿真實例分析

為了進一步證明本文所用算法與傳統(tǒng)PID控制的優(yōu)勢之處，本文將結(jié)合前文所建立的水輪機調(diào)速系統(tǒng)模型，在Matlab中使用Simulink搭建模塊進行仿真實驗。

在實驗中，將頻率的誤差以及誤差變化率作為系統(tǒng)的輸入變量，每個輸入變量取7個模糊子集，最終網(wǎng)絡結(jié)構(gòu)確定為2?14?49?49?3。其中，取[Ty=0.3]，[Tw=1.78]，

[Ta=8.5]。所得仿真結(jié)果如圖4所示。

如圖4a）所示，系統(tǒng)分別采用傳統(tǒng)PID算法、模糊PID算法、模糊神經(jīng)網(wǎng)絡PID算法進行控制，在頻率為50 Hz時，給系統(tǒng)增10%的負荷。從圖中可以看出，用傳統(tǒng)PID方法進行控制時超調(diào)量約為1.56%，調(diào)節(jié)時間為37.5 s;而采用模糊PID進行控制時，系統(tǒng)超調(diào)量約為0.34%，調(diào)節(jié)時間約為28.5 s;當采用本文所研究的模糊神經(jīng)網(wǎng)絡PID進行控制時系統(tǒng)幾乎沒有超調(diào)，而且調(diào)節(jié)時間僅為11 s。當給系統(tǒng)甩10%負荷時如圖4b）所示，傳統(tǒng)PID控制算法超調(diào)量約為1.73%;調(diào)節(jié)時間約為30.5 s，采用模糊PID算法進行控制時系統(tǒng)超調(diào)量約為0.378%，調(diào)節(jié)時間約為24.5 s;當采用本文研究的模糊神經(jīng)網(wǎng)絡對系統(tǒng)進行控制時幾乎沒有超調(diào)量，調(diào)節(jié)時間較傳統(tǒng)PID算法而言也有明顯提升，約為11.5 s。

由此可見，無論系統(tǒng)增減負荷，本文研究的控制算法對系統(tǒng)均具有很好的調(diào)節(jié)能力，且具有明顯的優(yōu)越性。

為了更直觀表示，本文將各算法的超調(diào)量、調(diào)節(jié)時間進行了整理，結(jié)果如表1，表2所示。

4 ?結(jié) ?語

本文提出了一種將模糊控制與神經(jīng)網(wǎng)絡控制理論結(jié)合的算法，并將其應用至水輪機調(diào)速系統(tǒng)控制當中，此方法結(jié)合模糊控制、神經(jīng)網(wǎng)絡控制、PID控制三者的優(yōu)勢，賦予了水輪機調(diào)速系統(tǒng)自我學習能力、邏輯推理能力。從仿真實驗結(jié)果可以得出，模糊神經(jīng)網(wǎng)絡相比傳統(tǒng)PID以及模糊PID算法來說，在超調(diào)量和調(diào)節(jié)時間上都有很明顯的優(yōu)勢，在面對干擾時也有較強的魯棒性以及自我調(diào)節(jié)能力，系統(tǒng)適應能力強，控制效果良好。因此本文所研究的方法在針對傳統(tǒng)PID控制效果不佳難以解決非線性系統(tǒng)的問題上可以達到一個很好的控制效果，對水電站水輪機調(diào)速控制具有一定的參考價值。

注：本文通訊作者為朱正坤。

參考文獻

[1] 王震，崔峻豪，丁澤濤，等.水輪發(fā)電機調(diào)節(jié)系統(tǒng)的模糊PID控制[J].信息技術(shù)與信息化，2018（10）：83?85.

[2] 白國振，俞潔皓.基于改進模糊神經(jīng)網(wǎng)絡的PID參數(shù)自整定[J].計算機應用研究，2016，33（11）：3358?3363.

[3] 陳志環(huán).水輪機調(diào)節(jié)系統(tǒng)的參數(shù)辨識與控制策略研究[D].武漢：華中科技大學，2017.

[4] 門闖社.基于水輪機內(nèi)外特性復合數(shù)學模型的調(diào)節(jié)系統(tǒng)動態(tài)特性研究[D].西安：西安理工大學，2018.

[5] 祁華憲.基于駕駛意圖識別的純電動汽車模糊控制策略研究[D].合肥：合肥工業(yè)大學，2017.

[6] 禹騰超，陳敏.基于SOM神經(jīng)網(wǎng)絡的汽輪發(fā)電機組振動故障診斷研究[J].工業(yè)控制計算機，2016，29（1）：137?139.

[7] 張永振，蘇寒松，劉高華，等.基于BP神經(jīng)網(wǎng)絡的PID控制器參數(shù)調(diào)整[J].南開大學學報（自然科學版），2018，51（3）：26?30.

[8] 代月明，張麗娜，朱習軍.基于Ziegler?Nichols頻域PID的水輪機自適應調(diào)速系統(tǒng)設計[J].徐州工程學院學報（自然科學版），2018，33（3）：47?51.

[9] ZHANG Leike， WU Qianqian， MA Zhenyue， et al. Vibration analysis of coupled bending?torsional rotor?bearing system for hydraulic generating set with rub?impact under electromagnetic excitation [J] Archive of applied mechanics， 2016， 86（9）： 1665?1679.

[10] EGUSQUIZA E， VALERO C， PRESAS A， et al. Analysis of the dynamic response of pump?turbine impellers. Influence of the rotor [J]. Mechanical systems and signal processing， 2016， 68/69： 330?341.

[11] LI Chaoshun， MAO Yifeng， ZHOU Jianzhong， et al. Design of a fuzzy?PID controller for a nonlinear hydraulic turbine go?verning system by using a novel gravitational search algorithm based on Cauchy mutation and mass weighting [J]. Applied soft computing， 2017， 52： 290?305.

[12] 王雪珂.水電機組灰色模糊PID調(diào)速器設計與仿真[D].鄭州：鄭州大學，2017.