基于人工鱼群算法优化600 MW单元机组协调控制

俞凯耀

（浙江国际海运职业技术学院，浙江舟山 316021）

单元机组是一个典型的MIMO热工对象，大时滞、时变、非线性、强耦合、机炉动态特性差异大是现代火电厂的大型单元机组的特点，而单元机组协调控制系统是电厂自动控制系统中最复杂的系统[1]。由于协调控制系统的被控对象具有许多复杂的特性，各个子系统间的响应具有非常大的差异性，造成了电网对火电单元机组的控制品质需求的不断提高，所以为了更好的解决控制系统中存在的复杂问题，智能控制思想为我们提供了一条新的思路。

本文利用PID神经网络控制器去协调控制火电单元机组，提出利用人工鱼群算法优化PID神经网络的初始权值，把人工鱼群算法与PID神经网络相结合，使单元机组协调控制获得更好的控制性能。

1 火电单元机组动态特性模型

1.1 单元机组简化模型分析

由于单元机组被控对象具有许多复杂特性，包括时变、强耦合、分布参数、非线性等，同时机组的运行状况，内在的物理因素和外部环境都影响着整个机组的动态特性，所以不能精确的描述机组动态特性。现今的学者往往是通过机理分析，做出合理简化和近似处理，才能够建立满足一定精度要求的具有动态特征的数学模型[4]。

而其中锅炉和汽轮机是两个相对独立的设备。从单元机组的负荷控制来说，单元机组作为一个多变量控制对象，各个变量之间存在关联和耦合性，在一定假设的前提下可以看做是一个双输入双输出并且相互关联和耦合的被控对象。

1.2 数学模型

本文针对某电厂600MW的数学模型为研究对象，其机组负荷压力的线性模型可以描述为

其中NE—机组的输出功率；PT—机前压力；μT—主汽门调节阀开度；μB—燃料量；WNT—发电机实发功率对开度的传递函数；WNB—发电机实发功率对燃料量的传递函数；WPT—机前压力对开度的传递函数；WPB—机前压力对燃料量的传递函数。

选取70%和100%负荷工作点的传递函数数学模型如下：

为实现600 MW火电单元机组多变量控制系统的有效控制，获得优良的控制性能，本文引入了PID神经网络控制方式。PID神经网络控制器具有简单的结构，充分融合了PID控制思想与神经网络控制思想便于实现各种不同系统的控制，具有良好的控制特性。同时针对PID神经网络初始权值随机选取，导致了权值在学习训练的过程中存在容易陷入局部最优值的缺点，提出利用人工鱼群算法优化。

2 多变量PID神经网络系统

PID神经网络不同于一般的前向多层神经元网络，它是将PID控制规律与神经元网络相结合，通过参照PID规律，构成具有比例功能、积分功能和微分功能的三类神经元作为基础的神经元网络，通过自主的在线学习，不断地调整神经元网络中以比例元、积分元和微分元所构成的隐含层与输入层、输出层之间的权值，使系统具备良好的动态静态性能，对于多变量的强耦合系统，能够很好的实现解耦和控制[2]。

2.1 PID神经网络控制器[3]

针对多变量系统，假设系统具有n个输入n个输出，则PID神经网络控制器的网络结构定义为2n-3n-n，输入层的神经元个数为2n个。隐含层包含比例神经元、积分神经元和微分神经元三种神经元，分别含有n个，来实现对从输入层传递过来的信息进行分析和处理。输出层的神经元个数为n个，作用于从隐含层传递过来的信息进行处理同时对控制量进行输出。其控制系统的结构图，如下图1所示。

图1 多变量PID神经网络控制系统结构图Fig.1 structure diagram of multi-variable PID neural network control system

3 人工鱼群算法优化策略

人工鱼群算法是通过研究鱼类的觅食、聚群、追尾等行为，模仿鱼类的这些行为来构造算法进行状态数据的更新，从而逐步实现对全局最优目标的搜索，形成了人工鱼群的基本思想[5]。

3.1 鱼类行为

（1）觅食行为

觅食行为是鱼类的基本行为，个体鱼在水中感知食物量的浓度，朝着食物多的地方游去。而在寻优问题中就是朝着最优目标不断前进[6]。

可以假定所选人工鱼当前所处的位置状态为Xi，其食物浓度为Yi，然后进行觅食行为，个体鱼就会在它可以感知到的区域内随机选定一个状态Xj，其食物浓度为Yj，当发现状态Xj的食物浓度Yj大于当前状态Xi的食物浓度Yi时，则向状态Xj的方向前进一步，从而达到一个新的较优状态；反之，则重新通过感知随机选择下一个状态，再次判断是否满足前进条件；反复尝试直到达到最大试探次数Try_number后，如果发现新状态依然不能够满足前进的条件，则个体鱼在感知区域内随机移动一步，使之通过随机行为达到一个新的状态。这个过程的数学表达为：

试中Visual—人工鱼感知范围；Step—人工鱼移动的最大步长。

(2)聚群行为

鱼群的聚群行为必须遵循两个规则：(1)尽量向临近伙伴的中心移动；(2)避免和附近的伙伴鱼过分拥挤。

可以假定所选人工鱼的当前位置状态Xi为，感知周围邻域范围内的伙伴鱼数目nf及中心位置Xc，如果计算公式满足：

可以得出伙伴鱼的中心位置Xc的食物浓度Yc比较高同时不过分拥挤，那么当前位置状态的人工鱼就向伙伴的中心位置方向前进一步，否则人工鱼执行觅食行为。这个过程的数学表达为：

试中Yc—为伙伴中心位置的食物浓度；δ—拥挤度因子。

(3)追尾行为

鱼群的追尾行为就是未发现食物的鱼会尾随发现食物的鱼，从而快速游动聚集到食物中心。

可以假定所选人工鱼的当前位置状态为Xi，感知周围邻域范围内的伙伴鱼中所处位置状态，搜寻确定食物浓度Ymax为最大的伙伴的位置状态Xmax，如果计算公式满足：

可以得出伙伴鱼状态为Ymax的周围有较多的食物，而且个体鱼之间不过分拥挤，那么当前位置状态的人工鱼就向具有较高食物浓度的伙伴鱼的方向前进一步，且此刻伙伴鱼状态为Xj；否则人工鱼执行觅食行为。这个过程的数学表达为：

3.2 人工鱼群算法的基本流程

基于鱼群的行为描述，设置一个公告板，记录人工鱼状态，用于每一条人工鱼执行完一次行为后与当前状态比较，同时更新较优状态。当算法结束时，公告板上的最终记录就是最优解[7]。

算法基本流程如下：

Step1：定义人工鱼的种群数目,随机在变量定义域内产生N个人工鱼，设置参数值，赋值给最大迭代次数Gen max，视野范围visual，移动步长Step，拥挤度因子δ及最大试探次数Trynumber。

Step2：计算初始鱼群每条个体鱼自身状态的食物浓度FC，选取其中的最优值赋值给公告板。

Step3：每条个体鱼分别执行追尾和聚群行为，比较每条个体鱼执行两种行为后，所处状态的食物浓度FC，选择较优的行为进行执行。缺省行为为觅食行为。

Step4：将每条鱼的自身状态的食物浓度FC与公告板的值相比较，个体鱼状态较优，则更新公告板值为较优值，若公告板值较优，则公告板值维持不变。

Step5：判断迭代次数是否超过最大迭代次数，若Gen＞Genmax，停止算法运行，反之跳到步骤3（Step3）。

4 仿真研究

为了验证人工鱼群算法对单元机组协调控制的优化效果，对非线性模型进行线性化表示。可以假设汽包锅炉单元机组的燃烧保持稳定，同时炉膛压力、给水流量和蒸汽流量保证在相对平衡的条件下，并且在主蒸汽温度独立控制的前提下，简化的单元机组协调控制过程描述如图2所示。

图2 简化的双输入双输出单元机组结构图Fig.2 structure of simplified TITO unit plant

本文选取式（1）～（8）中某电厂600 MW单元机组70%和100%负荷工作点的数学模型作为控制对象进行仿真研究。

4.1 人工鱼群算法优化的PID神经网络控制器的仿真

为了检验基于人工鱼群算法优化初始权值的PID神经网络控制器对于变负荷控制的控制品质和鲁棒性，将其应用于600 MW的火电厂单元机组70%和100%工况的数学模型中进行仿真研究，首先要使100%负荷点的数学模型的系统保持稳定，各个参数维持不变。设定功率值NE=600 MW，约束值为0～660 MW，压力设定值PT=16.5 MPa，约束值为0～17 MPa，后将模型调整为70%负荷点，观察其控制性能。在70%负荷时保持PT的设定值和约束值不变，NE的设定值取为420 MW。通过MATLAB编程，仿真结果如图3、4所示。

图3 基于人工鱼群算法优化初值的PID神经网络控制功率仿真Fig.3 power simulation of PID network control whose initial values are optimized by artificial fish school algorithm

图4 基于人工鱼群算法优化初值的PID神经网络控制压力仿真Fig.4 pressure simulation of PID network control whose initial values are optimized by artificial fish schoolalgorithm

仿真表明：把基于人工鱼群算法优化的PID神经网络控制器在对不同工况点的单元机组协调控制系统的应用中，可以看出模型的参数在100%的负荷状态和70%的负荷状态下，和没有产生较大的波动，同时能够快速响应达到设定值，具有良好的负荷响应性和鲁棒性。

4.2 未优化的PID神经网络控制器的仿真

为了比较优化的PID神经网络控制器与未优化的PID神经网络控制器的控制性能，下面采用未优化的PID神经网络控制对100%和70%负荷点的模型进行仿真。同样先保证100%负荷点的模型系统稳定，各个参数维持不变，设定功率值 NE=1（600 MW），约束值为 0～1.1（0～660 MW），压力设定值 PT=1（16.5 MPa），约束值为0～1.03（0～17 MPa），后将模型调整为70%负荷点，观察其控制性能。在70%负荷时保持PT的设定值和约束值不变，NE的设定值取为0.7（420 MW）。通过MATLAB编程，仿真结果如图5、6所示。

图5 未优化的PID神经网络控制功率仿真Fig.5 power simulation of the unoptimized PID network control

图6 未优化的PID神经网络控制压力仿真Fig.6 pressur simulation of the unoptimized PID network control

通过仿真可以看出，在100%负荷点和70%负荷点下，NE和PT产生了一定的波动，相比较于图3、4中的结果，图5、6中网络的收敛速度有了明显的下降。

通过对比实验得出：基于人工鱼群算法优化的PID神经网络控制器具有更快的网络收敛速度，能够快速跟踪达到目标值，同时又能够保证系统的稳定性，具有更好的控制效果。

5 结语

利用人工鱼群算法训练优化的PID神经网络控制算法对简化为双输入双输出的600 MW单元机组数学模型进行了仿真实验，充分检验了基于人工鱼群算法优化的PID神经网络的性能。在不同的状态工作点，人工鱼群算法优化的PID神经网络控制具有自身的控制优势。用人工鱼群算法优化PID神经网络的初始权值，把优化的初始权值带入PID神经网络控制器。仿真结果表明：基于人工鱼群算法优化的PID神经网络控制对于单元机组的协调控制具有良好的网络收敛速度和较强的鲁棒性，验证了该方法对于单元机组协调控制系统控制的可行性。