SOA算法在太陽(yáng)光復(fù)合利用系統(tǒng)PID參數(shù)整定中的應(yīng)用研究

劉江海，蔡正傳，李欣蓓

(1.武漢東湖學(xué)院，湖北 武漢 430200；2.桂林電子科技大學(xué)，廣西 桂林 541000；3.武漢工程大學(xué)，湖北 武漢 430200)

引言

太陽(yáng)光是自然萬(wàn)物生長(zhǎng)的能量來(lái)源，太陽(yáng)能是清潔的可再生能源，然而太陽(yáng)能利用率理論計(jì)算值一般為6.0%～8.0%，而實(shí)際生產(chǎn)中僅為0.5%～1.0%，最大可達(dá)2%。隨著電子科技和能源儲(chǔ)備的發(fā)展，人們?cè)诜翘?yáng)光照射時(shí)期，可以利用儲(chǔ)存太陽(yáng)能。光伏能源廣泛地提高了發(fā)電效率，開(kāi)啟了太陽(yáng)光能源運(yùn)用的新紀(jì)元。光伏能源是一種重要的清潔能源，具有高清潔度、高再生性等特點(diǎn)，已成為世界各國(guó)普通關(guān)注和重點(diǎn)發(fā)展的新興產(chǎn)業(yè)[1,2]。

太陽(yáng)光的移動(dòng)導(dǎo)致其不能直射光伏太陽(yáng)能板，嚴(yán)重影響了太陽(yáng)光的發(fā)電效率，使用方式單一。為提高太陽(yáng)光的復(fù)合利用率，本文設(shè)計(jì)了一種太陽(yáng)光復(fù)合利用系統(tǒng)，該系統(tǒng)PID參數(shù)以SOA優(yōu)化算法通過(guò)迭代產(chǎn)生最優(yōu)解，一方面提高了太陽(yáng)能的光電轉(zhuǎn)換效率，另一方面直接轉(zhuǎn)移太陽(yáng)光到室內(nèi)照明，大幅提高太陽(yáng)光復(fù)合利用率[3,4]。

1 總體架構(gòu)

本設(shè)計(jì)的太陽(yáng)光復(fù)合利用裝置，對(duì)太陽(yáng)光有了新的分析和認(rèn)識(shí)，從光的收集、智能追光系統(tǒng)、太陽(yáng)能在光照和光電轉(zhuǎn)換效率上，采用對(duì)應(yīng)的硬件裝置和算法判別分析，實(shí)現(xiàn)太陽(yáng)光的智能跟蹤控制調(diào)節(jié)，提高了光能的利用率，給日常生活帶來(lái)了便利。

太陽(yáng)光復(fù)合利用系統(tǒng)，可以對(duì)光進(jìn)行收集和檢測(cè)，通過(guò)檢測(cè)器方位角和光伏發(fā)電板以及室內(nèi)外透鏡組的對(duì)應(yīng)，智能追光調(diào)節(jié)由電機(jī)得到相應(yīng)指令控制。智能調(diào)節(jié)的太陽(yáng)光光能在生活中有很大的用途，在室內(nèi)，可以用于日光照明、投影等；在室外，可以用于傳熱導(dǎo)光以及光伏發(fā)電儲(chǔ)能。該系統(tǒng)主要由3個(gè)模塊組成：捕捉光照數(shù)據(jù)模塊、采集透鏡光照的角度和調(diào)節(jié)角度模塊、電機(jī)控制驅(qū)動(dòng)模塊，裝置系統(tǒng)如圖1所示。

圖1 太陽(yáng)光復(fù)合利用系統(tǒng)框圖Fig.1 Block diagram of solar composite utilization system

啟動(dòng)系統(tǒng)裝置，裝置開(kāi)始正常工作，傳感器開(kāi)始收集室內(nèi)外和裝置內(nèi)部的光照、溫度、能量等信息；信息采集后經(jīng)過(guò)初步處理將數(shù)據(jù)傳送到主控處理芯片STM32F10x，通過(guò)PID算法分析，做出相應(yīng)的判決指令，判決控制驅(qū)動(dòng)電路和電機(jī)，實(shí)現(xiàn)智能調(diào)節(jié)光伏發(fā)電板和鏡片組的功能[5]，運(yùn)行流程如圖2所示。

圖2 實(shí)驗(yàn)裝置運(yùn)行流程圖Fig.2 Flow chart of experimental device operation

2 SOA算法及PID控制系統(tǒng)

2.1 PID控制模型

PID控制是典型的工業(yè)控制之一，其主要難點(diǎn)在于PID的參數(shù)整定，目前用的工業(yè)控制中，PID參數(shù)整定多依賴(lài)于經(jīng)驗(yàn)法，根據(jù)不斷地調(diào)試，得出一個(gè)較為合理的PID參數(shù)，達(dá)到系統(tǒng)的要求[6]。

如圖3所示，這是一個(gè)簡(jiǎn)單的模擬 PID 控制系統(tǒng)。該系統(tǒng)可以理解為由兩部分組成，控制以及被控部分。由于 PID 控制器為線(xiàn)性，設(shè)輸入端的初始值為rin(t)，輸出端的最終值為yout(t)，則二者的偏差為：

圖3 PID控制系統(tǒng)Fig.3 PID control system

e(t)=rin(t)-yout(t)

(1)

2.2 基于 SOA 算法下的 PID 參數(shù)整定設(shè)計(jì)方案

SOA是對(duì)人的隨機(jī)搜索行為進(jìn)行分析，借助腦科學(xué)、認(rèn)知科學(xué)、心理學(xué)、人工智能、多Agents系統(tǒng)、群體智能等的研究成果，分析研究人作為高級(jí)Agent的利己行為、利他行為、自組織聚集行為、預(yù)動(dòng)行為和不確定性推理行為，并對(duì)其建模用于計(jì)算搜索方向和步長(zhǎng)。由于SOA直接模擬人的智能搜索行為，立足傳統(tǒng)的直接搜索算法，概念明確、清晰、易于理解，是進(jìn)化算法研究領(lǐng)域中的一種新型群體智能算法[7,8]。

基于SOA 優(yōu)化算法下的PID 參數(shù)整定的基本原理如圖4所示。圖4中包含了 PID 控制器和被控對(duì)象，當(dāng)被控對(duì)象確定并且輸入端開(kāi)始輸入信號(hào)之后，系統(tǒng)就會(huì)將搜尋者優(yōu)化算法作用于 PID 控制器中，通過(guò)該智能優(yōu)化算法來(lái)獲取該 PID 控制器的三個(gè)控制參數(shù)。當(dāng)?shù)玫饺齻€(gè)優(yōu)化參數(shù)之后，PID 控制器就會(huì)利用這三個(gè)調(diào)節(jié)系數(shù)對(duì)控制器本身進(jìn)行不斷的調(diào)節(jié)，然后對(duì)被控對(duì)象進(jìn)行控制，不斷地產(chǎn)生輸出信號(hào)，如此往復(fù)，直到輸出信號(hào)與輸入信號(hào)的階躍響應(yīng)無(wú)限接近，差值e(k) 無(wú)限接近于0，實(shí)現(xiàn)參數(shù)的智能化調(diào)節(jié)。

圖4 SOA 算法下的 PID 控制器原理圖Fig.4 PID controller schematic diagram under SOA algorithm

3 仿真及結(jié)果分析

3.1 系統(tǒng)數(shù)學(xué)模型

控制部分電機(jī)傳遞函數(shù)：

在引導(dǎo)學(xué)生互相修改的時(shí)候，教師要采用多種形式的，如人員的安排——同桌之間，小組之間。小組之間則要注意好、中、差學(xué)生的搭配；修改內(nèi)容可以是字、詞、句，可以是標(biāo)點(diǎn)，可以是段落，也可以是篇章。但是教師更要注意引導(dǎo)學(xué)生循序漸進(jìn)，從簡(jiǎn)單到復(fù)雜，從單項(xiàng)到綜合。這樣一步一步，學(xué)生就能學(xué)會(huì)自我修改了。

(2)

其中UN為直流電動(dòng)機(jī)額定電壓，IN為直流電動(dòng)機(jī)額定電流，nN為直流電動(dòng)機(jī)額定轉(zhuǎn)速，GD2為負(fù)載及電動(dòng)機(jī)轉(zhuǎn)動(dòng)總慣量，Ra為直流電動(dòng)機(jī)電驅(qū)回路電阻，Ld為直流電動(dòng)機(jī)電驅(qū)回路電感。

3.2 參數(shù)編碼

假設(shè)種群P中有3個(gè)搜索者，其中由PID控制器的三個(gè)控制參數(shù)共同構(gòu)成每個(gè)粒子的位置向量，則每個(gè)個(gè)體位置向量為D=3維。現(xiàn)在用一個(gè)S×D的矩陣來(lái)表示該種群：

(3)

3.3 適應(yīng)度函數(shù)的選取

SOA算法在搜索進(jìn)化中只會(huì)使用適應(yīng)度值來(lái)評(píng)價(jià)個(gè)體的優(yōu)劣，并將適應(yīng)度值作為將來(lái)粒子位置更新的依據(jù)，使得初始解逐漸進(jìn)化為最優(yōu)解。若要在過(guò)渡過(guò)程中得到較為合適的動(dòng)態(tài)特性，在選取最小目標(biāo)函數(shù)時(shí)，我們可以選擇絕對(duì)誤差的時(shí)間積分性能指標(biāo)，在目標(biāo)函數(shù)中添加一個(gè)輸入的二次方，這樣可以很好地避免控制能量超標(biāo)，目標(biāo)函數(shù)如式(4)所示：

(4)

式中，e(t)為系統(tǒng)誤差，u(t)為控制器輸出，ω1、ω2為權(quán)值。為了防止出現(xiàn)超調(diào)現(xiàn)象，當(dāng)出現(xiàn)超調(diào)時(shí)，就把超調(diào)量當(dāng)作最佳指標(biāo)中的一項(xiàng)，則此時(shí)最佳指標(biāo)為：

(5)

式中，ω3為權(quán)值，且ω3>>ω1，一般會(huì)選擇ω1=0.999，ω2=0.001，ω3=100。

3.4 算法的實(shí)現(xiàn)

SOA算法模擬人的隨機(jī)搜索行為，將人的智能搜索行為直接應(yīng)用于對(duì)優(yōu)化問(wèn)題解的搜索。在優(yōu)化計(jì)算中，人的隨機(jī)搜索行為可理解為：在連續(xù)空間的搜索過(guò)程中，較優(yōu)解的周?chē)赡艽嬖诟鼉?yōu)的解，最優(yōu)解可能存在于較優(yōu)解的鄰域內(nèi)。因此，當(dāng)搜尋者所處位置較優(yōu)時(shí)，應(yīng)該在較小鄰域內(nèi)搜索；當(dāng)搜尋者所處位置較差時(shí)，應(yīng)該在較大鄰域內(nèi)搜索。為此，SOA算法利用可以有效描述自然語(yǔ)言和不確定性推理的模糊邏輯，對(duì)上述搜索規(guī)則進(jìn)行建模，并確定搜索步長(zhǎng)。

(1)t→0;

(2)初始化，在可行解域隨機(jī)產(chǎn)生 s個(gè)初始位置;

(6)

其中，i=1,2,3,…,s；t=0；

(3)評(píng)價(jià)，計(jì)算每個(gè)位置的目標(biāo)函數(shù)值；

(4)搜尋策略，計(jì)算每一個(gè)個(gè)體i在每一維j的搜索方向dij(t)和步長(zhǎng)αij(t)；

(5)位置更新，按公式更新每個(gè)搜尋者位置；

(6)t→t+1 ；

(7)若滿(mǎn)足停止條件，停止搜索；否則，轉(zhuǎn)(3)。

3.5 仿真結(jié)果分析

為了研究 SOA 算法在 PID 參數(shù)優(yōu)化情況，選擇了不同種群數(shù)作為研究對(duì)象，通過(guò)對(duì)不同種群數(shù)的研究，從而獲得一定的規(guī)律。將 SOA 算法迭代次數(shù)設(shè)為150，種群數(shù)依次設(shè)為 30、40、50、100。在比較不同種群數(shù)量的整定效果時(shí)，必須先得出150代時(shí)的PID整定參數(shù)。使用 Matlab 工具可得出四種不同種群數(shù)量時(shí)的整定參數(shù)，結(jié)果如表1所示。

表1 四種不同種群數(shù)量時(shí)的整定參數(shù)Table 1 The setting parameters of four different populations

若在SOA算法中將種群數(shù)量分別取 30、40、50和100，將最終結(jié)果綜合對(duì)比可以發(fā)現(xiàn)，種群數(shù)為 50 時(shí)的收斂性最好、穩(wěn)定性最高，對(duì)PID控制參數(shù)的整定效率最高。結(jié)合圖5和圖6的運(yùn)行結(jié)果可知，當(dāng)種群數(shù)為50時(shí)，在本系統(tǒng)中可得最優(yōu)化的PID參數(shù)值，實(shí)現(xiàn)智能化控制。

圖5 SOA優(yōu)化適應(yīng)度函數(shù)變化的曲線(xiàn)Fig.5 Curve of SOA optimization fitness function change

圖6 PID參數(shù)優(yōu)化曲線(xiàn)Fig.6 PID parameter optimization curve

采用面積為950 cm2的太陽(yáng)能板，計(jì)算太陽(yáng)光照到地面的功率和實(shí)際光伏發(fā)電板的收集儲(chǔ)存功率，結(jié)果如表2所示。

表2 太陽(yáng)光照功率轉(zhuǎn)化統(tǒng)計(jì)表Table 2 Solar illumination power conversion table

4 結(jié)論

本文以控制部分直流電動(dòng)機(jī)參數(shù)智能化整定為研究對(duì)象，主要介紹了在 PID 控制系統(tǒng)中使用 SOA 智能算法進(jìn)行參數(shù)整定的相關(guān)設(shè)計(jì)方案。隨后在 SOA 算法中選取不同的種群數(shù)量和迭代次數(shù)，分別對(duì)系統(tǒng)的 PID 控制參數(shù)進(jìn)行整定，給出了在實(shí)際工程應(yīng)用中種群數(shù)量和迭代次數(shù)對(duì)控制參數(shù)的影響，證明了 SOA 算法在該系統(tǒng)的 PID 參數(shù)整定中具有絕對(duì)的可行性以及相關(guān)優(yōu)化規(guī)律，SOA 算法不僅具有可行性，而且相對(duì)于其他常用的智能算法，具有較高的精度、較好的收斂性、誤差較小的優(yōu)點(diǎn)。實(shí)驗(yàn)結(jié)果表明，整定后的參數(shù)用在控制系統(tǒng)中使得系統(tǒng)更加智能化，太陽(yáng)光復(fù)合利用率更高。