基于改進粒子群算法的慣性遲延系統模型辨識及PI D參數尋優軟件設計與應用

張 斌 高澤明 閆宗良

（國家能源集團河北公司定州發電有限責任公司，河北 保定 073000）

0 引言

火電機組的生產過程中存在大量具有大慣性、純遲延特性的被控對象，如鍋爐燃燒過程、汽水循環過程、脫硫脫硝過程等[1]。慣性遲延系統的控制響應慢、調節時間長，易產生超調，系統的穩定性差，不易獲取理想的控制參數[2]，而熱工班組工作人員往往疲于日常的設備維護和檢修工作，控制參數的調試能力相對匱乏。因此，建立對象精確數學模型進而獲取較為理想的控制參數尤為重要。針對上述現狀，研發了慣性遲延系統模型辨識及PID參數尋優軟件。該軟件以電廠實際運行數據為依據，對初始數據進行篩選，采用改進粒子群算法（PSO）進行模型辨識，最后利用辨識的模型進行PID參數尋優，獲取理想的PID參數，可以提高控制系統的控制品質，為熱工班組人員提供參數調試依據。

1 模型辨識原理

模型辨識就是通過分析待辨識系統的工程實際運行數據，利用工程經驗和參考模型結構的選擇要求，從參考模型中選取能精確反映所辨識系統靜態和動態特性的一個模型結構，然后通過優化算法獲取待辨識系統工程實際運行數據用以建立對象精確數學模型[3]，其原理圖如圖1所示。

2 軟件介紹

2.1 軟件界面及操作說明

軟件界面如圖2所示，操作說明如下：

（1）導入數據：點擊“導入數據”按鈕，選擇需要辨識的模型數據。數據格式為csv、xls、xlxs，數據的第一列為輸入數據，第二列為輸出數據。

（2）數據篩選：點擊“數據篩選”按鈕，軟件對導入數據進行預處理。

（3）尋優模型：點擊“尋優模型”下拉列表，選擇辨識的模型結構，模型傳遞函數為：

式中：K為傳遞函數增益；τ為純遲延時間；T為慣性時間；n為慣性環節階次。

（4）設置PSO初參：由專業技術人員根據實際情況提供。

（5）參數辨識：點擊“參數辨識”按鈕，進行參數辨識。

（6）設置PID整定初參：PID整定初參分為“pso參數”和“PID參數初設”兩部分，由專業技術人員根據實際情況提供。

（7）PID參數整定：點擊“PID參數整定”按鈕，進行PID參數尋優。尋優完成后，得到PID參數和對應PID參數下的模型單位階躍響應及PID輸出（執行器指令）曲線。

2.2 軟件的技術特點

（1）數據選取靈活簡單。訓練數據無須特定選取，只需將選取好的辨識系統數據導入軟件，即可對數據自動篩選，得到比較理想的訓練數據。數據的采樣周期可以根據現場情況靈活選擇，優化算法可根據采樣周期辨識對應的模型參數。

（2）尋優模型兼具全面性和實用性。尋優模型包含了一階慣性純遲延系統、二階慣性純遲延系統、三階慣性純遲延系統及以上三種模型加純積分模型，基本涵蓋了火力發電的所有模型。

（3）采用改進的粒子群尋優算法。傳統的粒子群算法（PSO）具有初始設定參數少、相比其他智能算法操作簡單、全局搜索速度快等優點，但易陷入局部最優。改進后的PSO優化算法，改善了PSO容易陷入局部最優的缺點，能快速進行全局搜索，收斂速度更快，搜索成功次數更多，優化精度更高[4]，其控制流程圖如圖3所示。

（4）PID參數尋優靈活。根據自身需求，設定超調懲罰程度，選擇合適的參數兼顧穩定性和快速性；PID控制方式可以是P、I、D三種控制方式的任意搭配，其傳遞函數形式為：

3 應用效果

以河北某電廠#2機組脫硝系統A側噴氨閥門開度與對應噴氨流量數據為例，利用軟件辨識閥門開度—流量模型，并進行PID參數整定，辨識結果如下：

（1）辨識模型參數如圖4所示，其中ITAE為時間乘誤差絕對值的積分性能指標。

該模型傳遞函數為：

（2）辨識模型輸出曲線（標幺化）如圖5所示。

（3）優化的PID參數如圖6所示。

（4）優化PID參數下的模型階躍響應曲線如圖7所示。

由圖5可以看出，實際輸出和辨識模型輸出曲線基本吻合，辨識的模型參數具有較高的精度；由圖7可以看出，優化后的PID參數比較理想，可作為熱工班組人員調試參數的依據。

4 結語

針對火電機組生產過程中普遍存在的純遲延、大慣性特性的控制系統以及熱工班組人員參數調試能力匱乏的實際問題，本文所述軟件基于改進的粒子群算法，以實際運行數據作為訓練數據，進行系統模型辨識，并對辨識的模型進行PID參數尋優，為熱工班組人員提供了可靠安全的參數依據，具有廣泛的實際意義。