蚁群算法优化BP神经网络在主汽温控制中的应用.pdf

《蚁群算法优化BP神经网络在主汽温控制中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、834化工自动化及仪表第40卷蚁群算法优化BP神经网络在主汽温控制中的应用王秋平马春林肖玲玲崔锐(东北电力大学自动化工程学院，吉林吉林132012)摘要针对火电厂主汽温被控对象的不确定性及大延迟、大惯性及非线性等特点，设计了一种基于蚁群算法、BP神经网络的智能PID串级控制系统。采用蚁群算法对BP神经网络的初始权值进行优化，再利用BP神经网络算法对PID参数进行在线调整，从而实现了对主蒸汽温度的动态控制。仿真结果表明：该系统在控制品质、鲁棒性方面都明显优于常规PID控制系统。关键词蚁群算法BP神经网络PID主汽温中

2、圈分类号TH865文献标识码A文章编号1000-3932(2013)07-083a-04大型火电机组锅炉过热蒸汽温度的有效控制是提高电厂经济效益，保证机组安全运行不可缺少的环节。过热蒸汽温度受到的干扰因素多、频繁，而且扰动量大，在各种扰动作用下，过热蒸汽温度具有大迟滞、大惯性、多扰动、非线性和时变性的动态特性，这使得主蒸汽温度控制较为困难。目前，大多数常规PID串级主汽温控制系统的控制性能并不理想⋯，难以在控制品质和稳定性之间取得折衷，即使整定出一组较为理想的参数，在对象特性发生变化或运行工况改变时¨1，控制品质也

3、难以保证，甚至影响控制系统的正常运行。笔者提出一种基于蚁群算法(AntColonyOp．timization，ACO)、BP神经网络与经典PID串级控制相结合的智能控制方法，对PID控制参数进行在线调整，实现了对过热蒸汽温度的智能PID控制。此方法利用神经网络具有自适应、自学习和可逼近任意函数的能力对PID参数进行在线调整，并利用蚁群算法的全局快速寻优能力对BP神经网络PID的初始权值进行优化∞J，使得BP算法搜索点在训练一开始就落在问题的最优解区域，进而很快找到目标函数的全局最优解。1控制系统结构常规串级PID主

4、汽温控制器在工况参数发生较大变化时，很难取得满意的控制效果HJ，笔者采用图1所示的基于蚁群算法优化的BP神经网络PID串级主汽温控制方案。系统由3个部分主成：蚁群算法对神经网络的初始权值进行优化；BP神经网络通过不断修正自身权系数，实现对PID控制参数kp、k；和后。的在线调整；经典的PID控制器直接对主汽温进行闭环控制。图1基于ACO优化的BP神经网络PID串级主汽温控制示意图图1中形．(s)为惰性区传递函数；W2(s)为导前区传递函数；P为内回路的比例控制器；ACO-BPNN为外回路的基于改进ACO优化的神经网

5、络PID控制器；d，为输出测量干扰量；d：为控制量干扰量；r为给定值；y为主汽温温度。2控制算法的实现2．1ACO(AntColonyOptimization)算法基本原理蚁群算法(AntColonyOptimization，ACO)是’由意大利学者DorigoM等人首先提出的一种智能算法”1，它是一种源于自然界的新型随机仿生类算法，是基于对自然界蚂蚁群体觅食行为的研究，该算法简单，易于与其他算法结合。下面针对个n城市的旅行商问题(TravelingSalesmanProb—lem，TSP)给出ACO算法模型。收稿

6、日期：2012—12—18(惨改稿)第7期王秋平等．蚁群算法优化BP神经网络在主汽温控制中的应用8352．1．1路径选取原则对于求解TSP问题，蚂蚁k由当前城市i向下一个城市_『移动时，根据下式进行选择：P。。。，：f：——i}!}!f：{}{；j器√∈a··。wed。P∽：{。孟。。[r“(t)]“‘‰(I)r‘‘【o，，。therwise(1)其中allowed。={0，1，⋯，lrt,一1}表示蚂蚁k下一步允许访问的城市集合；"／'ij为边(i，．『)上的信息素浓度；叼i为边的启发函数因子；a和卢是两个参数，

7、它们分别决定了蚂蚁在转移中所积累的信息素浓度和启发式信息在路径选择中的相对重要程度。2．1．2信息素更新规则经过n个时刻，当全部蚂蚁完成一次循环后，根据下式对各路径上的信息素浓度进行实时更新：。r口(t+，I)=(I—p)ri(￡)+△下．f△r口=．∑．△r：(2)其中O(0

8、出层神经元的输出状态分别对应于PID控制器的3个可调参数k小ki和kd"1。经典增量式PID的控制算法为：u(t)=u(k一1)+Au(后)au(^)=k。[e(I)一e(k一1)]+kie(七)+kd[e(^)一2e(k一1)+e(k一2)](3)其中k。、k；、k。是依赖于控制系统运行状态的可调参数，可以通过BP网络的训练和学习实现最佳组合的PID控制规