一种PID控制器参数智能优化方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110888317A(43)申请公布日2020.03.17(21)申请号201911179546.7(22)申请日2019.11.27(71)申请人广东技术师范大学地址524042广东省广州市天河区中山大道293号(72)发明人黄镇生刘晓勇(74)专利代理机构广州市华学知识产权代理有限公司44245代理人李盛洪(51)Int.Cl.G05B11/42(2006.01)权利要求书2页说明书8页附图5页(54)发明名称一种PID控制器参数智能优化方法(57)摘要本发明涉及一种PID控制器参数智能优化方法，包括：S1，建立水轮调节系统仿真模型，根据预设的性能评价指标设置目标函数；S2，采用Z-N工程整定法求得水轮调节系统仿真模型中的PID控制器的参数；其中PID控制器的参数包括比例系数Kp，积分系数Ki，微分系数Kd；S3，对水轮调节系统仿真模型和算法的所有参数进行初始化；S4，采用标准粒子群算法和免疫粒子群算法组成的混合算法优化PID控制器参数。通过仿真，本发明对水力发电水轮机PID控制调节效果有了很好的改善，免疫自适应粒子群算法比标准粒子群算法达到的性能指标更优，没有出现较大的超调量，调节时间更短，对阶跃信号的响应效果更好。CN110888317ACN110888317A权利要求书1/2页1.一种PID控制器参数智能优化方法，其特征在于，包括：S1，建立水轮调节系统仿真模型，根据预设的性能评价指标设置目标函数；S2，采用Z-N工程整定法求得水轮调节系统仿真模型中的PID控制器的参数；其中PID控制器的参数包括比例系数Kp，积分系数Ki，微分系数Kd；S3，对水轮调节系统仿真模型和算法的所有参数进行初始化；S4，采用标准粒子群算法和免疫粒子群算法组成的混合算法优化PID控制器参数。2.根据权利要求1所述的PID控制器参数智能优化方法，其特征在于，步骤S4包括：S41，根据目标函数计算粒子群中所有粒子的适应度值，其中比例系数kp、积分系数ki，微分系数kd构成一个三维空间的粒子群；S42，选出全局的最优个体，S43，对粒子群算法的惯性权重ω和学习因子c1、c2进行自适应更新；S44，判断粒子群算法迭代数G是否大于预设免疫步长DS，若是，则执行步骤S45，进入免疫算法；S45，执行免疫算法产生替换粒子，以替换粒子执行步骤S41-S43一次；S46，判断最优个体对应的目标函数是否是最小，若是，则结束；若否，则执行步骤S41。3.根据权利要求2所述的PID控制器参数智能优化方法，其特征在于，步骤S42包括：比较当前粒子群每一个粒子的适应度值，选出适应度值最小的粒子作为群体最优参数值并保存，对当前粒子群的粒子的位置及速度进行更新，每一次迭代所得到的群体最优值作为历史最优值，经过多次迭代最终从历史最优值当中选出全局最优值的粒子作为粒子群算法的最优参数解。4.根据权利要求3所述的PID控制器参数智能优化方法，其特征在于，对当前粒子群的粒子的位置及速度进行更新的公式为：vij(t+1)＝ωvij(t)+c1r1(t)(pij(t)-xij(t))+c2r2(t)(pgj(t)-xij(t))(11)xij(t+1)＝xij(t)+vij(t+1)(12)其中：下标j表示微粒的第j维，下标i表示微粒i，t表示第t代，ω为惯性权重c1，c2为加速常量。从上述微粒进化方程可以看出，c1调节微粒飞向自身最好位置方向的步长，c2调节微粒向全局最好位置飞行的步长。5.根据权利要求2所述的PID控制器参数智能优化方法，其特征在于，步骤S43中，对粒子群算法的惯性权重ω和学习因子c1、c2进行自适应更新的公式为：其中α、β为波动范围限定值，gbest为粒子全局最优值，pbest为粒子个体最优值，ω、cmax、cmin为惯性权重和学习因子初始设定值。6.根据权利要求2所述的PID控制器参数智能优化方法，其特征在于，步骤S45包括：2CN110888317A权利要求书2/2页计算出局部最优个体的和p(i)为历史最优个体适应值；计算每个个体与个体i的距离distance(j)＝abs(p(j)-p(i))；记录第i个个体与群体最优个体的距离小于最小步长的个数num；计算适应度概率PF(i)＝p(N-i+1)/Psum；计算个体浓度PD(i)＝num/N；随机产生替换概率因子a，a属于[0，1]，计算个体i的替换概率；PR(i)＝a*PF(i)+(1-a)*PD(i)如果PR(i)＞replace，则更新公式(12)：xi＝rand(1，D)·Range+ones(N，1)·Lb其中，Range＝Ub-Lb＝[αP·K′PαI·K′IαD·K′D]，Ub为上界，Lb为下界，Lb＝[000]，o