基于混沌粒子群的神经网络主汽温控制系统

《基于混沌粒子群的神经网络主汽温控制系统》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于混沌粒子群的神经网络主汽温控制系统万方数据服粒子群优化算法存在的局部最优、收敛速度慢和“早熟”缺陷，引入混沌机制，通过利用混沌的遍历性和随机性对粒子群扰动，保持粒子多样性，使控制系统获得更优控制性能。２常规主汽温控制系统当前，火电厂锅炉主汽温控制系统通常采用常规ＰＩＤ串级控制结构，具体架构如图１所示。图１火电厂锅炉主汽温串级控制系统在图１中，Ｃ。表示主控制器，Ｃ：表示副控制器；而和ｄ：表示系统扰动；ｃ，（ｓ）表示导前区主汽温传递函数，Ｇ２（ｓ）表示惰性区的主汽温传递函数；日，（ｓ）表示导前区的测量单元特性，马（ｓ）表示惰性区的测量单

2、元特性旧３。在主汽温串级控制系统中，通常情况下，主回路采用ＰＩＤ控制器，回路采用ＰＩ控制器，主汽温一阶加纯滞后简化模型为：Ｇ。（ｓ）＝恭ｅ。５。鼬（１）从式（１）可知，系统具有大迟、大惯性、参数时变性和非线性等特性，常规ＰＩＤ串级控制器难以获得理想控制效果，———————————————————————————————————————————————超调量大，稳定时间长，因此，需要寻求更好的控制策略，获得高品质的控制系统，提出如下方法。３砌疆一ＰＩＤ串级主汽温控制系统神经网络具有任意非线性逼近能力，能够对自适应、动态找到与实际工况相适应

3、的最佳ＰＩＤ控制参数，因此，本文径向基函数（ＲＢＦ）神经网络和传统ＰＩＤ控制组成在一起，构成一种智能ＰＩＤ控制器。３．１ＲＢＦ神经网络整定的ＰＩＩＤ串级控制策略ＲＢＦ神经网络是一种只有单隐层的神经网络，输入层与隐含层之间一种非线性关系，隐含层和输出层之间是一种线关系，具有学习速度快，有效避免局部最优等优点，为非线性控制系统提供了一种很好的建模工具归Ｊ。结构如图２所示。设ＲＢＦ神经网络的基宽向量和权向量分别为：曰＝［ｂ。，ｂ：，…，ｂ。］７和Ｗ＝［埘。，ｔｔ，：，…，埘。ｒ，那么ＲＢＦ神经网络的输出为：Ｙｍ（ｋ）＝埘１ｈ１＋彬２ｈ２＋…彬

4、ｍｈ帆（２）ＲＢＦ神经网络的性能指标为：１———————————————————————————————————————————————．．，＝÷（ｙ（ｋ）一Ｙｍ（＿｜｝））２●（３）在ＲＢＦ神经网中，隐含层单元中心、输出权重和基宽参数控制着模型输出与实际对象误差，采用梯度下降算法对它图２ｌ啦Ｆ神经网络结构们进行动态调整。１叶（七）＝ｗｊ（ｋ一１）＋ｎ（ｙ（ｋ）一Ｙ。（＿｜｝））吩＋ａ（叶（ｋ一１）一毗（ｋ一２））Ａ纠），㈤训圳哆ｌ掣（４）ｔｂｊ（ｋ）＝ｂｊ（ｋ一１）＋叼△ｑ＋ｄ［ｑ（｜｜｝一１）一屯（矗－２）］卜山㈣’－－Ｙｍ㈩】哟掣

5、（５）、【％（七）＝勺（Ｊ｜｝一１）＋’７△勺＋ａ［ｑ（七一１）一勺（＿｜｝－２）］———————————————————————————————————————————————（６）式中，ａ表示动量因子，叼表示学习速率，它们均为０和１之问的数。Ｊａｃｏｂｉａｎ矩阵能够描述被控对象输出和控制量输入之闯灵敏度变化关系，其值可以通过采用神经网络进行辨识获得。取ＲＢＦ神经网络网络的第一个输人为ｐ（ｋ），聋，＝／ｔ（ｋ），则有：器一哿＝砉丝ａｕ（ｋ）＝私宁㈩ＲＢＦ—ＰＩＤ的主汽温控制系统结构如图３所示。图３ＲＢＦ—ＰＩＤ控制结构图在图３中，ｒ（

6、ｋ）和ｙ（ｋ）分别表示系统输入和输出们号，通过ＲＢＦ神经网络进行辨识，并对ＰＩＤ控制器参数尼。ｋ。和ｋ。进行实时调整，使系统具有自适应能力。设ＰＩＤ控制误差为：ｅ（．｜｝）＝ｒ（矗）一Ｙ（Ｊ｜｝）（８）经典增量式数字Ｐ！Ｄ控制器输出ｕ（Ｊ｝）为：Ｉ扯（Ｊ｝）＝ｋｅ（Ｊ｝）＋ｋｉ∑ｅ（＿『）＋ｋ。（ｅ（＿｜｝）一ｅ（七一１））（９）———————————————————————————————————————————————Ｊ２Ｕ．．．．——３２３．．．．——万方数据可以得到经典增量式数字ＰＩＤ控制算法：△Ｈ（七）＝Ｊ｜｝。［ｅ（ｋ）一ｅ

7、（ｋ一１）］＋七。ｅ（ｋ）＋ｋｄ［ｅ（ｋ）一２ｅ（ｋ一１）＋ｅ（ｋ一２）］（１０）设经典增量式数字ＰＩＤ控制器３项输入为：，艽（１）＝ｅ（南）一ｅ（ｋ一１）｛ｘ（２）＝ｅ（．｜｝）《１１）。石（３）＝ｅ（五）一２ｅ（ｋ一１）＋ｅ（ｋ一２）取误差函数作为神经网络的性能指标函数：Ｅ（｜ｊ｝）＝争（＿｜｝）２＝÷【ｒ（而）一，，（１｜｝）】２（１２）采用梯度下降法决定每次迭代新的搜索方向，从而实现对ＰＩＤ控制器参数＿｜｝。ｋ。和ｋ。进行动态调整，即有：△砟＝一可幽０ｙ＃也ｕｏｋ，嘞ｅ（五）磬她一叼糍砘啦鲁（１３）从。＝一田煮酱讯啪，等————

8、———————————————————————————————————————————式中，，７ｂ、叩”田ｈ分别为ＰＩＤ控制器的比例、积分、微分的学习速率。３．２混沌粒子群算法对ＲＢＦ神经网络优化梯度下降法