基于bp神经网络的pid控制器在渠道自动控制中的应用

《基于bp神经网络的pid控制器在渠道自动控制中的应用》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、水利学报2004年11月SHUILIXUEBAO第11期文章编号:0559-9350(2004)11-0091-06基于BP神经网络的PID控制器在渠道自动控制中的应用1112王涛，吴小钰，曾红专，韩丽屏(1.深圳市南山区农业水务局，广东深圳518059；2.深圳信息职业技术学院，广东深圳518029)摘要：本文提出将基于BP神经网络的PID控制器应用于渠道自动控制中，实现了渠道PID控制中参数的整定不依赖于渠道数学模型，且能在线依据渠道系统的动态信息调整PID参数，满足了实时控制的要求。应用Ma

2、tlab软件的仿真结果表明，采用基于BP神经网络PID控制器比常规PID控制，渠道的运行响应加快，水位超调减小，适应性增强，闸门的性能得到较大改善。关键词：渠道自动化；PID控制；BP神经网络；实时控制中图分类号：TP273文献标识码：APID控制是控制中最常用的算法，它具有直观、实现简单、可靠性高和鲁棒性好等优点，但在PID控制中一个关键的问题就是PID参数整定，传统的方法是在获取控制对象数学模型的基础上，根据某一整定原则来确定PID参数，然而对于渠道控制来说，实际的渠道系统是一个复杂的非线性、

3、不确定系统，难于建立精确的数学模型，而且模型参数随着渠道工作状况的改变而改变，这就要求PID参数的整定不依赖于渠道数学模型，且能适时依据渠道系统的动态信息调整PID参数。神经网络具有自适应、自学习、并行处理[1]及较强的容错能力，将神经网络应用于渠道PID控制过程，给控制赋予智能，适时调整PID参数，将使渠道系统具有较强的抗干扰能力和鲁棒性。1单渠池常规PID控制器[2]1.1控制目标道运行控制可简化为两节制闸门之间渠池的控制。考虑渠道快速反应及调蓄容积小等特点，本文采用等容积控制方式，即以渠池蓄

4、水量不变作为控制目标。渠池中蓄水量的控制通过水位控制来实现。当流量变化时，水面以渠池中点为枢轴转动，如图1示，控制加权中点水位Y=0.5Y1+0.5Y2(Y1、Y2分别为上下游水位)不变，以实现渠池蓄量不变。由于流体的特性，控制过程中会出现壅水、跌水等过程而使控制存在一定的误差，但控制中点水位不变基本可以保证蓄量不变。图1等体积控制图2控制模型1.2控制模型整个控制过程主要有3个模块(见图2)：控制模块(PID控制器)、过闸流量和上下游水位计收稿日期：2003-07-21基金项目：国家863计划课

5、题(2001AA242111)作者简介：王涛(1978-)，男，湖北襄樊人，硕士，主要从事灌排工程自动化方面的研究。1水利学报2004年11月SHUILIXUEBAO第11期[3]算模块。控制模块以给定目标水位和加权中点水位的为输入，经PID控制器输出闸门开度。在流量计算模块中，下游流量边界条件由用户需水要求得到，上游流量边界条件采用如下的过闸流量计算公式得到Q=Cab2gh(1)do3式中：Q为过闸流量(m/s)；a为闸门开度(m)；b为闸门宽度(m)；h0为上游水深(m)；Cd为流量系数。对于

6、自由出流和淹没出流，流量系数有不同的取值。在上下游水位计算模块中，结合上下游流量边界条件和初始条件，利用以水位和流量为自变量的圣维[4]南方程组实时进行上下游水位计算，再把上下游加权中点水位反馈给控制模块进行控制操作，不停地调整边界条件，从而实现整个模型的动态求解。2基于神经网络的渠道运行PID控制器常规PID控制算法简单、稳态性能好、可靠性高且易于实现，只要根据控制对象的数学模型正确设定参数Kp、Ki和Kd便可实现其作用。然而实际的渠道系统是一个复杂的非线性、不确定系统，难于建立精确的数学模型，

7、而且模型参数随着渠道工作状况的改变而改变，这就要求在渠道PID控制中参数的整定不依赖于渠道数学模型，且能在线依据渠道系统的动态信息调整PID参数，以满足实时控制的要求。神经网络在理论上可以趋近任何非线性函数，具有自适应、自学习、并行处理及较强的容错能力，将神经网络应用于渠道PID控制，根据渠道运行状态变量，实时调整PID控制参数，将使渠道系统具有较强的抗干扰能力和鲁棒性。2.1单渠池运行控制BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过神经网络自身的学习，可以找到某一最

8、优控制规律下的PID参数。如图1所示，基于BP神经网络的渠道PID控制系统由两部分组成：①经典的PID控制器：直接对被控过程闭环控制得出闸门开度值；②神经网络NN：根据被控制渠池实测中点加权水位与期望中点水位的偏差，由选定的学习算法实时整定PID控制器的控制参数，以期达到某种性能指标的最优化，即使神经网络输出层的输出对应PID控制器的3个可调参数Kp、Ki、Kd，通过神经网络自身的学习、加权系数的调整，从而使其输出为对应于某种最优控制规律下的PID控制参数。图3基于BP神经网络渠道