一种基于PSO‑PID算法的燃气自动控制阀门智能调控方法与流程

本发明涉及燃气自动阀优化控制领域，具体地说涉及一种基于PSO-PID算法的燃气自动控制阀门智能调控方法。

背景技术：

城市燃气管网是为城镇居民和工商业用户提供燃气需求的管道网络，是燃气用户日常生活生产过程中赖以生存的“生命线”。由于城市燃气用户的需求随季节、月份、时日均有变化，为解决气源供应与用户需求之间的矛盾，燃气公司需要实时监控管网流量和压力，并根据实际工况做出相应调整。其中，调压阀是实现流量和压力控制的必备元件。在城市燃气实际的输配过程中，通常是调度中心根据管网系统实时监测数据的变化向各个场站发出调度指令，场站工人接收到指令后通过人为的方式调节管道阀门，改变场站相关设备进出口流量和压力。

随着“工业4.0”等概念的不断深化以及物联网技术在燃气领域的成功应用，燃气公司不断加大管网智能升级的改革力度，而实现对各个场站压力和流量的自动化控制是建设智能场站必要途径。目前，针对燃气阀门自动控制的算法有PID、LQR、LQG等，其中PID算法由于结构简单、鲁棒性强，不依赖于被控对象的精确模型，被广泛应用于工业生产中。

但是，基于PID的传统燃气控制阀没有自适应能力，针对某一种特殊工况其参数调整多采用试凑方式，往往依赖于操作人员的技巧和经验，当控制目标变化时需要重新作出参数的调整；此种人工参数整定的手段耗时长、精确度低，限制了PID控制阀的应用。

技术实现要素：

本发明的目的在于提供一种基于PSO-PID算法的燃气自动控制阀门智能调控方法，解决传统燃气控制阀门参数整定过程中存在人为误差、耗时长、精度低的问题，实现提高阀门对不同燃气流量和压力系统的调控能力及适应能力的目的。

本发明通过下述技术方案实现：

一种基于PSO-PID算法的燃气自动控制阀门智能调控方法，包括以下步骤：

(1)建立燃气阀门被控对象的传递函数模型，所述传递函数模型为

(2)在传递函数模型的基础上，进行PID算法控制器的设置；

(3)在进行PID算法控制器设置的同时，初始化PSO算法中的粒子群参数；

(4)利用粒子群算法对PID控制器的参数进行优化，比较计算结果是否达到精度或迭代次数，记录最佳Kp、Ki、Kd参数值；

(5)若计算结果达到性能目标，则结束计算，输出Kp、Ki、Kd参数值作为最佳控制参数；若计算结果达不到性能要求，则重复第(3)步、第(4)步，在K时步的结果基础上更新粒子群的速度和位置，输出最佳Kp、Ki、Kd参数值。

进一步的，随着人工智能技术的发展，出现了很多基于智能算法整定PID参数的方法，而PSO算法具有逼近任意连续有界非线性函数的能力，对于PID参数整定过程中的非线性和不确定性，无疑是一种有效的解决途径。所以本发明人将带有收敛因子的粒子群算法能迅速搜索最优可行解的特点与PID控制相结合，建立燃气自动控制阀被控对象传递函数模型；初始化PSO算法粒子群数量、位置等参数，通过将Kp、Ki、Kd三个参数作为PSO算法的空间解集，以适应度函数为评价指标并通过循环迭代的方式获取PID参数的全局最优解，然后将最优解作为PID控制器输入参数实现燃气阀门对流量的自动控制。具体是指通过比例项(Kp)、积分项(Ki)和微分项(Kd)三个参数的合理配置，用以控制燃气自动阀门电机的输出信号。因为根据采集时步前后误差项的实际情况，参数Kp能快速调节输出信号的变化幅度、参数Ki能减小稳定误差、参数Kd能增强系统稳定性，预防超调现象，所以用此方式提高了阀门对不同燃气流量和压力系统的调控能力及适应能力。

所述步骤(1)中燃气阀门被控对象的传递函数模型建模是依据如下步骤完成的：

首先，设定电动机的初始转速为ω，减速后的转速为ω，，将电磁惯性和机械惯性均设置为0，其减速输出：

ω，＝k₁k₂U_r 公式(1)

其中，k₁为电机转换系数，k₂为减速比，U_r为电动机的工作电压；

其次，根据阀门联轴器的传递作用，使电机减速后的速度与阀门转轴的速度相等，电机减速后的转速为ω，与阀门转角的关系为：

接着，将公式(1)和公式(2)联立，积分可得：

其中，t₀为电磁惯性和机械惯性；

最后，对公式(3)进行拉普拉斯变换可得到传递函数G(s)为：

其中，s为复数。

进一步的，燃气自动阀的结构主要是将电动机通过减速器和联轴器与阀门对接，依靠改变电动机转速的方式实现对阀门开闭程度的控制，因此过阀流量与阀门转轴的转角相关；被控对象传递函数推导过程可参看公式(1)-公式(4)。

所述步骤(2)中的PID算法控制器的设置，包括如下步骤：

首先，根据给定的目标值r(t)与实际输出值y(t)构成的偏差e(t)，将偏差的Kp、Ki和Kd通过线性组合构成控制项，对被控对象进行控制，其控制规律为：

e(t)＝r(t)-y(t) 公式(5)

然后，对公式(6)进行离散化处理，即得到燃气自动控制阀增量型PID算法函数Δu(k)：

Δu(k)＝K_p[e(k)-e(k-1)]+K_ie(k)+K_d[e(k)+e(k-2)-2e(k-1)公式(8)

其中，比例系数积分系数微分系数

进一步的，PID算法实质是一种线性控制算法，给定的目标值r(t)与实际输出值y(t)构成的偏差e(t)，将偏差的比例、积分、微分通过线性组合构成控制项，对被控对象进行控制。这里的r(t)指的是t时刻要求阀门达到的开度，y(t)指的是阀门实际的开度。

所述步骤(4)中利用粒子群算法对PID控制器的参数进行优化，包括如下步骤：

首次，将初始化的粒子群参数赋值到PID控制器的Kp、Ki、Kd参数数组中；

其次，根据系统偏差与时间的关系，在此以时间绝对偏差积分ITAE的倒数作为适应度函数，适应度函数变化过程如下：

对于增量型的PID控制器，将适应度函数进行离散化处理，处理后适应度函数如下：

然后，根据适应度函数公式(10)和公式(11)计算每一粒子的适应度值，并找出粒子群中适应度最佳个体的Kp、Ki、Kd参数值。

进一步的，初始化粒子群参数包括粒子群个数和维度等，由于Kp、Ki、Kd参数作为PSO优化的对象，因此粒子群的维度为三维；参数名称及符号可参看表1。

表1初始化粒子群参数

PSO算法的基本思想是随机初始化一定个数和维度的粒子群，每一个粒子就是优化问题的一个可行解，粒子的优劣由适应度函数作为评判标准；粒子群在可行空间中的位置随速度变化，通过对粒子群位置的追踪并进过迭代搜索寻找全局最优解，即Kp、Ki、Kd参数值。

初始化粒子群参数后，粒子i在初始时刻状态的数学表达式可参看表2。

表2粒子群中任意粒子初始状态表

所述的更新粒子群的速度和位置的步骤如下：

根据公式(10)和公式(11)计算粒子新位置及更新后的适应度值，然后根据公式(12)进行适应度比对：

若当前粒子适应度优于粒子本身前一时刻的最优适应度，则把当前粒子位置作为自身最优位置

若粒子当前适应度优于整个粒子群前一时刻的最优适应度，则把当前位置粒子群作为全局最优

其中，

在公式(12)中，r₁和r₂是在(0，1)之间均匀分布的随机数，ω_start和ω_end分别为起始权重和终止权重，t_max是最大迭代次数，t是当前迭代次数。

进一步的，这个参数实际就是KPI参数数组Kp、Ki、Kd，而就是这个数组里面最优的一组参数。将计算出的全局最优位置的个体的进行循环迭代，不断计算粒子群适应度值和粒子群位置，判断是否达到收敛精度或最大迭代次数，最后输出全局最优粒子，即为最优的PID参数；以整定后的PID参数(Kp、Ki、Kd参数值)作为阀门控制器最终的参数，实现对燃气流量和压力的自动化控制。通过以上方法解决了传统燃气控制阀门参数整定过程中存在人为误差、耗时长、精度低的问题，实现了提高阀门对不同燃气流量和压力系统的调控能力及适应能力的目的。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明一种基于PSO-PID算法的燃气自动控制阀门智能调控方法，以燃气自动控制阀门为研究对象，充分考虑PID控制系统的特征，并建立了被控对象的传递函数模型；同时，引入人工智能技术，采用带有收敛因子的改进型粒子群算法搜索PID参数最优解，实现对燃气流量的自动控制，克服了传统PID燃气控制阀人工调整参数的缺点，实现了PID参数的自整定；此方法具有耗时短、精确度高、自适应能力强、适用性好等优点，具有良好的应用前景和商业价值。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明基于PSO参数整定的PID控制阀原理框图；

图2为本发明带有收敛因子改进型PSO算法流程图；

图3为本发明基于PSO算法优化PID参数的逻辑框图；

图4为本发明基于PSO参数整定的PID参数的电路结构图；

图5为本发明基于PSO参数整定的PID参数的Simulik仿真模块设计图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1：

如图1～图3所示的一种基于PSO-PID算法的燃气自动控制阀门智能调控方法，包括以下步骤：

(1)建立燃气阀门被控对象的传递函数模型，所述传递函数模型为

(2)在传递函数模型的基础上，进行PID算法控制器的设置；

(3)在进行PID算法控制器设置的同时，初始化PSO算法中的粒子群参数；

(4)利用粒子群算法对PID控制器的参数进行优化，比较计算结果是否达到精度或迭代次数，记录最佳Kp、Ki、Kd参数值；

(5)若计算结果达到性能目标，则结束计算，输出Kp、Ki、Kd参数值作为最佳控制参数；若计算结果达不到性能要求，则重复第(3)步、第(4)步，在K时步的结果基础上更新粒子群的速度和位置，输出最佳Kp、Ki、Kd参数值。

实施例2：

如图1～图3所示的一种基于PSO-PID算法的燃气自动控制阀门智能调控方法，在实时例1的基础上，本发明的具体实施步骤如下：

(A)、所述步骤(1)中燃气阀门被控对象的传递函数模型建模是依据如下步骤完成的：

首先，设定电动机的初始转速为ω，减速后的转速为ω，，将电磁惯性和机械惯性均设置为0，其减速输出：

ω，＝k₁k₂U_r 公式(1)

其中，k₁为电机转换系数，k₂为减速比，U_r为电动机的工作电压；

其次，根据阀门联轴器的传递作用，使电机减速后的速度与阀门转轴的速度相等，电机减速后的转速为ω，与阀门转角的关系为：

接着，将公式(1)和公式(2)联立，积分可得：

其中，t₀为电磁惯性和机械惯性；

最后，对公式(3)进行拉普拉斯变换可得到传递函数G(s)为：

其中，s为复数。

(B)、所述步骤(2)中的PID算法控制器的设置，包括如下步骤：

首先，根据给定的目标值r(t)与实际输出值y(t)构成的偏差e(t)，将偏差的Kp、Ki和Kd通过线性组合构成控制项，对被控对象进行控制，其控制规律为：

e(t)＝r(t)-y(t) 公式(5)

然后，对公式(6)进行离散化处理，即得到燃气自动控制阀增量型PID算法函数Δu(k)：

Δu(k)＝K_p[e(k)-e(k-1)]+K_ie(k)+K_d[e(k)+e(k-2)-2e(k-1)公式(8)

其中，比例系数积分系数微分系数

(C)、初始化PSO算法中的粒子群参数，对粒子群的个数N赋值，并调用随机数函数自动生成粒子群位置随机数列、粒子群速度随机数列，初始参数表详见表2。

(D)、所述步骤(4)中利用粒子群算法对PID控制器的参数进行优化，包括如下步骤：

首次，将初始化的粒子群参数赋值到PID控制器的Kp、Ki、Kd参数数组中；

其次，根据系统偏差与时间的关系，在此以时间绝对偏差积分ITAE的倒数作为适应度函数，适应度函数变化过程如下：

对于增量型的PID控制器，将适应度函数进行离散化处理，处理后适应度函数如下：

然后，根据适应度函数公式(10)和公式(11)计算每一粒子的适应度值，并找出粒子群中适应度最佳个体的Kp、Ki、Kd参数值。

(E)、所述的更新粒子群的速度和位置的步骤如下：

根据公式(10)和公式(11)计算粒子新位置及更新后的适应度值，然后根据公式(12)进行适应度比对：

若当前粒子适应度优于粒子本身前一时刻的最优适应度，则把当前粒子位置作为自身最优位置

若粒子当前适应度优于整个粒子群前一时刻的最优适应度，则把当前位置粒子群作为全局最优

其中，

在公式(12)中，r₁和r₂是在(0，(1)之间均匀分布的随机数，ω_start和ω_end分别为起始权重和终止权重，t_max是最大迭代次数，t是当前迭代次数。

(F)、根据步骤(D)和步骤(E)进行循环迭代，不断计算粒子群适应度值和粒子群位置，判断是否达到收敛精度或最大迭代次数，最后输出全局最优粒子，即为最优的PID参数，即最佳Kp、Ki、Kd参数值。

实施例3：

如图1～图5所示的一种基于PSO-PID算法的燃气自动控制阀门智能调控方法，在实时例2的基础上，随机生成一组粒子群，初始化PSO算法中的粒子群参数，维度是3维，数量是30个，那么这个粒子群矩阵即为30*3，每一个粒子都代表一个KPI参数，将这个粒子群带入适应度函数中进行计算，然后通过速度位置的更新，再带入适应度函数中进行计算，比较前后两个时步的适应度值，自动将适应度值最优的粒子群位置参数记录为个体最优，自动将个体最优矩阵里面的最优个体记录为全局最优。其中，图5表示Step信号源要求控制项输出为1，实际输出曲线在8次迭代计算后达到控制要求。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。