一种基于模糊PID算法ASHP集热控制系统

本发明涉及ashp集热温度控制系统，具体涉及一种基于模糊pid算法ashp集热控制系统。

背景技术：

随着社会的不断进步和经济的迅猛发展，能源短缺不但是全世界都在关注的问题，也是目前我国处在经济高速发展阶段必定要解决的问题。我国社会主要矛盾发生了变化，标志着人们对美好生活的需求日益增加，生活采暖以及日常热水供应已成为不可或缺的日用品。但传统的锅炉供暖、电加热炉等设备存在对环境污染影响大、用电费用高和能耗大等问题。太阳能热水器能够达到节能绿色环保的目的，但其受季节气候影响较大。随着热泵技术的发展，因其制取热量的先进性和能够解决太阳能热水器的缺点而被广泛应用。热泵技术是以水、空气等低温热源来制取高温热量的一项技术，是我国实行“煤改电”政策中使用最多的产品，真正意义实现节能绿色环保的目的。

本发明是针对ashp集热温度控制系统进行研究，在工业控制过程中，传统的控制方法极易受到外界的因素影响使得ashp温度出现扰动调整时间长、超调量变大以及稳定性变差等问题。随着生产工艺越来越复杂，被控对象的模型难以精准获取和系统参数易被干扰而发生变化。

技术实现要素：

发明目的：为了解决现有技术的不足，本发明提供了一种基于模糊pid算法ashp集热控制系统。

技术方案：一种基于模糊pid算法ashp集热控制系统，在pid控制器的基础上，引入模糊控制理论形成一个模糊pid控制器，模糊pid控制器以偏差e及偏差变化率ec作为输入，用模糊控制规则对pid控制器的参数kp、ki、kd进行在线实时调节，实现更好的控制精度。

本技术方案中，确定kp、ki、kd与e、ec的模糊关系是模糊pid控制器的关键，根据模糊pid控制的原理能够看出，其控制效果不仅取决于pid初始控制参数kp,ki,kd，还取决于模糊控制模块输出量δkp,δki,δkd，当被控对象受到外界或其他因素干扰时，通过自适应调节δkp,δki,δkd，可以对pid实时输出参数kp,ki,kd进行微调整来有效控制系统的稳定。

本技术方案中，所述的基于模糊pid算法ashp集热控制系统的具体设计步骤如下：

步骤一、利用实验获取的150组实验数据，通过最小二乘法来对模型的参数进行系统辨识，确定ashp控制集热系统出水温度的传递函数；

步骤二、对模糊pid控制策略进行建模并对其稳定性进行验证。

本技术方案中，所述的步骤一中，本发明使用的ashp热水机组每隔10s采集一组实验数据，共150组，包括不同比例阀开度，水流量和出水温度；

利用matlab系统辨识工具箱进行参数辨识，将150组数据分为两组：90组训练样本数据和60组测试样本数据；90组训练样本数据分别为比例阀开度的水流量输入信号列向量u和出水温度输出信号列向量y，选取一阶惯性纯滞后传递函数，采样时间为10s，可得到辨识参数结果为：

将式(1)辨识的参数代入式(2)，得到ahsp集热控制系统的传递函数为：

利用剩下的60组测试样本数据对得到的数学模型进行验证，拟合度达到93.8％，所建立的数学模型基本能反映出ahsp集热控制系统中出水温度对水流量的变化规律。

本技术方案中，所述的步骤二中，模糊pid控制建模与仿真如下：

在matlab中建立模糊pid控制器的simulink仿真模型，模糊pid算法主要控制程序为fuzzypidcontroller包，其中又分别嵌入了fuzzycontroller和pidcontroller程序包组成模糊pid控制器；

fuzzycontroller程序包嵌入了量化因子ke和kec，比例因子lkp、lki和lkd五个参数的值，以及49*3模糊控制规则，可将整定好的参数δkp,δki,δkd输入到pid控制环节，最终由pidcontroller包完成pid控制算法的功能，将改进参数在线调整，输出调控值，进而对系统的输出进行控制；

为了确保与pid控制算法保持一致，同时设定好利用λ整定法获得pid初始参数值kp,ki,kd，通过运行搭建的模型，在线适时调整δkp,δki,δkd，可得模糊pid控制的响应曲线。

有益效果：本发明利用实验获取的150组实验数据，通过最小二乘法来对模型的参数进行系统辨识，确定ashp控制集热系统出水温度的传递函数。接着对模糊pid控制策略进行建模并对其稳定性进行验证。在实验中，一般都是通过计算得到确定的量化因子ke、kec和比例因子lkp、lki、lkd，然后通过论域随着误差的增大或减小而收缩或扩张的方法来对pid参数进行修正的。但经过不断地实验后还发现，通过改变模糊pid控制中的量化因子和比例因子对系统控制的结果也有很大影响。

附图说明

图1是本发明的辨识仿真结果示意图；

图2是本发明的模糊控制系统结构示意图；

图3是本发明的模糊pid控制结构示意图；

图4是本发明的模糊pid算法仿真模型示意图；

图5是本发明的模糊pid控制器程序包示意图；

图6是本发明的fuzzypid和pid控制对比响应曲线示意图；

图7是本发明的变ke、kec设定值对结果的影响示意图；

图8是本发明的变lkp设定值对结果的影响示意图；

图9是本发明的变lki设定值对结果的影响示意图；

图10是本发明的变lkd设定值对结果的影响示意图；

图11是本发明的脉冲扰动仿真实验结果示意图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，以使本领域的技术人员能够更好的理解本发明的优点和特征，从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

1.模型的获取

本发明使用的ashp热水机组每隔10s采集一组实验数据，共150组(包括不同比例阀开度，水流量和出水温度)，表1为比例阀开度60％时，水流量与出水温度的部分数据。

表1部分不同水流量下热泵系统实验的数据采集

利用matlab系统辨识工具箱进行参数辨识，将150组数据分为两组：90组训练样本数据和60组测试样本数据。90组训练样本数据分别为比例阀开度的水流量输入信号列向量u和出水温度输出信号列向量y，选取一阶惯性纯滞后传递函数，采样时间为10s，可得到辨识参数结果为：

将式(1)辨识的参数代入式(2)，得到ahsp集热控制系统的传递函数为：

利用剩下的60组测试样本数据对得到的数学模型进行验证，结果如图1所示，拟合度达到93.8％，所建立的数学模型基本能反映出ahsp集热控制系统中出水温度对水流量的变化规律。

2.模糊pid控制算法

模糊控制的定义：模糊控制器的输出是通过观察过程的状态和一些如何控制过程的规则的推理得到的。图2展示的是一个经典的模糊控制系统结构。

由图2可知，首先对被控系统的实际测量值模糊化，然后模糊化后的测量值才能与模糊规则进行匹配和推理，并获得模糊控制器的输出，最后通过精确化对输出解模糊，得到系统或计算机可以认识的语言。换而言之，模糊控制器设计也就是四个主要模块的计算过程：模糊化过程，知识库(数据库和规则库)，推理决策逻辑和计算模糊集的精度(解模糊的过程)。

2.1自适应模糊控制

当模糊算法优化控制器时，因为缺乏自适应性以及稳定性，导致系统设定的初始参数、结构保持固定不变。当然，自适应模糊控制的建立方法也有很多，如改变模糊规则、模糊论域以及隶属度函数等方式进行，同时搭载其它学习机制使得参数能够实时在线整定，以此实现对系统的控制。

(1)变论域模糊控制

在保证原有隶属度函数及模糊规则不发生改变的前提下，通过误差的改变论域的范围也随之改变。论域发生或大或小的变化最终通过改变模糊规则的数量来提升控制精度。论域的调整是整个变化的核心，此时需要引入伸缩因子的概念。

设x的的论域为x＝[-e,e]，定义伸缩因子：α:x→x，需满足以下要求：单调性对偶性以及当x＝0时，α(0)为一个无限接近于但不等于0的正值。则将x(x){x＝[-α(x)e,α(x)e]}定义为变论域。

(2)改变模糊控制的因子

量化因子和比例因子是改变论域变化程度的参数，这是一个间接自适应模糊控制的过程，其功能是实现精确的输入输出以及模糊档数的转换。这些因子的变化直接改变的是论域，而论域发生变化会引起模糊规则随之变化，所以这是一个间接的变化过程。

当模糊档数保持不变时，根据量化因子和比例因子可以看出，量化因子与基础论域呈负相关，基础论域随着量化因子的减小而扩张，相当于降低e的控制效果，反之，增加e的控制效果；比例因子与基础论域呈正相关，基础论域随着比例因子的减小而收缩，减弱了控制效果。反之，增强了控制效果。

(3)改进模糊规则的模糊控制

该方法能够实现一个非线性控制算法，也称直接自适应模糊控制器。可以通过模糊语言规则和信度两个方向着手进行改进对这种非线性控制算法进行初始化和有效化。根据测量误差和误差率，经过状态观测或其他学习优化方案，对模糊规则库进行实时修改，通过持续学习对不同控制动作的响应，获得新的信息。并对规则进行更新，以更直接的方式实现控制。

2.2模糊pid控制器设计

针对以上对模糊理论的学习，模糊控制对ashp集热控制系统一个非线性、时变系统有一定的改善优势。因此，在pid控制器的基础上，引入模糊控制理论形成一个模糊pid控制器。模糊pid控制器以偏差e及偏差变化率ec作为输入，用模糊控制规则对pid控制器的参数kp、ki、kd进行在线实时调节，实现更好的控制精度。模糊pid控制器如图3所示。

确定kp、ki、kd与e、ec的模糊关系是设计模糊pid控制器的关键。根据模糊pid控制的原理能够看出，其控制效果不仅取决于pid初始控制参数kp,ki,kd，还取决于模糊控制模块输出量δkp,δki,δkd，当被控对象受到外界或其他因素干扰时，通过自适应调节δkp,δki,δkd，可以对pid实时输出参数kp,ki,kd进行微调整来有效控制系统的稳定。

2.3模糊pid控制建模与仿真

根据以上的分析，在matlab中建立了模糊pid控制器的simulink仿真模型，如图4所示。

由图4可知，模糊pid算法主要控制程序为fuzzypidcontroller包，其中又分别嵌入了fuzzycontroller和pidcontroller程序包组成模糊pid控制器，实现具体功能如图5所示。

fuzzycontroller程序包嵌入了量化因子ke和kec，比例因子lkp、lki和lkd五个参数的值，以及49*3模糊控制规则，可将整定好的参数δkp,δki,δkd输入到pid控制环节，最终由pidcontroller包完成pid控制算法的功能，将改进参数在线调整，输出调控值，进而对系统的输出进行控制。

为了确保与pid控制算法保持一致，同时设定好利用λ整定法获得pid初始参数值kp,ki,kd，通过运行图4搭建的模型，在线适时调整δkp,δki,δkd，可得模糊pid控制的响应曲线，如图6所示。

由图6看出，模糊pid响应曲线的上升时间约为300s，调节时间约为600s，超调量约为13％。相对于pid控制，系统调整时间缩短近300s，超调量降低了近一半，所以模糊pid算法在温度控制各性能指标及稳定性等方面优于pid控制算法。

2.4稳定性分析

在以上的实验中，都是通过计算得到确定的量化因子ke、kec和比例因子lkp、lki、lkd，然后通过论域随着误差的增大或减小而收缩或扩张的方法来对pid参数进行修正的。但经过不断地实验后还发现，通过改变模糊pid控制中的量化因子和比例因子对系统控制的结果也有很大影响。为了确定模糊pid控制效果，通过两组实验进行验证，第一组是通过分别改变量化因子和比例因子的值，观察不同参数值对系统产生的影响，是否能够通过其他方法对其参数进行自适应调整实现对系统的控制。第二组是稳定性验证，通过脉冲扰动仿真实验，对系统增加扰动，观察模糊pid控制是否能对扰动系统具有良好的控制效果，同时探索对出现的问题是否还有改善之处。

(1)改变量化因子和比例因子的设定值

量化因子值发生变化，直接影响系统输入量范围转变为模糊论域后范围的改变；而比例因子值的改变，直接影响系统输出模糊论范围转变为实际变化范围。本次实验的前提是不改变初始pid参数和温度仿真模型，每次将量化因子和比例因子中的一个或两个参数作为变量，然后以图6得到的响应曲线图对应的参数设定值为基准，通过改变该变量的值(变大或变小)观察对控制系统的控制效果。

通过设计的模糊控制器可以得到量化因子和比例因子的确定方式以及量化论域均为[-6,6]，pid的初始参数选用λ整定法得到的参数[3.726,0.01432,37.26]。实验分别以量化因子ke、kec以及比例因子lkp、比例因子lki、比例因子lkd四个切入点来确定其选取方法。利用四组不同的[ke,kec,lkp,lki,lkd]因子做对比，观察对控制系统的控制效果。

第一组以量化因子ke、kec分别为变量，令[ke,kec,lkp,lki,lkd]分别为[0.4,0.42,0.3,0.09,5.15],[3.25,0.42,0.3,0.09,5.15],[3.25,5,0.3,0.09,5.15]观察其对实验结果的影响，仿真结果如图7所示。

在实验中变换了多种量化因子的组合，图7仅仅展示的是量化因子三组不同参数设定的仿真图。通过多种量化因子的组合结果看出，实验结果对应的曲线几乎重合，因此量化因子ke和kec的改变对实验结果影响不是很大，但通过数据观察在精度上还是存在一定的偏差。

第二组以比例因子lkp为变量，令[ke,kec,lkp,lki,lkd]分别为[3.25,0.42,0.4,0.09,5.15],[3.25,0.42,0.3,0.09,5.15],[3.25,0.42,0.1,0.09,5.15]，观察其对实验结果的影响，仿真结果如图8所示。

图8中不同颜色的曲线分别代表比例因子lkp取值为0.4、0.3、0.1时，系统对应的响应曲线。可以看出，随着lkp的值适当增加，上升时间加快，超调量减少，调整时间缩短，系统响应变快。但lkp值过大，通过实验得系统出现早熟现象，最终的的结果难以达到我们所需要的预期。

第三组以比例因子lki为变量，令[ke,kec,lkp,lki,lkd]分别为[3.25,0.3,0.4,0.11,5.15],[3.25,0.42,0.3,0.09,5.15],[3.25,0.3,0.1,0.07,5.15]，观察其对实验结果的影响，仿真结果如图9所示。

图9中不同颜色的曲线分别代表比例因子lki分别取值0.11、0.09、0.07时系统对应的响应曲线。可以看出，随着lki的值增加，上升时间加快，超调量增加，调整时间变长，系统响应变慢。但当lki取值过小时，会出现与lkp值过大时相同的早熟现象。

第四组以比例因子lkd为变量，令[ke,kec,lkp,lki,lkd]分别为[3.25,0.3,0.4,0.09,6],[3.25,0.42,0.3,0.09,5.15],[3.25,0.3,0.1,0.09,3]，观察其对实验结果的影响，仿真结果如图10所示。

图10中不同颜色的曲线分别代表比例因子lkd分别取值6、0.09、3时系统对应的响应曲线。可以看出，比例因子lkd的改变对系统影响变化不是很大，但随着lkd值的减少，响应曲线在上升时间和调整时间上略有改善。

针对以上四部分看出，比例因子lkp和lki值的改变对系统影响较大。当lkp适当增加，lki适当减少时，可改变系统的动态品质，提高控制精度。比例因子lkd以及量化因子ke和kec值改变对系统的影响较小，但系统在精度上也有一定提升，只是相比较比例因子lkp和lki的影响较少。

(2)稳定性验证

ashp集热温控系统受到外界因素的干扰时，系统参数会在一定范围内发生改变，会导致pid参数kp,ki,kd与整定后的值kp、ki、kd相差过大，以至于δkp,δki,δkd论域范围已经达不到整定后的效果，导致系统稳定性变差，因此需要通过其他手段对系统进一步优化。可以通过脉冲扰动实验来观察当出现扰动时，模糊pid控制器能否快速调节使达到系统稳定性。

在系统达到稳定后，突然增加一个脉冲干扰信号对系统造成干扰，以此来验证模糊pid控制器是否能够实时调整参数来维持系统稳定。脉冲扰动仿真实验结果如图11所示。

从图11可以看出，突然增加一个脉冲干扰信号对系统造成干扰，导致系统参数发生很大变化时，由于系统参数与初始的系统参数相差较大，导致超出δkp,δki,δkd三个参数的调整范围，系统出现震荡并且难以达到稳定，但与pid控制相比，模糊pid在跟踪性能上有明显改善，虽不能保持稳定，但一直在预期的结果左右徘徊。

2.5模糊pid控制小结

针对pid控制器用于时变系统时，需要人工实时修正参数来保持系统稳定，计算复杂，工作量大，不易在实际工程中实现等问题，在pid控制的基础上加入自适应模糊控制，通过对模糊论域的改变来对pid的参数在线实时调整。最后又做了两组实验对模糊pid控制器的稳定性进行验证，第一组发现改变模糊pid的变量因子和比例因子的值对系统都有一定影响，并且可以得到更好的控制效果。第二组是系统稳定后，添加脉冲干扰信号，发现模糊pid控制器对系统受到干扰时，有改善的趋势，但很难达到最终稳定。