[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN105955026B - 模糊pid控制方法和装置及系统 - Google Patents

模糊pid控制方法和装置及系统 Download PDF

Info

Publication number
CN105955026B
CN105955026B CN201610371439.4A CN201610371439A CN105955026B CN 105955026 B CN105955026 B CN 105955026B CN 201610371439 A CN201610371439 A CN 201610371439A CN 105955026 B CN105955026 B CN 105955026B
Authority
CN
China
Prior art keywords
fuzzy
algorithm
parameter
pid control
controlled object
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610371439.4A
Other languages
English (en)
Other versions
CN105955026A (zh
Inventor
王天堃
黄波波
彭大天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Deyuan Fugu Energy Co ltd
China Energy Investment Corp Ltd
National Energy Group Guoyuan Power Co Ltd
Original Assignee
Shaanxi Deyuan Fugu Energy Co ltd
Shenhua Group Corp Ltd
Shenhua Guoneng Group Corp Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shaanxi Deyuan Fugu Energy Co ltd, Shenhua Group Corp Ltd, Shenhua Guoneng Group Corp Ltd filed Critical Shaanxi Deyuan Fugu Energy Co ltd
Priority to CN201610371439.4A priority Critical patent/CN105955026B/zh
Publication of CN105955026A publication Critical patent/CN105955026A/zh
Application granted granted Critical
Publication of CN105955026B publication Critical patent/CN105955026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种模糊PID控制方法和装置及系统。该方法包括：通过第一预设算法计算PID控制参数；通过第二预设算法计算模糊算法参数，其中，模糊算法参数用于计算模糊控制参数，其中，第一预设算法和/或第二预设算法为单变量分布估计算法；获取被控对象的输出量和目标量，其中，被控对象为模糊PID控制器的控制对象，被控对象的目标量为被控对象预设的目标输出量；根据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定被控对象的控制参数；以及向被控对象输入确定的控制参数。通过本发明，解决了相关技术中的模糊PID控制方法的控制性能较差的问题。

Description

模糊PID控制方法和装置及系统
技术领域
本发明涉及控制领域，具体而言，涉及一种模糊PID控制方法和装置及系统。
背景技术
模糊PID控制方法是控制科学中的经典控制方法，模糊PID控制方法通过模糊PID控制器对被控量进行控制，模糊PID控制器的输入量为被控量与目标量的差值，模糊PID控制器通过输入量的变化对模糊PID控制器的控制参数进行调整，达到使模糊PID控制器的被控量跟随目标量的目的。但是，现有的模糊PID控制方法仍存在一定的弊端，对大滞后的被控量的控制性能较差。
例如，在对大滞后的火力发电厂机组主蒸汽温度和压力进行控制时，存在响应时间较长、超调量过大、稳态误差较大等缺点。火力发电厂是通过燃烧产生电能的工厂，燃料在燃烧时加热水生成蒸汽，蒸汽通过压力推动汽轮机旋转，汽轮机带动发电机旋转产生电能，实现燃料的化学能—热能—机械能—电能的转换过程。火力发电厂通过火电机组主蒸汽温度压力控制系统对火电机组蒸汽的温度和压力进行控制。
锅炉汽包出口的饱和蒸汽经由过热器与炉膛的高温烟气进行热交换，最终加热为汽轮发电机组所需的具有合格的温度压力品质的过热蒸汽，其中，过热器是指从汽包出口到汽轮机入口前的蒸汽加热管道。大型锅炉的过热器工作于高温、高压的恶劣环境中，尤其是锅炉过热器出口处的过热蒸汽在整个汽水行程中温度最高。对锅炉蒸汽温度的控制品质是考核火电厂机组运行质量的首选评价指标之一，对火力发电机组的安全经济生产有着重要的影响。如果主蒸汽温度过高，可能会使过热器管壁的金属强度降低，损伤过热器管道的高温段，甚至可能会烧坏汽轮机高压缸设备，严重影响安全；如果主蒸汽温度过低，经过汽轮机高压缸的过热蒸汽湿度增加，会腐蚀高压缸的叶片，降低汽轮机的输出功率。一般说来，大型火电机组对蒸汽温度的暂时偏差要求为设定值±10℃以内，长期偏差要求为±5℃以内，这对火电厂机组主蒸汽温度控制系统的要求相当高。由于锅炉炉膛内燃烧工况的扰动，如风量扰动、燃料量扰动等，造成沿着过热器整个管道的烟气传热量几乎同时变化，所以过热器出口主蒸汽温度的动态特性反应较快，其特征时间和特征滞后时间均比其它扰动小。因此，在工业生产过程中，主蒸汽温度控制系统需满足克服各种干扰的能力，使主蒸汽温度在允许的范围内变动，以保证过热器温度不超过允许值。但是主蒸汽温度控制系统的本质是利用一个动态特性反应较缓慢的减温水扰动来克服动态特性反应较快的过热器吸热扰动，这是锅炉蒸汽温度品质通常难以达到较高品质的根本原因。
锅炉蒸汽压力作为表征锅炉运行状态的重要参数，不仅直接关系到锅炉设备的安全运行，而且其稳定状况反映了燃烧过程中能量的供求关系，主蒸汽压力与机组的发电功率。通常采用协调控制锅炉跟随方式(Coordinated Control of Boiler Following Mode，简称CCBF)或协调控制汽轮机跟随方式(Coordinated Control of Steam TurbineFollowing Mode，简称CCTF)两种方式对机组主蒸汽压力进行控制。
由于火电厂中机组复杂度增加，主蒸汽温度控制系统的不确定性，非线性，大惯性，大时延的特征更加突出，常规的PID控制已经难以满足主蒸汽温度控制系统对控制品质的要求。
而蒸汽压力控制系统具有时变、大滞后等特点，常规的PID算法由于每次输出均与过去的状态有关，计算时要对误差进行累加，会导致计算输出的控制量大幅度变化而引起执行机构的大幅度变化，这种情况在实际生产过程中是不允许的。
针对相关技术中的模糊PID控制方法的控制性能较差的问题，目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种模糊PID控制方法和装置及系统，以解决相关技术中的模糊PID控制方法的控制性能较差的问题。
为了实现上述目的，根据本发明的一个方面，提供了一种模糊PID控制方法。该方法包括：通过第一预设算法计算PID控制参数；通过第二预设算法计算模糊算法参数，其中，模糊算法参数用于计算模糊控制参数，其中，第一预设算法和/或第二预设算法为单变量分布估计算法；获取被控对象的输出量和目标量，其中，被控对象为模糊PID控制器的控制对象，被控对象的目标量为被控对象预设的目标输出量；以及根据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定被控对象的控制参数；向被控对象输入确定的控制参数。
进一步地，第一预设算法为单变量分布估计算法，在通过第一预设算法计算PID控制参数之前，该方法还包括：确定PID控制参数的初始染色体种群，其中，PID控制参数的初始染色体种群包括多个染色体，多个染色体用于在通过预设解码算法进行解码之后确定PID控制参数的初始值，通过第一预设算法计算PID控制参数包括：通过适应度函数计算PID控制参数的初始染色体种群中各个染色体的适应度值；根据适应度值的大小对PID控制参数的初始染色体种群中各个染色体进行排序；通过预设更新算法更新在PID控制参数的初始染色体种群中排序在预设序号之后的染色体，得到PID控制参数的优化染色体种群；判断是否满足停止单变量分布估计算法的条件；如果判断出满足停止单变量分布估计算法的条件，通过预设解码算法对PID控制参数的优化染色体种群进行解码，得到PID控制参数；以及如果判断出不满足停止单变量分布估计算法的条件，将PID控制参数的优化染色体种群作为PID控制参数的初始染色体种群，重新执行通过第一预设算法计算PID控制参数。
进一步地，第二预设算法为单变量分布估计算法，在通过第二预设算法计算模糊算法参数之前，该方法还包括：确定模糊算法参数的初始染色体种群，其中，模糊算法参数的初始染色体种群包括多个染色体，多个染色体用于在通过预设解码算法进行解码之后确定模糊算法参数的初始值，通过第二预设算法计算模糊算法参数包括：通过适应度函数计算模糊算法参数的初始染色体种群中各个染色体的适应度值；根据适应度值的大小对模糊算法参数的初始染色体种群中各个染色体进行排序；通过预设更新算法更新在模糊算法参数的初始染色体种群中排序在预设序号之后的染色体，得到模糊算法参数的优化染色体种群；判断是否满足停止单变量分布估计算法的条件；如果判断出满足停止单变量分布估计算法的条件，通过预设解码算法对模糊算法参数的优化染色体种群进行解码，得到模糊算法参数；以及如果判断出不满足停止单变量分布估计算法的条件，将模糊算法参数的优化染色体种群作为模糊算法参数的初始染色体种群，重新执行通过第二预设算法计算模糊算法参数。
进一步地，在通过适应度函数计算模糊算法参数的初始染色体种群中各个染色体的适应度值之后，该方法还包括：更新模糊算法参数的历史最优染色体种群中的染色体，其中，模糊算法参数的历史最优染色体种群中的各个染色体的值为模糊算法参数的初始染色体种群中各个染色体的历史记录中适应度值最大的值，确定模糊算法参数的初始染色体种群包括：根据模糊算法参数的历史最优染色体种群确定模糊算法参数的初始染色体种群。
进一步地，在根据被控对象的输出量和目标量、PID控制参数和模糊算法参数向被控对象输入总控制量之前，该方法还包括：通过模糊规则系统生成模糊规则库，其中，模糊规则系统用于生成模糊规则库，模糊规则库包括多个模糊规则，模糊规则库用于根据被控对象的输出量和目标量确定对应的模糊规则，对应的模糊规则用于确定模糊控制参数的模糊量，模糊控制参数的模糊量用于根据模糊算法参数计算模糊控制参数。
进一步地，获取被控对象的输出量和目标量包括：获取主蒸汽参数采样值，其中，主蒸汽参数采样值是对主蒸汽参数进行采样得到的采样值，其中，主蒸汽参数是锅炉的主蒸汽的温度参数或压力参数，主蒸汽参数是被控对象，主蒸汽参数采样值是被控对象的输出量；以及获取主蒸汽参数设定值，其中，主蒸汽参数设定值为被控对象的目标量。
进一步地，根据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定被控对象的控制参数包括：根据被控对象的输出量和目标量和模糊算法参数计算模糊控制参数；根据被控对象的输出量和目标量和模糊控制参数确定被控对象的模糊控制参数；根据被控对象的输出量和目标量和PID控制参数确定被控对象的PID控制参数；以及将确定的模糊控制参数和PID控制参数相加，得到被控对象的控制参数。
进一步地，在通过第一预设算法计算PID控制参数之前，该方法还包括：获取被控对象的传递函数；确定PID控制参数的初始值，在通过第二预设算法计算模糊算法参数之前，该方法还包括：确定模糊算法参数的初始值，通过第一预设算法计算PID控制参数包括：通过第一评价算法计算PID控制参数的初始值对被控对象的传递函数的控制指标；通过第一优化算法对PID控制参数的初始值进行优化，得到PID控制参数，通过第二预设算法计算模糊算法参数包括：通过第二评价算法计算模糊算法参数的初始值对被控对象的传递函数的控制指标；通过第二优化算法对模糊算法参数的初始值进行优化，得到模糊算法参数。
为了实现上述目的，根据本发明的一个方面，提供了一种模糊PID控制装置。该装置包括：第一计算单元，用于通过第一预设算法计算PID控制参数；第二计算单元，用于通过第二预设算法计算模糊算法参数，其中，模糊算法参数用于计算模糊控制参数，其中，第一预设算法和/或第二预设算法为单变量分布估计算法；获取单元，用于获取被控对象的输出量和目标量，其中，被控对象为模糊PID控制器的控制对象，被控对象的目标量为被控对象预设的目标输出量；确定单元，用于根据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定被控对象的控制参数；以及输入单元，用于向被控对象输入确定的控制参数。
为了实现上述目的，根据本发明的一个方面，提供了一种锅炉主蒸汽温度和压力的模糊PID控制系统。该系统包括本发明提供的模糊PID控制装置，用于向被控对象输入确定的控制参数，其中，被控对象为锅炉的主蒸汽温度参数和压力参数，以及采样器，用于采集被控对象的输出量。
本发明通过单变量分布估计算法计算PID控制参数和/或模糊算法参数，以对PID控制器和模糊控制器的控制参数进行自整定优化，解决了相关技术中的模糊PID控制方法的控制性能较差的问题，进而达到了提高模糊PID控制方法的控制性能的效果。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的模糊PID控制方法的流程图；
图2是根据本发明实施例的单变量分布估计算法的流程图；
图3是根据本发明实施例的模糊算法的流程图；
图4是根据本发明实施例的PID控制参数和模糊算法参数优化方法的流程图；
图5是根据PID控制方法的仿真控制结果示意图；
图6是根据常规的模糊PID控制方法的仿真控制结果示意图；
图7是根据本发明实施例的模糊PID控制方法的仿真控制结果示意图；
图8是根据本发明实施例的模糊PID控制装置的示意图；以及
图9是根据本发明实施例的模糊PID控制系统的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明的实施例提供了一种模糊PID控制方法。
图1是根据本发明实施例的模糊PID控制方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，通过第一预设算法计算PID控制参数。
PID控制参数是PID控制器的系数，PID控制器是一种常用的控制器，根据被控对象的给定输出与实际输出构成的偏差作为PID控制器的输入，将偏差分别通过比例环节、积分环节和微分环节的线性组合构成控制器，根据PID控制器的输入输出控制参数对被控对象进行控制。
PID控制器的输出用于输入被控对象，也即，输入PID控制器的控制对象，以使被控对象根据该输入量相应的输出一个量，达到对被控对象的控制，其中，PID控制器的输出为被控对象的PID控制参数。PID控制器的输入量是被控对象的输出量与目标量的偏差值e，其中，目标量是预设的被控对象的输出的目标量。
PID控制器的连续数学模型如公式1所示，
Figure BDA0001004273210000061
公式1中，PIDout(t)为PID控制器的输出，e(t)是被控对象的实际输出与目标输出的偏差，kp是比例系数，Ti是积分系数，Td是微分系数，由被控对象的特性决定，其中，比例系数、积分系数和微分系数为PID控制器的系数，也即，PID控制参数。
在工程应用中，按照采样周期T对被控对象进行采样，则得到PID控制器的离散数学模型如公式2所示，
Figure BDA0001004273210000062
公式2中，u0(k)是第k个采样时刻的PID控制器的输出，e(k)是第k个采样时刻的被 控对象的实际输出与目标输出的偏差，积分系数微分系数
Figure BDA0001004273210000064
PID控制参数是指PID控制器的数学模型的系数，例如，离散数学模型中的kp、ki和kd。通过第一预设算法计算PID控制参数即是通过算法确定出PID控制器的数学模型的系数，以控制被控对象输出的量。
在通过第一预设算法计算PID控制参数之前，还需要获取被控对象的传递函数。通过第一预设算法计算PID控制参数可以是通过试验法，通过人工试验不同的PID控制参数对被控对象的控制效果，根据被控对象的输出与目标输出的差值来人工调试PID控制参数。
优选地，第一预设算法也可以是在通过第一预设算法计算PID控制参数之前，确定PID控制参数的初始值，通过第一评价算法计算PID控制参数的初始值对被控对象的传递函数的控制指标；通过第一优化算法对PID控制参数的初始值进行优化，得到PID控制参数。
优选地，上述第一预设算法可以是单变量分布估计算法。通过单变量分布估计算法确定一个数学模型中待定参数的取值的方法如图2所示，单变量分布估计算法包括：
步骤S1011，初始化染色体种群q(0)，q(0)是一个包含m个数值的矩阵，每个数值称为染色体，每个染色体的取值为0或1。初始化时，优化次数t记为0。
步骤S1012，按照预设解码方式对染色体种群q(t)解码。解码过程可以简述为：q(t)在解码之后对应n个参数，其中，第i个参数wi的取值范围是wi∈[0,1]，假设wi的染色体是[q1 q2…qn]，则有wi'＝q1×20+q2×21+…+qn×2n-1，再将wi'映射到区间[0,1]，有
Figure BDA0001004273210000071
在步骤S1012之后，得到了待优化的数学模型。
步骤S1013，计算染色体种群q(t)中m个染色体的适应度值。根据待优化的数学模型计算染色体种群q(t)中各个染色体的适应度值，适应度值是通过适应度函数计算的值，用于评价各个染色体的适应度。
步骤S1014，选取适应度值最高的前r个染色体保留。在对m个染色体进行排序之后，保留排序在前r的染色体，其中，r<m。
步骤S1015，用分布估计产生后m-r个染色体。对于排序在r之后的染色体，采用分布估计算法重新生成m-r个染色体来替换排序在r之后的染色体。
步骤S1016，令优化次数t＝t+1，在步骤S1015之后产生的染色体种群为q(t)。
步骤S1017，判断t是否等于N，如果t等于N，结束优化过程，如果t不等于N，返回步骤S1012。
在完成优化过程之后，单变量分布估计算法结束，得到了优化好的参数。
如果通过单变量分布估计算法计算PID控制参数，则在通过第一预设算法计算PID控制参数之前，确定PID控制参数的初始染色体种群，其中，PID控制参数的初始染色体种群包括多个染色体，多个染色体用于在通过预设解码算法进行解码之后确定PID控制参数的初始值。
例如，PID控制参数包括kp、ki和kd三个参数，对应的染色体种群分别包括Np、Ni和Nd位二进制码，染色体种群分别对应kp、ki和kd取值大小。
PID控制参数的初始染色体种群可以是通过随机算法产生的。在确定PID控制参数的初始染色体种群之后，通过适应度函数计算PID控制参数的初始染色体种群中各个染色体的适应度值；根据适应度值的大小对PID控制参数的初始染色体种群中各个染色体进行排序；通过预设更新算法更新在PID控制参数的初始染色体种群中排序在预设序号之后的染色体，得到PID控制参数的优化染色体种群。
在得到PID控制参数的优化染色体种群之后，判断是否满足停止单变量分布估计算法的条件。判断条件可以是判断优化次数是否到达预设次数，也可以判断优化染色体种群在通过预设解码算法解码之后得到的PID控制参数是否达到预设的控制指标，其中，控制指标是指响应时间、超调量、稳态误差等对控制器的控制性能进行评价的指标。
在判断是否满足停止单变量分布估计算法的条件之后，如果判断出满足停止单变量分布估计算法的条件，通过预设解码算法对PID控制参数的优化染色体种群进行解码，得到PID控制参数；如果判断出不满足停止单变量分布估计算法的条件，将PID控制参数的优化染色体种群作为PID控制参数的初始染色体种群，重新执行通过第一预设算法计算PID控制参数，并将优化次数累加一次。
步骤S102，通过第二预设算法计算模糊算法参数。
模糊算法参数用于计算模糊控制参数，计算模糊控制参数的方式为根据模糊算法计算模糊控制参数。
模糊控制参数是模糊控制器的参数，是PID控制参数的增量，模糊控制器用于调整PID控制器的系数。
模糊控制器的输入量是被控对象的输出量与目标量的偏差值e，模糊控制器的输出用于输入被控对象，模糊控制器的输出为被控对象的模糊控制参数，被控对象同时受PID控制器和模糊控制器的控制，接收模糊控制器输出的被控对象的控制参数和PID控制器输出的被控对象的控制参数的总和。
模糊控制器的数学模型如公式3所示，
Figure BDA0001004273210000081
公式3中，u1(k)是第k个采样时刻的模糊控制器的输出，Δkp、Δki和Δkd是kp、ki和kd的增量。通过第二预设算法计算模糊控制参数即是通过算法确定出模糊控制器的数学模型的系数，以调整被控对象输出的量，其中，模糊控制参数可以是Δkp、Δki和Δkd。
模糊算法是一种常用的算法，包括模糊化、模糊推理和反模糊化三个计算过程。在确定出模糊算法参数之后，可以通过模糊算法计算出模糊控制参数。
模糊化过程是对模糊控制器的输入量进行模糊化得到输入量的模糊量的过程，模糊化过程需要两个输入量，一个是被控对象的输出量与目标量的偏差值e，另一个是被控对象的输出量与目标量的偏差的变化率ec。对于离散系统来说，ec是当前采样时刻的被控对象的输出量与目标量的偏差值e(k)与当前时刻的上一时刻的被控对象的输出量与目标量的偏差值e(k-1)的差值。
首先确定对两个输入量模糊化的目标，也即，将两个输入量定义到n个模糊子集中，每个模糊子集用一个模糊语言值来表示。例如，分别将e和ec定义到7个模糊子集{NB，NM，NS，ZO，PS，PM，PB}中，其中，NB，NM，NS，ZO，PS，PM和PB为模糊语言值，分别表示负大，负中，负小，零，正小，正中，正大。将两个输入量定义到n个模糊子集中是采用隶属度函数进行定义的，隶属度函数可以是均匀隶属度函数(公式4)、三角形隶属度函数(公式5)或者高斯隶属度函数(公式6)。
Figure BDA0001004273210000091
Figure BDA0001004273210000092
Figure BDA0001004273210000093
其中，x是输入变量，a、b、c是不同隶属度函数的参数，通过调整参数可以改变函数形状，以适应不同系统不同输入变量在不同值域时的控制要求。模糊算法参数可以包括隶属度函数标识和/或隶属度函数参数。隶属度函数标识为隶属度函数的标识，可以用数字代码来表示，例如，00表示均匀隶属度函数，01表示三角形隶属度函数，10表示高斯隶属度函数。隶属度函数参数为隶属度函数的参数。
在将输入量模糊化之后，根据模糊算法的输入量的模糊量通过模糊推理过程推出模糊控制参数的模糊量。模糊算法的输入量的模糊量为采用模糊语言值表示的模糊算法的输入量，模糊控制参数的模糊量为采用模糊语言值表示的模糊控制参数，模糊控制参数的模糊量可以在反模糊化过程之后求解出模糊控制参数，其中，反模糊化过程需要用到隶属度函数和隶属度函数参数。
模糊推理过程为根据模糊规则库确定模糊控制参数的模糊量的过程。模糊规则库包括多个模糊规则，模糊规则库用于根据模糊算法的输入量的模糊量确定对应的模糊规则，对应的模糊规则用于确定模糊控制参数的模糊量。模糊规则库可以是通过模糊规则系统生成的模糊规则库，模糊规则系统可以是一个专家系统，该专家系统用于生成模糊规则。
举例而言，分别将e和ec定义到7个模糊子集{NB，NM，NS，ZO，PS，PM，PB}中，其中，NB，NM，NS，ZO，PS，PM和PB分别表示负大，负中，负小，零，正小，正中，正大，模糊规则库的二维控制表可以如表1所示。
表1模糊规则库的Δkp的二维控制表
Figure BDA0001004273210000101
表1为模糊控制参数Δkp的二维控制表，根据e和ec的模糊量可以找到对应的模糊控制参数Δkp的模糊量。
表2模糊规则库的Δki的二维控制表
Figure BDA0001004273210000111
表2为模糊控制参数Δki的二维控制表，根据e和ec的模糊量可以找到对应的模糊控制参数Δki的模糊量。
表3模糊规则库的Δkd的二维控制表
Figure BDA0001004273210000112
表3为模糊控制参数Δkd的二维控制表，根据e和ec的模糊量可以找到对应的模糊控制参数Δkd的模糊量。
在确定模糊控制参数的模糊量之后，通过反模糊化过程求解除模糊控制参数。反模糊化的过程如公式7所示，
Figure BDA0001004273210000121
式中，Δk表示任意一个模糊控制参数，G为该模糊控制参数对应的比例因子，G等于模糊控制参数的范围与模糊子集的个数之比，wi为模糊控制参数的模糊量，μi为wi在各个模糊子集中对应的隶属度函数值。
图3是根据本发明实施例的模糊算法的流程图，通过模糊算法求解模糊控制参数的流程如图3所示。
步骤S1021为通过第二预设算法确定模糊算法参数，步骤S1022在步骤S1021之后执行，步骤S1022为根据模糊算法参数对e和ec执行模糊化过程，得到e和ec的模糊量，模糊算法参数可以包括隶属度函数标识和隶属度函数参数。步骤S1023为模糊推理过程，具体地，根据e和ec的模糊量在模糊规则库中确定模糊控制参数的模糊量，在确定模糊控制参数的模糊量之后，执行步骤S1024，解模糊化过程，根据模糊算法参数求解模糊控制参数的模糊量，得到模糊控制参数。
在通过第二预设算法计算模糊算法参数之前，还需要获取被控对象的传递函数。通过第二预设算法计算模糊算法参数可以是通过试验法，通过人工试验不同的模糊算法参数计算出来的模糊控制参数对被控对象的控制效果，根据被控对象的输出与目标输出的差值来人工调试模糊算法参数。
优选地，在通过第二预设算法计算模糊算法参数之前，确定模糊算法参数的初始值，通过第二预设算法计算模糊算法参数包括：通过第二评价算法计算模糊算法参数的初始值对被控对象的传递函数的控制指标；通过第二优化算法对模糊算法参数的初始值进行优化，得到模糊算法参数。
在确定PID控制参数和模糊算法参数之后，PID控制参数和模糊算法参数不变，PID控制器的数学模型的系数不变，模糊控制器的数学模型的系数根据模糊控制器的输入量的变化而变化。
优选地，第二预设算法为单变量分布估计算法，在通过第二预设算法计算模糊算法参数之前，确定模糊算法参数的初始染色体种群，其中，模糊算法参数的初始染色体种群包括多个染色体，多个染色体用于在通过预设解码算法进行解码之后确定模糊算法参数的初始值。
在确定模糊算法参数的初始染色体种群之后，通过适应度函数计算模糊算法参数的初始染色体种群中各个染色体的适应度值；根据适应度值的大小对模糊算法参数的初始染色体种群中各个染色体进行排序；通过预设更新算法更新在模糊算法参数的初始染色体种群中排序在预设序号之后的染色体，得到模糊算法参数的优化染色体种群；判断是否满足停止单变量分布估计算法的条件；如果判断出满足停止单变量分布估计算法的条件，通过预设解码算法对模糊算法参数的优化染色体种群进行解码，得到模糊算法参数；以及如果判断出不满足停止单变量分布估计算法的条件，将模糊算法参数的优化染色体种群作为模糊算法参数的初始染色体种群，重新执行通过第二预设算法计算模糊算法参数。
优选地，在通过适应度函数计算模糊算法参数的初始染色体种群中各个染色体的适应度值之后，更新模糊算法参数的历史最优染色体种群中的染色体，其中，模糊算法参数的历史最优染色体种群中的各个染色体的值为模糊算法参数的初始染色体种群中各个染色体的历史记录中适应度值最大的值，确定模糊算法参数的初始染色体种群包括：根据模糊算法参数的历史最优染色体种群确定模糊算法参数的初始染色体种群。
步骤S103，获取被控对象的输出量和目标量，其中，被控对象为模糊PID控制器的控制对象，被控对象的目标量为被控对象预设的目标输出量。
优选地，获取被控对象的输出量和目标量可以是获取主蒸汽参数采样值，其中，主蒸汽参数采样值是对主蒸汽参数进行采样得到的采样值，其中，主蒸汽参数是锅炉的主蒸汽的温度参数或压力参数，主蒸汽参数是被控对象，主蒸汽参数采样值是被控对象的输出量；以及获取主蒸汽参数设定值，其中，主蒸汽参数设定值为被控对象的目标量。
步骤S104，根据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定被控对象的控制参数。
优选地，根据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定被控对象的控制参数可以是根据被控对象的输出量和目标量和模糊算法参数计算模糊控制参数；根据被控对象的输出量和目标量和模糊控制参数确定被控对象的模糊控制参数；根据被控对象的输出量和目标量和PID控制参数确定被控对象的PID控制参数；以及将确定的模糊控制参数和PID控制参数相加，得到被控对象的控制参数。
步骤S105，向被控对象输入确定的控制参数。
向被控对象输入确定的控制参数，确定的控制参数为确定的模糊控制参数和PID控制参数的总和，确定的控制参数的值是模糊控制器和PID控制器分别根据被控对象的目标量与输出量的偏差所输出的值的总和。
该实施例提供的模糊PID控制方法，通过第一预设算法计算PID控制参数；通过第二预设算法计算模糊算法参数，其中，模糊算法参数用于计算模糊控制参数，其中，第一预设算法和/或第二预设算法为单变量分布估计算法；获取被控对象的输出量和目标量，其中，被控对象为模糊PID控制器的控制对象，被控对象的目标量为被控对象预设的目标输出量；以及根据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定被控对象的控制参数；向被控对象输入确定的控制参数，解决了相关技术中的模糊PID控制方法的控制性能较差的问题，进而达到了提高模糊PID控制方法的控制性能的效果。
图4是根据本发明实施例的PID控制参数和模糊算法参数优化方法的流程图。通过PID控制参数和模糊算法参数优化方法确定出PID控制参数和模糊算法参数之后，可以根据被控对象的输出量与目标量的偏差对被控对象执行控制。
如图4所示，PID控制参数和模糊算法参数优化方法包括以下步骤：
步骤一，产生PID控制参数和模糊算法参数的染色体种群。染色体种群为一个矩阵，包括多个染色体，每个染色体为一个数值。PID控制参数和模糊算法参数的染色体种群中包括PID控制参数基因和模糊算法参数基因，其中，基因为染色体种群中的染色体。
步骤二，将PID控制参数基因和模糊算法参数基因分别转换为基因显型，也即，通过预设解码算法分别对PID控制参数基因和模糊算法参数基因进行解码，得到PID控制参数和模糊算法参数。
步骤三，将PID控制参数和模糊算法参数分别赋值到PID控制模块和模糊控制模块，得到参数确定的模糊PID控制系统。
步骤四，在步骤三之前，产生模拟信号。其中，模拟信号分为训练信号和测试信号。训练信号用于作为PID控制器和模糊控制器的输入信号对PID控制参数和模糊算法参数进行训练。
步骤五，在步骤三和步骤四之后，将训练信号输入到参数确定的模糊PID控制系统，根据模糊PID控制系统对训练新号的响应对PID控制参数基因和模糊算法参数基因进行适应度评估。
步骤六，判断是否满足终止条件。
步骤七，在步骤六之后，如果判断出不满足终止条件，更新概率分布向量，其中，PID控制参数和模糊算法参数的染色体种群根据分布估计算法计算概率分布向量的结果进行更新，以调整PID控制参数和模糊算法参数。
步骤八，在步骤六之后，如果判断出满足终止条件，则停止更新，得到调整好的模糊PID控制系统。
步骤九，在步骤六之后，如果判断出满足终止条件，则更新最优染色体种群，其中，最优染色体种群中的各个染色体的值是历史中适应度最高的染色体值。
步骤九，在步骤八之后，将测试信号输入调整好的模糊PID控制系统，对调整好的模糊PID控制系统对测试信号的控制性能进行适应度评估。
以具有不确定性、非线性、大惯性、大时延特性的火电厂锅炉的主蒸汽温度作为被控对象，被控对象的传递函数为
Figure BDA0001004273210000151
对其进行仿真控制，输入的测试信号为方波，采用不同的控制方法进行控制，得到结果如下：
图5是根据PID控制方法的仿真控制结果示意图。如图5所示，仅采用PID控制时，虽然PID控制方法可以快速地进行响应，最终也能够稳定在目标值上，但是由此带来了较显著的超调，并且震荡明显，延长了调整时间。
图6是根据常规的模糊PID控制方法的仿真控制结果示意图。常规的模糊PID控制方法在PID控制的基础上叠加了模糊控制修正，如图6所示，常规的模糊PID控制方法不仅快速地进行了响应，最终也能够稳定在目标值上，而且基本消除了超调量，与仅采用PID控制相比明显缩短了调整时间，但是在模糊控制消除惯性的过程中带来了一次明显的震荡。
图7是根据本发明实施例的模糊PID控制方法的仿真控制结果示意图。如图7所示，采用单变量分布估计算法对PID控制参数和模糊算法参数进行自整定优化后，不仅可以快速地进行响应，最终也能够稳定在目标值上，而且基本消除了超调量，与PID控制方法和常规的模糊PID控制方法相比明显缩短了调整时间，并且也消除了模糊PID控制方法在消除惯性的过程中带来的一次明显的震荡。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明的实施例还提供了一种模糊PID控制装置。需要说明的是，本发明实施例的模糊PID控制装置可以用于执行本发明的模糊PID控制方法。
图8是根据本发明实施例的模糊PID控制装置的示意图。如图8所示，该装置包括第一计算单元10，第二计算单元20，获取单元30，确定单元40和输入单元50。
第一计算单元10用于通过第一预设算法计算PID控制参数。第二计算单元20用于通过第二预设算法计算模糊算法参数，其中，模糊算法参数用于计算模糊控制参数，其中，第一预设算法和/或第二预设算法为单变量分布估计算法。获取单元30用于获取被控对象的输出量和目标量，其中，被控对象为模糊PID控制器的控制对象，被控对象的目标量为被控对象预设的目标输出量。确定单元40用于根据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定被控对象的控制参数。输入单元50用于向被控对象输入确定的控制参数。
该实施例提供的模糊PID控制装置解决了相关技术中的模糊PID控制方法的控制性能较差的问题，进而达到了提高模糊PID控制方法的控制性能的效果。
本发明的实施例还提供了一种锅炉主蒸汽温度和压力的模糊PID控制系统。需要说明的是，本发明实施例的锅炉主蒸汽温度和压力的模糊PID控制系统包括本发明实施例的模糊PID控制装置，其中，被控对象为锅炉的主蒸汽温度参数和压力参数，用于向被控对象输入确定的控制参数，该系统还包括采样器，用于采集被控对象的输出量。
图9是根据本发明实施例的锅炉主蒸汽温度和压力的模糊PID控制系统的示意图。如图9所示，该系统包括模糊PID控制装置100和采样器201。模糊PID控制装置100包括数字PID控制模块101、模糊控制器102、后向差分器1021和单变量分布估计优化模块103。
数字PID控制模块101为PID控制器，单变量分布估计优化模块103对数字PID控制模块101的控制参数和计算模糊控制器102的控制参数的模糊算法参数进行自整定优化，确定出数字PID控制模块101的控制参数和模糊算法参数。
采样器201采集被控对象200的输出量y(t)，与被控对象200的目标量r(t)相减，得到被控对象200的输出量y(t)与目标量r(t)的偏差e(t)。被控对象200可以是锅炉的主蒸汽温度参数和压力参数。
数字PID控制模块101对偏差e(t)进行处理得到被控对象的第一控制参数u0。
后向差分器1021对偏差e(t)进行处理，将当前采样时刻的偏差e(k)和上一采样时刻的偏差e(k-1)相减得到偏差变化率ec，模糊控制器102根据模糊算法参数、偏差e(t)和偏差e(k-1)得到被控对象的第二控制参数u1。
将第一控制参数u0和第二控制参数u1相加，得到被控对象的控制参数u，将控制参数u输入被控对象200以实现对被控对象200的控制。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种模糊PID控制方法，其特征在于，包括：
通过第一预设算法计算PID控制参数；
通过第二预设算法计算模糊算法参数，其中，所述模糊算法参数用于计算模糊控制参数，其中，所述第一预设算法和/或所述第二预设算法为单变量分布估计算法；
获取被控对象的输出量和目标量，其中，所述被控对象为模糊PID控制器的控制对象，所述被控对象的目标量为所述被控对象预设的目标输出量；
根据所述被控对象的输出量和目标量、所述PID控制参数和所述模糊算法参数确定所述被控对象的控制参数；以及
向所述被控对象输入确定的控制参数；
其中，所述第一预设算法为所述单变量分布估计算法，在通过第一预设算法计算PID控制参数之前，所述方法还包括：确定所述PID控制参数的初始染色体种群，其中，所述PID控制参数的初始染色体种群包括多个染色体，所述多个染色体用于在通过预设解码算法进行解码之后确定所述PID控制参数的初始值，通过第一预设算法计算PID控制参数包括：通过适应度函数计算所述PID控制参数的初始染色体种群中各个染色体的适应度值；根据所述适应度值的大小对所述PID控制参数的初始染色体种群中各个染色体进行排序；通过预设更新算法更新在所述PID控制参数的初始染色体种群中排序在预设序号之后的染色体，得到所述PID控制参数的优化染色体种群；判断是否满足停止所述单变量分布估计算法的条件；如果判断出满足停止所述单变量分布估计算法的条件，通过所述预设解码算法对所述PID控制参数的优化染色体种群进行解码，得到所述PID控制参数；以及如果判断出不满足停止所述单变量分布估计算法的条件，将所述PID控制参数的优化染色体种群作为所述PID控制参数的初始染色体种群，重新执行通过第一预设算法计算PID控制参数；
获取所述被控对象的输出量和目标量包括：获取主蒸汽参数采样值，其中，所述主蒸汽参数采样值是对主蒸汽参数进行采样得到的采样值，其中，所述主蒸汽参数是锅炉的主蒸汽的温度参数或压力参数，所述主蒸汽参数是所述被控对象，所述主蒸汽参数采样值是所述被控对象的输出量；以及获取主蒸汽参数设定值，其中，所述主蒸汽参数设定值为所述被控对象的目标量。
2.根据权利要求1所述的方法，其特征在于，所述第二预设算法为所述单变量分布估计算法，
在通过第二预设算法计算模糊算法参数之前，所述方法还包括：确定所述模糊算法参数的初始染色体种群，其中，所述模糊算法参数的初始染色体种群包括多个染色体，所述多个染色体用于在通过预设解码算法进行解码之后确定所述模糊算法参数的初始值，
通过第二预设算法计算模糊算法参数包括：通过适应度函数计算所述模糊算法参数的初始染色体种群中各个染色体的适应度值；根据所述适应度值的大小对所述模糊算法参数的初始染色体种群中各个染色体进行排序；通过预设更新算法更新在所述模糊算法参数的初始染色体种群中排序在预设序号之后的染色体，得到所述模糊算法参数的优化染色体种群；判断是否满足停止所述单变量分布估计算法的条件；如果判断出满足停止所述单变量分布估计算法的条件，通过所述预设解码算法对所述模糊算法参数的优化染色体种群进行解码，得到所述模糊算法参数；以及如果判断出不满足停止所述单变量分布估计算法的条件，将所述模糊算法参数的优化染色体种群作为所述模糊算法参数的初始染色体种群，重新执行通过第二预设算法计算模糊算法参数。
3.根据权利要求2所述的方法，其特征在于，
在通过适应度函数计算所述模糊算法参数的初始染色体种群中各个染色体的适应度值之后，所述方法还包括：更新所述模糊算法参数的历史最优染色体种群中的染色体，其中，所述模糊算法参数的历史最优染色体种群中的各个染色体的值为所述模糊算法参数的初始染色体种群中各个染色体的历史记录中适应度值最大的值，
确定所述模糊算法参数的初始染色体种群包括：根据所述模糊算法参数的历史最优染色体种群确定所述模糊算法参数的初始染色体种群。
4.根据权利要求1所述的方法，其特征在于，在根据所述被控对象的输出量和目标量、所述PID控制参数和所述模糊算法参数向所述被控对象输入总控制量之前，所述方法还包括：
通过模糊规则系统生成模糊规则库，其中，所述模糊规则系统用于生成所述模糊规则库，所述模糊规则库包括多个模糊规则，所述模糊规则库用于根据所述被控对象的输出量和目标量确定对应的模糊规则，所述对应的模糊规则用于确定所述模糊控制参数的模糊量，所述模糊控制参数的模糊量用于根据所述模糊算法参数计算所述模糊控制参数。
5.根据权利要求1所述的方法，其特征在于，根据所述被控对象的输出量和目标量、所述PID控制参数和所述模糊算法参数确定所述被控对象的控制参数包括：
根据所述被控对象的输出量和目标量和所述模糊算法参数计算所述模糊控制参数；
根据所述被控对象的输出量和目标量和所述模糊控制参数确定所述被控对象的模糊控制参数；
根据所述被控对象的输出量和目标量和所述PID控制参数确定所述被控对象的PID控制参数；以及
将确定的模糊控制参数和PID控制参数相加，得到所述被控对象的控制参数。
6.根据权利要求1所述的方法，其特征在于，
在通过第一预设算法计算PID控制参数之前，所述方法还包括：获取所述被控对象的传递函数；确定所述PID控制参数的初始值，
在通过第二预设算法计算模糊算法参数之前，所述方法还包括：确定所述模糊算法参数的初始值，
通过第一预设算法计算PID控制参数包括：通过第一评价算法计算所述PID控制参数的初始值对所述被控对象的传递函数的控制指标；通过第一优化算法对所述PID控制参数的初始值进行优化，得到所述PID控制参数，
通过第二预设算法计算模糊算法参数包括：通过第二评价算法计算所述模糊算法参数的初始值对所述被控对象的传递函数的控制指标；通过第二优化算法对所述模糊算法参数的初始值进行优化，得到所述模糊算法参数。
7.一种模糊PID控制装置，其特征在于，包括：
第一计算单元，用于通过第一预设算法计算PID控制参数；
第二计算单元，用于通过第二预设算法计算模糊算法参数，其中，所述模糊算法参数用于计算模糊控制参数，其中，所述第一预设算法和/或所述第二预设算法为单变量分布估计算法；
获取单元，用于获取被控对象的输出量和目标量，其中，所述被控对象为模糊PID控制器的控制对象，所述被控对象的目标量为所述被控对象预设的目标输出量；
确定单元，用于根据所述被控对象的输出量和目标量、所述PID控制参数和所述模糊算法参数确定所述被控对象的控制参数；以及
输入单元，用于向所述被控对象输入确定的控制参数；
其中，所述第一预设算法为所述单变量分布估计算法，所述装置还包括：第一计算单元，用于在通过第一预设算法计算PID控制参数之前，确定所述PID控制参数的初始染色体种群，其中，所述PID控制参数的初始染色体种群包括多个染色体，所述多个染色体用于在通过预设解码算法进行解码之后确定所述PID控制参数的初始值，通过第一预设算法计算PID控制参数包括：通过适应度函数计算所述PID控制参数的初始染色体种群中各个染色体的适应度值；根据所述适应度值的大小对所述PID控制参数的初始染色体种群中各个染色体进行排序；通过预设更新算法更新在所述PID控制参数的初始染色体种群中排序在预设序号之后的染色体，得到所述PID控制参数的优化染色体种群；判断是否满足停止所述单变量分布估计算法的条件；如果判断出满足停止所述单变量分布估计算法的条件，通过所述预设解码算法对所述PID控制参数的优化染色体种群进行解码，得到所述PID控制参数；以及如果判断出不满足停止所述单变量分布估计算法的条件，将所述PID控制参数的优化染色体种群作为所述PID控制参数的初始染色体种群，重新执行通过第一预设算法计算PID控制参数；
获取被控对象的输出量和目标量是获取主蒸汽参数采样值，其中，所述主蒸汽参数采样值是对主蒸汽参数进行采样得到的采样值，其中，所述主蒸汽参数是锅炉的主蒸汽的温度参数或压力参数，所述主蒸汽参数是被控对象，所述主蒸汽参数采样值是被控对象的输出量；以及获取主蒸汽参数设定值，其中，所述主蒸汽参数设定值为被控对象的目标量。
8.一种锅炉主蒸汽温度和压力的模糊PID控制系统，其特征在于，包括权利要求7所述的模糊PID控制装置，用于向被控对象输入确定的控制参数，其中，所述被控对象为锅炉的主蒸汽温度参数和压力参数，所述系统还包括：
采样器，用于采集所述被控对象的输出量。
CN201610371439.4A 2016-05-30 2016-05-30 模糊pid控制方法和装置及系统 Active CN105955026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610371439.4A CN105955026B (zh) 2016-05-30 2016-05-30 模糊pid控制方法和装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610371439.4A CN105955026B (zh) 2016-05-30 2016-05-30 模糊pid控制方法和装置及系统

Publications (2)

Publication Number Publication Date
CN105955026A CN105955026A (zh) 2016-09-21
CN105955026B true CN105955026B (zh) 2020-06-05

Family

ID=56911097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610371439.4A Active CN105955026B (zh) 2016-05-30 2016-05-30 模糊pid控制方法和装置及系统

Country Status (1)

Country Link
CN (1) CN105955026B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021723B (zh) * 2016-11-02 2021-05-25 上海汽车集团股份有限公司 油泵电机温度估算方法及装置
CN107102564A (zh) * 2017-03-31 2017-08-29 合肥民众亿兴软件开发有限公司 一种软件开发方法
CN108303888B (zh) * 2018-02-07 2020-11-03 广东电网有限责任公司电力科学研究院 一种电站锅炉主蒸汽温度减温喷水控制方法及系统
CN109131351B (zh) * 2018-09-04 2020-03-20 吉林大学 基于随机时滞的车辆稳定性评价方法
CN109632354B (zh) * 2018-12-03 2020-12-29 中国舰船研究设计中心 U型管蒸汽发生器蒸汽出口外特性模拟装置及模拟方法
CN109597446A (zh) * 2019-01-07 2019-04-09 中氢新能技术有限公司 一种高温甲醇制氢温度控制恒温方法
CN112484237B (zh) * 2020-11-20 2022-06-24 珠海格力电器股份有限公司 一种化霜控制方法、装置、设备及空调
CN115562401A (zh) * 2022-09-26 2023-01-03 珠海格力电器股份有限公司 加热控制方法、装置、存储介质及加热设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103970013A (zh) * 2013-01-30 2014-08-06 福州福大自动化科技有限公司 基于遗传算法与模糊控制的除氧器控制的实现方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7006900B2 (en) * 2002-11-14 2006-02-28 Asm International N.V. Hybrid cascade model-based predictive control system
WO2013128214A1 (en) * 2012-02-28 2013-09-06 Aristole University Of Thessaloniki-Research Committee A method for auto-tuning of pid controllers and apparatus therefor
US9645563B2 (en) * 2012-08-30 2017-05-09 Honeywell International Inc. Tuning model structures of dynamic systems

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103970013A (zh) * 2013-01-30 2014-08-06 福州福大自动化科技有限公司 基于遗传算法与模糊控制的除氧器控制的实现方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
《LABVIEW中模糊PID的实现及在XDPS中的应用》;孙建平等;《仪器仪表用户》;20160208;第23卷(第2期);第40-43页 *
《分布估计算法研究及在动态优化问题中的应用》;武燕;《中国博士学位论文全文数据库（电子期刊）》;20090815(第8期);第69-97页，第6章 单变量边缘分布估计算法（UMDA）研究与动态优化问题求解 *
《基于分布估计算法的模糊分类方法》;霍纬纲;《计算机工程与设计》;20130716;第34卷(第7期);第2413-2416页 *
《基于分布估计算法的遥操作模糊双边控制》;李永明;《系统仿真学报》;20120408;第24卷(第4期);第810-815页 *
《基于分布估计算法的遥操作模糊双边控制》;汪阳华;《湖南工业大学学报》;20120915;第26卷(第5期);第62-66页 *
《火电机组主汽温控制优化策略的研究》;李泉等;《浙江电力》;20100325(第3期);第26-29页 *

Also Published As

Publication number Publication date
CN105955026A (zh) 2016-09-21

Similar Documents

Publication Publication Date Title
CN105955026B (zh) 模糊pid控制方法和装置及系统
Rubio et al. Fuzzy logic control of a solar power plant
CN111562744B (zh) 一种基于pso算法的锅炉燃烧隐式广义预测控制方法
CN110941186B (zh) 基于神经网络与万有引力搜索算法的汽温控制寻优方法
US11475186B2 (en) Apparatus and method for deriving boiler combustion model
CN113592163A (zh) Scr脱硝反应器入口氮氧化物浓度预测方法及设备
CN116880191A (zh) 一种基于时序预测的过程工业生产系统的智能控制方法
CN106502093B (zh) 基于ga‑svr的水岛加药在线控制方法
Nahlovsky Optimization of fuzzy controller parameters for the temperature control of superheated steam
Xiangsong et al. PID controller design based on radial basis function neural networks for the steam generator level control
CN112286060B (zh) 一种基于遗传算法和模糊控制技术的热网温度控制方法
CN106610589A (zh) 一种在线硬件闭环网源协调线性自抗扰控制方法
CN117518823B (zh) 超临界火电机组主蒸汽温度自适应控制方法及相关装置
CN112799297B (zh) 一种温度预测控制方法、系统、设备及可读存储介质
CN113885607A (zh) 一种汽温控制方法、装置、电子设备和计算机存储介质
CN112396162A (zh) 一种燃煤机组屛式过热器壁温预测神经网络模型
Arahal et al. Nonlinear neural model-based predictive control of a solar plant
Chaibakhsh Modelling and long-term simulation of a heat recovery steam generator
CN116339142A (zh) 一种基于数据驱动的蒸汽-热交换机系统事件触发优化容错控制方法
CN112348696B (zh) 基于bp神经网络的供热机组调峰上限评估方法及系统
JP2024542229A (ja) プロセス産業の予測制御に適用されるモデル自律学習方法
Opalka et al. Nonlinear state and unmeasured disturbance estimation for use in power plant superheaters control
CN112381296A (zh) 一种燃煤机组高温过热器壁温预测神经网络模型
Zhou et al. An RBF-ARX model-based variable-gain feedback RMPC algorithm
CN119066987A (zh) 基于状态空间模型结合bp神经网络算法和遗传算法的微燃机控制方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 100011 Beijing Dongcheng District, West Binhe Road, No. 22

Patentee after: CHINA ENERGY INVESTMENT Corp.,Ltd.

Patentee after: State energy group Guoyuan Electric Power Co.,Ltd.

Patentee after: SHAANXI DEYUAN FUGU ENERGY Co.,Ltd.

Address before: 100011 Shenhua building 22, West Binhe Road, Dongcheng District, Beijing

Patentee before: SHENHUA GROUP Corp.,Ltd.

Patentee before: SHENHUA GUONENG ENERGY GROUP Corp.,Ltd.

Patentee before: SHAANXI DEYUAN FUGU ENERGY Co.,Ltd.