基于遗传蚁群算法的电厂主蒸汽温PID参数优化与控制仿真研究

王 磊

（大唐淮南田家庵发电厂，安徽 淮南 232007）

0 引言

蚁群算法最先是由意大利学者Dorigo M，Maniezz V 和Colorni A 在20 世纪90 年代提出的一种生物学算法[1]，它包括ANT-density，ANTquantity 和ANT-cycle 三个算法。1996 年Dorigo 通过对Ant System 改进后提出的Ant-Colony System(ACS)算法，1999 年Bullnheimer 等人又提出了rank-based version of Ant System(ASrank)算法[2]。2000 年，Stutzle 和Hoos 提出Max-Min AntSystem 算法[3]。此外还有文献提出了一些针对特定问题的改进的蚁群算法，这些算法被统称为蚁群优化算法Ant Colony Optimization Algorithm（ACA）。遗传算法是由美国密执安大学的Holland教授在20 世纪60 年代提出来的[4]，De Jong 利用计算机对数值函数对进行了优化算法的模拟，从理论上证实了算法的优越性，Goldberg 对遗传思想进行了全面的总结，于80 年代建立了现代遗传算法的理论模型[5]。

遗传算法(Genetic Algorithm，GA)虽然具有很快全局搜索能力，但对于运算中系统产生的反馈信息却没有利用，结果导致了数据的冗余迭代增加，求解时间漫长。而蚁群算法虽然是利用信息素的累积和更新而收敛到的最优路径，但由于初期信息素匮乏、部分参数需要凭借经验等不科学因素带入，不可避免的导致算法收敛时间长。为了克服两种算法各自的缺陷，形成优势互补。可以利用遗传算法得到初始信息素分布，然后，在运算中利用蚁群算法。由于遗传算法具有随机搜索、快速性、全局收敛性的特点，而蚁群算法又具有的并行性、正反馈机制以及求解效率等特征。蚁群算法与遗传算法相融合可以用来解决离散域和连续域中的多种优化问题[6-7]。

目前随着电力技术的进步，电厂锅炉越来越向着大功率、高效能的方向发展，而大型火电厂的主蒸汽控制系统则是保障锅炉稳定运行的，提高发电效率的主要设备。由于热控对象普遍存在非线性、大滞后和大惯性的特点，以传统PID 为基础的常规控制系统用于大机组的普适参数已无法适应越来越高的现代化高效率生产的要求。因此，研究电厂主蒸汽的温度控制系统的PID 模糊参数控制具有重要的现实意义[8]。

本文采用遗传蚁群算法动态调整电厂主蒸汽锅炉的蒸汽温度调节PID 参数，通过在蚂蚁的搜索过程中，嵌入了遗传算法以搜索更优的解，使系统运行中保持最优的瞬态参数。仿真实验结果表明，将遗传蚁群算法应用于主蒸汽温度PID 控制器参数的优化是可行和有效的，它可以克服传统PID 控制器参数不可改变的缺点，而且具有更高的性能。

1 PID 控制器参数

1.1 过热气温传递特性分析

在控制过热汽温的影响的各种因素中，蒸汽流量，烟气传热量和减温水量是设计中需重点考虑的几个问题。根据不同的实现机理，在设计中可以采用摆动式燃烧器、烟气挡板和多级喷水温度调节的方式。由于多级喷水温调节设计原理简单，适用范围广，控制效果较好，因此目前火力电厂主汽温调节均采用多级喷水温的调节设计。

设在减温水流量扰动下，导前和过热汽温的传递函数分别为：

式中，K 为减温水流量扰动下导前汽温的放大系数，T 为减温水流量扰动下导前汽温对象的时间常数，n 为阶数，具体的参数数值一般采用实验确定。传统的PID 方法在设计控制系统时，考虑传递函数的参数是固定不变的，因此精度难以满足特殊生产过程的要求。本文利用遗传蚁群算法从控制论的角度出发对PID 参数优化进行研究，将其运用于电厂锅炉过热气温，取得了较好的效果。

1.2 PID 控制原理

PID 控制器系统的原理如图1 所示：

图1 PID 控制器原理图

在PID 控制器原理图中，R(S)为输入量，Y(S)为输出量，其控制算法为[9]：

式中，u(t)为控制量，Kp为比例系数，e(n)为偏差，Ti为积分时间常数，T 为采样周期，Td为微分时间常数。PID 控制器参数就是Kp、Kp/Ti和KpTd，调整PID 控制系统的参数目的就是PID 控制器性能指标的函数的寻优问题，目标函数通常采用能衡量系统调节品质的平方偏差积分(ISE)来描述。

2 算法实现与仿真

2.1 算法思想

设蚂蚁总数为m，每个蚂蚁i 对应的目标函数为Q，则：△Q=Qi-Qj，∀i，j。定义蚂蚁i 在t 时刻的转移概率：

K 个时间后，该蚂蚁移动路径的信息素强度调整为：

2.2 算法伪代码

步骤1 设置初始值。选取合适的种群，大小为M、个体的编码长度为l、进化代数、交叉概率、变异概率等参数，随机生成m 个个体作为初始群体P(t)，设t=0 时迭代次数为Nc；

步骤2 将m 只蚂蚁放在各自的初始化邻域中，另其按式（5）规定的转移概率移动；

步骤3 计算各蚂蚁的目标函数Ql（l=1，2，…m），并记录PID 控制器当前最优解；

步骤4 按式（5）-（7）所给出的方程修正信息素强度，置环次数Nc+1；

步骤5 如循环次数Nc＜预定迭代次数即转步骤2，否则停止；

步骤6 生成PID 控制器最优解。

2.3 实验仿真

我们以大唐淮南田家庵发电厂主蒸汽温度串级PID 控制系统为例，对比采用遗传蚁群算法和传统的整定方法进行优化的控制效果。算法参数为：Q=1，ρ＝0.7，α＝β＝1，m=9

设定值做lmA 的阶跃变化，用遗传蚁群算法和常规方法分别对主蒸汽温度串级PID 控制系统的参数进行优化，设定参数见表1。阶跃响应对比见图2，红线是蚁群算法所得的结果，蓝线是传统方法所得的结果。显而易见，对PID 控制系统采用遗传蚁群算法的收敛时间远远小于传统算法，同时振荡幅度也绝对优于传统算法。由此可见采用智能算法所带来的改善是相当明显的。

表1 设定参数表

图2 跃阶响应时间对比图

3 结论

本文研究了传统PID 调节器参数存在问题，提出了采用遗传蚁群算法用于精确控制PID 控制系统的优化方法。通过在蚂蚁的搜索过程中，嵌入了遗传算法，融入遗传算法的杂交、变异等方法以搜索更优的解，努力使系统运行中保持最优的瞬态参数。在将算法和田家庵电厂的传统算法模拟对比后，发现系统单位阶跃响应大幅度减少，具有较好的控制性和鲁棒性。研究结果表明将该算法用于主蒸汽温度PID 控制器参数调节的方法是可行和有效的，将该算法在工程实践推广和应用将是下一步研究和解决的问题。

［1］Marco Dorigo，V.Maniezzo，and A.Colorni.The Ant System：Optimization by a colony of Cooperating agents[J].IEEE Transactions off Systems.Man，and Cybernetics-Part B.1996，26(1)：29-41.

［2］Bullnheimer B，Hartl R.F and Strauss C.A new rank-Based version of the ant system：a computational study[J].Central European Journal for Operations Research and Economics，1999，7（1）：7-38.

［3］Stutzle T and Hoos H.Max-Min ant system[J].Future Generation Computer Systems，2000，16(8)：889-914.

［4］J.Holland.Adaptation in Natural and Artificial Systems[M].Oxford，England：U Michigan Press.1975.

［5］Glodberg.D.E.Genetic Algorithms in Search，Optimization &Machine Learning[M].Addison-Wesley，Reading，Mass，1989.

［6］Marco Dorigo and Tommas StBtzle.Ant colony optimization[M].MIT Press，2004.

［7］段海滨.蚁群算法原理及其应用[M].科学出版社，2005.

［8］TAN Guarr-Zhrng Li Aroping.Fuzzy-GA PID controller within complete derivation and its Application to intelligent bionic artificial leg[J].Journal of Central South University of Technology，2003，10(3)：237-243.

［9］TAN Guan-zheng and LI Wen-bin.Design of ant algorithm based optimal PID controller and its application to intelligent artificial leg[J].J Cent South university.2004，35(1)：91-96.