基于自适应模糊算法的电气设备温度控制技术

徐留明，吴金文，于磊磊

(1.钟山职业技术学院，江苏 南京 210049；2.南京工业大学 浦江学院，江苏 南京 211222；3.南京交通技师学院，江苏 南京 210049)

随着经济全球化趋势的加深以及国民经济的高度发展，国内新的经济增长点培养依赖于电力行业的大力支持。智能思维与先进科技熏染下智能变电站建设逐渐融入现实社会，满足了电力行业的发展需求[1]。智能变电站为了优化微机型电气设备工作环境、减少外界环境因素对设备的损坏与干扰，将电气设备内置于设备组件柜之中，组件柜一般需要安置在环境较为恶劣且变化幅度较大的室外环境中[2]，因此，组件柜内部温度的不稳定波动为电气设备安全运行造成一定隐患[3-4]。为避免电气设备由于温度过高产生损坏，解决炎热季节电气设备的有效散热问题，本文基于自适应模糊算法设计了一套有效的电气设备温度控制技术，使电气设备组件柜的整体温度处于可调节状态，打造了一种有利于电气设备安全运行的智能工作环境。

1 基于自适应模糊算法的电气设备温度控制方法

1.1 电气设备温度控制系统设计

通过改变电气设备所在环境的冷却空气流量调节其温度变化，是较为常用的电气设备温度控制策略[5]。即在电气设备运行环境温度过高的情况下，一定时间内输送更多的冷却空气，使其经过设备表面，携带原本的热空气离开，从而达到降温的目的。本次研究基于此策略设计了电气设备温度控制系统，系统结构框图(见图1)。系统主要由以下几部分构成：

(1)数据采集单元：此单元主要由温度与湿度传感器构成，可实时获取组件柜内部的温度与湿度变化数据，以网络为载体将采集的数据实时传送至处理器单元。

(2)处理器单元：此单元包括中央处理器、A/D转换器、D/A转换器、自适应模糊PID控制器，中央处理器与模糊PID控制器联合进行温度信息处理，自适应模糊PID控制器主要根据当前电气设备的温度情况智能计算温度调节输出量[6-7]，一方面发送到风控机箱单元作为实际温度调节指令，另一方面发送到客户端进行信息存储。

(3)风控机箱单元：温度控制主要利用风控机箱单元调节电气设备组件柜内部的温湿度，该单元包括变频风机、变频加湿器、排风管，前两者为电气设备工作环境输送适当的冷却空气与湿润空气，后者用于排除温度不合格的环境风[8]。

(4)客户端：包括上位机、数据库、显示端，主要功能是存储电气设备的历史温度信息以及温度调节日志信息，并在显示端界面加以呈现。

图1 电气设备温度控制系统整体架构

1.2 基于自适应模糊PID的电气设备温度控制器优化设计

1.2.1 自适应模糊PID温度控制原理

在“比例-积分-微分控制器”中，P代表比例单元、I代表积分单元、D代表微分单元，因此将其简称为PID控制器[9-10]。其原理是整定Kp、Ki、Kd三个参数，将偏差的比例、积分、微分线性组合成控制量，据此控制量实现对电气设备的温度控制[11]。基本PID控制器的关键参数整定能力较差，影响控制器对温度调节功能的发挥。本次研究利用自适应模糊算法对PID控制器进行优化，增加PID对电气设备工作环境温度的智能化控制[12]，由此设计的自适应模糊PID控制器结构(见图2)。由图可知，计算控制变量、模糊量化处理、模糊控制规则制定、模糊决策以及反模糊化是自适应模糊算法对PID控制器优化的关键步骤，通过模糊处理对PID控制器进行有效的参数整定，确保输出的温度控制结果符合预期。

1.2.2 基于遗传算法的模糊控制器优化

自适应模糊PID控制器中量化因子、比例因子、隶属度函数是干扰其温度控制输出结果的关键因素，为此，基于遗传算法确定最优的量化因子、比例因子、隶属度函数，以输出最精准的温度控制量，具体步骤如下。

首先，对PID控制器的量化因子、比例因子、隶属度函数进行遗传编码。Ke、Kec是自适应模糊PID控制器的量化因子[13]，Kg是自适应模糊PID控制器的比例因子。三种参数对控制器性能产生的影响规律如下：

(1)Ke值与响应速度成正比，控制系统震荡等问题也往往是由于Ke值较大造成的，Kec值的发展规律与Ke相反。

(2)温度控制系统的输出结果与比例因子Kg关系重大，Kg值与响应速度成正比，Kg值较大也会产生系统的震荡问题。

遗传算法对三个因子采用的实数编码方式为{Ke,Kec,Kg}。

本次自适应模糊PID控制系统采用三角形隶属度函数，该函数顶点处横坐标决定了函数的形状。针对模糊子集的隶属度函数待优化参数较多，算法计算量较大的问题，需要严格约束函数参数的数量，为此结合控制器的量化因子与比例因子确定隶属度函数参数编码为{xe1,xe2,xe3,xec1,xec2,xec3,xg1,xg2,xg3}。

图2 自适应模糊PID控制器结构

其次，确定适应度函数。遗传算法优化过程中需要选取一个能够客观评价控制系统响应性能、超调量因素的目标函数，为此将式(1)作为遗传算法优化PID模糊控制器的目标函数：

(1)

电气设备温度控制的目的是使实际温度输出值与期望值的差值尽可能小，所以适应度函数为目标函数的倒数，如式(2)所示：

(2)

最后，设置遗传算法优化控制器的运行参数。遗传算法优化模糊控制器的运行参数主要包括：种群规模D、遗传迭代次数λ、变异与交叉概率δ1和δ2。遗传算法优化控制器参数与隶属度函数过程中，种群规模与迭代次数会直接干扰计算量与运行时间；遗传算法发生突变的几率不大；交叉概率值过高会快速收敛算法，新旧交换速度较大容易出现个体提前淘汰的问题。基于各参数的运行规律并结合大量遗传算法实践经验确定本次研究的种群规模取值区间为[20,150]，变异与交叉概率取值区间分别为[0.007,0.32]、[0.3,0.9]。

为了增强遗传算法优化模糊控制器参数的准确度与速度，改变了传统遗传算法中δ1和δ2固定不变的策略，令其随着个体适应度值适时变化[14]，实现模糊PID控制器的自适应调节与控制。δ1和δ2动态调整策略如式(3)和式(4)所示：

(3)

(4)

式(4)中，变异概率调整的上限与下限值分别采用δ1max、δ1min表示，交叉概率调整的上限与下限值为δ2max、δ2min；遗传算法种群适应度上限值为fmax；变异概率与交叉概率的个体适应度上限分别为f1、f2。

2 实验分析

为验证本文方法用于电气设备温度控制的有效性，在实验室中以电气设备组件柜为对象进行温度调控测试。本文温度控制方案基于自适应模糊控制算法开发而成，为了突出本文方法的优势，引入模糊PID温度控制方法、变论域模糊PID温度控制方法进行对比测试。

2.1 降温效果对比

在实验室中人为设置高温环境提升电气设备组件柜内部的温度，测试共分为12 d进行，前6 d为高温采集阶段，后6 d为降温处理阶段。经过一段时间的高温处理采集得到前6 d电气设备组件柜的温度如表1所示。经过本文方法控制后连续记录了6 d内温度变化情况(见表2)。

表1 测试前6 d电气设备组件柜各部位温度统计 ℃

表2 本文方法控制后电气设备组件柜各部位温度统计 ℃

对比表1与表2数据可知，测试前6 d电气设备组件柜内部温度处于较高区间，上部温度区间为[39.4,42.3]，中部与底部温度区间分别为[37.9,39.6]、[36.1,37.6]，其中上部与中部温度属于异常状态，底部温度略高。在此状态下利用本文方法对组件柜的温度进行控制与调节，调控后电气设备组件柜各部位温度基本保持在稳定状态，连续6 d内组件柜温度区间为[37.0,37.3]，中部与底部的温度区间分别为[36.2,36.4]、[35.5,35.6]，有效降低了电气设备工作环境的温度数值。

2.2 不同方法的控温效果对比

为了进一步突出本文方法控制电气设备温度的可靠性与优越性，采用模糊PID温度控制方法、变论域模糊PID温度控制方法同时进行温度调控，电气设备组件柜原始温度一致，此次调控目标是将电气设备工作环境温度调控在36 ℃附近。图3为3种方法的温度调控效果。

图3 3种方法的温度调控效果

由图3可知，本文方法大约在1 h之内将温度成功降低到合理范围内，在后续的测试过程中电气设备工作环境的温度始终保持在36℃上下，且波动幅度较小，温度调控效果显著。模糊PID温度控制方法花费约两个半小时将温度调控到36℃左右，但是在10:30—11:00期间出现短暂的温度下降，随后呈现回升态势，后续测试过程中温度保持在36.4℃上下。变论域模糊PID温度控制方法可在短时间内实现降温，但是对电气设备组件柜的温度调节程度不达标，温度始终维持在37℃附近，且波动幅度较大，没有解决电气设备温度自适应调节的问题。

相比之下，本文方法良好解决了电气设备温度过高的问题，能够按照预设目标自适应控制工作环境温度值，满足了智能变电站系统对电气设备工作环境温度的控制需求。

3 结 论

本文应智能变电站对电气设备及其运行环境温度调控需求提出了改进的自适应模糊温度控制方法，该方法在实验调试中取得了理想的工作效果。原因在于本文方法利用模糊PID控制器对温度进行控制，并且利用遗传算法对模糊控制器的量化因子、比例因子、隶属度函数进行寻优，令遗传算法的变异概率与交叉概率随着个体适应度值适时变化，提高了模糊控制器参数寻优的自适应水平，能够在短时间内获得最佳的量化因子、比例因子参数，确定最优的隶属度函数，最终实现精准的温度控制。