SOA算法在太阳光复合利用系统PID参数整定中的应用研究

刘江海，蔡正传，李欣蓓

(1.武汉东湖学院，湖北 武汉 430200；2.桂林电子科技大学，广西 桂林 541000；3.武汉工程大学，湖北 武汉 430200)

引言

太阳光是自然万物生长的能量来源，太阳能是清洁的可再生能源，然而太阳能利用率理论计算值一般为6.0%～8.0%，而实际生产中仅为0.5%～1.0%，最大可达2%。随着电子科技和能源储备的发展，人们在非太阳光照射时期，可以利用储存太阳能。光伏能源广泛地提高了发电效率，开启了太阳光能源运用的新纪元。光伏能源是一种重要的清洁能源，具有高清洁度、高再生性等特点，已成为世界各国普通关注和重点发展的新兴产业[1,2]。

太阳光的移动导致其不能直射光伏太阳能板，严重影响了太阳光的发电效率，使用方式单一。为提高太阳光的复合利用率，本文设计了一种太阳光复合利用系统，该系统PID参数以SOA优化算法通过迭代产生最优解，一方面提高了太阳能的光电转换效率，另一方面直接转移太阳光到室内照明，大幅提高太阳光复合利用率[3,4]。

1 总体架构

本设计的太阳光复合利用装置，对太阳光有了新的分析和认识，从光的收集、智能追光系统、太阳能在光照和光电转换效率上，采用对应的硬件装置和算法判别分析，实现太阳光的智能跟踪控制调节，提高了光能的利用率，给日常生活带来了便利。

太阳光复合利用系统，可以对光进行收集和检测，通过检测器方位角和光伏发电板以及室内外透镜组的对应，智能追光调节由电机得到相应指令控制。智能调节的太阳光光能在生活中有很大的用途，在室内，可以用于日光照明、投影等；在室外，可以用于传热导光以及光伏发电储能。该系统主要由3个模块组成：捕捉光照数据模块、采集透镜光照的角度和调节角度模块、电机控制驱动模块，装置系统如图1所示。

图1 太阳光复合利用系统框图Fig.1 Block diagram of solar composite utilization system

启动系统装置，装置开始正常工作，传感器开始收集室内外和装置内部的光照、温度、能量等信息；信息采集后经过初步处理将数据传送到主控处理芯片STM32F10x，通过PID算法分析，做出相应的判决指令，判决控制驱动电路和电机，实现智能调节光伏发电板和镜片组的功能[5]，运行流程如图2所示。

图2 实验装置运行流程图Fig.2 Flow chart of experimental device operation

2 SOA算法及PID控制系统

2.1 PID控制模型

PID控制是典型的工业控制之一，其主要难点在于PID的参数整定，目前用的工业控制中，PID参数整定多依赖于经验法，根据不断地调试，得出一个较为合理的PID参数，达到系统的要求[6]。

如图3所示，这是一个简单的模拟 PID 控制系统。该系统可以理解为由两部分组成，控制以及被控部分。由于 PID 控制器为线性，设输入端的初始值为rin(t)，输出端的最终值为yout(t)，则二者的偏差为：

图3 PID控制系统Fig.3 PID control system

e(t)=rin(t)-yout(t)

(1)

2.2 基于 SOA 算法下的 PID 参数整定设计方案

SOA是对人的随机搜索行为进行分析，借助脑科学、认知科学、心理学、人工智能、多Agents系统、群体智能等的研究成果，分析研究人作为高级Agent的利己行为、利他行为、自组织聚集行为、预动行为和不确定性推理行为，并对其建模用于计算搜索方向和步长。由于SOA直接模拟人的智能搜索行为，立足传统的直接搜索算法，概念明确、清晰、易于理解，是进化算法研究领域中的一种新型群体智能算法[7,8]。

基于SOA 优化算法下的PID 参数整定的基本原理如图4所示。图4中包含了 PID 控制器和被控对象，当被控对象确定并且输入端开始输入信号之后，系统就会将搜寻者优化算法作用于 PID 控制器中，通过该智能优化算法来获取该 PID 控制器的三个控制参数。当得到三个优化参数之后，PID 控制器就会利用这三个调节系数对控制器本身进行不断的调节，然后对被控对象进行控制，不断地产生输出信号，如此往复，直到输出信号与输入信号的阶跃响应无限接近，差值e(k) 无限接近于0，实现参数的智能化调节。

图4 SOA 算法下的 PID 控制器原理图Fig.4 PID controller schematic diagram under SOA algorithm

3 仿真及结果分析

3.1 系统数学模型

控制部分电机传递函数：

在引导学生互相修改的时候，教师要采用多种形式的，如人员的安排——同桌之间，小组之间。小组之间则要注意好、中、差学生的搭配；修改内容可以是字、词、句，可以是标点，可以是段落，也可以是篇章。但是教师更要注意引导学生循序渐进，从简单到复杂，从单项到综合。这样一步一步，学生就能学会自我修改了。

(2)

其中UN为直流电动机额定电压，IN为直流电动机额定电流，nN为直流电动机额定转速，GD2为负载及电动机转动总惯量，Ra为直流电动机电驱回路电阻，Ld为直流电动机电驱回路电感。

3.2 参数编码

假设种群P中有3个搜索者，其中由PID控制器的三个控制参数共同构成每个粒子的位置向量，则每个个体位置向量为D=3维。现在用一个S×D的矩阵来表示该种群：

(3)

3.3 适应度函数的选取

SOA算法在搜索进化中只会使用适应度值来评价个体的优劣，并将适应度值作为将来粒子位置更新的依据，使得初始解逐渐进化为最优解。若要在过渡过程中得到较为合适的动态特性，在选取最小目标函数时，我们可以选择绝对误差的时间积分性能指标，在目标函数中添加一个输入的二次方，这样可以很好地避免控制能量超标，目标函数如式(4)所示：

(4)

式中，e(t)为系统误差，u(t)为控制器输出，ω1、ω2为权值。为了防止出现超调现象，当出现超调时，就把超调量当作最佳指标中的一项，则此时最佳指标为：

(5)

式中，ω3为权值，且ω3>>ω1，一般会选择ω1=0.999，ω2=0.001，ω3=100。

3.4 算法的实现

SOA算法模拟人的随机搜索行为，将人的智能搜索行为直接应用于对优化问题解的搜索。在优化计算中，人的随机搜索行为可理解为：在连续空间的搜索过程中，较优解的周围可能存在更优的解，最优解可能存在于较优解的邻域内。因此，当搜寻者所处位置较优时，应该在较小邻域内搜索；当搜寻者所处位置较差时，应该在较大邻域内搜索。为此，SOA算法利用可以有效描述自然语言和不确定性推理的模糊逻辑，对上述搜索规则进行建模，并确定搜索步长。

(1)t→0;

(2)初始化，在可行解域随机产生 s个初始位置;

(6)

其中，i=1,2,3,…,s；t=0；

(3)评价，计算每个位置的目标函数值；

(4)搜寻策略，计算每一个个体i在每一维j的搜索方向dij(t)和步长αij(t)；

(5)位置更新，按公式更新每个搜寻者位置；

(6)t→t+1 ；

(7)若满足停止条件，停止搜索；否则，转(3)。

3.5 仿真结果分析

为了研究 SOA 算法在 PID 参数优化情况，选择了不同种群数作为研究对象，通过对不同种群数的研究，从而获得一定的规律。将 SOA 算法迭代次数设为150，种群数依次设为 30、40、50、100。在比较不同种群数量的整定效果时，必须先得出150代时的PID整定参数。使用 Matlab 工具可得出四种不同种群数量时的整定参数，结果如表1所示。

表1 四种不同种群数量时的整定参数Table 1 The setting parameters of four different populations

若在SOA算法中将种群数量分别取 30、40、50和100，将最终结果综合对比可以发现，种群数为 50 时的收敛性最好、稳定性最高，对PID控制参数的整定效率最高。结合图5和图6的运行结果可知，当种群数为50时，在本系统中可得最优化的PID参数值，实现智能化控制。

图5 SOA优化适应度函数变化的曲线Fig.5 Curve of SOA optimization fitness function change

图6 PID参数优化曲线Fig.6 PID parameter optimization curve

采用面积为950 cm2的太阳能板，计算太阳光照到地面的功率和实际光伏发电板的收集储存功率，结果如表2所示。

表2 太阳光照功率转化统计表Table 2 Solar illumination power conversion table

4 结论

本文以控制部分直流电动机参数智能化整定为研究对象，主要介绍了在 PID 控制系统中使用 SOA 智能算法进行参数整定的相关设计方案。随后在 SOA 算法中选取不同的种群数量和迭代次数，分别对系统的 PID 控制参数进行整定，给出了在实际工程应用中种群数量和迭代次数对控制参数的影响，证明了 SOA 算法在该系统的 PID 参数整定中具有绝对的可行性以及相关优化规律，SOA 算法不仅具有可行性，而且相对于其他常用的智能算法，具有较高的精度、较好的收敛性、误差较小的优点。实验结果表明，整定后的参数用在控制系统中使得系统更加智能化，太阳光复合利用率更高。