基于模糊神經網絡PID的水輪機組頻率控制

陳德海 朱正坤 王超

摘 ?要： 在水電站發電過程中，頻率控制至關重要，但是對于這種非線性、時變性的復雜控制系統來說，傳統PID控制方法存在參數整定困難，控制效果不佳的缺陷。因此在傳統的PID算法、模糊控制以及神經網絡控制算法的基礎之上，提出一種模糊神經網絡PID聯合控制算法來優化水輪機調節系統的PID參數，并應用到水輪機調節系統當中，與傳統PID控制器進行對比，結果表明模糊神經網絡PID控制算法對水輪機調節系統的控制上在調整時間以及超調量方面都比傳統PID算法更好，控制效果好，克服了傳統PID算法的不足。

關鍵詞： 頻率控制; 水輪機調速; 系統參數優化; PID控制器設計; 模糊神經網絡PID; 水電站

中圖分類號： TN876?34; TP13 ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）23?0099?04

Abstract： Frequency control is very important in the process of hydroelectric power generation， but the traditional PID control method for the complex control system with non?linearity and time?varying characteristics has the defects of difficult parameter tuning and poor control effect. Therefore， on the basis of the traditional PID algorithm， fuzzy control and neural network control algorithm， a combined control algorithm of fuzzy neural network and PID is proposed to optimize the PID parameters of hydraulic turbine governing system. It is applied to the hydraulic turbine governing system and compared with the traditional PID controller. The results show that the fuzzy neural network PID control algorithm is better than the traditional PID ?algorithm in adjusting time and overshoot， and has good control effect. It has overcome the shortcomings of the traditional PID control algorithm.

Keywords： frequency control; turbine speed governing; system parameter optimization; PID controller design; fuzzy neural network PID; hydropower station

0 ?引 ?言

水輪機控制系統的好壞決定了水電機組能否安全穩定的運行，同時也是水電站運行系統的核心部件。在水輪機控制系統中，頻率的控制對電網的穩定性至關重要，對頻率的控制效果在很大程度上決定了電能的質量以及電力系統的安全狀況。電網頻率的穩定性控制可以使電能質量得到大大提高，進一步提升人們的生活水平。

在控制領域中目前比較經典的方法是采用PID對調速系統進行閉環控制[1]，PID依據給定值和實際測量值之間的誤差，通過比例、積分、微分三個環節對系統進行控制。PID控制器相對于結構簡單的線性系統來說有較好的控制效果，但是對于像水輪機調節系統這樣具有非線性、時變性且存在非最小相位的系統來說，控制效果就不是那么理想了[2]。針對水輪機調節系統為了增加傳統PID控制器的控制效果，本文結合模糊控制和神經網絡的各自優勢，利用模糊神經網絡PID算法來對水輪機調速系統進行控制。

模糊神經網絡PID算法[3]的原理是根據人的經驗知識具有良好的學習能力，而且神經網絡也不需要掌握系統精確的模型，可以很好地克服水輪機調速系統因為其非線性、時變性導致模型難以建立的缺陷，改進算法可以在線對PID參數進行實時調整，而且具有良好的抗干擾能力，模糊神經網絡PID算法兼顧了模糊控制算法以及神經網絡控制技術兩者共同的優勢，進而可以對水輪機調速系統這種復雜的系統進行很好的控制。

1 ?水輪機調速系統概述

1.1 ?水輪機調速基本原理

水輪機調速系統一般由引水系統、液壓伺服系統、水輪發電機以及調速器組成[3?4]，其調節的基本思路是：如果系統頻率發生改變或者受到外界負荷擾動時，由于電能沒辦法大量存儲，此時有功功率的變化將會導致頻率隨之變化，而水輪機轉速的變化是導致頻率變化的關鍵因素，轉速的大小又跟水流量有關，因此為了平衡這種變化，根據實際情況需要對水輪機導葉開度進行調整，以維持轉速變化率為0，使頻率再次達到新的穩定狀態。

1.2 ?YWCT?300/600/1000液壓微機自動調速系統

水輪機發電機組、水輪機調速系統以及壓力引水系統三者一同組成了水輪機的調速控制系統，以下是水輪機調速系統的工作過程：為了保證在工作過程中發電機組轉速保持不變，因此導水機構導葉開度隨工作負荷的變化也要發生相應的變化，導葉開度越小，轉速越大，反之，轉速越小。首先由測量元件測得發電機組的轉速信號，之后再把轉速信號轉化成系統可以識別的電壓信號，再把電壓信號傳輸至放大環節，與設定的轉速進行比較，從而計算出轉速偏差大小及方向，然后將偏差傳送至控制器進行調節，調節好以后再傳送到執行機構對導葉的開度進行調節，從而維持機組轉速恒定。水輪機調速系統結構框圖如圖1所示。

1.3 ?調速系統數學模型建立

為了方便對水輪機調速系統動態特性進行分析，本文在此對其建立了一個模型，模型大致由三部分組成。

1） 調速器：調速器的作用是測量機組頻率，并計算出實際頻率與設定頻率之間的偏差，然后按照一定的控制規律輸出信號，進而控制執行機構調整導葉的開度，得以改變機組的轉速以及出力的大小。其傳遞函數可表示為：

2 ?基于模糊神經網絡的PID控制器設計

模糊神經網絡PID利用模糊規則的邏輯推理能力可以簡單有效地控制非線性系統，另一方面又利用了神經網絡對系統的逼近能力和自適應學習能力，還具有PID控制的精準性。模糊神經網絡PID控制器是由模糊神經網絡以及傳統的PID兩部分組成，首先模糊神經網絡根據系統轉速誤差以及誤差變化率整定出一組PID參數賦給PID控制器，這樣就可以實現PID參數的在線調整，從而讓PID控制器有了自適應的能力，模糊神經網絡PID控制系統的原理如圖2所示。

2.1 ?PID控制算法

PID控制算法主要由比例、積分、微分3個環節構成，是現代工業控制過程中應用最多的控制方式之一，通過實際測量值與設定值的偏差對系統進行閉環控制，其輸出信號可表示為：

2.2 ?控制器模糊邏輯

模糊神經網絡控制器的輸入量是頻率實際值和給定值之間的誤差[e]以及誤差變化率[ec]，輸出值為PID控制器的3個控制指標，即比例、積分、微分系數[Kp][，Ki]，[Kd]。取這5個語言變量的模糊子集為{[NB ]（負大）、[NM]（負中）、[NS]（負小）、[ZE]（零）、[PS]（正小）、[PM]（正中）、[PB]（正大）}，量化為7個等級。規定誤差[e]以及誤差變化率[ec]的論域為{-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6}，PID的3個參數[Kp][，Ki]和[Kd]的論域取為{-0.6 -0.4 -0.2 0 0.2 0.4 0.6}。本文選用高斯函數作為神經元激活函數。

2.3 ?模糊神經網絡結構和算法

本文設計的模糊神經網絡是一個5層的前饋神經網絡，其結構如圖3所示。該模糊神經網絡的輸入神經元是水輪機調速系統頻率的測量誤差以及誤差的變化率，輸出神經元是PID的3個指標：比例、積分、微分系數[Kp][，Ki]，[Kd]。它由5層結構組成，分別為輸入層、隸屬度函數生成層、推理層、歸一化層以及輸出層。為了方便研究，本文只針對歸一化層到輸出層之間的權值作出調整，其他層的權值都假設為1。

3 ?仿真實例分析

為了進一步證明本文所用算法與傳統PID控制的優勢之處，本文將結合前文所建立的水輪機調速系統模型，在Matlab中使用Simulink搭建模塊進行仿真實驗。

在實驗中，將頻率的誤差以及誤差變化率作為系統的輸入變量，每個輸入變量取7個模糊子集，最終網絡結構確定為2?14?49?49?3。其中，取[Ty=0.3]，[Tw=1.78]，

[Ta=8.5]。所得仿真結果如圖4所示。

如圖4a）所示，系統分別采用傳統PID算法、模糊PID算法、模糊神經網絡PID算法進行控制，在頻率為50 Hz時，給系統增10%的負荷。從圖中可以看出，用傳統PID方法進行控制時超調量約為1.56%，調節時間為37.5 s;而采用模糊PID進行控制時，系統超調量約為0.34%，調節時間約為28.5 s;當采用本文所研究的模糊神經網絡PID進行控制時系統幾乎沒有超調，而且調節時間僅為11 s。當給系統甩10%負荷時如圖4b）所示，傳統PID控制算法超調量約為1.73%;調節時間約為30.5 s，采用模糊PID算法進行控制時系統超調量約為0.378%，調節時間約為24.5 s;當采用本文研究的模糊神經網絡對系統進行控制時幾乎沒有超調量，調節時間較傳統PID算法而言也有明顯提升，約為11.5 s。

由此可見，無論系統增減負荷，本文研究的控制算法對系統均具有很好的調節能力，且具有明顯的優越性。

為了更直觀表示，本文將各算法的超調量、調節時間進行了整理，結果如表1，表2所示。

4 ?結 ?語

本文提出了一種將模糊控制與神經網絡控制理論結合的算法，并將其應用至水輪機調速系統控制當中，此方法結合模糊控制、神經網絡控制、PID控制三者的優勢，賦予了水輪機調速系統自我學習能力、邏輯推理能力。從仿真實驗結果可以得出，模糊神經網絡相比傳統PID以及模糊PID算法來說，在超調量和調節時間上都有很明顯的優勢，在面對干擾時也有較強的魯棒性以及自我調節能力，系統適應能力強，控制效果良好。因此本文所研究的方法在針對傳統PID控制效果不佳難以解決非線性系統的問題上可以達到一個很好的控制效果，對水電站水輪機調速控制具有一定的參考價值。

注：本文通訊作者為朱正坤。

參考文獻

[1] 王震，崔峻豪，丁澤濤，等.水輪發電機調節系統的模糊PID控制[J].信息技術與信息化，2018（10）：83?85.

[2] 白國振，俞潔皓.基于改進模糊神經網絡的PID參數自整定[J].計算機應用研究，2016，33（11）：3358?3363.

[3] 陳志環.水輪機調節系統的參數辨識與控制策略研究[D].武漢：華中科技大學，2017.

[4] 門闖社.基于水輪機內外特性復合數學模型的調節系統動態特性研究[D].西安：西安理工大學，2018.

[5] 祁華憲.基于駕駛意圖識別的純電動汽車模糊控制策略研究[D].合肥：合肥工業大學，2017.

[6] 禹騰超，陳敏.基于SOM神經網絡的汽輪發電機組振動故障診斷研究[J].工業控制計算機，2016，29（1）：137?139.

[7] 張永振，蘇寒松，劉高華，等.基于BP神經網絡的PID控制器參數調整[J].南開大學學報（自然科學版），2018，51（3）：26?30.

[8] 代月明，張麗娜，朱習軍.基于Ziegler?Nichols頻域PID的水輪機自適應調速系統設計[J].徐州工程學院學報（自然科學版），2018，33（3）：47?51.

[9] ZHANG Leike， WU Qianqian， MA Zhenyue， et al. Vibration analysis of coupled bending?torsional rotor?bearing system for hydraulic generating set with rub?impact under electromagnetic excitation [J] Archive of applied mechanics， 2016， 86（9）： 1665?1679.

[10] EGUSQUIZA E， VALERO C， PRESAS A， et al. Analysis of the dynamic response of pump?turbine impellers. Influence of the rotor [J]. Mechanical systems and signal processing， 2016， 68/69： 330?341.

[11] LI Chaoshun， MAO Yifeng， ZHOU Jianzhong， et al. Design of a fuzzy?PID controller for a nonlinear hydraulic turbine go?verning system by using a novel gravitational search algorithm based on Cauchy mutation and mass weighting [J]. Applied soft computing， 2017， 52： 290?305.

[12] 王雪珂.水電機組灰色模糊PID調速器設計與仿真[D].鄭州：鄭州大學，2017.