基于改进灰狼优化算法自抗扰...在火电燃料控制系统中的应用_蔡志鹏.pdf

第 39 卷第 1 期2023 年 2月上海电力大学学报JournalofShanghaiUniversityofElectricPowerVol39，No 1Feb2023DOI:10 3969/j issn 2096 8299 2023 01 006收稿日期:2022-09-27通信作者简介:蔡志鹏(1997)，男，在读硕士。主要研究方向为火电厂智能控制、人工智能算法。E-mail:caizhipeng0407163 com。基于改进灰狼优化算法自抗扰控制器在火电燃料控制系统中的应用蔡志鹏，许建强，王旻洁，汤豪(上海电力大学 自动化工程学院，上海200090)摘要:针对火电厂燃料控制这一非线性、滞后性、强干扰的被控对象，设计基于改进灰狼优化算法的自抗扰控制器。对燃料控制系统不同工况进行了阶跃仿真实验、扰动测试、鲁棒性测试以及变工况实验。实验结果表明，相较于传统比例-积分(PI)控制器和专家经验整定的自抗扰控制器，改进灰狼优化算法的自抗扰控制器可以实现燃料量的快速、稳定调节，在抗扰动及变工况过程中有较好的控制效果，具有较强的鲁棒性。关键词:自抗扰控制器;火电燃料控制系统;改进灰狼优化算法中图分类号:TM621文献标志码:A文章编号:2096 8299(2023)01 0033 07Application of Active Disturbance ejection Controller Based onImproved Grey Wolf Optimization Algorithm in ThermalPower Fuel Control SystemCAI Zhipeng，XU Jianqiang，WANG Minjie，TANG Hao(School of Automation Engineering，Shanghai University of Electric Power，Shanghai200090，China)Abstract:Aiming at the controlled object of thermal power plant fuel control，which is nonlinear，large lag and strong disturbance，an active disturbance rejection controller based on the improvedgrey wolf optimization algorithm is designed Through the step simulation experiment，disturbanceexperiment，robustness experiment and variable working condition experiment of the fuel control sys-tem is conducted under different working conditions The experimental results show that，comparedwith the traditional PI controller and the active disturbance rejection controller based on expert expe-rience，the active disturbance rejection controller based on the improved grey wolf optimization algo-rithm can realize the fast and stable adjustment of the fuel It has better control effect in the processof disturbance and variable working condition，and has strong robustnessKey words:active disturbance rejection controller;thermal power fuel controller system;im-proved grey wolf optimization algorithm锅炉是火电机组提供热能动力的主要来源，锅炉经济和稳定运行对于保障电力生产起着重要作用。锅炉燃料控制系统是一个复杂的控制系统，具有非线性、滞后性、工作环境扰动因素较多、上海电力大学学报2022 年动态参数随负荷改变等特点。目前燃料控制的核心问题在于快速适应不同自动发电控制负荷指令的变化，且及时消除内外扰动对系统的影响。现阶段火电机组燃料控制多采用传统的比例-积分(PI)控制器，但若系统对象的参数发生变化或者非线性效应显著时，控制性能降低。近年来，新型智能控制已经广泛运用于生产实践。预测控制可以根据被控对象的历史记录以及下一时刻的系统输入从而预测系统输出，但预测控制对计算机的计算能力和计算量要求过高，不能应用于动态响应速度不高的场合1。模糊控制是一种将专家经验和知识总结成模糊规则，将系统输入信号通过模糊规则完成推理作用到被控对象上的控制方式，但模糊控制在工况变化时控制效果不佳2。针对其他控制器的缺点，韩京清3 提出自抗扰控制器，通过对系统的输入和输出信号提取出干扰信号，提前用控制信号消除干扰信号对系统的影响。李杰等人4 指出人工智能算法在参数整定与优化过程中占主导地位。此外，研究者提出了粒子群优化算法5、遗传算法6、BP(BackPropagation)神经网络7、果蝇算法8、改进蜂群算法9 等。同其他智能算法相比，灰狼优化算法10 具有结构简单、调节参数少、收敛速度快、全局优化能力强等特点。本文设计了针对火电厂燃煤锅炉燃料控制系统的自抗扰控制器。它对灰狼优化算法进行了改进，并对控制器的关键参数进行寻优，使得适应度最佳;同时，在不同工况下进行了阶跃响应仿真实验、扰动控制仿真分析实验、鲁棒性实验和变负荷仿真实验。结果表明，相较于其他传统控制器，基于改进灰狼优化算法的自抗扰控制器可以实现火电燃料的快速稳定调节，更有效克服扰动对系统的影响，具有更强的鲁棒性，在变工况过程中也有更好的调节效果。1火电燃料控制系统自抗扰控制器设计火电燃料控制系统自抗扰控制器(ActiveDisturbance ejection Control，ADC)由跟踪微分器(Tracking Differentiator，TD)、非线性状态误差反馈 控 制 率(Nonlinear State Error Feedback，NSEF)、扩张状态观测器(Extended State Observ-er，EXO)部分组成11，结构如图 1 所示。图 1中，v 为给煤量给定值，y 为实际给煤量，v1为 v 的跟踪信号，v2为 v 的微分信号，z1、z2、z3为扩张状态观测器的输出信号，e1、e2为差值信号，b 为常数，u 为自抗扰控制器计算的给煤机转速，u0为非线性状态误差反馈控制率计算控制量，0为给煤机模型内部扰动，为给煤机模型外部扰动。给煤量设定值跟随机组自动发电控制指令。图 1火电燃料控制系统自抗扰控制器结构给煤机转速和给煤量之间的动态特性数学模型为G(s)=kTis+1es(1)式中:G(s)传递函数;k 比例系数;Ti 积分时间常数;延迟时间;s 拉普拉斯算子。将延时环节1es中的es根据泰勒级数展开为es=1+s+2s22!+3s33!+4s44!+(2)取es=1+s，将时滞环节e s根据等效成惯性环节1s+1，因此等效后的传递函数为G(s)=k(Tis+1)(s+1)=kTis2+Ti+Tis+1Ti(3)将式(3)等效成微分方程为y+Ti+Tiy+1Tiy=kTiu(4)选取采样时间为 1 s，可将微分方程离散化，并用差分方程形式表示为y(k+2)+Ti+2TiTiy(k+1)+Ti Ti +1Tiy(k)=kTiu(k)(5)43蔡志鹏，等:基于改进灰狼优化算法自抗扰控制器在火电燃料控制系统中的应用选择状态变量x1(k)=y(k)，x2(k)=y(k+1)，可将式(5)等效成状态空间方程，即x1(k+1)x2(k+1)=Ax1(k)x2(k)+Bu(k)y(k)=Cx1(k)x2(k)(6)其中，A=01T T +1TT+2TT，B=0kT，C=10(7)跟踪微分器的算法表达式为e0(k)=v1(k)v(k)v1(k+1)=v1(k)+T v2(k)v2(k+1)=v2(k)+T f(ste0(k)，v2(k)，r，h)0(8)式中:e0(k)第 k 个采样时刻v1和 v 的差值信号;v1(k)第 k 个采样时刻输入信号 v 的跟踪信号;v2(k)第 k 个采样时刻输入信号 v 的微分信号;T 采样时间;fst(e0(k)，v2(k)，r，h0)非线性函数;r 速度因子;h0 滤波因子。f(ste0，v2，r，h)0=rsign(a)，a d rad，a d(9)式中:a 非线性函数;d 速度因子和滤波因子的乘积。其中，a=v2+sign(y)(a0 d)2，y d0v2+yh0，y d0(10)d=rh0(11)a0=d2+8ryy=e0+h0v2d0=dh0(12)式中:a0、y、d0 函数表达式。非线性状态误差反馈控制率的算法表达式为e1(k)=v1(k)z1(k)e2(k)=v2(k)z2(k)u0(k)=k1(fale1(k)，a3，c)3+k2(fale2(k)，a4，c)4u(k)=u0(k)z3(k)b(13)式中:e1(k)、e2(k)第 k 个采样时刻差值信号;z1(k)、z2(k)、z3(k)第 k 个采样时刻ESO 的输出信号;u0(k)第 k 个采样时刻非线性状态误差反馈的输出信号;k1、k2 比例系数;u(k)第 k 个采样时刻给煤机转速信号;fal()非线性函数;a3、a4、c3、c4、b 系统常数。扩张状态观测器的算法表达式为x(k)=z1(k)y(k)z1(k+1)=z1(k)+T(z2(k)1(z1(k)y(k)z2(k+1)=z2(k)+T(z3(k)+bu(k)2fal(x(k)，a1，c1)z3(k+1)=z3(k)T 3fal(x(k)，a2，c2)(14)式中:x(k)第 k 个采样时刻差值信号;1、2、3、a1、a2、c1、c2 系统常数;y(k)第 k 个采样时刻实际给煤量信号。非线性函数 fal(x，a，c)表达式为fal(x，a，c)=xc1-a，x cxasign(x)，x c(15)自抗扰控制器需要选取的参数包括跟踪微分器的 T，r，h0，非线性状态误差反馈控制率的 a3，a4，c3，c4，k1，k2 和扩张状态观测器的 a1，a2，b，c1，c2，1，2，3。选取火电燃料控制系统ADC 的初始参数12:T=1，h0=0 5，r=200，a1=0 5，a2=0 25，a3=0 75，a4=1 05，c1=c2=53上海电力大学学报2022 年0 000 1，c3=c4=0 3。而 1，2，3，k1，k2，b 则可以通过人工智能算法进行参数整定。2改进灰狼优化算法对控制器参数整定灰狼优化算法13 主要是通过模拟灰狼种群的群体狩猎行为衍生出的一种新型智能优化算法。在迭代寻优过程中，可根据适应度划分灰狼等级。将适应度最佳的前 3 头狼从优到劣分别命名为 狼、狼、狼。灰狼在向猎物移动的过程中，位置更新方式为D=FXp(k)X(k)X(k+1)=Xp(k)ED(16)式中:D 灰狼个体与猎物之间的距离向量;k 迭代次数;Xp(k)第 k 次迭代灰狼的位置向量;X(k)第 k 次迭代猎物的位置向量;F、E 系数向量。其中，E=2ar1 aF=2r2(17)式中:r1、r2 0，1 的随机数;a 收敛因子。本文将收敛因子改进成如下形式为a=2 21e 1(ekkmax)1(18)式中:k 当前迭代次数;kmax 最大迭代次数。在灰