基于PSO優(yōu)化算法的模糊PID勵磁控制器設(shè)計*

王鎮(zhèn)道，張樂，彭子舜

(湖南大學(xué) 物理與微電子科學(xué)學(xué)院，湖南 長沙 410082)

基于PSO優(yōu)化算法的模糊PID勵磁控制器設(shè)計*

王鎮(zhèn)道，張樂?，彭子舜

(湖南大學(xué) 物理與微電子科學(xué)學(xué)院，湖南 長沙 410082)

針對優(yōu)化發(fā)電機勵磁控制器控制問題，研究模糊理論及人工智能控制方法，建立數(shù)學(xué)模型分析勵磁控制器，找到將粒子群算法與模糊PID相整合的勵磁控制途徑，并設(shè)計了適用于低壓水輪發(fā)電機的勵磁控制器.粒子群優(yōu)化算法優(yōu)化控制系統(tǒng)的初始參數(shù)，模糊PID完成對系統(tǒng)的動態(tài)控制.仿真結(jié)果表明，改進的控制器算法相比傳統(tǒng)PID控制和模糊控制PID，響應(yīng)速度較快(上升時間少于1 s)，超調(diào)量小(超調(diào)量少于5%).能夠滿足控制器快速、準確和穩(wěn)定的要求，是一種先進的控制方法.

勵磁系統(tǒng)；粒子群算法；模糊自適應(yīng)PID勵磁控制

在發(fā)電機組正常運行和事故運行中，發(fā)電機勵磁系統(tǒng)起著重要作用，優(yōu)良的勵磁系統(tǒng)不僅可以提供安全運行環(huán)境，供給適當(dāng)?shù)碾娔?，還能對電力系統(tǒng)的穩(wěn)定進行調(diào)節(jié).勵磁系統(tǒng)由勵磁控制器、勵磁功率單元組成.勵磁控制系統(tǒng)的發(fā)展包括：勵磁系統(tǒng)方式的改良與勵磁控制器的改良[1].PID勵磁控制作為工業(yè)生產(chǎn)自動化常用方法，優(yōu)勢在于算法簡單、魯棒性好且可靠性高，對于可建立精確數(shù)學(xué)模型的系統(tǒng)非常適用.但是在實際工業(yè)生產(chǎn)中不容易建立準確的數(shù)學(xué)模型，多數(shù)具有非線性和不確定性[2-4].常規(guī)PID由于參數(shù)整定方法繁雜、模型不精確等原因，大多數(shù)情況下整定均采用經(jīng)驗法，這樣比較費時，且難以找到最優(yōu)參數(shù).引入智能控制理論，改良勵磁控制器是公認的既可靠又能提升經(jīng)濟效益的方法[5-6],使用智能算法優(yōu)化PID勵磁控制參數(shù)，如：模擬退火算法、粒子群算法、模糊控制算法、遺傳算法和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法等[7-8]，這些方法雖然一定程度上提升了控制效果，但是也有缺陷：遺傳算法進化速度慢，易于早熟；神經(jīng)網(wǎng)絡(luò)易于陷入局部最優(yōu)；模擬退火算法執(zhí)行時間長，收斂速度慢，算法性能受初始值影響存在參數(shù)敏感等問題.對于具有不確定性、時變性、非線性、時滯、藕合等特點的被控對象(水輪發(fā)電機)，僅僅采用一種控制算法很難達到要求，相比較而言，多種智能控制方法相結(jié)合可以得到更好的控制效果[9-10].

模糊控制是基于相關(guān)專家的知識或現(xiàn)場操作人員的控制經(jīng)驗，魯棒性強且在設(shè)計中不要求被控對象精確的數(shù)學(xué)模型，控制效果基本不受干擾和參數(shù)變化的影響，非線性、時變及純滯后系統(tǒng)應(yīng)用效果好[11]，缺點是采用模糊控制容易受初始參數(shù)的影響.粒子群(PSO)算法具有容易實現(xiàn)、精度高、收斂快等優(yōu)點可以很好匹配PID勵磁控制器[12]，但粒子群優(yōu)化算法隨機性較強，對于復(fù)雜系統(tǒng)容易出現(xiàn)無法收斂的情況.針對勵磁控制的優(yōu)化，本文提出了一種基于粒子群算法優(yōu)化的模糊PID勵磁控制方法，該方法是兩種控制算法互補，一定程度上規(guī)避了兩者的缺陷.Matlab仿真實例對比表明該方法對系統(tǒng)控制有明顯的優(yōu)化效果，控制過程中系統(tǒng)超調(diào)現(xiàn)象很小(超調(diào)量少于5%)，參數(shù)收斂精度(誤差少于0.1%)優(yōu)于常規(guī)PID勵磁控制和模糊PID控制，系統(tǒng)響應(yīng)速度更快(上升時間少于1 s)，為勵磁控制提供了一種可行的優(yōu)化方法.

1 PSO算法及模糊PID勵磁控制

1.1 模糊PID勵磁控制器

模糊控制簡單來說是一種計算機數(shù)字控制，由3部分構(gòu)成，分別是模糊語言變量、模糊集合論和模糊邏輯推理.模糊控制是一種控制方式，通過反饋及反饋控制的方式分析人的控制行為，再用模糊語言固化人的該種規(guī)律化的控制行為而形成模糊控制規(guī)則.

模糊PID勵磁控制器的系統(tǒng)結(jié)構(gòu)如圖1所示，系統(tǒng)結(jié)構(gòu)主要由PID勵磁控制和模糊控制兩部分構(gòu)成.圖中U為參考電壓；Uout為發(fā)電機端電壓；e(t)為系統(tǒng)偏差；de/dt為系統(tǒng)偏差變化率.

圖1 模糊PID勵磁控制系統(tǒng)結(jié)構(gòu)圖Fig.1 Fuzzy PID excitation control system

常規(guī)PID調(diào)節(jié)器數(shù)學(xué)模型如下：

(1)

式中：U(n)為第n個采樣得到的輸出量；e(n)為第n個采樣需要的輸入量.

PID勵磁控制器的主要控制目標是控制功率單元執(zhí)行水輪發(fā)電機輸出穩(wěn)定的電壓和保證發(fā)電機組間具有穩(wěn)定的無功分配.模糊控制主要通過整定PID勵磁控制器的參數(shù)，使得PID最優(yōu)參數(shù)能在不同工況下調(diào)整.模糊控制以系統(tǒng)偏差e及偏差變化率ec作為輸入，將它們的精確值模糊化為模糊量，并表述成相應(yīng)的模糊語言，得到它們對應(yīng)的模糊語言集合E和EC，通過專家經(jīng)驗形成模糊推理規(guī)則庫來推理進行模糊決策，得出模糊控制變量U，再經(jīng)過反模糊化為精確的控制量u，同時深入控制水輪發(fā)電機電壓，包括調(diào)整PID參數(shù)ΔKp,ΔKi,ΔKd，對比發(fā)電機端電壓的設(shè)定值與返回的精確值，循環(huán)上述步驟，實現(xiàn)PID勵磁控制參數(shù)的自動調(diào)節(jié).

1.2 粒子群優(yōu)化算法

模糊PID控制仍然需要參考經(jīng)驗選取初始PID控制參數(shù)，較差的初始參數(shù)影響系統(tǒng)性能，因此可以引入粒子群優(yōu)化算法對初始參數(shù)進行優(yōu)化.

粒子群算法通過智能演化鳥類覓食模型的群體來計算參數(shù)，其原理簡單、實現(xiàn)方便、需調(diào)整參數(shù)少.它的基本原理是首先初始化一群沒有體積沒有質(zhì)量的粒子，初始粒子的位置和速度相當(dāng)于鳥群中每只鳥的初始狀態(tài)；將每個粒子作為問題的一個解，所有的粒子都有一個由被優(yōu)化的函數(shù)決定粒子好壞的適應(yīng)值.每個粒子有一個預(yù)設(shè)的可行范圍，在每次迭代過程中，粒子的運動方向和距離由兩方面來決定:一方面是個體經(jīng)驗，即粒子在迭代過程中本身的最優(yōu)解Pbest;一個是群體經(jīng)驗，即整個粒子群目前的最優(yōu)解Gbest;群體中的粒子就是根據(jù)個體經(jīng)驗與群體經(jīng)驗來調(diào)整自己的飛行方向與速度.由n個粒子組成粒子群在D維空間中搜索，每個粒子i都具有D維位置向量xi=(xi1,xi2,…,xid)以及速度向量veli=(veli1,veli2,…,velid)，i=1,2,…,n.其中，每個微粒的位置向量構(gòu)成目標問題的解空間，每個位置向量即為一組解.粒子i在搜索D維解空間時，將自己的解代入適應(yīng)度函數(shù)求出適應(yīng)度值，用來選擇最優(yōu)位置pi=(pi1,pi2,…,pid);而群體里具有最優(yōu)適應(yīng)度值的粒子位置記為群體最優(yōu)經(jīng)驗pg=(pg1,pg2,…,pgd).每次迭代的過程，粒子i參考自身經(jīng)驗和群體經(jīng)驗調(diào)整自身的狀態(tài)，包括速度向量及位置向量.粒子群的進化方程可描述為:

(2)

(3)

式中:w是慣性權(quán)重因子;k為迭代數(shù);c1和c2分別為個體和群體加速常數(shù);r1和r2是0到1范圍內(nèi)相互獨立的隨機數(shù);j為粒子維數(shù)，即目標值維數(shù);d為常數(shù).在迭代過程中，粒子的飛行速度和所處位置不斷改變，個體極值Pbest和全局極值Gbest也在不斷更新變化，滿足終止條件找到的Gbest即為全局最優(yōu)解.終止條件一般為達到預(yù)定的最小適應(yīng)度閾值或達到最大迭代次數(shù).

1.3 基于粒子群優(yōu)化算法的模糊PID勵磁控制器

該勵磁控制器有以下特點：粒子群算法本身速度快、實現(xiàn)簡單、操作方便，結(jié)合模糊控制收斂速度更快、收斂率也更高了.粒子群算法適用范圍廣，尋優(yōu)效果好，在初始條件不佳的情況下，仍可以找出合適的參數(shù)，達到系統(tǒng)要求.粒子群算法優(yōu)化模糊PID控制由于其并行性，對多目標優(yōu)化效果十分出色.

圖2為基于粒子群優(yōu)化算法的模糊PID勵磁控制器的系統(tǒng)結(jié)構(gòu)圖，其中模糊控制仍然調(diào)整PID參數(shù)ΔKp,ΔKi,ΔKd；PSO則優(yōu)化初始PID參數(shù)Kp,Ki,Kd.通過目標函數(shù)可以算出適應(yīng)值F，該適應(yīng)值是判斷PSO當(dāng)前輸出的PID控制參數(shù)好壞的唯一標準，通過不斷調(diào)整輸出PID控制參數(shù)，用以降低目標函數(shù)的輸出值，從而達到優(yōu)化系統(tǒng)的目的.

圖2 基于PSO的模糊PID勵磁控制系統(tǒng)結(jié)構(gòu)圖Fig.2 PSO-based fuzzy PID excitation control system structure diagram

2 勵磁控制系統(tǒng)Matlab模型

2.1 勵磁模型

發(fā)電機勵磁系統(tǒng)如圖3所示，它包括勵磁功率單元、勵磁控制器、發(fā)電機電壓測量單元、無功電流補償單元和電力系統(tǒng)穩(wěn)定器.輸入電壓信號(偏差UERR，過勵限制輸出UOEL，低勵限制輸出UUEL，參考UREF和電力系統(tǒng)穩(wěn)定器輸出Us)經(jīng)過勵磁控制器，它結(jié)合自身的調(diào)節(jié)準則再去控制勵磁功率單元，然后勵磁功率單元向同步發(fā)電機轉(zhuǎn)子提供直流勵磁電流，最后發(fā)電機和電力系統(tǒng)的輸出變化情況又作為勵磁控制器的輸入信號，最終形成了一個反饋系統(tǒng).發(fā)電機電壓測量和電流補償部分根據(jù)輸入Ut(發(fā)電機電壓)和It(發(fā)電機電流)來形成需要控制的偏差信號[1].

圖3 勵磁系統(tǒng)組成Fig.3 Composition of the excitation system

在小擾動工況下，當(dāng)只分析系統(tǒng)的靜態(tài)和動態(tài)特性，不考慮系統(tǒng)飽和、限幅等非線性情況，只需建立線性模型.基于PID勵磁控制的Matlab仿真線性勵磁系統(tǒng)模型如圖4所示.其輸入Fin(s)與輸出Fout(s)間傳遞函數(shù)為：

(4)

如果要考慮限幅、飽和等非線性特性，需建立非線性模型.基于PID勵磁控制的非線性勵磁系統(tǒng)Matlab模型如圖5所示.非線性模型在線性模型的基礎(chǔ)上增加了一個模擬飽和環(huán)節(jié)的限幅模塊，同時進一步增加了系統(tǒng)延時，該模型更為接近實際勵磁系統(tǒng).

圖4 基于PID勵磁控制的線性勵磁系統(tǒng)仿真模型Fig.4 Simulation of linear excitation system based on PID excitation control

圖5 基于PID勵磁控制的非線性勵磁系統(tǒng)仿真圖Fig.5 Simulation of nonlinear excitation system based on pid excitation control

非線性勵磁模型中輸入Fin1(s)與輸出Fout1(s)間傳遞函數(shù)為:

(5)

其中

(6)

2.2 基于粒子群優(yōu)化算法的模糊控制策略

從線性勵磁模型和非線性勵磁模型的傳遞函數(shù)中可以看出，兩種模型均為高階復(fù)雜的非線性函數(shù)，且相對于線性勵磁模型，非線性勵磁模型的階數(shù)更高.因此針對勵磁系統(tǒng)，僅采用普通PID控制，其控制參數(shù)整定難以達到比較理想的效果.針對非線性系統(tǒng)，本文采用基于粒子群優(yōu)化算法的模糊控制策略來解決勵磁系統(tǒng)的非線性控制器設(shè)計問題.

模糊控制simulink仿真模型如圖6所示.通過誤差和誤差的微分作為模糊控制的輸入，從而可以經(jīng)由相應(yīng)的輸入變量論域獲得合適的PID參數(shù).

圖6 模糊控制仿真模型Fig.6 Fuzzy control simulation model

引入粒子群優(yōu)化算法則是對初始PID參數(shù)進行優(yōu)化，以提高系統(tǒng)性能.增加粒子群優(yōu)化算法后，得到的基于粒子群優(yōu)化算法的模糊PID控制如圖2所示，其中PSO算法對初始PID參數(shù)進行優(yōu)化，模糊控制優(yōu)化PID增量參數(shù).模糊控制通過模糊邏輯推理、模糊集合論和模糊語言變量輸出參數(shù)；粒子群優(yōu)化算法則通過目標函數(shù)判斷系統(tǒng)優(yōu)劣，從而調(diào)整參數(shù)的輸出值.

2.3 收斂分析

因模糊控制的論域設(shè)置主要依賴工程經(jīng)驗，這里主要分析粒子群優(yōu)化算法中w和c(假設(shè)c=c1=c2，忽略隨機數(shù)的影響)等主要參數(shù)的收斂范圍.

將式(3)改為如下公式

xij(t)=xij(t-1)+vij(t)

(7)

結(jié)合式(2),式(3)和式(7)得到差分矩陣方程為:

(8)

其中

(9)

矩陣A中w為正數(shù)，矩陣A為非奇異矩陣，則該矩陣必然存在特征值λ，存在關(guān)系

|λI-A|=0

(10)

設(shè)x(t)的特解x*為mt，其中m為常數(shù)，通過式(8)得到特解為：

(11)

為保證x*收斂，2c不能為零，式(11)中分母不能為零.

式(8)穩(wěn)定條件是|λn|<1，分別討論特征值λ1和λ2在不同情況下，差分方程的通解.

1)特征值λ1和λ2為兩個不同實根，x(t)的解為:

x(t)=C1(λ1)t+C2(λ2)t+x*

(12)

式中C1和C2為常數(shù)，為保證該通解收斂，此時有：

(13)

求解式(13)得到：

1+2c>w>c-1

(14)

2)特征值λ1和λ2相等，x(t)的解為:

x(t)=(C1+C2t)λt+x*

(15)

特征值為重根(λ1=λ2)，得到:

(1+w-2c)2=4w

(16)

進一步可以推出:

w<2+2c

(17)

3)特征值λ1和λ2為共軛復(fù)根，x(t)的解為:

x(t)=rt(C1cos(θt)+C2sin(θt))+x*

(18)

假設(shè)

(19)

其中

(20)

通過式(18)得到:

(21)

根據(jù)式(14)，式(17)和式(21)，w和c選取的范圍如下:

(22)

3 仿真實驗

針對圖4所示線性勵磁系統(tǒng)模型采用常規(guī)PID控制，Kp,Ki,Kd3個參數(shù)值分別為10.424 0,15.445 4和0.932 9；針對圖5所示非線性勵磁系統(tǒng)模型采用常規(guī)PID控制，Kp,Ki,Kd3個參數(shù)值分別為4,10和1.1.

針對圖4所示線性勵磁系統(tǒng)模型采用常規(guī)PID控制，采用模糊PID控制時，Kp,Ki,Kd3個參數(shù)分別為10,6和5；針對圖5所示非線性勵磁系統(tǒng)模型采用常規(guī)PID控制，采用模糊PID控制時，Kp,Ki,Kd3個參數(shù)分別為10,10和1.1.采用的模糊控制方式及參數(shù)均不變，其中的輸入變量的論域設(shè)為{-20，-40/3，-20/3，0，20/3，40/3，20}；輸出變量的論域設(shè)為{-12，-8，-4，0，4，8，12}；輸入輸出語言變量設(shè)為{負大，負中，負小，零，正小，正中，正大}.

針對圖4所示的線性勵磁系統(tǒng)模型和圖5所示的非線性勵磁系統(tǒng)模型，采用粒子群優(yōu)化模糊PID控制時，控制參數(shù)不變，粒子群優(yōu)化算法優(yōu)化的參數(shù)為Kp,Ki,Kd.其中粒子種群數(shù)N=40；加速因子c1=c2=2.05；慣性權(quán)重w=0.9～0.4；粒子位置Xmin=-Xmax=-50；速度限制Vmax=-Vmax=-1;迭代次數(shù)采用100次尋優(yōu).模糊控制的模糊規(guī)則、輸入與輸出論域均不改變.

變壓器Ka=1，Ta=0.02；放大系數(shù)Kt=55；功率單元Te=0.02；電壓測量Tr=0.001；發(fā)電機Td0=2.PSO優(yōu)化所需要的目標函數(shù)公式為:

(23)

式中e(t)為指令信號和反饋信號的誤差，評價優(yōu)化性能的指標有超調(diào)量和上升時間.

按圖4和圖5的勵磁系統(tǒng)模型分別建立基于PID控制(與圖4和圖5相同)、基于模糊PID控制(在PID控制的基礎(chǔ)上增加模糊控制，其中模糊控制調(diào)整ΔKp,ΔKi,ΔKd參數(shù))和基于粒子群優(yōu)化算法的模糊PID控制(粒子群優(yōu)化算法優(yōu)化Kp,Ki,Kd參數(shù)，模糊控制調(diào)整ΔKp,ΔKi,ΔKd參數(shù))模型，然后進行仿真實驗對比.

針對線性采用PID勵磁控制的線性勵磁系統(tǒng)階躍響應(yīng)、采用模糊PID勵磁控制的線性勵磁系統(tǒng)階躍響應(yīng)和采用基于粒子群算法優(yōu)化的模糊自適應(yīng)PID勵磁控制的線性勵磁系統(tǒng)階躍響應(yīng)如圖7所示.

圖7 不同控制策略的線性勵磁系統(tǒng)階躍響應(yīng)Fig.7 Linear excitation system with different control strategies Step response

對比圖7中多種控制方式，采用勵磁PID控制時候超調(diào)量為50%，上升時間為0.9 s；而采用勵磁PID結(jié)合模糊控制時超調(diào)量為20%，上升時間為1.2 s；采用基于粒子群算法優(yōu)化的模糊自適應(yīng)PID勵磁控制時超調(diào)量為4.9%，上升時間為0.9 s.

針對線性采用PID勵磁控制的非線性勵磁系統(tǒng)階躍響應(yīng)、采用模糊PID勵磁控制的非線性勵磁系統(tǒng)階躍響應(yīng)和采用基于粒子群算法優(yōu)化的模糊自適應(yīng)PID勵磁控制的非線性勵磁系統(tǒng)階躍響應(yīng)如圖8所示.

圖8 不同控制策略的非線性勵磁系統(tǒng)階躍響應(yīng)Fig.8 Non-linear excitation system step response for different control strategies

對比圖8中多種控制方式，采用勵磁PID控制時候超調(diào)量為51%，上升時間為0.28 s；采用勵磁PID結(jié)合模糊控制時超調(diào)量為30%，上升時間為0.25 s；采用基于粒子群算法優(yōu)化的模糊自適應(yīng)PID勵磁控制時超調(diào)量為3%，上升時間為0.26 s.

由圖7和圖8可知，采用基于粒子群優(yōu)化算法的模糊PID勵磁控制具有較為優(yōu)異的優(yōu)化性能，該控制方式在保證系統(tǒng)能快速收斂的前提下，有效減少了超調(diào)量，使系統(tǒng)得到穩(wěn)定控制.基于粒子群優(yōu)化算法的模糊PID勵磁控制將模糊控制魯棒性強的優(yōu)點，和粒子群優(yōu)化算法容易實現(xiàn)、精度高、收斂快等優(yōu)點相結(jié)合，較PID控制和模糊PID控制，該算法無需設(shè)置經(jīng)驗參數(shù)，能夠有效提高控制性能.

4 結(jié) 論

本文利用Matlab/Simulink針對水輪發(fā)電機不同情況，建立了線性和非線性勵磁調(diào)節(jié)系統(tǒng)仿真模型.采用常規(guī)PID控制，因參數(shù)整定問題，往往難以得到較優(yōu)解，且整定耗時.為了提高控制性能，本文采用基于粒子群優(yōu)化的模糊PID勵磁控制，粒子群優(yōu)化算法優(yōu)化Kp,Ki,Kd參數(shù)，模糊控制優(yōu)化PID增量.

通過仿真對比可知，采用本文提出的控制策略其超調(diào)量最小，上升時間快，因此性能最優(yōu).將PSO和模糊PID相結(jié)合，可以彌補PSO容易陷入局部最優(yōu)的缺點，同時也不考慮初值影響，提高了模糊控制的優(yōu)化性能，因此相較PID勵磁控制和模糊PID勵磁控制其收斂速度更快(上升時間少于1 s)，控制精度更高(誤差小于0.1%)，超調(diào)量少(超調(diào)量少于5%)，有效提高了控制效果.

[2] YE Y,YIN C B,GONG Y,etal.Position control of nonlinear hydraulic system using an improved PSO based PID controller[J].Mechanical Systems & Signal Processing,2016,83:241-259.

[3] MEHMOOD C A. A new methodology for the design and tuning of robust PID controllers in electric drives[J]. Dissertations & Theses-Gradworks, 2014:73-126.

[4] KONSTANTINOS G,PAPADOPOULO S,NIKOLAOS D,etal.Analytical runing rules for digital PID type controllers via the magnitude optimum criterion[C]//Industrial Technology(ICIT).Athens,Greek,2012：875-880.

[5] DOUIRI M R, BELGHAZI O, CHERKAOUI M. Fuzzy and Neural Rotor Resistance Estimator for Vector Controlled Induction Motor Drives[C]//Proceedings of the 13th International Conference on Artificial Intelligence and Soft Computing. Berlin: Springer-Verlag, 2014: 317-327.

[6] KUMAR R S,VASANTH J A.Intelligent neuro controller based speed and torque control of five phase switched reluctance motor[C]//2013 International Conference on Information Communication and Embedded Systems(ICICES).IEEE，2013：966-973.

[7] 師彪,李郁俠,于新花,等.基于改進粒子群-模糊神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測[J].系統(tǒng)工程理論與實踐,2010,30(1):157-166.

SHI Biao,LI Yuxia,YU Xinhua,etal.Short-term load forecasting based on modified particle swarm optimizer and fuzzy neural network model[J].Systems Engineering-Theory&Practice,2010,30(1): 157-166.(In Chinese)

[8] KENNEDY J,EBERHART R.Particle swarm optimization[C]//Proceedings of ICNN'95 International Conference on Neural Networks.Perth,WA,Australia,1995:1942-1948.

[9] WANG S H,ZHANG Y D,DONG Z C,etal.Feed-forward neural network optimized by hybridization of PSO and ABC for abnormal brain detection[J].International Journal of Imaging Systems and Technology,2015,25(2):153-164.

[10]王彥,鄧勇,王超.基于改進粒子群算法的模糊神經(jīng)網(wǎng)絡(luò)PID控制器設(shè)計[J].控制工程,2012,19(5):761-764.

WANG Yan,DENG Yong,WANG Chao.Fuzzy neural network PID controller design based on improved particle swarm optimization[J].Control Engineering of China,2012,19(5):761-764.(In Chinese)

[11]龐清樂,王永強.基于模糊和PI控制的MIG焊接電源設(shè)計[J].控制工程,2012,19(3):147-150,174.

PANG Qingle,WANG Yongqiang.Design of fuzzy and PI control based MIG welding power source[J].Control Engineering of China,2012,19(3):147-150,174.(In Chinese)

[12]VEERACHARY M,SAXENA A R.Optimized power stage design of low source current ripple fourth-order boost DC-DC converter: a PSO approach[J].Industrial Electronics IEEE Transactions on,2015,62(3):1491-1502.

Design of Fuzzy PID Excitation Control Based on PSO Optimization Algorithm

WANG Zhendao，ZHANG Le?，PENG Zishun

(School of Physics and Microeletronics，Hunan Univercity，Changsha 410082，China)

In order to optimize the excitation control problem of hydro-generator,a mathematical model was presented.With the fuzzy theory and the advanced intelligent optimization control method,a hydro-generator excitation controller was proposed based on the integration of particle swarm algorithm (PSO) and fuzzy PID.The initial parameters of controller were selected by PSO,and the system was dynamically controlled by FAPID.Finally,compared with the traditional PID control and fuzzy control PID control,the simulation results show that the fuzzy adaptive PID excitation control based on the particle swarm optimization algorithm has faster response speed (less than 1 second rise time) and smaller overshoot (less than 5% overshoot).The control system as an advanced control method can be faster,more accurate and stable.

excitation system；particle swarm optimization；fuzzy adaptive PID control

1674-2474(2017)08-0106-06

10.16339/j.cnki.hdxbzkb.2017.08.016

2017-01-18

國家自然科學(xué)基金資助項目(61505051),National Natural Science Foundation of China(61505051)

王鎮(zhèn)道(1974—)，男，湖南益陽人，湖南大學(xué)副教授，博士

?通訊聯(lián)系人,E-mail:13142044800@163.com

TM743

A