基于改进模糊ABC算法的水轮机调节系统仿真研究
发布时间：2021-11-29 09:34
针对水轮机调节系统的非线性特性和"水锤"效应,结合人工蜂群算法（ABC）搜索过程精细、全局收敛性较强的特点,提出一种改进模糊人工蜂群算法（MFABC）,将其应用于不同扰动工况下的水轮机调节系统中,并利用Matlab强大的仿真能力完成水轮机调节系统参数的优化。通过仿真实验,验证了所提出的MFABC算法较Ziegler Nichols算法、模糊PID算法、粒子群算法和标准ABC算法在全局搜索能力和收敛速度方面的有效性和优越性,保证该方案下系统能获得更好的动态性能。该仿真实验既可加深学生对水轮机调速器参数优化问题的认识与理解,也有利于提高学生的实验仿真能力。
【文章来源】：实验技术与管理. 2019,36(05)北大核心
【文章页数】：7 页
【部分图文】：
图１水锤效应下水轮机调节系统数学模型图
ｅｍｉｎ为最终蜂群蜜源质量；Ｖａｌｕｅ为当前蜂群最优蜜源质量。将ＮＣＶａｌｕｅ和ｐ相结合，完成对模糊算法中的位置调整百分比进行动态修正。前者可以表明侦察蜂远离最优解的距离，后者体现侦察蜂所处的收敛阶段，此时的位置调整百分比根据两者作出相应动态改变。在模糊控制中，将ＮＣＶａｌｕｅ和当前线性递减的ｐ作为输入量，输出量为位置调整百分比修正值ｐｃ。图２为ｐｃ的模糊规则控制曲面，模糊规则的设计应满足以下条件。图２ｐｃ的模糊规则控制曲面图（１）迭代初期，ｐ较大。若此时ＮＣＶａｌｕｅ为大，表示侦察蜂离最优值较远，此时需要扩大搜索范围，让侦察蜂在全局范围内进行全面探索；若此时ＮＣＶａｌｕｅ处于中等或较小值时，则表示侦察蜂距离最优值较近，此时需要适当缩小搜索范围，此时ｐｃ应取中等或较小值。（２）迭代中期，ｐ适中。若此时ＮＣＶａｌｕｅ为大或中等，ｐｃ应取一个中等数值；若ＮＣＶａｌｕｅ为小，即侦察蜂非常接近最优值，则ｐｃ应取较小值，使侦察蜂在最优值附近作精细搜索。（３）迭代后期，ｐ较小。若ＮＣＶａｌｕｅ数值为中等或大，ｐｃ均应取大，使侦察蜂适当扩大搜索范围。综上所述，可得ｐｃ的模糊规则表（见表１）。其中，输入量和输出量均采用小（Ｓ）、中（Ｍ）、大（Ｂ）作为模糊词集。表１模糊规则表本文在模糊化方法的基础上采用基于迭代次数非线性调整侦察蜂搜索空间的方式
２水轮机调节系统参数ＴａＴｙＴｗｅｇｅｙｅｈｅｑｘｅｑｙｅｑｈ５．７２０．３０．８３００．７２１２１．５５０５－０．０３２２０．８７３００．５７０８３．２实验结果分析（１）负荷扰动工况下仿真结果。图３和图４分别为５％负荷扰动工况下的适应度函数收敛曲线图和水轮机调节系统转速相对偏差过渡过程曲线图。表３为ＺＮ算法、模糊ＰＩＤ算法、ＰＳＯ算法、ＡＢＣ算法以及ＭＦＡＢＣ算法的实验结果数据对比。图３５％负荷扰动平均适应度曲线图图４５％负荷扰动转速相对偏差曲线图在５％负荷扰动工况下，相比于标准ＡＢＣ算法：由图３的平均适应度函数曲线可以看出，改进的ＭＦＡＢＣ算法收敛速度更快，收敛结果更好，同时由表３可得ＭＦＡＢＣ算法优化后的ＢｅｓｔＪ值降低了９．１９％；由图４的转速相对偏差曲线可以看出，ＭＦＡＢＣ算法优化后的超调量和稳定时间都有所下降，由表３可得，分别降低了１．１３％、６．３６％。这些数值表明采用ＭＦＡＢＣ算法优化后的系统寻优精度更高，收敛效果更好，且受到负荷扰动后能更快达到稳定。表３负荷扰动工况下不同优化算法仿真实验结果扰动工况优化算法５％负荷扰动ＺＮＦｕｚｚｙＰＩＤＰＳＯＡＢＣＭＦＡＢＣ１０％负荷扰动ＺＮＦｕｚｚｙＰＩＤＰＳＯＡＢＣＭＦＡＢＣＢｅｓｔＪ——１４．９５５５１３．７０４０１２．４４３７——４７．１３９８３２．５８９８２４．８８８８Ｏｖｅｒｓｈｏｏｔ０．０２０８０．０１９７０．０１８２０．０１７７０．
【参考文献】：
期刊论文
[1]一种基于混沌搜索改进的人工蜂群算法[J]. 田屏. 西南师范大学学报(自然科学版). 2018(07)
[2]自适应模糊PID控制器的设计及MATLAB仿真[J]. 宋超,曹翱,温家玺. 现代制造技术与装备. 2018(07)
[3]一种典型闭环PID控制教学实验设计[J]. 刘恒,吴朝阳,刘建成,孙冬娇. 实验技术与管理. 2017(09)
[4]一种改进的全局粒子群优化算法[J]. 王皓,欧阳海滨,高立群. 控制与决策. 2016(07)
[5]基于模糊PID控制的水轮机调节的研究[J]. 王塞北,王亚楠. 科技创新与应用. 2015(29)
[6]基于内模控制的工业控制系统仿真器鲁棒PID控制器设计[J]. 王佳伟,杨亚非,钱玉恒,赵新宇. 实验技术与管理. 2015(01)
[7]Matlab软件在自动控制原理实验中的应用[J]. 刘金颂,张庆阳,苏晓峰,杨蕾. 实验技术与管理. 2014(06)
[8]基于先进PID控制的电动机调速系统研究[J]. 刘峰. 科技创新与应用. 2014(15)
[9]基于Ziegler-Nichols频率响应方法的自适应PID控制[J]. 王亚刚,许晓鸣,邵惠鹤. 控制工程. 2012(04)
[10]基于线性与非线性模型的水轮机调速器PID参数优化比较[J]. 方红庆,陈龙,李训铭. 中国电机工程学报. 2010(05)
本文编号：3526271
【文章来源】：实验技术与管理. 2019,36(05)北大核心
【文章页数】：7 页
【部分图文】：
图１水锤效应下水轮机调节系统数学模型图
ｅｍｉｎ为最终蜂群蜜源质量；Ｖａｌｕｅ为当前蜂群最优蜜源质量。将ＮＣＶａｌｕｅ和ｐ相结合，完成对模糊算法中的位置调整百分比进行动态修正。前者可以表明侦察蜂远离最优解的距离，后者体现侦察蜂所处的收敛阶段，此时的位置调整百分比根据两者作出相应动态改变。在模糊控制中，将ＮＣＶａｌｕｅ和当前线性递减的ｐ作为输入量，输出量为位置调整百分比修正值ｐｃ。图２为ｐｃ的模糊规则控制曲面，模糊规则的设计应满足以下条件。图２ｐｃ的模糊规则控制曲面图（１）迭代初期，ｐ较大。若此时ＮＣＶａｌｕｅ为大，表示侦察蜂离最优值较远，此时需要扩大搜索范围，让侦察蜂在全局范围内进行全面探索；若此时ＮＣＶａｌｕｅ处于中等或较小值时，则表示侦察蜂距离最优值较近，此时需要适当缩小搜索范围，此时ｐｃ应取中等或较小值。（２）迭代中期，ｐ适中。若此时ＮＣＶａｌｕｅ为大或中等，ｐｃ应取一个中等数值；若ＮＣＶａｌｕｅ为小，即侦察蜂非常接近最优值，则ｐｃ应取较小值，使侦察蜂在最优值附近作精细搜索。（３）迭代后期，ｐ较小。若ＮＣＶａｌｕｅ数值为中等或大，ｐｃ均应取大，使侦察蜂适当扩大搜索范围。综上所述，可得ｐｃ的模糊规则表（见表１）。其中，输入量和输出量均采用小（Ｓ）、中（Ｍ）、大（Ｂ）作为模糊词集。表１模糊规则表本文在模糊化方法的基础上采用基于迭代次数非线性调整侦察蜂搜索空间的方式
２水轮机调节系统参数ＴａＴｙＴｗｅｇｅｙｅｈｅｑｘｅｑｙｅｑｈ５．７２０．３０．８３００．７２１２１．５５０５－０．０３２２０．８７３００．５７０８３．２实验结果分析（１）负荷扰动工况下仿真结果。图３和图４分别为５％负荷扰动工况下的适应度函数收敛曲线图和水轮机调节系统转速相对偏差过渡过程曲线图。表３为ＺＮ算法、模糊ＰＩＤ算法、ＰＳＯ算法、ＡＢＣ算法以及ＭＦＡＢＣ算法的实验结果数据对比。图３５％负荷扰动平均适应度曲线图图４５％负荷扰动转速相对偏差曲线图在５％负荷扰动工况下，相比于标准ＡＢＣ算法：由图３的平均适应度函数曲线可以看出，改进的ＭＦＡＢＣ算法收敛速度更快，收敛结果更好，同时由表３可得ＭＦＡＢＣ算法优化后的ＢｅｓｔＪ值降低了９．１９％；由图４的转速相对偏差曲线可以看出，ＭＦＡＢＣ算法优化后的超调量和稳定时间都有所下降，由表３可得，分别降低了１．１３％、６．３６％。这些数值表明采用ＭＦＡＢＣ算法优化后的系统寻优精度更高，收敛效果更好，且受到负荷扰动后能更快达到稳定。表３负荷扰动工况下不同优化算法仿真实验结果扰动工况优化算法５％负荷扰动ＺＮＦｕｚｚｙＰＩＤＰＳＯＡＢＣＭＦＡＢＣ１０％负荷扰动ＺＮＦｕｚｚｙＰＩＤＰＳＯＡＢＣＭＦＡＢＣＢｅｓｔＪ——１４．９５５５１３．７０４０１２．４４３７——４７．１３９８３２．５８９８２４．８８８８Ｏｖｅｒｓｈｏｏｔ０．０２０８０．０１９７０．０１８２０．０１７７０．
【参考文献】：
期刊论文
[1]一种基于混沌搜索改进的人工蜂群算法[J]. 田屏. 西南师范大学学报(自然科学版). 2018(07)
[2]自适应模糊PID控制器的设计及MATLAB仿真[J]. 宋超,曹翱,温家玺. 现代制造技术与装备. 2018(07)
[3]一种典型闭环PID控制教学实验设计[J]. 刘恒,吴朝阳,刘建成,孙冬娇. 实验技术与管理. 2017(09)
[4]一种改进的全局粒子群优化算法[J]. 王皓,欧阳海滨,高立群. 控制与决策. 2016(07)
[5]基于模糊PID控制的水轮机调节的研究[J]. 王塞北,王亚楠. 科技创新与应用. 2015(29)
[6]基于内模控制的工业控制系统仿真器鲁棒PID控制器设计[J]. 王佳伟,杨亚非,钱玉恒,赵新宇. 实验技术与管理. 2015(01)
[7]Matlab软件在自动控制原理实验中的应用[J]. 刘金颂,张庆阳,苏晓峰,杨蕾. 实验技术与管理. 2014(06)
[8]基于先进PID控制的电动机调速系统研究[J]. 刘峰. 科技创新与应用. 2014(15)
[9]基于Ziegler-Nichols频率响应方法的自适应PID控制[J]. 王亚刚,许晓鸣,邵惠鹤. 控制工程. 2012(04)
[10]基于线性与非线性模型的水轮机调速器PID参数优化比较[J]. 方红庆,陈龙,李训铭. 中国电机工程学报. 2010(05)
本文编号：3526271
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3526271.html
