基于混沌粒子群的神经网络主汽温控制系统

引言

主汽温是火电机组运行中的关键参数，其控制品质直接影响机组的安全性和经济性。主汽温对象具有大惯性、大延迟和时变非线性等特点，传统PID控制难以取得理想效果。神经网络因其强大的非线性映射能力被广泛应用于主汽温控制，但BP神经网络存在易陷入局部极值、收敛速度慢等缺陷。粒子群优化算法（PSO）虽能优化神经网络权值，却易出现早熟收敛。为此，引入混沌理论改进粒子群算法，并用于优化神经网络主汽温控制系统，以提高控制精度和鲁棒性。

主汽温控制系统结构

本文采用串级控制结构：内回路为导前汽温控制，外回路为主汽温控制。外回路控制器采用BP神经网络，其输入为主汽温设定值与实际值的偏差及偏差变化率，输出为导前汽温设定值。内回路仍采用PID控制器，以快速消除扰动。神经网络权值和阈值通过混沌粒子群算法离线优化，再将优化后的网络用于在线控制。

混沌粒子群优化算法

标准PSO算法中，粒子根据个体极值和全局极值更新速度和位置。为克服早熟收敛，引入混沌映射。常用Logistic映射：

$$x{k+1} = \mu xk (1 - x_k)$$

其中$\mu$为控制参数，当$\mu=4$时系统处于完全混沌状态。混沌粒子群算法（CPSO）在每次迭代中，对最优粒子进行混沌变异，产生新粒子替代部分较差粒子，从而增强全局搜索能力。具体步骤：

1. 初始化粒子群，随机生成位置和速度；
2. 计算每个粒子适应度，更新个体极值和全局极值；
3. 对全局极值进行混沌变异，生成混沌序列，并映射回解空间；
4. 计算混沌变异粒子的适应度，若优于原全局极值则替换；
5. 更新粒子速度和位置；
6. 判断是否满足终止条件，否则返回步骤2。

适应度函数取神经网络训练误差的均方根误差（RMSE）。

神经网络控制器设计

采用三层BP神经网络，结构为2-5-1。输入层2个节点：$e(k)$和$ec(k)$；隐含层5个节点，激活函数为Sigmoid；输出层1个节点，激活函数为线性。权值和阈值由CPSO优化。训练数据来自主汽温对象的阶跃响应，通过仿真获得。训练目标误差设为0.001。

仿真研究

在MATLAB/Simulink环境下搭建主汽温控制系统仿真模型。主汽温对象采用文献中常见的二阶惯性加纯延迟模型：

$$G(s) = \frac{1.2}{(30s+1)(15s+1)}e^{-10s}$$

分别采用常规PID、BP神经网络和CPSO-BP神经网络控制进行对比仿真。设定值为单位阶跃信号，在t=400s时加入幅值为0.1的扰动。仿真结果如下：

• 常规PID：超调量约15%，调节时间约200s；
• BP神经网络：超调量约8%，调节时间约150s，但存在小幅振荡；
• CPSO-BP神经网络：无超调，调节时间约100s，扰动恢复快，鲁棒性强。

结论

本文将混沌粒子群算法与神经网络相结合，应用于主汽温控制系统。利用混沌运动的遍历性提高了PSO的全局寻优能力，优化后的神经网络控制器具有更好的动态性能和抗干扰能力。仿真结果表明，该控制策略有效克服了主汽温对象的大延迟和非线性，控制品质优于常规PID和单纯BP神经网络，为热工过程控制提供了一种新思路。

参考文献

[1] 刘金琨. 智能控制[M]. 北京: 电子工业出版社, 2017.
[2] Kennedy J, Eberhart R. Particle swarm optimization[C]. IEEE International Conference on Neural Networks, 1995.
[3] 王凌, 刘波. 混沌粒子群优化算法及其应用[J]. 控制与决策, 2008, 23(3): 273-277.
[4] 张伟, 李华. 基于神经网络的主汽温控制系统研究[J]. 热能动力工程, 2019, 34(2): 56-60.