基于免疫算法神经元自适应的汽轮机转速控制研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于免疫算法神经元自适应的汽轮机转速控制研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：汽轮发电机组的控制贯穿于电力生产的始终，其控制效果直接关系到电网供电质量及机组的安全、稳定、经济运行。本文采用免疫算法对加权函数进行选取，利用免疫算法的全局搜索性能通过一系列的免疫操作寻找最优的加权函数。仿真结果表明，免疫算法对提高鲁棒控制系统的控制效果具有一定的有效性。
关键词：汽轮机控制 数学建模 神经元自适应 免疫算法
中图分类号：TP273；TK32 文献标识码：A 文章编号：1007-9416（2015）03-0009-02
汽轮机的工作原理是依据蒸汽为主要依托的。同时，汽轮机在各行各业都有着广泛的应用和发展。在火力发电厂的主要工作部分中，汽轮机是主要的三大主机中的特别重要的一个[1]。它的主要作用是用于带动发电机旋转，产生我们需要的电能。
免疫遗传算法首先接收一个抗原（对应特定问题），然后随机产生一组初始抗体（对应初始候选解），接着计算每一抗体的适应度，对抗体进行交叉和变异。再通过基于浓度的群体更新策略生成下一代抗体群，直至满足终止条件，算法结束。
免疫遗传算法优化神经元网络的基本步骤：
（1）读入初始化文件。根据给定问题（视为抗原）进行具体分析， 从中提取最基本的特征信息，根据这种信息而得出的一类解即为抗体。
（2）产生初始群体（ 抗体） 并编码。如果是记忆中的抗原， 则从记忆细胞中提取出相应的抗体组成IGA的初始群体； 否则，随机产生初始群体。采用二进制编码， 将待优化的4个参数、、、组成基因码串， 每个参数的范围均在0～3之间，设置种群规模N=30， 进化代数G=100。
（3）计算目标函数值（个体适应值）。按编码规则来计算群体中每一个体的适应值。为获取满意的过渡动态特性，采用误差绝对值时间积分性能指标作为参数选择的最小目标函数；同时，为了防止控制能量过大，在目标函数中加入控制输入的平方项。
选取的最优指标为：
（2-1）
式中，为系统误差，为控制器输出，为上升时间，，，为权值。为了避免超调，可采用惩罚功能，即一旦产生超调，将超调量作为最优指标的一项，此时最优指标为：
if （2-2）
（2-3）
式中，为权值， 且。
（4）演变记忆细胞。若是新抗原，则用当前群体中适应度值高的个体代替记忆细胞中适应度值低的个体；否则，将当前群体中适应度值高的个体加入至记忆细胞中。
（5）产生新抗体。按交叉概率pc、变异概率pm进行与标准遗传算法相同的交叉和变异操作。
（6）信息熵及相似度计算。按得抗体群的平均信息熵， 其中为第N个抗体基因座j的信息熵， pij为第i个符号出现在基因座j上的概率，M为抗体长度。按得到抗体群的亲和度，如其值小于阈值A0（A0值随群体规模增加而减少，本文取0.2），说明多样性符合要求，则计数器加1，判断是否达到截至代数，如是，输出最高亲和度的个体，否则，转入（3） ；如其值大于A0，说明多样性不符合要求，则程序向下执行。
（7）随机产生P个新抗体， 使抗体总数为N+P。
（8）抗体浓度的群体更新及多样性保持。抗体浓度按式（12）计算Ci=（抗体i亲和度大于的抗体数）/N（12），其中Aij=1/[ 1+H（2）]（13）为抗体间相似度，Aij为相似度常数，本文取0.8。综合评价抗体的适应度与抗体浓度，得到抗体的聚合适应度公式（14）聚合适应度fitness' 实质是对抗体适应度fitness进行修正。对于最大优化问题，式（14） 中k为负数，本文取k=- 0.8；
（9）判断是否达到截至代数或抗体平均浓度稳定， 如不是，则计数器加1，并转入（3）；否则输出聚合适应度最高的最优抗体，并译码。
免疫遗传算法优化神经元网络的流程图，如图2-1所示。
3 仿真图形
经过免疫遗传算法的一系列的操作全局寻优过程，得到最优的加权函数并设计基于免疫算法的神经元自适应控制器。针对被控系统可能出现的四种参数变化情况，应用本文设计的控制器对其进行仿真，仿真结果如3-1所示。
本文设计的基于免疫算法优化的神经元自适应PID控制器在针对系统模型参数发生变化时，其表现出的控制效果符合系统控制的各项性能指标，而且通过免疫算法的寻优节省了大量的人工和时间去反复试验设计。
4 结语
免疫算法和神经元自适应PID控制进行了结合，设计了基于免疫算法优化的控制器。仿真结果表明，采用免疫算法优化设计的神经元自适应PID控制器在汽轮机转速控制系统中取得了良好的控制效果，同时也表明了采用免疫算法对于找出符合性能要求的加权函数是有效合理的。
参考文献
[1]肖增弘，徐丰.汽轮机数字式电液调节系统[M].北京：中国电力出版社，2003.
[2]李浩，孙海蓉.300 MW 机组数字电液控制系统 DEH 仿真机研发[J].电力科学与工程，2013，29（5）：62-66.
[3]邢宏.汽轮机数字电液控制系统故障分析与处理[J].电源技术应用，2013，（8）：342.
[4]宫赤坤，华泽钊.RBF 网络在线辨识的神经元控制[J].自动化仪表，2002，23（11）：17-20.
[5]李绍铭，刘寅虎.基于改进型RBF神经网络辨识的PID控制[J].自动化与仪表，2006，21（5）：40-43.