基于粒子群优化的分数阶PID预测函数参数整定

2015年01月21日16:55:54 本网站我要评论(2)字号：T | T | T

关键字：应用

摘要：为避免分数阶PID预测函数手动调节参数的不确定性以及繁琐性，应用粒子群算法优化其参数，完善分数阶PID预测函数控制器，并提高其控制精度，充分体现了算法的智能性。将粒子群整定分数阶PID预测函数算法应用于单变量的励磁控制系统中，通过Matlab仿真并与模糊分数阶PID预测函数以及经验调节方法相比较，结果表明，粒子群算法整定参数收敛速度快，找到较优点时间短，整定后的算法具有静态误差小、无超调、上升速度快、调节时间短、抗干扰能力强等优点，能很好地满足励磁系统的动态特性，并具有较强的鲁棒性及适应性。

关键词：粒子群优化；分数阶PID预测函数控制；励磁控制

中图分类号：ＴＰ２７　　　文献标志码：Ａ

１　引言

分数阶PID（FOPID）控制器较早由Podlubny I教授提出［1］，是普通PID数阶领域的扩展，FOPID比传统PID多了2个自由度λ和μ，增强了调节的灵活性，明显提高了系统的响应速度及鲁棒性，同时加大了参数的调节难度，至今仍未探寻出一种合适的参数整定方法。预测函数控制（Predictive Functional Control,PFC）较早由Richalet和Kuntze等［2-3]提出并成功应用于机器人控制的第三代模型预测控制算法，该算法根据过去的状态预测未来的输入与输出，能很好地解决系统稳态误差问题，有效地抑制大干扰，但其响应的速度较慢。将分数阶PID与预测函数控制结合得到的新型控制算法（FOPIDPFC）同时具有FOPID和PFC的优点，比单一的控制算法效果更好［4］，但其参数是通过经验和多次试验得到的，特别是当被控对象改变时，参数需再次调整，这样不仅费时，还可能导致找不到较优控制参数。因此寻求一种快速、简单、可靠的智能算法来优化控制参数尤为重要。近年来，随着人工智能和机器学习理论的迅速发展，出现了许多智能参数优化方法并且取得了一定的效果，如：蚁群算法［5］、遗传算法［6］、模糊算法［7］、粒子群算法［8-10］等。蚁群算法计算时间长，收敛速度慢，全局搜索能力差。遗传算法具有过早收敛的缺点，当优化具有强相关性的对象时，搜索能力变差，影响控制效果。模糊PID控制系统性能的优劣取决于模糊规则和隶属度函数的选取，而这又严重依赖于设计者对被控对象了解的程度。粒子群算法简单，计算方便，求解速度快，因此本文用PSO优化FOPIDPFC的5个参数，并将此算法应用于励磁控制系统中通过Matlab仿真平台对此算法进行仿真，并与模糊整定算法相比较，从输出曲线的响应速度、调节时间、稳态误差等性能指标进行了对比。

登录网站后可下载文件

基于粒子群优化的分数阶PID预测函数参数整定

相关阅读: