基于RBF人工神经网络的下游常水位自适应渠道输水控制研究

基于RBF人工神经网络的下游常水位自适应渠道输水控制研究 基于RBF人工神经网络的下游常水位自适 应渠道输水控制研究 第35卷第8期 2007年8月 西北农林科技大学(自然科学版) JournalofNorthwestA&FUniversity(Nat.Sei.Ed.) Vo1.35No.8 Aug.2007 基于RBF人工神经网络的下游常水位自 适应渠道输水控制研究 韩延成,高学平 (1中国海洋大学工程学院,山东青岛266100;2天津大学工程学院.天津300072) [摘要]针对传统渠道输水PID控制方法响应速度慢,超调量大,参数不能在线自调整的不足,根据RBF神经 网络和渠道输水特点,提…了将传统渠道下游常水位输水PID控制和RBF人T神经网络结合的输水控制方法,使输 水控制具有自学习,白适应,容错性和鲁棒性.推导了RBF网络整定PID输水控制调节器的算法.仿真结果表明,基 于RBF网络的PID输水控制方法.能够通过不断学习自动调整控制参数,使输水控制过程超调量小,响应速度快,具 有不需要特意选择或计算控制参数的特点.此,基于RBF神经网络的参数非线性PID控制更适合进行渠道输水这 样高度非线性系统的实时控制过程. [关键词]RBF;神经网络;下游常水位;渠道输水;自动控制 [中图分类号]TV672.9[文献标识码]A[文章编号]1671_9387(2007)08—0202—05 Researchofself—adaptingcanaldownstreamconstantlevel controIbasedonRBFneuraInetwork HANYan—cheng,GAOXue—ping. (1College0/Engineering,OceanUniversityo,China,Qingdao,Shandong2661O0,China; 2Qttcgt'f(7onstructionalEngineering,t)fTianjinUniversit3',Tianjin300072China Abstract:TheclassicPIDcanalcontrolmodelshavesomedisadvantagessuchasslowresponsespeed, largerover—shotandnonself—adjustingon— line.So,amethodcombiningnormalPIDandRBFneuralnet— workmethodispresentedaccordingtothecharacteristicofcanaltransmittingwater.Ithasmeritsofself— studying,self— adapting,faulttoleranceandrobustness.ThealgorithmsofRBFNeuralNetworkPIDCon— trolofcanaltransmittingwaterarededuced.Throughhydraulicsimulating,theresultsshowthatinthe processofRBFPIDcontrol,themethodcanadjusttheparameterstooptimalstate,thewaterlevelover— shootissmallandtheresponseisquick.Itcanberequiredtochoosecomputerparameterscomplexly,and canbeusedforthereal— timecontrolofnonlinearsystemsuchascanaltransmittingwater.SotheRBFneu— ralnetworkPIDiSamoresuitablemodelforreal— timenonlinearcanalcontrolthanclassicone. Keywords:RBF;neuralnetwork;downstreamconstantlevel;canalwaterconveyance;autocontrol 渠道输水自动控制有就地自动控制和集中控制 两种,后者因为通讯,软件等费用昂贵而主要应用于 大型输水工程;前者因投资少,应用灵活而广泛应用 于各种渠道的输水控制.其巾,PID类控制在渠道 输水控制中应用最为广泛,如P+PR控制:(比例 +比例积分控制)及电子水位过滤器补偿+复位 (EI一FIOplusreset)就地控制算法.等.但渠道输 水过程较机械控制具有更强的非线性和滞后性,常 规的PID控制器往往不能达到较理想的控制效果, 主要表现在两个方面:一是超调量大,导致渠道水位 [收稿日期]20060707 [作者简介]韩延成(197l一),男,H'肃武威人,高级工程师,博士,主要从事渠道输水调 度运行及自动控制研究. 第8期韩延成等:基于RBF人工神经网络的下游常水位自适应渠道输水控制研究 203 大幅波动,危及渠道安全;二是不能及时使渠道水位 恢复到目标水位,容易造成漫堤等事故.因此,有许 多新的渠道输水控制方法得到开发或研究,如法国 SOGREAH公司研究的BIVAL_3]控制模型,将控 制水位点设在渠段的中央;又如对PID控制改进后 应用于渠道输水控制的SogreahPID[4].另外,在实 际输水自动控制设计过程中,PID参数往往很难确 定,需要大量的模拟,试验或测试.而一旦工况(如 流量)发生变化,又需要重新试算参数,导致运行工 况的适应性较差. 引黄济青工程一直采用下游常水位就地控制输 水方式,这种输水控制的优点是,可以适应最大设计 流量而不需要另外投资加高渠堤.但由于缺乏自动 监控设备,调度一直靠人工经验.随着青岛市及沿 线用水量的加大,输水调度迫切需要更先进的控制 方式.为此,该工程于2002年完成闸站,泵站的自 动化改造后,闸门具备实施自动控制的条件,但是通 过现场测试和仿真模拟,采用常规PID类控制模型 (包括用P+PR控制,EI一FLOPlusReset等)的控 制效果并不理想,主要问题是超调量大,达到目标水 位所需的时间长,完成一次从上游到下游的自动控 制过程需要近10d时间,加上黄河水情变化大,用 常规的PID类控制很难控制整个渠道的运行.鉴 于神经网络具有自学习,自适应及很强的容错性和 鲁棒性,其已在自动控制方面得到了广泛的应用. 因此,本研究试图将RBF神经网络与PID结合,在 常规PID性能的基础上,利用神经网络的自适应能 力和鲁棒性,构造了一个具有自调整能力的,稳定的 PID渠道输水控制器,以期为渠道输水控制方法的 开发研究提供参考. 1神经网络PID控制器 常规PID控制器的算式为: "()一KP『P()+1J.tP()d+T.].(1) 式中:t为时间变量;U()为t时刻的输出量;K为 比例系数;(t)为t时刻目标水位与实际水位的误 差;T,为积分时间常数;T.为微分时间常数. 其离散化 格式 pdf格式笔记格式下载页码格式下载公文格式下载简报格式下载 为: "(是)一KPP(是)+K,?P()+ J=0 KDrP(k)一P(k一1)】.(2) 式中:k为采样序号,k一0,1,2,…;K为比例系数 K,为积分系数;K.为微分系数;P(是)为第k次目标 水位与实际水位差;?()为前k次累计误差,J— J=0 0,1,2,…k. 用一个单神经元构造控制器,则其神经网络的 输入为: X1(是)一P(是);X2(k)一?e(j); J=0 X3(是)=Ae(k)一[P(是)一e(k一1)].(3) 神经网络输出为: U(k)一W1X1(k)+W2X2(k)+W3X3(k).(4) 式中:W为网络的加权系数. 将(3)式代入(4)式,可得神经网络PID控制的 输出为: u(k)一W1P(志)+叫2?P()+ J=0 叻3Ee(k)一P(k一1)].(5) 上述神经网络PID控制具有和常规PID一样 的结构形式,但其具有神经网络自学习的功能,可通 过学习来调整参数,实现自适应,自组织功能. 2RBF神经网络PID控制器 RBF网络是一种三层前向网络,由输入到输出 的映射是非线性的,而隐含层到输出层是线性的,从 而大大加快了学习速度,并避免了局部极小的问题, 且具有惟一最佳逼近和无局部极小的优点,其结 构如图1所示.与BP神经网络收敛速度慢的缺点 相反,RBF神经网络的学习速度很快,更适于在线 实时控制],是渠道输水控制的理想模型. 图1RBF神经网络结构图 Fig.1RBFneuralnetworkconstitution 2.1网络NNI的参数调整算法 在RBF网络结构中,X一[-z,-z,-z.,…,-z], 其为网络的输入量,径向基向量H一[,h,h.,…, h],其中h,为高斯基函数,有: hi=exp(,一1,2,…,m.(6) 厶L,J 式中:c,为网络的第个结点的中心矢量,cJ一[, c…,c…]b,节点J的基宽度参数,且为大 于零的数.网络的基宽向量为: 204西北农林科技大学(自然科学版)第35卷 B一[61,b2…,b.(7) 设网络的权向量为: W—Ew1,2,…,仉.,,…,.(8) 则辨识网络NNI的输出为: Y(k)一叫1h1+叫2h2+…+叫…h(9) 性能指标函数取误差平方差,即: 1 J1一去[.y(是+1)一.y(k-F1)]一 z.(是+1).(10) 根据梯度下降法,就可以通过循环迭代计算出输 出权,节点中心及节点基宽.输出权的 计算公式 六西格玛计算公式下载结构力学静力计算公式下载重复性计算公式下载六西格玛计算公式下载年假计算公式 为: (k+1)一(是)+叩(.y(k+1)一y(是+1))h+ d((k)一(k一1)).(11) 式中:即为学习速率;为动量因子. 节点基宽的计算公式为: (k.(12) b(k+1)一b(k)+6+ d[6,(k)一b,(k一1)J.(13) 节点中心的计算公式为: ?一[.y(是+1)一ym(k-F1)~w卫;(14) C(k+1)一C(是)+Cji+ dEC,(k)一C(k一1).(15) Jacobian矩阵(网络的输出对输入的灵敏度信 息)的算法为: 一 墨… J(是)一1Ee(是)].(20) K,K,,K.系数采用梯度下降法,由神经网络 自适应调节,即有: ?Kp=--8E一一 3E3y3u 一 (是)3y 1;(21) ?KI=--3E一一 8E3y3u一 (是)3y(22) ?KD=--3E一一 3E3y3u一 (是)a8y " 3.(23) 式中:为被控对象的Jacobian,可通过神经网络的" 辨识而得到(式16).RBF整定PID控制的结构如 图2所示 式中:A(是)为第k次调节中闸门的开度增量.参3 数h,,C,b的计算见式(6)及式(11),(16). 2.2PID输水控制调节器的RBF网络整定 控制器采用3个输入单元神经元,采用线性激 发函数输出,其控制偏差为当前监测水位Y(k)和设 定的目标水位r(k)之差,即: e(k)一Y(k)一r(k).(17) 采用增量式PID,控制器的3项输入分别为: f1一(k)一(走I_1); 2一(k);(18) l^一(k)一2e(k一1)+(k一2). 控制量即为闸门开度,可用增量形式表示为: Au(k)一EKP(e(k)一e(k一1))+K,(e(k))+ K.((k)一2e(k一1)+(k一2))j, "(k)一"(k一1)-4-?"(k).(19) 神经网络整定指标为: 图2PID输水控制调节器的RBF网络整定结构 Fig.2RBFadjustingstructureofPIDcontrolforcanal RBF下游常水位渠道输水的PID 控制过程及其模拟 3.1RBF下游常水位渠道输水的PID控制 下游常水位控制是将渠段水位控制点设在渠段 的下游端,自动控制过程中,保持渠段下游端水位不 变,相对于上游常水位控制及等容量控制,下游常水 位控制具有适应最大设计流量及不需要另外投资加 高渠堤等优点,是一种应用广泛的渠道输水控制方 法.基于RBF的下游常水位渠道输水PID控制过 程见图3. 3.2输水PID控制过程的水力学模拟 控制过程模拟实际是一个带有水闸等建筑物的 一 维明渠非恒定流过程,其基本数学模型是圣?维 南(SaintVenant)偏微分方程组.其连续性方程为: B譬+一q.(24) 第8期韩延成等:基于RBF人工神经网络的下游常水位自适应渠道输水控制研究 205 式中:B为渠道水面宽(m);z为水位(m);t为时间 变量(s);Q为流量(m./s);S为渠道断面的距离坐 标(m);g为渠段区间人流量(m./(s?m)). 动量方程为 ++f卜,丝: gA3t.gA3sgA.3s (Vqs--V)+(汁M)一2 . (25) 式中:g为重力加速度(m/s.);A为渠道过水断面面 积(m);为侧向人流在水流方向的平均流速 (m/s),常忽略不计;为渠道内水流沿轴线方向的 流速(m/s);i为渠道底坡;M为明渠单宽,定深时的 断面沿程的放宽率],M一吉l,其中h为水深;Dlh C为谢才系数;R为渠道断面水力半径(m). 除上,下游边界条件外,被控制闸或泵站等是内 边界点,内边界通常包含两个相容性条件,一个是连 续性条件,另一个是能量或动量守恒条件.在非恒 定流的数值求解过程中,当遇到内边界点时,插入相 容性条件,推导出内边界点处使整个数值求解由上 一 节点向下一节点推进的方程组,则可以继续向前 推进.在非恒定流模拟过程中分别加入常规PID 控制模块或RBF整定PID控制模块,就可以模拟整 个自动控制过程. 图3基于RBF的下游常水位渠道输水PID控制过程 Fig.3PIDcontrolofdownstreamconstantlevelonRBF 4模型应用 引黄济青工程自黄河打渔张闸至青岛市棘洪滩 水库,均采用明渠输水,全长252km,输水时间为11 月至次年3月.取中游及下游两种典型的渠道断面 (Jc游段由于有沉沙池和子槽段调蓄,暂时没有自动 控制的设计要求),分别用RBF+PID法和传统的 PID方法进行控制比较. 由于为冰期输水,为防止冰塞及衬砌破坏,需要 对闸门进行控制,以抬高渠道内水位运行.中游段 取王耨泵站后潍河中堤(桩号155+836)到人吴沟 河(桩号169+352)共13.516km,渠道综合糙率为 0.02,边坡为1.5,2.0,底坡1/20000,渠道底宽为 10.8,11.2m,自动控制的闸为东黄埠闸(桩号 162+802).模拟工况的上游为流量边界10m./s, 下游为水位边界8.807m.当前闸前水位为9.53 m,闸门开度为1.0m.当前闸前运行水位太低,需 要在上游流量不变的情况下,通过自动控制闸门,抬 高闸前水位,目标水位为10.01m. 下游段取亭口泵站后的小清河站(桩号221+ 973)到刘家荒站(桩号235+493),共13.552km,渠 道糙率为0.02,边坡为1_5,底坡1/6000, 1/20000,渠道底宽10,12.7m,自动控制闸为助 水河闸(桩号232+092).模拟工况为小清河站下 泄流量10m./s,下游边界水位为8.50m.当前闸 前水位为10.32m,闸门开度为0.5m.由于闸前运 行水位太高,需在上游流量不变的情况下,模拟通过 自动控制闸门,降低闸前水位,目标水位为9.75m. 计算中,先根据当前水位与目标水位差计算误 差P(忌),根据式(3)得到神经网络的输入X-(忌),Xz (忌)和X.(忌);输出为闸门开度.用一维非恒定流模 拟控制过程,采用隐格式的差分法,已知外边界为上 游端点(节点1)流量和下游水位(节点101),水闸为 内边界点. 在常规PID控制中,K,K,K.参数很难确 定,经过多次模拟测试后,选择了1组有较好控制效 果的优选参数:水位上涨时K一1,K一0.1,K.一 0.07;水位下降时KP一0.5,KJ一0.1,KD一0.02. 206西北农林科技大学(自然科学版)第35卷 而在RBF神经网络控制方法中,K,K,Ko的初值 随意给定,自动整定.图4和图5分别是中游和下 游段用常规PID法及RBF网络整定的自适应控制 模拟结果.由控制结果(图4,5)可见,用常规优化 参数的PID控制中,中游段和下游段分别用4.7h lO.2曰f,下水位/m Goal1evel/,,, ,—,,J,,,.,一一一一 /,,f',,一,,. tf …, . 常规PID控制ClassiclPIDcontrol; —— . RBF~O经网络整定 Ol23456 时间/h Time 图4中游段常规PID与RBF自适应输水 自动控制模拟结果 Fig.4ResultsofgeneralPIDandRBFadapting controlinmiddlecanal 5结论 RBF神经网络的学习速度很快,更适于在线实 时控制,基于RBF神经网络的自适应PID控制虽具 有和常规PID一样的结构形式,但具有神经网络自 学习的功能,可以通过学习来调整加权系数,实现自 适应,自组织功能.用RBF网络实现渠道输水的 PID控制,其较传统的PID控制更具优点.传统的 渠道输水PID控制中参数较难确定,通常需要进行 理论推算后再进行模拟试算,最后确定一组较优的 参数,而且渠道输水流量不同,水闸,渠道断面参数 不同,需要的PID参数也不相同.而与RBF复合 PID控制,将神经网络与PID结合,在常规PID控 制的基础之上,利用神经网络的自适应能力,自动调 整系统的控制参数.从实例仿真结果看,基于RBF 神经网络的PID控制,具有水位超调量小,达到目 标控制水位时间短的特点,且有较强的鲁棒性,并较 适合渠道输水非恒定流这样的非线性系统.实际应 用中,输水控制的整体结构及编程与传统的PID控 制相同,不同的只是参数K,K,K.的计算,即传 统的PID控制中参数K,K,,K.是固定的,而在 RBF神经网络控制中,参数K,K,K.需要通过 和4h水位才能恢复到目标水位;而采用RBF网络 整定的PID控制法,中游段和下游分别只需1.7h 和1.6h就能使水位恢复到目标水位.另外,常规 PID控制法超调量较大,而RBF网络整定法的超调 量较常规方法小. ' 一 . —— ., 0l2345 时间/h Time 图5下游段常规PID与RBF自适应输水 自动控制模拟结果 Fig.5ResultsofgeneralPIDandRBFadapting controlindownstreamcanal RBF网络来整定. [参考文献] [1]BuyalskiCP,FalveyHT.RogersDS.Canalsystemsautoma— tionmanualVolumeI[M].DenverColo:USBureauofRecla— mation.199L E23PlossI.Canalautomationusingtheelectronicfilerleveloffset (ELFIE)method[M]//Zimbelman.Planning,operation,re— habilitation,andautomationofirrigationwaterdeliverysys— tems.NewYork:ASCE,1987:164—175. [3]ChevereauG,Schwartz—benezethS.BIVALsystemfordown— streamcontro1[M]//Zimbelman.Planning,operation,rehabili— tation,andautomationofirrigationwaterdeliverysystems. NewYork:ASCE,1987:155-163. E4]MalaterrePO,RogersDC,SchuurmansJ.Classificationofca— nalcontrolalgorithms[J].JournalofIrrigationandDrainage Engineering,J998,J24(J):3-J0. E5]李国勇.智能控制及其MATLAB实现[M].北京;电子工业出 版社,2005. [6]刘志远,吕剑虹,陈来九.过热汽温系统的RBF神经网络控 制EJ].系统仿真,2004,16(8):1828—1834. [6]陶永华.新型PID控制及其应用[M].北京:机械工业出版社, 2002. [7]韩延成,高学平.长距离调水工程最优控制数学模型[J].水利 水电技术,2005,36(i0);6267. 5432?O987 OOOOOO999 {1ll 一0忘一? 暑\ ?O98765 OO99999 —0矗一矗? 暑\