基于改进麻雀搜索算法的广义预测控制参数整定.pdf

2024 年第 1 期仪 表 技 术 与 传 感 器Instrument Technique and Sensor基金项目:国家自然科学基金资助项目(61903291);中国博士后面上基金项目(2019M660257);陕西省重点研发计划项目(2022NY-094)收稿日期:2023-06-20基于改进麻雀搜索算法的广义预测控制参数整定贺 宁,郝文斌,李 尚西安建筑科技大学机电工程学院 摘要:针对多输入多输出(MIMO)的变风量空调(VAV)系统,提出一种基于改进麻雀搜索算法(ISSA)的广义预测控制(GPC)参数整定方法。首先,针对 GPC 控制器众多参数和系统性能之间关系复杂且难以同时整定的问题,提出通过麻雀搜索算法(SSA)进行参数整定以提高控制系统的性能指标。其次,针对传统 SSA 在适应度函数较复杂时存在收敛周期较长的问题,提出一种基于非线性增减种群规模的 ISSA 以缩短算法的收敛周期。同时,引入事件触发机制(ETM)避免 ISSA 算法陷入局部最优。最后,通过半实物实验平台验证了所提算法的有效性和鲁棒性。实验结果表明,与传统的 SSA 算法相比,ISSA 收敛时间可减少 18.61%,并且通过 ISSA 进行参数整定后 GPC 控制系统的调节时间可分别减少 87.5%、90%。关键词:变风量空调;广义预测控制;麻雀搜索算法;参数整定;事件触发机制中图分类号:TP202 文献标识码:AParameter Tuning of Generalized Predictive ControlBased on Improved Sparrow Search AlgorithmHE Ning,HAO Wenbin,LI ShangSchool of Mechanical and Electrical Engineering,Xian University of Architecture and TechnologyAbstract:For variable air volume air-conditioning(VAV)system with multiple input multiple output(MIMO),a generalized predictive control(GPC)parameters tuning method based on improved sparrow search algorithm(ISSA)was proposed.Firstly,aiming at the complicated relationship between many parameters of GPC controller and system performance,sparrow search algo-rithm(SSA)was used for parameter tuning to improve the performance of the control system.Secondly,aiming at the problem that traditional SSA has a long convergence period when the fitness function is relatively complex,an ISSA algorithm based on nonlinear population size increase and decrease was proposed to shorten the convergence period of the algorithm.At the same time,the event-triggered mechanism(ETM)was introduced to avoid triggering the ISSA algorithm into local optimality.Finally,the effectiveness and robustness of the proposed algorithm was verified by a semi-physical experiment platform.Experimental results show that,compared with the traditional SSA algorithm,ISSA convergence time can be reduced by 18.61%,and the adjustment time of GPC control system can be reduced by 87.5%and 90%after parameter tuning by ISSA.Keywords:variable air volume conditioning;generalized predictive control;sparrow search algorithm;parameter tuning;event trig-gered mechanism0 引言在所有的能源消耗中,暖通空调系统占比最大,约为 66%1。因此研究变风量空调(variable air vol-ume air-conditioning,VAV)系统如何减小能耗具有重大意义。广 义 预 测 控 制(generalized predictive control,GPC)是由 D.W.Clarke 等2提出的一种先进控制算法,具有预测模型、滚动时域和反馈校正 3 大基本特点,向前滚动式的优化可以连续使用当前时刻的输出作为反馈信息,能在一定程度上克服由于参数和环境变化导致的不确定性。相比于传统控制策略,GPC 算法具有更好的控制性能,因而被广泛的应用到 VAV 等工业系统中3-6。由于 GPC 控制性能涉及的参数较多,同时具体参数的选取对整个系统性能的影响很大,所以将 GPC 应用到 VAV 等工业系统中的难点是如何快速、有效地整定 GPC 控制器参数。陈亚文等7、李子惟等8分别通过经验数值设定、控制变量法的思想选取 GPC 控制器相关参数并分911 仪 表 技 术 与 传 感 器第 1 期别应用到加热炉温度、燃气发电机中,一定程度上提升了被控系统性能指标。杨湘等9针对锅炉汽包液位控制系统,提出通过粒子群优化算法整定 GPC 控制器相关参数的方法来提高系统的性能指标。张悦等10通过蚁群算法对改进型 GPC 参数进行优化,使得系统输出曲线能够更快、更准确地跟踪设定值。李胜凯等11通过一种基于双差分进化反向训练蝗虫优化算法对隐式 GPC 控制器进行参数调优。M.A.Ibrahem等12设计了一种非线性预测控制,并采用 Hildreth 的二次规划来优化神经网络 GPC 控制器中的预测时域、控制时域和加权系数等 3 个参数。A.Mouhou 等13利用灰狼算法优化自适应 GPC 的 4 个参数并将用到铝杆模型中,结果显示控制器能够确保系统的输出曲线稳定地追踪期望输出。麻雀搜索算法(sparrow search algorithm,SSA)凭借参数少、局部搜索能力强、搜索速度快等优点,已被广泛应用到太阳能发电14、图像分割15等领域。但常规 SSA 算法在求解高维复杂问题仍存在容易陷入局部最优的收敛问题。欧阳城添等16提出了基于融合聚类算法的改进麻雀搜索算法并应用到8 个标准测试函数中,相比于其他算法,显著提升了系统收敛速度。葛唱等17提出了将伯努利映射和禁忌搜索算法相结合的改进麻雀搜索算法,并用到无人车路径规划问题中,结果显示该算法拥有更好的全局搜索能力和更高的精度。尽管可以通过经验法确定 GPC 参数,但仍存在准确性低、调参数目少的缺点;采用群智能优化算法整定 GPC 控制器参数虽然可以取得较好的效果,但由于GPC 控制器参数之间耦合性强,各参数和系统性能之间无明确的关系,导致适应度函数复杂,使得智能仿生算法在参数调优中收敛周期变长且易陷入局部最优。基于以上研究,针对参数之间强耦合的复杂问题,提出通过 SSA 算法同时整定 GPC 多个相关参数以便更好地提升控制器性能。同时,提出麻雀种群规模非线性增减的改进麻雀搜索算法(improved sparrow search algorithm,ISSA)来进一步缩短 SSA 的收敛周期,通过事件触发机制避免 ISSA 算法陷入局部最优的可能。最后通过 MATLAB 仿真实验以及 VAV 实验平台验证了本文所提算法的有效性和鲁棒性。1 VAV 空调系统的 GPC 控制1.1 VAV 空调系统建模VAV 空调的内部模型复杂,各个子系统之间存在耦合关系,整个系统的输入和输出可以用一个传递函数矩阵表示。在文献18中,西安建筑科技大学江森实验平台通过对 VAV 空调系统中每个输入和输出之间进行阶跃响应得到其内部模型,如式(1)所示:G(s)=G11(s)G12(s)G1n(s)G21(s)G22(s)G2n(s)Gm1(s)Gm2(s)Gmn(s)mn(1)式中:Gij(s)=kije-ijsTijs+1,i=1,2,m;j=1,2,n;kij、Tij、ij分别为系统增益、系统时间常数和系统滞后时间系数。由于 GPC 采用的是受控自回归积分滑块平均模型(CARIMA),故需将连续的传递函数进行离散化。设离散时间为 Ts,当滞后时间系数 ij为 Ts的整数倍时,可将 Gij写成以下离散模型:Gij(z-1)=bz-11-az-1z-d(2)式中:a=e-Ts;b=k(1-a);d=Ts;为传递函数系统滞后时间系数;k 为传递函数系统增益。当滞后时间系数 ij不是 Ts的整数倍时,即满足=dTs+Ts且 01 时,Gij可被离散为Gij(z-1)=b0z-1+b1z-21-az-1z-d(3)式中:a=e-Ts;b0=k(1-a)(1-);b1=k(1-a);=a(a-1)1-a。1.2 GPC 算法原理GPC 技术由 D.W.Clarke 等2提出,其基本原理如图 1 所示。图 1 预测控制原理一般 GPC 采用的 CARIMA 模型如式(4)所示:A(z-1)y(k)=B(z-1)u(k-1)+C(z-1)(k)(4)式中:A(z-1)、B(z-1)、C(z-1)分别为 n、m 和 n 阶的 z-1的多项式;为差分算子,=1-z-1;y(k)、u(k-1)、021 第 1 期贺宁等:基于改进麻雀搜索算法的广义预测控制参数整定(k)分别为输入、输出和均值为 0 的白噪声序列。GPC 通过求解如式(5)所示的优化问题来获得系统的最优输入。J=Npj=1y(k+j)-r(k+j)2+Nuj=1(j)u(k+j-1)2(5)式中:u(k)为当前时刻的控制量,对系统将来时刻的影响为增强系统的鲁棒性;Np、Nu分别为预测时域、控制时域,且 NpNu;y(k+j)为第 j 步的预测输出;(j)为大于 0 的控制量变化量的加权系数矩阵,通常取(j)=;r(k+j)为跟踪参考轨迹。r(k+j)=jy(k+j)+(1-j)yr(k+j)(6)式中 为柔化因子,01;yr(k+j)为输出参考,yr(k+j)=Yr(k+1),Yr(k+2),Yr(k+j)T为了预测超前 n 步输出,引入了丢番图方程,其形式为:1=Ej(z-1)A(z-1)+z-jFj(z-1)Gj=Ej(z-1)B(z-1)(7)式中:A(z-1)、B(z-1)分别为 n 阶、m 阶 z-1的多项式;Ej(z-1)、Fj(z-1)为Ej(z-1)=ej0+ej1z-1+ej,j-1z-j+1Fj(z-1)=fj0+fj1z-1+fjnz-n式中 ej,j-1、fjn为多项式 Ej(z-1)、Fj(z-1)的不同项系数。忽略噪声的影响,对式(4)两边同时乘以 Ej(z-1),结合式(7),得到 k 时刻后 j 步的预测输出序列y(k+j)=Gj(z-1)u(k+j-1)+Fj(z-1)y(k)(8)式中 u(k+j-1)表示第 k+j 时刻控制量变化量的大小。在式(8)中分别包含了第 k 时刻的已知分量和未知分量两部分,用 f(k+j)表示已知量部分,可表示为f=Hu(k)+Fy(k)(9)H=G1-g0z(G2-z-1g1-g0)zn-1(Gn-z-n+1gn-1-z-1g1-g0)F=F1,F2,FnT式中 g0,g1,gn-1是式(10)中 G 的元素,表示阶跃响应系数。根据式(6)式(9)可得:Y=GU+f(10)式中:Y 为最优输出预测值;G 可以表示为G=g0000g1g000gn-1gn-2g0U=u(k),u(k+1),u(k+n-1)T则可将式(5)写成矩阵形式表示为J=(Y-W)T(Y-W)+UTU(11)式中:Y 为输出预测值;W 为追踪参考轨迹;为控制量变化量的加权系数。将式(11)中的 Y 用式(10)中的Y 代替,然后令JU=0 可以得出:U=(GTG+I)-1GT(W-f)(12)式中 I 为单位矩阵。则下一时刻的控制量 u 为u(k+1)=u(k)+u(k)(13)式中 u(k)为 U 矩阵的第 1 个分量。通过式(5)、式(6)和式(12)可以看出,不仅控制加权系数 和柔化因子 会影响 GPC 的输出,预测时域 Np和控制时域 Nu同样也会影响 GPC 控制性能。因此有必要对这 4 个参数同时整定来保证整个 GPC控制器具有良好的性能。基于此,本文提出利用 ISSA算法整定 GPC 控制器参数从而提高系统性能。1.3 GPC 控制器参数对系统性能的影响在 1.2 节完成了 GPC 控制过程原理的推导,通过公式可以看出预测时域 Np、控制时域 Nu、控制加权系数 和柔化因子 等参数均与控制器输出有关。为了便于设计 GPC 控制器参数整定算法,下面分析这 4个参数的具体影响:1)预测时域 Np和控制时域 Nu都会影响系统稳定性19,其取值越大,对应的控制系统稳定性越好,但对动态性能影响不太明显。同时较大的取值会增加控制器求解优化问题的维度,注意 Nu必须小于或等于 Np。2)控制加权系数 不仅可以限制控制增量的剧烈变化,同时可以减小系统矩阵的条件数防止系统矩阵出现病态19。但若 的取值过大,同样会造成系统的动态响应变得异常缓慢。3)柔化因子 主要影响系统的鲁棒性19。当 较小时,系统输出跟踪性能更佳,但鲁棒性较差;当 过大时,系统输出跟踪性能会变差。通常取值在0 和1 之间。2 基于 ISSA 算法的 GPC 参数整定2.1 麻雀搜索算法(SSA)原理SSA 算法是一种新型群体智能优化算法20。其121 仪 表 技 术 与 传 感 器第 1 期基本思想是模拟麻雀的觅食和反捕食行为。根据麻雀的觅食行为,可以将麻雀种群分为 3 种:发现者、跟随者和侦察者。发现者负责寻找食物来源并且为跟随者提供食物的方向,同时随机选取部分麻雀充当侦察者,它在碰到危险时建立反捕食机制。在所有的麻雀种群当中,具有较好适应度值的发现者在搜索食物过程中会优先获取食物。故发现者可以获得比跟随者更大的觅食搜索范围,其位置更新描述为Xt+1i,j=Xti,jexp(-itmax)R2n2Xt+1p,j+Xti,j-Xt+1p,jA+L0fgXti,j+K(Xti,j-Xtw,jfi-fw+)fi=fg(16)式中:Xtbest为第 t 次迭代的全局最优位置;Xtw,j为全局最差的位置;为步长控制参数(服从均值为 0、方差为 1 的正态分布的随机数);K 为随机数,K-1,1;fi为当前个体麻雀的适应度值;fg和 fw分别为当前全局最优和最差的适应度值;为一个较小的常数,其作用是避免分母为零。由上述可知,SSA 优化算法通过迭代公式(14)公式(16),不断更新种群位置,直到满足迭代终止条件。2.2 改进麻雀搜索算法(ISSA)原理麻雀搜索算法虽然具有良好的寻优性能,但在后期的不断迭代中很容易陷入局部最优20。其次,为了快速收敛到最优值附近,通常将初始种群规模设置得较大。当收敛到全局最优值附近时,所需种群数量减少。也就是说固定的种群规模会导致优化算法产生额外的计算量,固定地减少种群数量会存在陷入局部最优问题21。基于此,本文提出了一种基于事件触发的麻雀种群非线性增减的 ISSA 搜索算法,避免搜索陷入局部最优的同时极大地提升了优化算法的迭代效率。该算法用一组非线性函数将适应度值的变化量与麻雀种群数量的变化量联系起来。具体规则为:初始迭代过程中,麻雀种群均处于随机状态,因此保持麻雀种群数量不变,方便麻雀种群早期快速收敛到最优解附近;随着迭代次数的增加,目标函数逐渐靠近适应值,此时可以减少麻雀种群规模,从而减少整个算法的迭代时间;为了预防陷入局部最优,也可以通过判断,在优化算法将要陷入局部最优时,适当地增加麻雀种群规模避免其陷入局部最优,从而保证迭代过程正常进行。麻雀种群的变化量与相邻时刻适应度值的变化量之间的关系可初步被描述为N=G(f)(17)式中:N 为第 t-1 次迭代到第 t 次迭代的过程中麻雀种群的变化量;f 为第 t-1 次迭代到第 t 次迭代的过程中适应度值的变化量;G 为 N 与 f 之间的非线性函数关系。考虑到麻雀数量的增加或减少的趋势,可将函数关系描述为如下分段函数:N1=a1(b1f-)c10fN2=-a2(b2f-)c2f(18)式中:为适应度值变化量的阈值;a1、b1、c1、a2、b2、c2均为正数,其具体数值可根据实际的系统和需求进行确定。当适应度数值的变化量大于或等于阈值时,意味着整个麻雀种群正在向着最优值靠近,故可对麻雀数量进行适当减少;当适应度数值的变化量小于阈值时,此时麻雀种群可能会陷入局部最优,故可对麻雀数量进行适当增加。具体的 ISSA 优化算法步骤如下:1)初始化麻雀种群并确定相关参数;2)分别利用式(14)、式(15)、式(16)将种群分为发现者、跟随者和侦察者;3)获取最优 fg和最差 fw适应度数值个体;4)利用式(18)计算麻雀种群数量变化量 N;5)更新种群数量,下次迭代采用新的种群数量;6)若达到迭代条件,则输出全局最优位置 Xbest和它的适应度数值 fg,若未达到迭代条件,则返回第2)步。从时间复杂度的角度来说,在 SSA 算法中,随着221 第 1 期贺宁等:基于改进麻雀搜索算法的广义预测控制参数整定 迭代次数 i 不断增大,麻雀种群初始数量 Nmax保持不变。假设每只麻雀每次迭代时间为 T,总的迭代次数为 t,最大迭代次数为 tmax,则 SSA 算法每次迭代的总时间为 NmaxtmaxT。而在 ISSA 算法中,假设 Nt表示第 i 次迭代时麻雀种群数目,则当 i=1 时保持 N1=Nmax;当 1itmax时,根据适应度值的变化规律设计满足 NtNmax的触发条件,即在满足迭代条件之前,之后的每次迭代过程中麻雀种群数目都满足小于麻雀种群初始数量 Nmax。则 ISSA 算法的总迭代时间为N1+N2+NtmaxttmaxT。,Ntmax表示最后一次迭代过程中麻雀种群数量。由于 N2、N3、Nmax均小于 N1,进而N1+N2+NtmaxtN1,则ISSA 算法的总迭代时间满足N1+N2+NmaxttmaxTN1tmaxT,由此可知ISSA 算法的整体迭代时间相比于 SSA 算法有所减少。为了更直观地表达本文提出的基于 ISSA 优化算法的 VAV 空调系统 GPC 参数整定策略,通过图 2 展示其具体流程。图 2 基于 ISSA 的 GPC 参数整定流程图3 仿真实验验证3.1 变风量空调(VAV)系统仿真为了验证 ISSA 算法的有效性,本文选取 1 个 22的 VAV 空调系统模型作为研究对象22。其输入量分为冷冻水泵频率(u1)、冷却水泵频率(u2);输出量为冷却水回水温度(y1)、冷却水出水温度(y2),其具体传递函数可以描述为y1y2=0.4e-9s24s+1-1.24+e-3.5s18s+10.8e-2s20s+1-2.13e-2s18s+1u1u2(19)通过本文所提出的 ISSA 对 GPC 的预测时域 Np、控制时域 Nu、柔化因子、控制量的加权系数 等参数进行整定,设置迭代次数 tmax=100,初始麻雀种群n=50,通过式(18)对麻雀数量进行更新。将系统的超调量和调节时间作为麻雀搜索算法的适应度,迭代终止条件为迭代次数大于 100。经过改进的麻雀搜索算法整定之后的参数分别为:预测时域 Np=1、控制时域 Nu=2、柔化因子 =0.052 和控制量的加权系数=0.007。图 3 和图 4 分别为 ISSA 算法的适应度数值变化曲线和麻雀种群数量变化曲线。图 3 适应度数值变化曲线图 图 4 麻雀种群数量变化曲线图从图 3 和图 4 的曲线可以看出,刚开始迭代由于适应度数值变化较小,故适当地增加了麻雀种群规模,从而扩大了算法的寻优范围;在第 3 次迭代过程中,由于适应度函数下降的范围较大,则可以根据式(18)得出减少的麻雀种群数量,从而提高整个系统寻优的效率;在第 5、6、9、38 次迭代过程中,由于适应度321 仪 表 技 术 与 传 感 器第 1 期数值的变化量较小,判断麻雀种群可能陷入局部最优,因此算法通过式(18)来计算新增的麻雀种群数量,从而使得种群跳出局部最优,继续整个迭代过程,直至达到跳出循环条件。表 1 为 SSA 算法和 ISSA 算法分别对 GPC 进行参数整定结果的详细对比。表 1 SSA 和 ISSA 参数整定结果对比适应度收敛时间/sSSA536.76ISSA329.92减少百分比/%4018.61 可以看到使用改进后的麻雀搜索算法寻优的参数在超调量和调节时间上均有较好的效果。同时,SSA 收敛时间为 36.76 s,ISSA 算法收敛时间为 29.92 s,且ISSA 适应度的数值由 5 进一步收敛至 3。也就是说,相对于 SSA,ISSA 在收敛时间减少了18.61%的同时,进一步提高了 SSA 的收敛精度。将通过 ISSA 整定的 Np、Nu、和 代入 GPC 控制器中,可以得到式(19)中冷却水回水温度 y1和冷却水出水温度 y2的输出曲线,结果如图5、图6 所示。图5 和图 6 分别为采用传统调参、PSO 调参、SSA 调参以及 ISSA 调参 4 种方法的系统输出效果对比。可以看出,采用经验数值设定 GPC 控制器时输出曲线均无超调,但调节时间较长,即不能同时满足快速性与稳定性。PSO 调参在快速性方面表现较好,但系统超调较为明显。同时,采用 SSA 对 GPC 进行参数整定的方法可以显著提升的性能指标。与此同时,可以看出采用ISSA 对控制器进行参数整定时既可以在不影响被控系统稳定性的前提下更好提高系统的性能指标,又能够缩短系统收敛时长,在节省能耗方面更加有优势。图 5 不同参数整定方法冷却水回水温度实际输出对比图图 6 不同参数整定方法冷却水出水温度实际输出对比图421 第 1 期贺宁等:基于改进麻雀搜索算法的广义预测控制参数整定 不同参数整定方法的系统性能指标的具体值如表 2 所示。表 2 不同算法性能指标调参方式超调/%调节时间/sy1y2y1y2传统调参0024.030.0PSO 调参011.85.04.0SSA 调参0.840.734.05.0ISSA 调参0.150.493.03.0 通过表 2 可以看出,传统 GPC 参数整定的系统输出 1 和输出 2 的调节时间较长,采用 PSO 进行参数整定不能很好地兼顾快速性和稳定性。相比传统调参,通过 ISSA 整定 GPC 控制相关参数后的系统输出 1 的调节时间减少了 87.5%,输出 2 的调节时间减少了90%。此外,由于更佳地收敛能力,通过 ISSA 整定的系统性能指标相比于 SSA 调参有提升。综合以上分析,ISSA 可以在不影响控制系统的超调量和调节时间等性能指标提高的前提下大幅缩短 SSA 算法收敛周期,在控制器减少计算量方面显著提升。3.2 半实物仿真实验平台仅采用 MATLAB 仿真不足以体现算法的可靠性、有效性,直接将其应用到系统中又会显著增加成本,因此开发了一套半实物仿真实验平台,在将算法应用到真实场景前验证算法。相对于 MATLAB 仿真,可以模拟真实工况的数据交互,流程控制等,进而验证算法的实用性;又可以避免不完整控制算法运用于实际工程时导致设备损坏,造成经济损失的严重后果;还可以节省控制算法开发成本,缩短开发周期,保证算法的可靠性、稳定性。因此将算法通过半实物仿真平台验证更能进一步说明算法的有效性,图 7 为半实物仿真平台实物图。其主要设备参数如表 3 所示。表 3 半实物仿真实验平台主要设备参数主要设备规格型号功能模拟器Osimulator应用平台PLCS7-1200控制器工控机PowerEdgeT40计算核心仿真机Osimulator模拟实况采集器Osimulator采集数据 所用半实物仿真实验平台结构原理图如图 8 所示,包含实物模块和半实物模块等。半实物模块包括VAV 系统模型、模拟平台等,实物模块包括工控机、PLC 控制器和采集器等。其中的模拟对象动态特性是商用实时仿真机(Osimulator 仿真机),其通过考虑图 7 奥普拓仿真机实物图实时仿真提升准确性,目前已结合宁德时代中央空调智能化改造项目等实际数据验证了模拟的准确性23,且仿真器的内置模型在相关项目中得以应用。此外,控制系统中 PLC、数据采集器等部分全部采用与实际系统相同的实物,进一步保证了控制系统端数据交互的真实性。图 8 半实物仿真实验平台示意图采用半实物仿真平台对 VAV 系统进行在线测试,测试主要过程为:模型建立及参数设定、OPC 通讯协议的建立与连接、系统的在线测试等。同时建立模型组,其输入量为:冷冻水泵频率(u1)、冷却水泵频率(u2);输出量为:冷却水回水温度(y1)、冷却水出水温度(y2)。半实物仿真试验台中的输出信号采集和控制信号的更新均为实时仿真,严格按照采样时间进行。为了验证通过 ISSA 进行参数整定之后系统的鲁棒性,考虑幅值为 0.2 的高斯白噪声,同时在第 250 s处对系统输出进行幅值为6 的脉冲扰动。图9 为具体的测试结果。由图 9 可以看出,系统输出在高斯白噪声和脉冲响应的影响下,仍能够追踪上设定值,表明系统鲁棒性较好。由于半实物仿真台模拟了真实工况下的数据传输过程,会受到数据传输、通讯延时以及 PLC 等521 仪 表 技 术 与 传 感 器第 1 期设备精度的影响,而这些误差可能是随机且难以避免,因此其测试结果和 MATLAB 仿真相比稍有误差,但最终仍能够平稳地追踪到设定数值,更进一步验证了系统的可靠性和鲁棒性。利用半实物仿真台的优点,更加体现算法的可靠性,进一步说明改进的麻雀搜索算法在 VAV 空调系统中可以达到满意的效果。图 9 半实物仿真台测试结果图4 结论本文提出通过 ISSA 算法对 GPC 控制器进行参数整定,即通过整定预测时域 Np、控制时域 Nu、控制量变化量的加权系数 以及柔化因子,进一步提高控制器性能。其主要结论如下:1)提出种群非线性增减的 ISSA 算法以解决 SSA在适应度函数复杂时存在收敛周期长的问题,相较于SSA,ISSA 的收敛时间可以减少 18.61%;2)引入事件触发机制以避免 ISSA 算法陷入局部最优,仿真结果显示可以取得较好效果;3)相比于单纯的 MATLAB 仿真,文中开发的半实物仿真平台可以更加贴合实际地验证 MPC 或 GPC 等先进算法,并验证算法的可靠性与鲁棒性。参考文献:1 施乐.集中供冷型中央空调系统管理与控制研究D.广州:广州大学,2015.2 CLARKE D W,MOHTADI C.Properties of generalized pre-dictive controlJ.Automatica,1989,25(6):859-875.3 张丹.基于广义预测控制的 VAV 空调系统风管静压控制特性研究J.工业控制计算机,2012,25(6):50-53.4 白燕,任庆昌.集中空调送风静压系统建模与广义预测控制J.西北大学学报(自然科学版),2016,46(4):512-518.5 白建波,王孟,苗国厂,等.基于广义预测控制算法的表冷器出风温度控制J.制冷与空调,2015(1):78-82.6 刘晓梅,屈宝存,王婷婷,等.变风量空调系统送风管道静态压力的预测控制与仿真J.安徽工业大学学报,2010,27(2):175-179.7陈亚文,刘丕亮.步进梁式加热炉温度控制器的优化J.自动化应用,2021(12):14-16;20.8 李子惟,苏刚,张研,等.基于 GPC 的燃气热泵空调控制技术研究J.天津城建大学学报,2022,28(1):54-58.9 杨湘,程明.基于粒子群算法进行参数自我调整的广义预测控制算法在汽包液位控制中的应用J.计算机测量与控制,2014,22(9):2937-2940.10 张悦,何同祥.基于蚁群算法的改进广义预测控制及参数优化J.仪器仪表用户,2021,28(9):27-29.11 李胜凯,汪思源,高智铮,等.基于改进蝗虫优化的换热站隐式预测控制J.工业控制计算机,2021,34(12):82-85.12 IBRAHEM M A,AKHRIF O,MOUSTAPHA H,et al.Non-linear generalized predictive controller based on ensemble of NARX models for industrial gas turbine engine J.Energy,2021,230:120700.13 MOUHOU A,BADRI A,BALLOUK A.Adaptive generalized predictive control of fractional order thermal aluminum rodJ.International Journal of Control,Automation and Sys-tems,2022,20(5):1582-1592.14赵巧静,边敦新,陈羽,等.基于改进麻雀搜索算法的MPPT 方法J.电源技术,2021,45(7):911-914.15 吕鑫,慕晓冬,张钧.基于改进麻雀搜索算法的多阈值图像分割J.系统工程与电子技术,2021,42(2):318-327.16 欧阳城添,朱东林,邱亚娴.融合聚类算法的改进麻雀搜索算法J.计算机仿真,2022,39(12):392-397.17 葛唱,钱素琴.改进麻雀搜索算法的无人车路径规划J.导航定位学报,2022,10(6):107-111.18 王建玉,任庆昌.变风量空调系统的模型预测控制及仿真研究J.系统仿真学报,2008(16):4446-4450.19 蒋闻.预测控制器设定值柔化因子的在线调整D.上海:上海交通大学,2009.20 XUE J K,SHEN B.A novel swarm intelligence optimization approach:Sparrow search algorithmJ.Systems Science&Control Engineering,2020,8(1):22-34.21 寇斌,郭士杰,任东城.改进粒子群算法的工业机器人几何参数标定J.哈尔滨工业大学学报,2022,54(1):9-13.22 褚丹雷,刘浩,潘才保,等.基于多变量控制的 APC 智控系统在工业厂房空调的应用C/第八届中国制冷空调行业信息大会论文集.北京:中国制冷空调工业协会,2016:128-131.23 褚丹雷.宁德时代中央空调智能化改造项目等实例EB/OL.2023-06-20.http:/ 郝文斌(1999),硕士研究生,主要研究领域为广义预测控制、系统仿真以及参数整定。E-mail:haowenbin 621