基于人工智能的电气智能控制技术研究

[摘 要]人工智能技术在电气智能控制中有广大的发展空间，能有效促进电电气智能控制技术的发展及应用。本文主要分析了人工智能控制技术的优势及其相应的控制方法、优化算法等，并以基于遗传算法的电机控制系统的PID参数优化为例，对人工智能技术提高电气控制技术进行了实例论证。研究结果表明：人工智能技术能够提高电气智能控制水平。

[关键词]人工智能；电气工程；智能控制；遗传算法

中图分类号：S258 文献标识码：A 文章编号：1009-914X（2015）16-0344-01

引言

近年来，人工智能在电气智能控制方面应用已经越来越广泛、深入[1]。例如：基于人工智能的故障的诊断和预测、电气产品设计优化和保护与控制等领域。电气产品的设计随着计算机技术的发展，逐渐由手工设计向计算机辅助设计不断转变，，尤其是在引进了人工智能技术之后，大大提高了设计产品的质量和效率[2]。人工智能技术在电气设计方面的应用主要包括专家系统和遗传算法。其中的遗传算法是一种优化的先进算法，在产品的设计优化上有举足轻重的作用[3]。因此电气产品的人工智能化设计很多都采用了这种方式进行优化。

本文中，主要以遗传算法在电气智能化控制领域的应用为例，分析基于人工智能的电气智能控制技术。

1 人工智能控制器的优势

人工智能控制的主要优势[4]在于：（1）它们的设计不需要控制对象的模型；（2）通过适当调整（根据响应时间、下降时间、鲁棒性能等）它们能提高性能；（3）比古典控制器的调节容易；（4）在没有必须专家知识时，通过响应数据也能设计它们；（5）运用语言和响应信息可能设计它们；（6）它们对新数据或新信息具有很好的适应性。

2 人工智能控制技术的主要方法及优化算法

2.1 人工智能控制技术的主要方法

（1）模糊控制

模糊控制系统是以模糊数学、模糊语言形式的知识表示以及模糊逻辑的推理规则为理论基础，采用计算机控制技术构成的一种具有反馈通道的闭环结构的数字控制系统[5]。

（2）专家控制

专家控制是将专家系统的理论技术与控制理论技术相结合，仿效专家的经验，实现对系统控制的一种智能控制。专家控制可以灵活地选取控制率，灵活性高。通过专家规则，系统可以在非线性、大偏差的情况下可靠地工作，鲁棒性强[1]。

（3）神经网络控制

神经网络模拟人脑神经元的活动，利用神经元之间的联结与权值的分布来表示特定的信息，通过不断修正连接的权值进行自我学习，以逼近理论为依据进行神经网络建模，并以直接自校正控制、间接自校正控制、神经网络预测控制等方式实现智能控制[3]。

（4）集成智能控制

智能控制技术的集成包括两方面：一方面是将几种智能控制方法或机理融合在一起，构成高级混合智能控制系统；另一方面是将智能控制技术与传统控制理论结合，形成智能复合型控制器。

2.2 人工智能控制技术常用的优化算法

（1）遗传算法

遗传算法依照所选择的适配值函数，通过遗传中的复制、交叉及变异对个体进行筛选，使适配值高的个体被保留下来，组成新的群体，新群体既继承了上一代的信息，又优于上一代，这样周而复始，群体中个体适应度不断提高，直到满足一定的条件[7]。

（2）蚁群算法

蚁群算法是群体智能的典型实现，是一种基于种群寻优的启发式搜索算法。蚁群算法的基本思想：当一只蚂蚁在给定点进行路径选择时。被先行蚂蚁选择次数越多的路径。被选中的概率越大[6]。

3 电动机控制中的遗传算法PID参数优化

本文以直流电动机系统进行了仿真验证，使用了具有突出寻优能力和计算简单的遗传算法进行参数整定，并通过Matlab编程进行参数寻优，整定出的参数使性能指标达到最优。

（1）参数的确定及表示

首先确定参数范围，该范围一般是由用户给定的，然后由精度的要求，对其进行编码。选取二进制字串表示每一个参数，并建立与参数间的关系。再把二进制串连起来就组成一个长的二进制字串，该字串为遗传算法可以操作的对象。

（2）选取初始种群

因为需要编程来实现各过程，所以采用计算机随机产生初始种群。针对二进制编码而言，先产生0～1之间均匀分布的随机数，然后规定产生的随机数0～0.5之间代表0，0.5～1之间代表1。此外，考虑到计算的复杂程度来规定种群的大小。

（3）适应度函数的确定

在实际应用中会因系统中固有的饱和特性而导致系统不稳定，为了防止控制能量过大，在目标函数中加入控制量。因此为了使控制效果更好，本文给出了包含控制量、误差和上升时间作为约束条件的目标函数。因为适应度函数同目标函数相关，所以目标函数确定后，直接将其倒数作为适应度函数进行参数寻优。最优的控制参数也就是在满足约束条件下使最大时，所对应的控制器参数。

（4）优化步骤

下面就可以编程使用遗传算法对PID参数进行寻优。利用遗传算法优化Kp、Ki、Kd的具体步骤如下：

①确定每个参数的大致范围和编码长度，进行编码；

②随机产生n个个体构成初始种群P（0）；

③将种群中各个体解码成对应的参数值，用此参数求代价函数值J 及适应度函数值，；

④应用复制、交叉和变异算子对种群P（t）进行操作，产生下一代种群P（t+1）；

⑤重复步骤③和④，直至参数收敛或达到预定的指标。

试验的电机性能参数如下：

La电机电感0.24mH=0.00024H

Ra电机电阻2.32Ω

Cm电动机的转距常数23.2mN・m/A=0.0232N・m/A

Ce为电动势常数

Jm转子以及电动机转轴相连的负载总的转动惯量1.1×10-6kg・m2

Fm粘滞摩擦系数2.2×10-4kg・m2/s

根据被控电动机特性，建立电动机的连续传递函数模型为：

，。

遗传算法中使用的样本个数为30，参数Kp的取值范围为[0，20]，Ki 、Kd 的取值范围为[0，1]，取wl=0.999，w2=0.001，w3=100，w4=2.000。采用实数编码方式，经过100代进化，获得的优化参数如下：

简单遗传算法

Bestfi=0.1408

BestS=11.12200.03590.1276

Best_J=7.1034

改进遗传算法

Bestfi=0.1358

BestS=8.91780.03050.5474

Best_J=7.2538

代价函数J的优化过程和采用整定后的PID控制阶跃响应。

文章应用遗传算法对电机的PID控制器参数进行了优化设计，得到了优化的PID控制参数，从响应曲线可以看出，应用改进后的遗传算法电机响应速度加快，跟踪性良好，控制效果明显提高。

参考文献

[1] 牛红.浅谈电气自动化控制中的人工智能技术[J].世界家苑，2014，32（8）：43-46.

[2] 翟辉.浅谈人工智能在电气自动化控制中应用[J].科技创新导报，2009，27（12）：21-24.

[3] 陈洪峰.国内电气自动化发展状况与趋势[J].科技创新导报，2009，12（1）：1-4.