太阳能集热器测试系统的模糊预测控制

张梦旭， 成家宝， 韩　翔， 吴　杰

(湖北工业大学机械工程学院， 湖北 武汉 430068)



太阳能集热器测试系统的模糊预测控制

张梦旭， 成家宝， 韩翔， 吴杰

(湖北工业大学机械工程学院， 湖北 武汉 430068)

[摘要]针对太阳能集热器热性能测试系统中基于PID控制算法的不足，提出一种模糊预测控制算法。首先将模糊控制与预测控制结合起来，然后将其共同应用于实际系统的调节，最后运用SIMULINK建立基于PID算法的仿真模型以及基于模糊预测控制算法的仿真模型。仿真结果证明，模糊预测控制方法使温控具有较强的鲁棒性与较快的响应速度，大大提高了系统的检测效率。

[关键词]集热器； SIMULINK； 模糊预测控制； PID

随着太阳能热利用产品在世界各地迅速发展，太阳能集热器的热性能如何实现高效、精确、稳定的检测成为热点问题。1996年，WuZhiQiao[1]等人构建了基于确定性模糊模型的模糊PID控制器，这种控制器的输出不是模糊集合而是用某个函数所表示的控制量。2002年李江[2]提出了一种新的神经-模糊控制算法，该控制规则的结论部分采用线性ARX模型，训练方法结合最小二乘法与BP算法。将此神经-模糊控制算法与广义预测算法结合，形成一种神经-模糊控制预测方法，2009孙乐文[3]提出了一种新的模糊预测控制算法，既具备了模糊与预测控制的优点，同时又克服了其缺点，达到了较好的控制效果。本文方案将模糊控制与预测控制结合，并运用SIMULINK建立基于PID算法的仿真模型以及基于模糊预测控制算法的仿真模型。

1系统控制模型

流动式太阳能集热器热性能测试系统是将整个测控系统集成于车内，以实现流动式检测目的。其中最为重要的是温度测控系统，温控系统的精度以及测量的准确度都将直接影响测试结果的可靠性与准确性。图1为二次温度控制系统原理图。

图 1　温度控制系统原理图

模糊预测的控制算法，是将模糊控制与预测控制技术结合起来，共同应用于实际的调节当中，两者相辅相成。控制系统的流程图如图2所示。

图 2　模糊预测控制流程图

2模糊预测控制算法设计

模糊控制的品质很大程度上取决于控制规则及隶属度的确定，控制规则是核心，一般用IF a THEN b的表达形式，条件a可以是多个条件逻辑组织[4]；由于预测控制的核心不仅注意过去及现在的目标值，而且注意将来的目标值，使受控量和目标量的偏差尽可能小，从而提高系统的控制性能[5]，因此将二者结合起来。模糊预测控制器结构图如图3所示。

图 3　模糊预测控制器结构图

2.1预测控制部分算法设计

预测控制的核心是根据温度控制系统的数学模型以及根据系统的输入和输出数据预测系统未来的输出值，将该输出值作为模糊控制器输入值。

在此刻k施加一个控制增量Δu(k)给系统，可得出在控制增量Δu(k)作用下的未来N个响应值：

(1)

(2)

对yp(k)进行移位，即可得到k+1时刻的初始预测值，用向量表示为：

(3)

2.2模糊控制部分算法设计

由于二次水箱温度控制系统在设计的时候用的是二维模糊控制器[6-8]。这里，将设定温度值和实测温度值偏差e和偏差的变化ec作为模糊控制器两个输入量，控制电压变化量u作为输出量。

e、ec、u都为连续变量，偏差e和偏差变化ec的基本论域分别为[-2℃，+2℃]和[ -1℃，+1℃]，输出变量u的基本论域为[-5，5]。设两个输入变量e和ec的模糊语言变量分别为E和EC，它们的模糊子集相同，并定义为：

E=EC={NB，NM， NS， ZE，PS，PM，PB}

即：E=EC={负大，负中，负小，零，正小，正中，正大}。有E与EC的离散论域均可分为7个等级，即：{-3，-2，-1，0，1，2，3}；再设输出变量u的模糊语言变量为U，其模糊子集用Z表示，定义为：

U=Z={ PB ，PM，PS， ZE， NS， NM， NB }

控制量变化语言值U的离散论域：{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。

根据定义计算出偏差e和偏差变化ec的量化因子[9]，分别为：ke=3/2=1.5,kec=3/1=3，控制量变化u的比例因子ku=5/6。

通过查阅相关资料以及根据测试系统的操作经验，总结出模糊控制规则表(表1)。

表1　模糊控制规则表

输入输出曲面见图4。

图 4　模糊规则输入输出曲面

3温控系统数学建模

二次温控系统采用的是一个大小为8.9 L、加热功率高达2 kW的水箱，水箱中添加了循环泵以使水温均匀，且二次水箱内部所获得的热量比水流动所损失的热量高好几个数量级[10-11]，因此作以下假设：1)二次水箱里的水温分布均匀；2)二次水箱隔热层使它不吸收外界热量；3)环境(风速等)对温控系统的影响忽略不计。

根据能量守恒定律，二次加热水箱加热电阻所产生的热量ΔQJ等于二次水箱内水积累吸收的热量与二次水箱自然散失热量ΔQS的总和，即:

(4)

式中：QJ为电阻的加热量；QS为自然散热量；C为二次水箱热容量，T为水箱内水的温度；t为加热时间。

由于隔热层是不吸收外界热量的，那么ΔQS和ΔT存在线性关系，即

(5)

将式(5)带入式(4)中，并进行拉普拉斯变换得：

(6)

G(S)=K2/1+K2S

(7)

由于温度传感器具有滞后性，整理加入滞后环节，传递函数为：

(8)

4系统仿真及结果分析

为验证和实现模糊预测控制的先进性与良好的控制效果，分别对两种控制算法进行仿真，仿真结果如图5所示。图中a所示为采用PID控制算法仿真结果，b所示为模糊预测控制算法仿真结果。

(a)PID控制算法仿真结果

(b)模糊预测控制算法仿真结果图 5　系统仿真结果

通过不同算法得到不同的控制输出波形图。对比两种曲线发现：采用PID的控制方法时，达到稳定值后响应曲线会出现过冲，且在到达稳定值前会出现波动；而采用模糊预测控制方法时，响应曲线几乎是没有出现过冲，而且达到稳定值的时间明显少于PID控制，一旦达到稳态后就基本不会出现波动，控制效果更加稳定可靠，因此，仿真结果充分验证了模糊预测控制相比于PID控制的优越性。

(a)PID控制算法仿真结果

(b)模糊预测控制算法仿真结果图 6　系统仿真结果

由图6a可见，当惯性时间t增加后，在PID算法下的响应曲线超调量增加，而且震荡更加频繁，大大延长了达到稳定值的时间；由图6b可见，当惯性时间t发生改变时，基于模糊预测控制算法的响应曲线基本上变换不大，都能快速达到稳态，且能准确、稳定跟踪稳定值。

通过分析各个参数下的仿真结果，发现基于模糊预测控制的系统比基于PID控制的系统对于温度有更优效果，前者能够更加快速、准确地达到稳态，且能更精确地跟踪期望值。仿真结果证实，模糊预测控制算法在流动式太阳能集热器热性能测试系统中的应用是可行的。

5结束语

温度具有时间滞后、时变性、惯性等特点。流动式太阳能热利用产品热性能测试系统中采用PID算法对温度进行控制，然而在实际试验中，虽然其可以将温度控制在规定范围内，但耗时漫长。为了使温控系统能够准确、高效地进入稳态，本文分析了二次温控系统的特点，提出一种基于模糊预测控制算法的控制策略，并成功设计了温度模糊预测控制器。最后应用SIMULINK对PID控制算法和模糊预测控制进行仿真分析，通过仿真结果比较，模糊预测控制器的优越性得到验证。

[参考文献]

[1]WuZhiQiao,MasaharuMizumoto.PIDtypefuzzyandparametersadaptivemethod[J].FuzzySetsandSystems, 1996(78):23-35.

[2]LiJiang.Neural-fuzzypredictivecontrolalgorithmanditsapplication[J].JournalofZhejiangUniversity,2002,36(2):123-126

[3]孙乐文. 基于T-S模型的模糊预测控制在线优化算法研究[D]. 青岛:中国石油大学, 2009.

[4]GuoChang.Newapplicationoffuzzycontrolalgorithminvariablefrequencyspeedregulation[J].ElectricMachines&ControlApplication, 2011,38(8)19-22.

[5]ZhangWenhui.TheAnalysisofFuzzycontrol[J].JournalofYiliEducationCollege,2002,15(4): 100-102.

[6]ShenKai,LuJidong.Anadaptivefuzzyapproachfortheincinerationtemperaturecontrolprocess[J].Fue1, 2005(84):1144-1150.

[7]宫周炜. 基于PLC的双循环水温模糊解耦控制[D]. 西安：西安理工大学, 2010.

[8]YuJunqi.Fuzzy-predictioncontrolforoverflowdensityinmilling-classifieroperationsystem[J].WorldCongressonIntelligentControlandAutomation,2002:1911-1914

[9]王川川，赵锦成，齐晓慧.模糊控制器设计中量化因子、比例因子的选择[J].四川兵工学报,2009,30(2):61-63

[10] 王明东，苏文霞.并联型模糊PID复合控制器的SIMULINK建模与仿真[J].郑州大学学报,2006,27(1):79-81.

[11] 李颖冲，陈小强，王思明，等.基于模糊自适应PID的陶瓷窑炉温度控制系统仿真[J].中国陶瓷,2009,45(7):51-54

[责任编校： 张众]

A Fuzzy Predictive Control Technology for Solar Collector Test System

ZHANG Mengxu，CHENG Jiabao，HAN Xiang，WU Jie

(SchoolofMechanicalEngin.,HubeiUniv.ofTech.,Wuhan430068,China)

Abstract：At present, the solar collectorthermal performance testing system based on PID control algorithm has its defect. To offset it, a fuzzy predictive control algorithm was proposed in the paper. Firstly, the fuzzy control and predictive control were combined to adjust the actual system. Secondly, SIMULINK software was applied to establish a PID algorithm for the simulation model and a control algorithm based on fuzzy prediction. The simulation shows that the fuzzy predictive control method makes the temperature control to have strong stability and quick response speed, and can improve the detection efficiency of the system.

Keywords：solar collector; SIMULINK; fuzzy predictive control; PID

[中图分类号]TH18

[文献标识码]：A

[文章编号]1003-4684(2016)01-0018-04

[作者简介]张梦旭(1994-)， 男， 江西都昌人，湖北工业大学本科生,研究方向为精密仪器及机械

[基金项目]科技部公益性行业科研专题项目(2008424349)

[收稿日期]2015-06-29