《Franklin Open》:Robustness evaluation of data-driven control models for enhancing dynamic stability and accuracy under external mechanical torque disturbances
编辑推荐:
该文提出一种数据驱动框架,利用机器学习(ML)算法作为快速替代预测器来整定分数阶PID(FOPID)控制器,以增强自动电压调节器(AVR)系统的性能。该框架离线采用部落智能进化优化(TIEO)算法为不同运行工况生成最优控制器参数,随后训练ML模型逼近这些优化参
该文提出一种数据驱动框架,利用机器学习(ML)算法作为快速替代预测器来整定分数阶PID(FOPID)控制器,以增强自动电压调节器(AVR)系统的性能。该框架离线采用部落智能进化优化(TIEO)算法为不同运行工况生成最优控制器参数,随后训练ML模型逼近这些优化参数,用于快速在线部署。该方法将控制理论与先进回归模型相结合,实现最优FOPID增益(KP、KI、KD)的自动化选择,同时分数阶阶次λ和μ保持恒定并作为输入特征。研究人员在不同运行场景下生成综合数据集,并训练极端梯度提升(XGBoost)、随机森林(RF)、支持向量机(SVM)和前馈神经网络(FFNN)等多种ML模型,以学习系统状态与控制器增益之间的潜在映射。通过MAE、RMSE、R2、偏度与峰度等多项统计指标评估性能。XGBoost模型在逼近TIEO优化参数方面持续优于其他机器学习技术,以最小误差和方差实现高预测精度。此外,研究人员通过不同扰动剖面下的时域仿真与特征值分析开展系统级验证。经XGBoost整定的控制器可缩短调节时间、减少超调量并保持极小的稳态误差,同时维持系统稳定性。特征值图证实所得闭环系统稳定,所有极点位于复平面左半平面,且与其他方法相比阻尼比更低,表明系统响应更具动态性但仍保持稳定。该框架不仅通过快速、准确地预测TIEO优化参数降低了对人工整定的需求,还确保在变化负荷条件下保持鲁棒控制性能。该方法展示了分数阶控制与集成机器学习相结合用于改善电力系统电压调节的潜力。研究结果证实,基于XGBoost的FOPID整定是现代AVR应用中一种可扩展、可适应且高效的解决方案,为其在实时智能控制环境中的部署开辟了途径。
研究背景与存在问题方面:现代电力系统正从简单线性网络向高动态、强耦合系统转变,大量接入可再生能源、分布式发电与微电网,使电压稳定性面临新的挑战。自动电压调节器(Automatic Voltage Regulator,AVR)是维持发电机端电压在设定范围内的关键部件,直接影响系统的暂态与稳态稳定性。传统PID或分数阶控制器虽然结构简单、易于实现,但参数固定,难以适应非线性、时变及外部机械转矩扰动等复杂工况。分数阶PID(Fractional-Order PID,FOPID)因增加积分阶次λ和微分阶次μ而具有更强灵活性,但最优参数辨识困难,尤其需要同时兼顾超调、调节时间与稳定裕度。机器学习(Machine Learning,ML)数据驱动方法为此提供了新途径,但直接在线的进化优化计算代价高,难以满足实时控制需求。因此,研究人员提出一种离线优化与在线预测相结合的数据驱动整定框架,以提升AVR在外部扰动下的动态稳定性与控制精度。
研究内容与结论方面:研究人员以部落智能进化优化(Tribal Intelligent Evolution Optimization,TIEO)为离线优化器,对1000组不同负荷工况下的FOPID增益(K
P、K
I、K
D)进行寻优,并将恒定的分数阶阶次λ和μ与系统参数一起作为输入特征。随后训练XGBoost、随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)和前馈神经网络(Feedforward Neural Network,FFNN)四种ML模型,逼近TIEO的优化映射。结果表明,XGBoost在预测精度、误差方差和泛化能力上均优于其他模型。在多种阶跃扰动场景下,XGBoost整定的FOPID控制器可获得最短调节时间、最小超调量和稳态误差,且闭环极点均位于复平面左半平面,系统稳定且响应更快速。该框架显著降低了人工整定依赖和在线计算负担,为现代AVR系统提供可扩展的智能控制方案。
主要技术方法方面:研究采用离线-在线结合的技术路线。利用拉丁超立方采样(Latin Hypercube Sampling,LHS)在典型同步发电机运行范围内改变端电压、有功功率、频率和惯量常数,结合标准电力系统模型生成1000组AVR工况数据;以积分时间乘绝对误差(Integral of Time-weighted Absolute Error,ITAE)为目标、兼顾最小阻尼比约束,采用TIEO离线寻优FOPID增益;将恒定的分数阶阶次λ、μ与工况参数作为输入,按80%/20%划分训练集/测试集并辅以5折交叉验证,训练XGBoost、RF、SVM、FFNN四个代理模型,其中XGBoost超参数由网格搜索确定;通过多时点阶跃扰动下的时域仿真与特征值分布进行系统级鲁棒性验证。
研究结果方面:
4.1 时域分析:不同测试案例下的AVR系统响应。研究人员在四种外部扰动场景下比较了无控制器、TIEO PID、XGBoost PID、RF PID、SVM PID、决策树PID和神经网络PID。四种场景分别为仅阶跃扰动、25 s时阶跃扰动、20 s与40 s两次阶跃扰动、15 s、25 s与35 s三次阶跃扰动,用以模拟外部机械转矩变化对端电压的影响。结果显示,无控制器时系统出现大幅振荡且难以稳定;XGBoost PID在所有场景中均表现出最快的稳定速度和最小的超调,例如在最复杂的三次扰动场景下,其调节时间为31.18 s、超调量仅为1.15%,优于其他控制器;TIEO PID与其接近,而SVM和神经网络控制器振荡较多、恢复较慢。
4.2 特征值与最小阻尼比分析。对四种扰动场景进行特征值分析发现,所有控制器对应的闭环系统特征值均位于左半平面,说明系统稳定但呈现欠阻尼振荡特性。XGBoost和TIEO的特征值最接近虚轴,阻尼比最低,表明其控制响应更快、动态性更强;SVM、决策树和神经网络等控制器阻尼比较高,响应较慢;无控制器时系统阻尼最高但振荡剧烈且不稳定。该结果从复平面角度验证了XGBoost整定在维持稳定裕度的同时提升了动态响应能力。
4.3 误差矩阵统计检验。基于全部测试案例,研究人员采用MAE、RMSE、R
2、偏度和峰度等指标比较四种ML模型对K
P、K
I、K
D的预测误差分布。XGBoost在所有增益上均取得最低MAE/RMSE和最高R
2,误差分布更紧凑且集中在零附近;RF次之;SVM和FFNN在K
I、K
D上误差大、R
2低,且偏度、峰度显示其误差分布存在明显拖尾和离群值,说明这两类模型泛化能力较弱。
讨论与结论方面:研究人员指出,XGBoost的作用并非独立寻优,而是作为高保真代理模型,学习从系统运行工况到TIEO优化参数的映射;TIEO离线生成标签,XGBoost在线毫秒级预测,二者的协同是框架的核心创新。相比RF、SVM和FFNN,XGBoost因其梯度提升与正则化机制,在近似精度和计算效率上均占优;统计检验进一步确认其误差分布更稳定。系统级验证说明,较低阻尼比并非稳定性恶化,而是反映更快的动态响应,只要闭环极点保持在左半平面即满足稳定性要求。
研究结论部分可翻译为:本研究提出一种基于机器学习的分数阶PID控制器参数快速预测方法,以机器学习模型作为计算密集型TIEO优化算法的快速替代。在XGBoost、RF、SVM与FFNN四种模型中,XGBoost展现出最优预测精度、泛化能力和计算效率,对K
P、K
I、K
D均获得最低预测误差和最高R
2。分数阶阶次λ=0.85、μ=0.90保持恒定并作为输入特征。偏度与峰度表明XGBoost的预测误差更紧凑、更对称且离群值少;系统级时域响应与特征值分析显示,XGBoost整定的控制器超调有界、调节时间短,闭环特征值位于左半平面,系统稳定且阻尼比最低,表明快速而可控的动态响应。该框架可扩展至实时或在线控制应用,为现代电网提供一种优于传统手动整定的鲁棒FOPID控制方案。