《Biomimetics》：Optimizing the Cascade Deep Neural Network Parameters Using an Egret Swarm Optimisation Algorithm: An Application to PID Tuning for the AVR with Shallow Controller
编辑推荐：
同步发电机的电压调节在工程领域仍然是一个重要且复杂的挑战，尤其是在负载变化条件下。尽管各种控制策略已应用于自动电压调节器（AVR）系统以管理同步发电机的端电压，比例-积分-微分（PID）控制器由于其简单性、可靠性和鲁棒结构，仍然是最基本且广泛使用的方法之一。整
同步发电机的电压调节在工程领域仍然是一个重要且复杂的挑战，尤其是在负载变化条件下。尽管各种控制策略已应用于自动电压调节器（AVR）系统以管理同步发电机的端电压，比例-积分-微分（PID）控制器由于其简单性、可靠性和鲁棒结构，仍然是最基本且广泛使用的方法之一。整定过程涉及确定PID控制器三个基本参数（即比例、积分和微分项的系数，KP、KI和KD）的最优值，这对于实现期望的控制器性能至关重要。虽然可以通过简单的试错法进行整定，但此类方法往往无法取得令人满意的结果。在本研究中，研究人员对一个真实物理实验装置中构建的1 kW独立同步发电机提供自动电压调节的PID控制器进行整定，采用了一种名为ESOA-CDNN的新型混合方法，该方法结合了鹭群优化算法（ESOA）和级联深度神经网络（CDNN）。ESOA用于优化CDNN的隐藏层神经元数量、权重和偏置。此外，由于PID控制器可以通过标准的可编程逻辑控制器（PLC）在提出的方法中轻松实现，控制系统中无需额外硬件。PID控制器整定通过四种不同方法进行：通过PLC整定、使用CDNN整定、使用粒子群优化算法优化的CDNN（PSO-CDNN）整定，以及提出的ESOA-CDNN方法。实验结果表明，使用ESOA-DNN方法整定的PID控制器在稳定时间和超调减小方面显著优于其他方法。在突然加载（0–500 W、0–1000 W和0–550 VA）和突然卸载（500–0 W、1000–0 W和550–0 VA）条件下的实验结果表明，使用ESOA-DNN方法整定的PID控制器在稳定时间和超调减小方面显著优于其他方法。
本论文解读围绕一项针对同步发电机自动电压调节器（AVR）系统中比例-积分-微分（PID）控制器整定的创新研究展开。研究背景方面，电压调节是电力系统维持电能质量的关键环节，同步发电机端电压的稳定控制面临非线性、时变参数等挑战。尽管PID控制器因其结构简单、可靠性高而被广泛采用，但其参数（KP、KI、KD）的整定仍是一个困难问题。传统方法如试错法、Ziegler–Nichols（ZN）和Cohen–Coon（CC）仅适用于线性化工作点，且易产生较大超调与长稳定时间。现有文献中大量研究依赖仿真模型，忽略实际硬件限制如励磁电压约束、传感器噪声、通信延迟等，缺乏对真实物理系统的验证。因此，研究人员开展本研究，旨在提出一种基于实际实验平台的PID整定方法，利用级联深度神经网络（CDNN）和鹭群优化算法（ESOA）优化控制器参数，以提升电压调节性能。该研究结论表明，提出的ESOA-CDNN方法在稳定时间和超调减小方面显著优于传统PLC整定、单独CDNN以及粒子群优化（PSO）优化的CDNN方法，具有重要的工程应用价值。论文发表在《Biomimetics》。
在关键技术方法方面，研究人员主要采用以下方法：首先，构建一个包含1 kW刷式同步发电机、S7-1200 PLC、SM1234模拟量输入/输出模块及SM1238电能表模块的物理实验平台，通过PLC实现PID控制。其次，利用级联深度神经网络（CDNN）建立输入（误差e、负载变化ΔP、功率因数pf、稳定时间st）与输出（KP、KI、KD）的映射关系，网络结构通过试错法确定为两层各20个神经元。第三，引入鹭群优化算法（ESOA）优化CDNN的隐藏层神经元数量（最终确定为6和16）以及初始权重和偏置（范围[-1,1]），再结合Levenberg–Marquardt（LM）算法进行微调。此外，还使用粒子群优化（PSO）进行对比，其隐藏层配置为40和30个神经元。所有实验数据均来自同一物理实验台，包括7×768个样本，按70%训练、15%验证、15%测试划分。
研究结果部分分为多个小标题，每个通过具体实验得出对比结论：
- **Loading experiment: 0–500 W (Figure 14)**: 在突然加载500 W电阻负载时，PLC-PID、CDNN-PID、PSO-CDNN PID和ESOA-CDNN PID控制器的最小电压分别为200.1 V、201.7 V、206.6 V和215.9 V，对应最大欠调分别为19.9 V、18.3 V、13.4 V和4.1 V；稳定时间分别为7 s、4 s、4 s和3 s。ESOA-CDNN表现最优。
- **Unloading experiment: 500–0 W (Figure 15)**: 在突然卸载时，最大电压分别为241.9 V、233.6 V、229.2 V和225.1 V，最大超调分别为21.9 V、13.6 V、9.2 V和5.1 V；稳定时间分别为8 s、6 s、5 s和4 s。ESOA-CDNN超调和稳定时间最小。
- **Loading experiment: 0–1000 W (Figure 16)**: 100%负载突然加载时，最小电压分别为135.5 V、200.8 V、202.8 V和213.1 V，最大欠调分别为84.5 V、19.2 V、17.2 V和6.9 V；稳定时间分别为10 s、5 s、4 s和3 s。ESOA-CDNN显著优于其他。
- **Unloading experiment: 1000–0 W (Figure 17)**: 卸载时，最大电压分别为276.7 V、258.6 V、252.4 V和227.5 V，最大超调分别为56.7 V、37.4 V、32.4 V和7.5 V；稳定时间分别为12 s、6 s、6 s和5 s。ESOA-CDNN再次领先。
- **Loading experiment: 0–550 VA (Figure 18)**: 感性负载突然加载时，最小电压分别为166.1 V、208.6 V、209.7 V和214.3 V，欠调分别为53.9 V、11.4 V、10.3 V和5.7 V；稳定时间分别为8 s、4 s、3 s和2 s。
- **Unloading experiment: 550–0 VA (Figure 19)**: 卸载时，最大电压分别为256.3 V、237.5 V、232.3 V和227.1 V，超调分别为36.3 V、17.5 V、12.3 V和7.1 V；稳定时间分别为7 s、5 s、5 s和4 s。所有实验均无稳态误差，且重复七次结果以均值±标准差呈现。
讨论部分指出，ESOA-CDNN方法在欠调、超调和稳定时间上全面优于其他方法。研究人员强调，实验中的负载突变（50%、100%电阻负载和55%感性负载）属于苛刻条件，实际系统中负载变化通常更平缓；在较小负载变化（如10%-20%）下，所有方法均能在约1秒内达到参考值。结论部分翻译如下：在本研究中，研究人员开发了一种新颖的ESOA-DNN PID算法，用于独立同步发电机自动电压调节器（AVR）系统中PID控制器的整定，并在实际工业硬件上验证了其性能。所提算法有效优化了CDNN参数。实验结果表明，与通过传统PLC整定的PID控制器相比，所提模型显著减小了稳定时间和超调，同时在多变负载条件下确保了鲁棒稳定的电压调节。在0–1000 W加载实验中，PLC、CDNN、PSO-CDNN和ESOA-CDNN整定方法的稳定时间分别为10 s、5 s、4 s和3 s，最大欠调分别为84.5 V（38.4%）、19.2 V（8.72%）、17.2 V（7.81%）和6.9 V（3.13%）。这突出了该算法在工业和学术应用中的实际适用性和理论相关性。系统的实时控制和监控通过S7-1200 PLC结合TIA Portal V17软件环境实现。本研究证明，所提元启发式算法可以有效地部署在浅层工业控制器平台（如PLC）上。在不同负载条件下，获得了非线性AVR系统PID增益KP、KI和KD的最优值。未来工作将研究所提框架相对于其他基于机器学习的回归模型的性能，并在相同基准数据集和硬件设置下将ESOA-CDNN与最新的先进AVR方法进行比较。
