模糊PID控制方法和装置及系统技术领域
本发明涉及控制领域，具体而言，涉及一种模糊PID控制方法和装置及系统。
背景技术
模糊PID控制方法是控制科学中的经典控制方法，模糊PID控制方法通过模糊PID
控制器对被控量进行控制，模糊PID控制器的输入量为被控量与目标量的差值，模糊
PID控制器通过输入量的变化对模糊PID控制器的控制参数进行调整，达到使模糊PID
控制器的被控量跟随目标量的目的。但是，现有的模糊PID控制方法仍存在一定的弊
端，对大滞后的被控量的控制性能较差。
例如，在对大滞后的火力发电厂机组主蒸汽温度和压力进行控制时，存在响应时
间较长、超调量过大、稳态误差较大等缺点。火力发电厂是通过燃烧产生电能的工厂，
燃料在燃烧时加热水生成蒸汽，蒸汽通过压力推动汽轮机旋转，汽轮机带动发电机旋
转产生电能，实现燃料的化学能—热能—机械能—电能的转换过程。火力发电厂通过
火电机组主蒸汽温度压力控制系统对火电机组蒸汽的温度和压力进行控制。
锅炉汽包出口的饱和蒸汽经由过热器与炉膛的高温烟气进行热交换，最终加热为
汽轮发电机组所需的具有合格的温度压力品质的过热蒸汽，其中，过热器是指从汽包
出口到汽轮机入口前的蒸汽加热管道。大型锅炉的过热器工作于高温、高压的恶劣环
境中，尤其是锅炉过热器出口处的过热蒸汽在整个汽水行程中温度最高。对锅炉蒸汽
温度的控制品质是考核火电厂机组运行质量的首选评价指标之一，对火力发电机组的
安全经济生产有着重要的影响。如果主蒸汽温度过高，可能会使过热器管壁的金属强
度降低，损伤过热器管道的高温段，甚至可能会烧坏汽轮机高压缸设备，严重影响安
全；如果主蒸汽温度过低，经过汽轮机高压缸的过热蒸汽湿度增加，会腐蚀高压缸的
叶片，降低汽轮机的输出功率。一般说来，大型火电机组对蒸汽温度的暂时偏差要求
为设定值±10℃以内，长期偏差要求为±5℃以内，这对火电厂机组主蒸汽温度控制系
统的要求相当高。由于锅炉炉膛内燃烧工况的扰动，如风量扰动、燃料量扰动等，造
成沿着过热器整个管道的烟气传热量几乎同时变化，所以过热器出口主蒸汽温度的动
态特性反应较快，其特征时间和特征滞后时间均比其它扰动小。因此，在工业生产过
程中，主蒸汽温度控制系统需满足克服各种干扰的能力，使主蒸汽温度在允许的范围
内变动，以保证过热器温度不超过允许值。但是主蒸汽温度控制系统的本质是利用一
个动态特性反应较缓慢的减温水扰动来克服动态特性反应较快的过热器吸热扰动，这
是锅炉蒸汽温度品质通常难以达到较高品质的根本原因。
锅炉蒸汽压力作为表征锅炉运行状态的重要参数，不仅直接关系到锅炉设备的安
全运行，而且其稳定状况反映了燃烧过程中能量的供求关系，主蒸汽压力与机组的发
电功率。通常采用协调控制锅炉跟随方式(Coordinated Control of Boiler Following
Mode，简称CCBF)或协调控制汽轮机跟随方式(Coordinated Control of Steam Turbine
Following Mode，简称CCTF)两种方式对机组主蒸汽压力进行控制。
由于火电厂中机组复杂度增加，主蒸汽温度控制系统的不确定性，非线性，大惯
性，大时延的特征更加突出，常规的PID控制已经难以满足主蒸汽温度控制系统对控
制品质的要求。
而蒸汽压力控制系统具有时变、大滞后等特点，常规的PID算法由于每次输出均
与过去的状态有关，计算时要对误差进行累加，会导致计算输出的控制量大幅度变化
而引起执行机构的大幅度变化，这种情况在实际生产过程中是不允许的。
针对相关技术中的模糊PID控制方法的控制性能较差的问题，目前尚未提出有效
的解决方案。
发明内容
本发明的主要目的在于提供一种模糊PID控制方法和装置及系统，以解决相关技
术中的模糊PID控制方法的控制性能较差的问题。
为了实现上述目的，根据本发明的一个方面，提供了一种模糊PID控制方法。该
方法包括：通过第一预设算法计算PID控制参数；通过第二预设算法计算模糊算法参
数，其中，模糊算法参数用于计算模糊控制参数，其中，第一预设算法和/或第二预设
算法为单变量分布估计算法；获取被控对象的输出量和目标量，其中，被控对象为模
糊PID控制器的控制对象，被控对象的目标量为被控对象预设的目标输出量；以及根
据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定被控对象的控制参
数；向被控对象输入确定的控制参数。
进一步地，第一预设算法为单变量分布估计算法，在通过第一预设算法计算PID
控制参数之前，该方法还包括：确定PID控制参数的初始染色体种群，其中，PID控
制参数的初始染色体种群包括多个染色体，多个染色体用于在通过预设解码算法进行
解码之后确定PID控制参数的初始值，通过第一预设算法计算PID控制参数包括：通
过适应度函数计算PID控制参数的初始染色体种群中各个染色体的适应度值；根据适
应度值的大小对PID控制参数的初始染色体种群中各个染色体进行排序；通过预设更
新算法更新在PID控制参数的初始染色体种群中排序在预设序号之后的染色体，得到
PID控制参数的优化染色体种群；判断是否满足停止单变量分布估计算法的条件；如
果判断出满足停止单变量分布估计算法的条件，通过预设解码算法对PID控制参数的
优化染色体种群进行解码，得到PID控制参数；以及如果判断出不满足停止单变量分
布估计算法的条件，将PID控制参数的优化染色体种群作为PID控制参数的初始染色
体种群，重新执行通过第一预设算法计算PID控制参数。
进一步地，第二预设算法为单变量分布估计算法，在通过第二预设算法计算模糊
算法参数之前，该方法还包括：确定模糊算法参数的初始染色体种群，其中，模糊算
法参数的初始染色体种群包括多个染色体，多个染色体用于在通过预设解码算法进行
解码之后确定模糊算法参数的初始值，通过第二预设算法计算模糊算法参数包括：通
过适应度函数计算模糊算法参数的初始染色体种群中各个染色体的适应度值；根据适
应度值的大小对模糊算法参数的初始染色体种群中各个染色体进行排序；通过预设更
新算法更新在模糊算法参数的初始染色体种群中排序在预设序号之后的染色体，得到
模糊算法参数的优化染色体种群；判断是否满足停止单变量分布估计算法的条件；如
果判断出满足停止单变量分布估计算法的条件，通过预设解码算法对模糊算法参数的
优化染色体种群进行解码，得到模糊算法参数；以及如果判断出不满足停止单变量分
布估计算法的条件，将模糊算法参数的优化染色体种群作为模糊算法参数的初始染色
体种群，重新执行通过第二预设算法计算模糊算法参数。
进一步地，在通过适应度函数计算模糊算法参数的初始染色体种群中各个染色体
的适应度值之后，该方法还包括：更新模糊算法参数的历史最优染色体种群中的染色
体，其中，模糊算法参数的历史最优染色体种群中的各个染色体的值为模糊算法参数
的初始染色体种群中各个染色体的历史记录中适应度值最大的值，确定模糊算法参数
的初始染色体种群包括：根据模糊算法参数的历史最优染色体种群确定模糊算法参数
的初始染色体种群。
进一步地，在根据被控对象的输出量和目标量、PID控制参数和模糊算法参数向
被控对象输入总控制量之前，该方法还包括：通过模糊规则系统生成模糊规则库，其
中，模糊规则系统用于生成模糊规则库，模糊规则库包括多个模糊规则，模糊规则库
用于根据被控对象的输出量和目标量确定对应的模糊规则，对应的模糊规则用于确定
模糊控制参数的模糊量，模糊控制参数的模糊量用于根据模糊算法参数计算模糊控制
参数。
进一步地，获取被控对象的输出量和目标量包括：获取主蒸汽参数采样值，其中，
主蒸汽参数采样值是对主蒸汽参数进行采样得到的采样值，其中，主蒸汽参数是锅炉
的主蒸汽的温度参数或压力参数，主蒸汽参数是被控对象，主蒸汽参数采样值是被控
对象的输出量；以及获取主蒸汽参数设定值，其中，主蒸汽参数设定值为被控对象的
目标量。
进一步地，根据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定
被控对象的控制参数包括：根据被控对象的输出量和目标量和模糊算法参数计算模糊
控制参数；根据被控对象的输出量和目标量和模糊控制参数确定被控对象的模糊控制
参数；根据被控对象的输出量和目标量和PID控制参数确定被控对象的PID控制参数；
以及将确定的模糊控制参数和PID控制参数相加，得到被控对象的控制参数。
进一步地，在通过第一预设算法计算PID控制参数之前，该方法还包括：获取被
控对象的传递函数；确定PID控制参数的初始值，在通过第二预设算法计算模糊算法
参数之前，该方法还包括：确定模糊算法参数的初始值，通过第一预设算法计算PID
控制参数包括：通过第一评价算法计算PID控制参数的初始值对被控对象的传递函数
的控制指标；通过第一优化算法对PID控制参数的初始值进行优化，得到PID控制参
数，通过第二预设算法计算模糊算法参数包括：通过第二评价算法计算模糊算法参数
的初始值对被控对象的传递函数的控制指标；通过第二优化算法对模糊算法参数的初
始值进行优化，得到模糊算法参数。
为了实现上述目的，根据本发明的一个方面，提供了一种模糊PID控制装置。该
装置包括：第一计算单元，用于通过第一预设算法计算PID控制参数；第二计算单元，
用于通过第二预设算法计算模糊算法参数，其中，模糊算法参数用于计算模糊控制参
数，其中，第一预设算法和/或第二预设算法为单变量分布估计算法；获取单元，用于
获取被控对象的输出量和目标量，其中，被控对象为模糊PID控制器的控制对象，被
控对象的目标量为被控对象预设的目标输出量；确定单元，用于根据被控对象的输出
量和目标量、PID控制参数和模糊算法参数确定被控对象的控制参数；以及输入单元，
用于向被控对象输入确定的控制参数。
为了实现上述目的，根据本发明的一个方面，提供了一种锅炉主蒸汽温度和压力
的模糊PID控制系统。该系统包括本发明提供的模糊PID控制装置，用于向被控对象
输入确定的控制参数，其中，被控对象为锅炉的主蒸汽温度参数和压力参数，以及采
样器，用于采集被控对象的输出量。
本发明通过单变量分布估计算法计算PID控制参数和/或模糊算法参数，以对PID
控制器和模糊控制器的控制参数进行自整定优化，解决了相关技术中的模糊PID控制
方法的控制性能较差的问题，进而达到了提高模糊PID控制方法的控制性能的效果。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实
施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的模糊PID控制方法的流程图；
图2是根据本发明实施例的单变量分布估计算法的流程图；
图3是根据本发明实施例的模糊算法的流程图；
图4是根据本发明实施例的PID控制参数和模糊算法参数优化方法的流程图；
图5是根据PID控制方法的仿真控制结果示意图；
图6是根据常规的模糊PID控制方法的仿真控制结果示意图；
图7是根据本发明实施例的模糊PID控制方法的仿真控制结果示意图；
图8是根据本发明实施例的模糊PID控制装置的示意图；以及
图9是根据本发明实施例的模糊PID控制系统的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相
互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的
附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例
仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领
域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于
本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这
样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语
“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含
了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步
骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的
其它步骤或单元。
本发明的实施例提供了一种模糊PID控制方法。
图1是根据本发明实施例的模糊PID控制方法的流程图。如图1所示，该方法包
括以下步骤：
步骤S101，通过第一预设算法计算PID控制参数。
PID控制参数是PID控制器的系数，PID控制器是一种常用的控制器，根据被控
对象的给定输出与实际输出构成的偏差作为PID控制器的输入，将偏差分别通过比例
环节、积分环节和微分环节的线性组合构成控制器，根据PID控制器的输入输出控制
参数对被控对象进行控制。
PID控制器的输出用于输入被控对象，也即，输入PID控制器的控制对象，以使
被控对象根据该输入量相应的输出一个量，达到对被控对象的控制，其中，PID控制
器的输出为被控对象的PID控制参数。PID控制器的输入量是被控对象的输出量与目
标量的偏差值e，其中，目标量是预设的被控对象的输出的目标量。
PID控制器的连续数学模型如公式1所示，
公式1中，PIDout(t)为PID控制器的输出，e(t)是被控对象的实际输出与目标输
出的偏差，kp是比例系数，Ti是积分系数，Td是微分系数，由被控对象的特性决定，
其中，比例系数、积分系数和微分系数为PID控制器的系数，也即，PID控制参数。
在工程应用中，按照采样周期T对被控对象进行采样，则得到PID控制器的离散
数学模型如公式2所示，
公式2中，u0(k)是第k个采样时刻的PID控制器的输出，e(k)是第k个采样时刻
的被控对象的实际输出与目标输出的偏差，积分系数微分系数
PID控制参数是指PID控制器的数学模型的系数，例如，离散数学模型中的kp、
ki和kd。通过第一预设算法计算PID控制参数即是通过算法确定出PID控制器的数学
模型的系数，以控制被控对象输出的量。
在通过第一预设算法计算PID控制参数之前，还需要获取被控对象的传递函数。
通过第一预设算法计算PID控制参数可以是通过试验法，通过人工试验不同的PID控
制参数对被控对象的控制效果，根据被控对象的输出与目标输出的差值来人工调试
PID控制参数。
优选地，第一预设算法也可以是在通过第一预设算法计算PID控制参数之前，确
定PID控制参数的初始值，通过第一评价算法计算PID控制参数的初始值对被控对象
的传递函数的控制指标；通过第一优化算法对PID控制参数的初始值进行优化，得到
PID控制参数。
优选地，上述第一预设算法可以是单变量分布估计算法。通过单变量分布估计算
法确定一个数学模型中待定参数的取值的方法如图2所示，单变量分布估计算法包括：
步骤S1011，初始化染色体种群q(0)，q(0)是一个包含m个数值的矩阵，每个数
值称为染色体，每个染色体的取值为0或1。初始化时，优化次数t记为0。
步骤S1012，按照预设解码方式对染色体种群q(t)解码。解码过程可以简述为：q(t)
在解码之后对应n个参数，其中，第i个参数wi的取值范围是wi∈[0,1]，假设wi的染
色体是[q1 q2…qn]，则有wi'＝q1×20+q2×21+…+qn×2n-1，再将wi'映射到区间
[0,1]，有在步骤S1012之后，得到了待优化的数学模型。
步骤S1013，计算染色体种群q(t)中m个染色体的适应度值。根据待优化的数学
模型计算染色体种群q(t)中各个染色体的适应度值，适应度值是通过适应度函数计算
的值，用于评价各个染色体的适应度。
步骤S1014，选取适应度值最高的前r个染色体保留。在对m个染色体进行排序
之后，保留排序在前r的染色体，其中，r<m。
步骤S1015，用分布估计产生后m-r个染色体。对于排序在r之后的染色体，采用
分布估计算法重新生成m-r个染色体来替换排序在r之后的染色体。
步骤S1016，令优化次数t＝t+1，在步骤S1015之后产生的染色体种群为q(t)。
步骤S1017，判断t是否等于N，如果t等于N，结束优化过程，如果t不等于N，
返回步骤S1012。
在完成优化过程之后，单变量分布估计算法结束，得到了优化好的参数。
如果通过单变量分布估计算法计算PID控制参数，则在通过第一预设算法计算
PID控制参数之前，确定PID控制参数的初始染色体种群，其中，PID控制参数的初
始染色体种群包括多个染色体，多个染色体用于在通过预设解码算法进行解码之后确
定PID控制参数的初始值。
例如，PID控制参数包括kp、ki和kd三个参数，对应的染色体种群分别包括Np、
Ni和Nd位二进制码，染色体种群分别对应kp、ki和kd取值大小。
PID控制参数的初始染色体种群可以是通过随机算法产生的。在确定PID控制参
数的初始染色体种群之后，通过适应度函数计算PID控制参数的初始染色体种群中各
个染色体的适应度值；根据适应度值的大小对PID控制参数的初始染色体种群中各个
染色体进行排序；通过预设更新算法更新在PID控制参数的初始染色体种群中排序在
预设序号之后的染色体，得到PID控制参数的优化染色体种群。
在得到PID控制参数的优化染色体种群之后，判断是否满足停止单变量分布估计
算法的条件。判断条件可以是判断优化次数是否到达预设次数，也可以判断优化染色
体种群在通过预设解码算法解码之后得到的PID控制参数是否达到预设的控制指标，
其中，控制指标是指响应时间、超调量、稳态误差等对控制器的控制性能进行评价的
指标。
在判断是否满足停止单变量分布估计算法的条件之后，如果判断出满足停止单变
量分布估计算法的条件，通过预设解码算法对PID控制参数的优化染色体种群进行解
码，得到PID控制参数；如果判断出不满足停止单变量分布估计算法的条件，将PID
控制参数的优化染色体种群作为PID控制参数的初始染色体种群，重新执行通过第一
预设算法计算PID控制参数，并将优化次数累加一次。
步骤S102，通过第二预设算法计算模糊算法参数。
模糊算法参数用于计算模糊控制参数，计算模糊控制参数的方式为根据模糊算法
计算模糊控制参数。
模糊控制参数是模糊控制器的参数，是PID控制参数的增量，模糊控制器用于调
整PID控制器的系数。
模糊控制器的输入量是被控对象的输出量与目标量的偏差值e，模糊控制器的输
出用于输入被控对象，模糊控制器的输出为被控对象的模糊控制参数，被控对象同时
受PID控制器和模糊控制器的控制，接收模糊控制器输出的被控对象的控制参数和
PID控制器输出的被控对象的控制参数的总和。
模糊控制器的数学模型如公式3所示，
公式3中，u1(k)是第k个采样时刻的模糊控制器的输出，Δkp、Δki和Δkd是kp、
ki和kd的增量。通过第二预设算法计算模糊控制参数即是通过算法确定出模糊控制器
的数学模型的系数，以调整被控对象输出的量，其中，模糊控制参数可以是Δkp、Δki
和Δkd。
模糊算法是一种常用的算法，包括模糊化、模糊推理和反模糊化三个计算过程。
在确定出模糊算法参数之后，可以通过模糊算法计算出模糊控制参数。
模糊化过程是对模糊控制器的输入量进行模糊化得到输入量的模糊量的过程，模
糊化过程需要两个输入量，一个是被控对象的输出量与目标量的偏差值e，另一个是
被控对象的输出量与目标量的偏差的变化率ec。对于离散系统来说，ec是当前采样时
刻的被控对象的输出量与目标量的偏差值e(k)与当前时刻的上一时刻的被控对象的输
出量与目标量的偏差值e(k-1)的差值。
首先确定对两个输入量模糊化的目标，也即，将两个输入量定义到n个模糊子集
中，每个模糊子集用一个模糊语言值来表示。例如，分别将e和ec定义到7个模糊子
集{NB，NM，NS，ZO，PS，PM，PB}中，其中，NB，NM，NS，ZO，PS，PM和
PB为模糊语言值，分别表示负大，负中，负小，零，正小，正中，正大。将两个输入
量定义到n个模糊子集中是采用隶属度函数进行定义的，隶属度函数可以是均匀隶属
度函数(公式4)、三角形隶属度函数(公式5)或者高斯隶属度函数(公式6)。
其中，x是输入变量，a、b、c是不同隶属度函数的参数，通过调整参数可以改变
函数形状，以适应不同系统不同输入变量在不同值域时的控制要求。模糊算法参数可
以包括隶属度函数标识和/或隶属度函数参数。隶属度函数标识为隶属度函数的标识，
可以用数字代码来表示，例如，00表示均匀隶属度函数，01表示三角形隶属度函数，
10表示高斯隶属度函数。隶属度函数参数为隶属度函数的参数。
在将输入量模糊化之后，根据模糊算法的输入量的模糊量通过模糊推理过程推出
模糊控制参数的模糊量。模糊算法的输入量的模糊量为采用模糊语言值表示的模糊算
法的输入量，模糊控制参数的模糊量为采用模糊语言值表示的模糊控制参数，模糊控
制参数的模糊量可以在反模糊化过程之后求解出模糊控制参数，其中，反模糊化过程
需要用到隶属度函数和隶属度函数参数。
模糊推理过程为根据模糊规则库确定模糊控制参数的模糊量的过程。模糊规则库
包括多个模糊规则，模糊规则库用于根据模糊算法的输入量的模糊量确定对应的模糊
规则，对应的模糊规则用于确定模糊控制参数的模糊量。模糊规则库可以是通过模糊
规则系统生成的模糊规则库，模糊规则系统可以是一个专家系统，该专家系统用于生
成模糊规则。
举例而言，分别将e和ec定义到7个模糊子集{NB，NM，NS，ZO，PS，PM，
PB}中，其中，NB，NM，NS，ZO，PS，PM和PB分别表示负大，负中，负小，零，
正小，正中，正大，模糊规则库的二维控制表可以如表1所示。
表1模糊规则库的Δkp的二维控制表
表1为模糊控制参数Δkp的二维控制表，根据e和ec的模糊量可以找到对应的模
糊控制参数Δkp的模糊量。
表2模糊规则库的Δki的二维控制表
表2为模糊控制参数Δki的二维控制表，根据e和ec的模糊量可以找到对应的模
糊控制参数Δki的模糊量。
表3模糊规则库的Δkd的二维控制表
表3为模糊控制参数Δkd的二维控制表，根据e和ec的模糊量可以找到对应的模
糊控制参数Δkd的模糊量。
在确定模糊控制参数的模糊量之后，通过反模糊化过程求解除模糊控制参数。反
模糊化的过程如公式7所示，
式中，Δk表示任意一个模糊控制参数，G为该模糊控制参数对应的比例因子，G
等于模糊控制参数的范围与模糊子集的个数之比，wi为模糊控制参数的模糊量，μi为
wi在各个模糊子集中对应的隶属度函数值。
图3是根据本发明实施例的模糊算法的流程图，通过模糊算法求解模糊控制参数
的流程如图3所示。
步骤S1021为通过第二预设算法确定模糊算法参数，步骤S1022在步骤S1021之
后执行，步骤S1022为根据模糊算法参数对e和ec执行模糊化过程，得到e和ec的模
糊量，模糊算法参数可以包括隶属度函数标识和隶属度函数参数。步骤S1023为模糊
推理过程，具体地，根据e和ec的模糊量在模糊规则库中确定模糊控制参数的模糊量，
在确定模糊控制参数的模糊量之后，执行步骤S1024，解模糊化过程，根据模糊算法
参数求解模糊控制参数的模糊量，得到模糊控制参数。
在通过第二预设算法计算模糊算法参数之前，还需要获取被控对象的传递函数。
通过第二预设算法计算模糊算法参数可以是通过试验法，通过人工试验不同的模糊算
法参数计算出来的模糊控制参数对被控对象的控制效果，根据被控对象的输出与目标
输出的差值来人工调试模糊算法参数。
优选地，在通过第二预设算法计算模糊算法参数之前，确定模糊算法参数的初始
值，通过第二预设算法计算模糊算法参数包括：通过第二评价算法计算模糊算法参数
的初始值对被控对象的传递函数的控制指标；通过第二优化算法对模糊算法参数的初
始值进行优化，得到模糊算法参数。
在确定PID控制参数和模糊算法参数之后，PID控制参数和模糊算法参数不变，
PID控制器的数学模型的系数不变，模糊控制器的数学模型的系数根据模糊控制器的
输入量的变化而变化。
优选地，第二预设算法为单变量分布估计算法，在通过第二预设算法计算模糊算
法参数之前，确定模糊算法参数的初始染色体种群，其中，模糊算法参数的初始染色
体种群包括多个染色体，多个染色体用于在通过预设解码算法进行解码之后确定模糊
算法参数的初始值。
在确定模糊算法参数的初始染色体种群之后，通过适应度函数计算模糊算法参数
的初始染色体种群中各个染色体的适应度值；根据适应度值的大小对模糊算法参数的
初始染色体种群中各个染色体进行排序；通过预设更新算法更新在模糊算法参数的初
始染色体种群中排序在预设序号之后的染色体，得到模糊算法参数的优化染色体种群；
判断是否满足停止单变量分布估计算法的条件；如果判断出满足停止单变量分布估计
算法的条件，通过预设解码算法对模糊算法参数的优化染色体种群进行解码，得到模
糊算法参数；以及如果判断出不满足停止单变量分布估计算法的条件，将模糊算法参
数的优化染色体种群作为模糊算法参数的初始染色体种群，重新执行通过第二预设算
法计算模糊算法参数。
优选地，在通过适应度函数计算模糊算法参数的初始染色体种群中各个染色体的
适应度值之后，更新模糊算法参数的历史最优染色体种群中的染色体，其中，模糊算
法参数的历史最优染色体种群中的各个染色体的值为模糊算法参数的初始染色体种群
中各个染色体的历史记录中适应度值最大的值，确定模糊算法参数的初始染色体种群
包括：根据模糊算法参数的历史最优染色体种群确定模糊算法参数的初始染色体种群。
步骤S103，获取被控对象的输出量和目标量，其中，被控对象为模糊PID控制器
的控制对象，被控对象的目标量为被控对象预设的目标输出量。
优选地，获取被控对象的输出量和目标量可以是获取主蒸汽参数采样值，其中，
主蒸汽参数采样值是对主蒸汽参数进行采样得到的采样值，其中，主蒸汽参数是锅炉
的主蒸汽的温度参数或压力参数，主蒸汽参数是被控对象，主蒸汽参数采样值是被控
对象的输出量；以及获取主蒸汽参数设定值，其中，主蒸汽参数设定值为被控对象的
目标量。
步骤S104，根据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定
被控对象的控制参数。
优选地，根据被控对象的输出量和目标量、PID控制参数和模糊算法参数确定被
控对象的控制参数可以是根据被控对象的输出量和目标量和模糊算法参数计算模糊控
制参数；根据被控对象的输出量和目标量和模糊控制参数确定被控对象的模糊控制参
数；根据被控对象的输出量和目标量和PID控制参数确定被控对象的PID控制参数；
以及将确定的模糊控制参数和PID控制参数相加，得到被控对象的控制参数。
步骤S105，向被控对象输入确定的控制参数。
向被控对象输入确定的控制参数，确定的控制参数为确定的模糊控制参数和PID
控制参数的总和，确定的控制参数的值是模糊控制器和PID控制器分别根据被控对象
的目标量与输出量的偏差所输出的值的总和。
该实施例提供的模糊PID控制方法，通过第一预设算法计算PID控制参数；通过
第二预设算法计算模糊算法参数，其中，模糊算法参数用于计算模糊控制参数，其中，
第一预设算法和/或第二预设算法为单变量分布估计算法；获取被控对象的输出量和目
标量，其中，被控对象为模糊PID控制器的控制对象，被控对象的目标量为被控对象
预设的目标输出量；以及根据被控对象的输出量和目标量、PID控制参数和模糊算法
参数确定被控对象的控制参数；向被控对象输入确定的控制参数，解决了相关技术中
的模糊PID控制方法的控制性能较差的问题，进而达到了提高模糊PID控制方法的控
制性能的效果。
图4是根据本发明实施例的PID控制参数和模糊算法参数优化方法的流程图。通
过PID控制参数和模糊算法参数优化方法确定出PID控制参数和模糊算法参数之后，
可以根据被控对象的输出量与目标量的偏差对被控对象执行控制。
如图4所示，PID控制参数和模糊算法参数优化方法包括以下步骤：
步骤一，产生PID控制参数和模糊算法参数的染色体种群。染色体种群为一个矩
阵，包括多个染色体，每个染色体为一个数值。PID控制参数和模糊算法参数的染色
体种群中包括PID控制参数基因和模糊算法参数基因，其中，基因为染色体种群中的
染色体。
步骤二，将PID控制参数基因和模糊算法参数基因分别转换为基因显型，也即，
通过预设解码算法分别对PID控制参数基因和模糊算法参数基因进行解码，得到PID
控制参数和模糊算法参数。
步骤三，将PID控制参数和模糊算法参数分别赋值到PID控制模块和模糊控制模
块，得到参数确定的模糊PID控制系统。
步骤四，在步骤三之前，产生模拟信号。其中，模拟信号分为训练信号和测试信
号。训练信号用于作为PID控制器和模糊控制器的输入信号对PID控制参数和模糊算
法参数进行训练。
步骤五，在步骤三和步骤四之后，将训练信号输入到参数确定的模糊PID控制系
统，根据模糊PID控制系统对训练新号的响应对PID控制参数基因和模糊算法参数基
因进行适应度评估。
步骤六，判断是否满足终止条件。
步骤七，在步骤六之后，如果判断出不满足终止条件，更新概率分布向量，其中，
PID控制参数和模糊算法参数的染色体种群根据分布估计算法计算概率分布向量的结
果进行更新，以调整PID控制参数和模糊算法参数。
步骤八，在步骤六之后，如果判断出满足终止条件，则停止更新，得到调整好的
模糊PID控制系统。
步骤九，在步骤六之后，如果判断出满足终止条件，则更新最优染色体种群，其
中，最优染色体种群中的各个染色体的值是历史中适应度最高的染色体值。
步骤九，在步骤八之后，将测试信号输入调整好的模糊PID控制系统，对调整好
的模糊PID控制系统对测试信号的控制性能进行适应度评估。
以具有不确定性、非线性、大惯性、大时延特性的火电厂锅炉的主蒸汽温度作为
被控对象，被控对象的传递函数为对其进行仿真控制，输入
的测试信号为方波，采用不同的控制方法进行控制，得到结果如下：
图5是根据PID控制方法的仿真控制结果示意图。如图5所示，仅采用PID控制
时，虽然PID控制方法可以快速地进行响应，最终也能够稳定在目标值上，但是由此
带来了较显著的超调，并且震荡明显，延长了调整时间。
图6是根据常规的模糊PID控制方法的仿真控制结果示意图。常规的模糊PID控
制方法在PID控制的基础上叠加了模糊控制修正，如图6所示，常规的模糊PID控制
方法不仅快速地进行了响应，最终也能够稳定在目标值上，而且基本消除了超调量，
与仅采用PID控制相比明显缩短了调整时间，但是在模糊控制消除惯性的过程中带来
了一次明显的震荡。
图7是根据本发明实施例的模糊PID控制方法的仿真控制结果示意图。如图7所
示，采用单变量分布估计算法对PID控制参数和模糊算法参数进行自整定优化后，不
仅可以快速地进行响应，最终也能够稳定在目标值上，而且基本消除了超调量，与PID
控制方法和常规的模糊PID控制方法相比明显缩短了调整时间，并且也消除了模糊
PID控制方法在消除惯性的过程中带来的一次明显的震荡。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的
计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可
以以不同于此处的顺序执行所示出或描述的步骤。
本发明的实施例还提供了一种模糊PID控制装置。需要说明的是，本发明实施例
的模糊PID控制装置可以用于执行本发明的模糊PID控制方法。
图8是根据本发明实施例的模糊PID控制装置的示意图。如图8所示，该装置包
括第一计算单元10，第二计算单元20，获取单元30，确定单元40和输入单元50。
第一计算单元10用于通过第一预设算法计算PID控制参数。第二计算单元20用
于通过第二预设算法计算模糊算法参数，其中，模糊算法参数用于计算模糊控制参数，
其中，第一预设算法和/或第二预设算法为单变量分布估计算法。获取单元30用于获
取被控对象的输出量和目标量，其中，被控对象为模糊PID控制器的控制对象，被控
对象的目标量为被控对象预设的目标输出量。确定单元40用于根据被控对象的输出量
和目标量、PID控制参数和模糊算法参数确定被控对象的控制参数。输入单元50用于
向被控对象输入确定的控制参数。
该实施例提供的模糊PID控制装置解决了相关技术中的模糊PID控制方法的控制
性能较差的问题，进而达到了提高模糊PID控制方法的控制性能的效果。
本发明的实施例还提供了一种锅炉主蒸汽温度和压力的模糊PID控制系统。需要
说明的是，本发明实施例的锅炉主蒸汽温度和压力的模糊PID控制系统包括本发明实
施例的模糊PID控制装置，其中，被控对象为锅炉的主蒸汽温度参数和压力参数，用
于向被控对象输入确定的控制参数，该系统还包括采样器，用于采集被控对象的输出
量。
图9是根据本发明实施例的锅炉主蒸汽温度和压力的模糊PID控制系统的示意
图。如图9所示，该系统包括模糊PID控制装置100和采样器201。模糊PID控制装
置100包括数字PID控制模块101、模糊控制器102、后向差分器1021和单变量分布
估计优化模块103。
数字PID控制模块101为PID控制器，单变量分布估计优化模块103对数字PID
控制模块101的控制参数和计算模糊控制器102的控制参数的模糊算法参数进行自整
定优化，确定出数字PID控制模块101的控制参数和模糊算法参数。
采样器201采集被控对象200的输出量y(t)，与被控对象200的目标量r(t)相减，
得到被控对象200的输出量y(t)与目标量r(t)的偏差e(t)。被控对象200可以是锅炉的
主蒸汽温度参数和压力参数。
数字PID控制模块101对偏差e(t)进行处理得到被控对象的第一控制参数u0。
后向差分器1021对偏差e(t)进行处理，将当前采样时刻的偏差e(k)和上一采样时
刻的偏差e(k-1)相减得到偏差变化率ec，模糊控制器102根据模糊算法参数、偏差e(t)
和偏差e(k-1)得到被控对象的第二控制参数u1。
将第一控制参数u0和第二控制参数u1相加，得到被控对象的控制参数u，将控制
参数u输入被控对象200以实现对被控对象200的控制。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用
的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所
组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以
将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模
块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明
不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技
术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的
任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。