基于神經(jīng)網(wǎng)絡(luò)的發(fā)電機調(diào)速系統(tǒng)控制方法

龔喜文， 許 輝

(上海船舶運輸科學研究所 航運技術(shù)與安全國家重點實驗室，上海 200135)

基于神經(jīng)網(wǎng)絡(luò)的發(fā)電機調(diào)速系統(tǒng)控制方法

龔喜文， 許 輝

(上海船舶運輸科學研究所 航運技術(shù)與安全國家重點實驗室，上海 200135)

在目前實際的船舶電力系統(tǒng)中，同步發(fā)電機組的調(diào)速系統(tǒng)依舊采用傳統(tǒng)的比例-積分-微分(Proportion Integral Derivative,PID)控制策略，但由于同步發(fā)電機組具有較強的耦合性和非線性特點，常規(guī)的PID控制策略很難達到良好的效果。為改進PID控制策略的不足，提出小腦模型(Cerebellar Modal Articulation Controller,CMAC)-PID并行控制方法。該方法利用CMAC神經(jīng)網(wǎng)絡(luò)自我學習、自我適應(yīng)和自我組織的能力來提高PID控制策略的性能，其優(yōu)良的性能效果已在MATLAB/Simulink建模仿真中得到驗證。

發(fā)電機；比例-積分-微分；調(diào)速系統(tǒng)；神經(jīng)網(wǎng)絡(luò)

0 引 言

隨著船舶的大型化和自動化程度不斷提升及電力推進技術(shù)的逐步成熟，對船舶電力系統(tǒng)容量的要求愈來愈高。此外，大量的電壓敏感負荷(如PLC控制器、微機系統(tǒng)及補償裝置等)應(yīng)用于船舶電力系統(tǒng)中，對船舶電網(wǎng)電能質(zhì)量提出了更高的要求，船舶電網(wǎng)中的電能質(zhì)量與電力系統(tǒng)中的穩(wěn)定控制密不可分。發(fā)電機組控制系統(tǒng)是保證整個電力系統(tǒng)穩(wěn)定的核心，其中調(diào)速控制系統(tǒng)和勵磁系統(tǒng)控制著機組的端電壓及其轉(zhuǎn)速，對保證船舶電力系統(tǒng)的穩(wěn)定運行和可靠控制起著關(guān)鍵作用。

目前，實際中船舶發(fā)電機調(diào)速系統(tǒng)大多仍采用傳統(tǒng)的比例-積分-微分(Proportion Integral Derivative,PID)控制策略，由于發(fā)電機組的非線性較強，控制效果并不理想；而人工神經(jīng)網(wǎng)絡(luò)(Artifical Neural Network,ANN)具有自學習、自適應(yīng)和自組織的能力，因此將小腦模型(Cerebellar Model Articulation Controller)神經(jīng)網(wǎng)絡(luò)引入到調(diào)速系統(tǒng)中，能改善PID控制策略的不足。此外,為更全面地體現(xiàn)出CMAC-PID控制策略的優(yōu)越性能，引入BP(Back Propagation)網(wǎng)絡(luò)，并在不同工況下對3種控制策略進行綜合仿真。試驗結(jié)果表明，CMAC-PID控制策略能有效提升發(fā)電機調(diào)速系統(tǒng)的性能。

1 調(diào)速控制策略

1.1神經(jīng)網(wǎng)絡(luò)算法

目前，ANN作為一種新型智能型控制方法，已在控制系統(tǒng)中得到一定的應(yīng)用。這主要是因為ANN在理論上具有逼近任意非線性映射的能力，對于一個輸入信號，其多個神經(jīng)元可并行地根據(jù)一定的規(guī)則調(diào)整自身參數(shù)，控制輸出數(shù)據(jù)，因而具有自適應(yīng)的能力。與一般的控制方法相比，人工神經(jīng)網(wǎng)絡(luò)具有以下特點：

1) 作為典型的非線性系統(tǒng)，可較為精確地處理數(shù)據(jù)的擬合；

2) 可對較難用數(shù)學公式或物理模型定義的模型進行分析和處理；

3) 可并行處理數(shù)據(jù)，應(yīng)用于實時性較高的場合；

4) 可同時處理類型相異的數(shù)據(jù)，較強地組合各類信息。

ANN可從函數(shù)逼近的角度分為全局型的網(wǎng)絡(luò)和局部性的網(wǎng)絡(luò)。全局逼近網(wǎng)絡(luò)是指該網(wǎng)絡(luò)的輸出取決于網(wǎng)絡(luò)中的每個神經(jīng)元的閾值和權(quán)值;而局部逼近網(wǎng)絡(luò)指的是輸出只取決于不多的幾個神經(jīng)元的變化，與全局逼近網(wǎng)絡(luò)相比是一種區(qū)域范圍內(nèi)的變化起作用。ANN中應(yīng)用最為廣泛的BP算法屬于全局逼近網(wǎng)絡(luò)，而CMAC,RBF和B樣條網(wǎng)絡(luò)屬于局部逼近網(wǎng)絡(luò)。根據(jù)理論分析，CMAC與另外2種網(wǎng)絡(luò)相比，基函數(shù)最為簡單，應(yīng)該具有最快的響應(yīng)速度[1]。選擇將CMAC網(wǎng)絡(luò)引入到發(fā)電機組調(diào)速系統(tǒng)中[2]，為驗證CMAC網(wǎng)絡(luò)是否比其他神經(jīng)網(wǎng)絡(luò)中作用于調(diào)速系統(tǒng)的控制效果要好，引入BP網(wǎng)絡(luò)作為對照。在調(diào)速系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)與PID控制共同調(diào)節(jié)參數(shù)。

1.2BP-PID并行控制算法

BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，能學習和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。其主要思想是:輸入學習樣本，采用反向傳播算法對網(wǎng)絡(luò)的權(quán)值和偏差進行反復的調(diào)整訓練，使輸出的向量與期望向量盡可能地接近，當網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時,訓練完成，保存網(wǎng)絡(luò)的權(quán)值和偏差。BP-PID在實際控制中可分為2個模塊：

1) PID控制器仍處于主導狀態(tài)，該模塊為閉環(huán)調(diào)節(jié)模塊；

2) PID的參數(shù)是BP網(wǎng)絡(luò)經(jīng)過學習的過程而最終作為輸出量輸入到PID中，BP網(wǎng)絡(luò)以2個輸入量和1個誤差作為輸入[3]。

并行控制過程見圖1。

1.3CMAC-PID并行控制算法

CMAC神經(jīng)網(wǎng)絡(luò)是一種表達非線性函數(shù)的表格查詢型自適應(yīng)神經(jīng)網(wǎng)絡(luò)，由1個固定的非線性輸入層和1個可調(diào)的線性輸出層組成[4]。CMAC網(wǎng)絡(luò)在處理數(shù)據(jù)時，首先把輸入的信息分布式存儲在神經(jīng)元中，每個神經(jīng)元的值取0或1。CMAC的輸出值是通過存儲單元的值相應(yīng)加權(quán)得到的；將期望值與該值作減傳回輸入層，從而修改權(quán)值[5]。由于CMAC網(wǎng)絡(luò)在每個數(shù)據(jù)輸入時只需調(diào)整少量的連接權(quán)值，因而響應(yīng)速度較快。CMAC與PID復合控制結(jié)構(gòu)見圖2。

在控制時，常規(guī)PID控制器實現(xiàn)反饋控制，保證系統(tǒng)的穩(wěn)定性，對擾動起抑制作用；CMAC神經(jīng)控制器實現(xiàn)前饋控制，實現(xiàn)被控對象的逆動態(tài)模型。系統(tǒng)控制算法為

(1)

u(k)=un(k)+up(k)

(2)

式(1)和式(2)中:αi為輸入狀態(tài)的存儲單元；c為存儲單元個數(shù)，即泛化參數(shù)；un(k)為CMAC相應(yīng)的輸出；up(k)為常規(guī)PID的輸出。

CMAC的調(diào)整指標為

(3)

(4)

w(k)=w(k-1)+Δw(k)+a(w(k)-w(k-1))

(5)

式(3)～式(5)中:η為網(wǎng)絡(luò)學習速率，η∈(0，1)；a為慣性量，a∈(0，1)。

設(shè)定存儲神經(jīng)元的權(quán)值為0。在仿真開始后，常規(guī)PID起主要調(diào)節(jié)作用；隨著CMAC網(wǎng)絡(luò)初始化的完成，神經(jīng)元的權(quán)值開始逐漸增加，進入到網(wǎng)絡(luò)的自學習階段;網(wǎng)絡(luò)學習一段時間后，完成整個系統(tǒng)的控制，PID控制不再有效，控制器總輸出即為CMAC網(wǎng)絡(luò)的輸出。

2 調(diào)速控制策略的仿真

MATLAB軟件工具具有強大的功能，其中的Simulink工具箱可運用于船舶電力系統(tǒng)高精度仿真中[6]。Simulink工具箱中包含多種函數(shù)和模型抽象成的模塊庫，能較為方便地搭建船舶電力系統(tǒng)模型并進行相關(guān)仿真[7]。

2.1船舶電站系統(tǒng)的模型

根據(jù)實際的船舶電站系統(tǒng)的結(jié)構(gòu)，在Simulink環(huán)境下搭建船舶電站系統(tǒng)總體模型(見圖3)[1]。

在系統(tǒng)中，包括2臺發(fā)電機組：

1) 轉(zhuǎn)換裝置配置成傅里葉模塊；

2) 負載模塊有RLC并聯(lián)的靜態(tài)負載和異步電動機的動態(tài)負載2類。

由于船上靜態(tài)負載多呈感性，因此將RLC并聯(lián)負荷中的電容值配置為0。

船舶電力系統(tǒng)的模型搭建完成后，在Simulink仿真環(huán)境下進行相關(guān)試驗，主要包含發(fā)電機的空載啟動試驗和加減負載試驗2部分。

2.2發(fā)電機空載啟動試驗

進行發(fā)電機空載啟動試驗的主要目的是驗證BP-PID并行控制策略和CMAC-PID并行控制策略的可行性。調(diào)速系統(tǒng)作為被控對象，其傳遞函數(shù)的表達式為

(6)

在BP-PID并行控制策略中,BP網(wǎng)絡(luò)參數(shù)設(shè)置為：η=0.25;α=0.05。在CMAC-PID并行控制策略中,CMAC網(wǎng)絡(luò)參數(shù)設(shè)置為：N=300;C=8;η=0.3;α=0.04。仿真系統(tǒng)的輸入信號為方波信號，BP-PID和CMAC-PID都對輸入信號進行跟蹤調(diào)速，仿真結(jié)果見圖4。

由圖4可知:BP-PID和CMAC-PID控制策略能控制發(fā)電機的調(diào)速系統(tǒng)，兩者的控制效果比較接近，無法體現(xiàn)出CMAC-PID控制策略的優(yōu)越性。

2.3發(fā)電機加減負載試驗

進行發(fā)電機加減負載試驗的主要目的是區(qū)分常規(guī)PID,BP-PID和CMAC-PID等3種控制策略的調(diào)速效果。不同調(diào)速系統(tǒng)的調(diào)速效果能通過柴油發(fā)電機的輸出功率和轉(zhuǎn)速來反映。

在仿真過程中，通過改變斷路器1的開關(guān)狀態(tài)來模擬加減負載。在3次不同的控制策略下，發(fā)電機組的轉(zhuǎn)速曲線和輸出功率曲線分別見圖5及圖6。

比較發(fā)電機組調(diào)速性能的動態(tài)指標有瞬時調(diào)整率和穩(wěn)定時間。

1) 瞬時調(diào)整率指柴油發(fā)電機組突加(或突減)全負荷后的瞬時最小轉(zhuǎn)速(或瞬時最大轉(zhuǎn)速)與負荷改變之前的額定轉(zhuǎn)速之差同額定轉(zhuǎn)速的比值的百分比,其計算式為

(7)

2)穩(wěn)定時間是指從突加(或突減)全負荷后轉(zhuǎn)速剛偏離額定轉(zhuǎn)速至恢復到額定轉(zhuǎn)速的波動范圍所需的時間,其計算式為

ts=tb-tp

(8)

式(8)中:tb為轉(zhuǎn)速恢復到標定轉(zhuǎn)速的時刻;tp為轉(zhuǎn)速剛偏離額定轉(zhuǎn)速的時刻;ts為穩(wěn)定時間。

比較圖5中的3種控制方式下的發(fā)電機轉(zhuǎn)速曲線，在第4 s斷路器閉合、負載接入柴油發(fā)電機后，通過計算可知：常規(guī)PID瞬態(tài)調(diào)整率為4.5%，穩(wěn)定時間約為3 s；BP-PID并行控制瞬態(tài)調(diào)整率為4.2%，穩(wěn)定時間約為2.4 s；CMAC-PID并行控制瞬態(tài)調(diào)整率為3.8%，穩(wěn)定時間約為2 s。在第8 s斷路器斷開后，通過計算可知：常規(guī)PID瞬時調(diào)整率為4.3%，穩(wěn)定時間約為1.8 s；BP-PID并行控制瞬時調(diào)整率為4.1%，穩(wěn)定時間約為1.7 s；CMAC-PID并行控制瞬時調(diào)整率為3.8%，穩(wěn)定時間約為1.6 s。結(jié)合圖6可知：對于相對復雜的系統(tǒng)，神經(jīng)網(wǎng)絡(luò)和PID并行與傳統(tǒng)PID相比，控制效果明顯，響應(yīng)速度較快；而CMAC-PID并行控制與BP-PID并行控制相比，控制效果更好，響應(yīng)速度更快，更加適合實時性較高的場合。

3 結(jié) 語

本文利用MATLAB/Simulink搭建船舶電站系統(tǒng)的模型，同時在該模型上對一種基于CMAC-PID的發(fā)電機調(diào)速系統(tǒng)控制方法進行仿真。仿真結(jié)果表明，提出基于CMAC-PID的發(fā)電機調(diào)速系統(tǒng)控制方法可提高發(fā)電機調(diào)速系統(tǒng)的精度和準度,提升船舶電力系統(tǒng)的穩(wěn)定性。

[1] 張偉，朱大奇，孔敏，等．基于改進的CMAC神經(jīng)網(wǎng)絡(luò)與PID并行控制的研究[J]．計算機測量與控制，2005,13(12)：1359-1360．

[2] 石勇，齊自達，張連瑜，等．基于CMAC神經(jīng)網(wǎng)絡(luò)前饋控制的柴油發(fā)電機組轉(zhuǎn)速控制研究[J]．內(nèi)燃機工程，2014，35(2)：98-101．

[3] 丁茂森，張艷．船舶柴油發(fā)電機轉(zhuǎn)速的BP-PID并行控制[J]．船電技術(shù)，2012，32(12)：15-18．

[4] 尹維生，李巖．CMAC-PID在柴油機調(diào)速系統(tǒng)中的應(yīng)用[J]．計算機仿真，2010，27(12)：200-202．

[5] 時文飛，侯世英，李學遠，等．基于CMAC與PID復合控制的柴油機調(diào)速系統(tǒng)[J]．自動化技術(shù)與應(yīng)用，2006，25(4)：11-13．

[6] 施偉鋒，許曉彥．船舶電力系統(tǒng)建模與控制[M]．北京：電子工業(yè)出版社，2012．

[7] GRANELLI G, MONTAGNA M．MATLAB Implementation of the Complex Power Flow[J]．The International Journal for Computation and Mathematics in Electrical and Electronic Engineering，2013，32(3)：923-935．

NeuralNetworkBasedGeneratorSpeedRegulationSystem

GONGXiwen，XUHui

(State Key Laboratory of Navigation and Safety Technology, Shanghai Ship & Shipping Research Institute, Shanghai 200135, China)

The traditional Proportion-Integral-Derivative (PID) control strategy is used for speed control of synchronous generator in actual ship power systems nowadays. But due to strong coupling and nonlinear characteristics, it is difficult for conventional PID control strategy to achieve good results in speed control of synchronous generators. In order to improve the performance of the PID control strategy, this paper proposes Cerebellar Modal Articulation Controller(CMAC)-PID control method for that purpose in stead of conventional PID control strategy. The CMAC neural network, featuring self learning, self adaptation and self organization, improves the performance significantly. The design is verified through MATLAB/Simulink modeling and simulation.

generator; PID; speed control system; neural network

U665

A

2017-05-04

龔喜文(1978—),男,江西宜豐人,高級工程師,碩士,主要從事艦船自動化研究。

1674-5949(2017)03-0042-04