船舶柴油发电机转速人工神经网络控制

船舶柴油发电机转速人工神经网络控制 笫27卷笫3期 2006年9月 上海海事大学 JOURNALOFSHANGHAIMARITIMEUNIVERSITY V01.27No.3 Sep.2006 文章编号:1672-9498(2006)03-0079-05 船舶柴油发电机转速人工神经网络控制 施伟锋 (上海海事大学物流工程学院,上海200135) 摘要:结合神经网络与PID控制,形成船舶柴油发电机转速神经网络控制系统;控制系统中神经 网络控制器与PID控制器相结合,经过神经网络控制器的不断学习,控制器获取船舶柴油发电机转 速系统的动态逆模型.系统逐渐地由神经网络控制器起主要控制作用.仿真试验显示,在电力系统 突加有功负载时.发电机控制系统的动态过程稳定性良好. 关键词:神经网络控制;船舶柴油发电机组;转速控制;学习 中图分类号:TP271.4文献标志码:A Rotationspeedcontrolofmarinedieselenginegenerator basedonartificialneuralnetwork SHIWeifeng (LogisticsEng.College,ShanghaiMaritimeUniv.”,Shanghai200135,China) Abstract:Rotationspeedcontrolofmarinedieselen~negeneratorisbuiltbythecombinationofneural networkandPIDcontrolsystem.UnderthecombinedcontrollersofneuralnetworkandPIDcontrolsys- tem,aninvertdynamicmodelofmarinedieselen~negeneratorisobtainedthroughcontinuouslearningof theneuralnetworkcontroller.Andgradually.theneuralnetworkcontrollerhasmaincontroleffectonthe system.Itindicatesthatthestabilityofdynamicprocessofthegeneratorcontrolsystemisfavorablewhen thesystemisloadedwithactivepowersuddenly. Keywords:neuralnetworkcontrol;marinedieselen~negeneratorset;rotationspeedcontrol;learning 0引言定速控制作用? 船舶电力系统中,同步发电机由柴油机驱动发 出电功率,船舶柴油发电机的控制由转速控制和励 磁控制两部分组成.…发电机组控制系统的特性直 接影响船舶电力系统的供电质量,其转速控制直接 影响发电机的有功功率输出和船舶电力网频率的稳 定性.船舶柴油发电机转速控制系统如图1所示,输 入是给定转速,输出是实际转速,控制器常用的是 PID控制器,通过调节柴油机供油量起到机组转速 图1船舶柴油发电机转速控制系统 小脑关节控制器(cerebellarmodelarticulation controller,CMAC)神经网络在1972年由Albus提 出,是一种表达复杂非线性函数的表格查询型自适 收稿日期:2006-02-27;修回日期:2006435-16 基金项目:上海市高等学校科学技术发展基金(05Fzo9) 作者筒介:施伟锋(1963?),男,浙江宁波人,教授,博士,研究方向为控制理论与控制工程,(E—mail)wfshi@shmtu,edu,cn 上海海事大学第27卷 应神经网络,可通过学习算法改变表格的内容,具有 信息分类存储能力.CMAC是一种基于局部学习的 神经网络,具有在线学习能力,学习速度快,适合于 实时控制,在机器人控制领域有一定的应用. 1CMAC神经网络映射关系与结构 CMAC神经网络的映射过程如图2所示,输人 状态空间S的维数由被控对象决定.模拟量输入S 需要进行量化,然后才能送人多维存储表A,状态空 间中的每一点将同时激活A中的C个单元.A只是 一 个虚地址,可以把A的地址通过杂散编码(hash coding)映射到一个小得多的实际物理地址A中, 在A.中每一个状态也有C个地址与之对应. 输出 图2CM_AC神经网络的映射过程 CMAC的计算分为以下3步: (1)量化(概念映射).在输人层对?维输人空 间进行划分,每一个输人都降落到?维网格基的一 个超立方体单元内,中间层由若干个判断区间构成. 对任意一个输人只有少数几个区间的输出为非零 值,非零值区间的个数为范化参数c,它规定网络内 部影响网络输出的区域大小. (2)地址映射(实际映射).采用除余数法,将 输入映射至概念存储器地址,除以一个数,得到 的余数作为实际存储器的地址值.即将概念存储器 中的C个单元映射到实际存储器的C个地址. (3)CMAC的函数计算(CMAC输出).将输人 映射至实际存储器的c个单元,每个单元存放着相 应的权值,CMAC的输出为c个实际存储器单元加 权之和.【] 泛化参数C=5的CMAC神经网络的结构模型 如图3所示.它由网络输人,概念映射(conceptual mapping),物理映射(physicalmapping)和网络输出 4个基本部分组成,其输人状态空间S是一个多维 空间.在图3中,A为概念存储单元(多维存储表), A为实际物理存储单元,F(S)(i=1,3)为CMAC 神经网络的输出,对于单输出系统,输出只有一个. 输入状态空间S中的每一点与概念存储空间A中的 c个单元相对应,也与物理存储空间A.中的c个存 储单元相对应,而神经网络的输出F(S)就是这A 中c个单元中存储的网络权值的线性叠加和.每一 输入样本对应于A和A.上的c个单元,因而当各样 本分散存储在A和A.中时,对于在S中比较靠近的 那些样本,在A和A中会出现交叠现象,这使CMAC 的输出值也比较靠近.由于这种现象CMAC神经网络 会产生一定的泛化能力,这种泛化能力对于那些在S 空间中相距较远的矢量却不起作用.从图3可以看 出,整个CMAC神经网络不是全连接的,从输人空间 S到A空间有C个连接,从物理空间A到F(Si)空间 也有c个连接,CMAC神经网络是3层前馈式网络, 映射也分为3段,从S到A为非线性映射,从到 为随机散列映射,从A到F(S)为线性映射.最终从 S到F(Si)产生非线性映射. A 声’口l . Ap a2 Wl a3 口1w 3 a5 w4:/’S itTW5 ? ? ? ., S2 上Wi-2Wi- I / 口2 Wi \,口IWt+l ai Wi+2 口l W3 aD.2 Wi+4 aD.3 W5 aH.4, a/+5 图3CMAC神经网络的结构模型 2船舶发电机转速神经网络控制 2.1控制系统结构 船舶柴油发电机转速CMAC神经网络与PID 并行控制结构如图4所示.该系统通过CMAC神经 网络和PID的并行运算实现控制;系统初始运行阶 段,常规控制器实现反馈控制,保证系统的稳定性, 且抑制扰动;CMAC神经控制器实现了并行控制,对 被控对象的逆动态模型进行求取.由于柴油机延时 环节的存在,系统有一定的非线性特性;又由于同步 发电机是一个强耦合的非线性电磁对象j,这里运 用基于CMAC神经网络的并行控制方法来解决船 舶柴油发电机组系统的非线性控制问题. 量化H地址映射[~CMAC记忆HCIvlAC函数计算 IJ 图4CMAC神经网络与PID并行控制系统结构 2.2CMAC神经网络的学习与控制 控制系统采用CMAC神经网络有导师的学习 算法,每一控制周期结束时,计算出相应的CMAC 第3期施伟锋:船舶柴油发电机转速人工神经网络控制81 神经网络输出u(k),并与总控制输入u+(k)相比 较,修正权重,进入学习过程.学习的目的是使总控 制输入与CMAC神经网络的输出之差最小,经过 CMAC神经网络的学习,使系统的总控制输出主要 由CMAC神经网络控制器产生.CMAC神经网络的 学习仅依赖于误差的当时测量值和变化值.CMAC神 经网络的调整指标为 E(后)=?[u+(后)一u(后)]×睾(1) Aw?::华 (2) tl,(k)=tl,(k一1)+Aw(k)+ a[7,0(k)一7,0(k一1)](3) 式中,为网络学习速率,?(0,1),为惯性量,a ?(0,1).式(2)中神经网络权值的修正量与u(后) 成比例关系,故CMAC的学习转化为只需要u(k) 信息.输出控制量的计算为 C u= ?7,0i口(4)i=l u(k)+=u(k)+u(后)(5) 式中,口(i=1,2,…,C)为二进制选择向量,C为 CMAC神经网络的泛化参数,u(k)为常规控制器 PID产生的输出. 当系统刚开始运行时,置7,0=0,此时u(0)= 0,u+(0)=u(0),系统由常规控制器进行控制.通 过CMAC神经网络的学习,CMAC神经网络产生的 输出控制量u(k)逐渐逼近控制器总输出u+(k), PID产生的输出控制量u.(k)逐渐为0. CMAC神经网络控制算法虽然是由PID控制器 输出训练的,但并不是PID控制器的简单复制.系统 控制开始的时候,主要是常规PID控制器起作用,经 过对常规控制器控制下整个系统的不断学习, CMAC神经网络求取了包含被控对象控制系统的动 态逆模型,逐渐地系统由CMAC神经网络输出起控 制作用.加入PID控制器是为了评判CMAC神经网 络控制的性能,增强系统的稳定性,抑制扰动. 2.3仿真系统同步发电机模型 在某电力推进船舶的电力仿真系统中,应用 CMAC神经网络并行控制,该系统的同步发电机模 型采用六阶状态方程模型,不考虑0轴的派克方程, 并规定正方向的定子电流产生正向的磁链,不考虑 q轴阻尼绕组的电磁暂态过程,和两个数据 为0;同步发电机模型用d—q轴参考模型电路进行描 述,如图5所示.全部的电气变量都是从定子侧看 的,上标带有一撇的是折算到定子侧的转子电量. 图5同步发电机d.q轴模型结构 对于该同步发电机有如下的微分方程模型 咄?警一tosq~(6) Vq=+警+tosq~(7) V’fd=尺,,d,,d+(8) V=R’u+(9) = (10) =+ 警(11) 其中: d=Ldid+,(+); q =Lqiq+Lmi幻; = ,i+,(id+i); 幻l=L’kqli幻l+L m iq; =L’ui+,(id+); ,kq2t一+Lmiq. 变量定义描述为:下标d,q表示d轴,q轴量;下标.s (或s),尺(或r)表示定子,转子量;下标m表示漏感 量或互感量;下标f,k表示励磁绕组,阻尼绕组量. 为电压,尺为电阻,i为电流,为磁通,,为 电感. 2.4仿真控制系统结构 为检验CMAC神经网络并行控制的有效性,观 察系统的动态响应,分别对船舶柴油发电机在常规 PID调节器控制下和CMAC神经网络并行控制下的 运行进行仿真.在某电力推进船舶电力仿真系统中, 发电机额定功率3.125MW,额定电压2.4kV,频率 60Hz.[8控制系统的PID参数:比例系数为8,积分 系数为25,微分系数为0.25.CMAC神经网络参数 取C=5,=0.10,N=300.CMAC神经网络并行控 制器与柴油原动机组构成的Matlab图形界面实现 如图6所示. 82上海海事大学第27卷 生 图6CMAC神经网络并行控制与柴油原动机系统结构 CMAC神经网络算法用Matlab的In文件实现,标么值(速度(pu)),0, 1.5s电流值(电流l(A)) 柴油机输出机械功率驱动发电机发出电功率.和发电机8,8.5s三相 电流值(电流2(A))?在第 2.5仿真结果及其与PID控制的比较 发电机组有功功率输出与转速控制有密切的关 系,船舶工程上对发电机控制系统的稳定性必须进 行突加负载试验和短路试验.为便于比较,先进行常 规HD控制系统仿真试验.当按照《钢质海船人级 与建造规范》],突加50%发电机额定功率的有功 负载时,在常规PID调节器控制下系统的参数变化 如图7所示.测出柴油原动机的输出机械功率标么 值(机械功率(pu)),发电机的转速标么值(速度 (pu))和电流值(电流(A));在第0s时有50%负 载投入,动态过程中测量到机械功率有较大的波动, 发电机的转速发生较大的下降,输出的发电机某相 电流的频率有明显的变化. 0.8 呈0.6 篓o.4 董0. 0 1.0 邑0.99 0.98 0.97 l000 50o ?0 嚣.50o — l000 \/ ii:l 00.51.01.52.02.53.03.54.0 时问,s 00.5I.0I.52.02.53.0 时间,s 图7船舶柴油发电机转速PID控制系统负载特性 柴油发电机组采用CMAC神经网络并行控制 时,对系统进行突加50%和15%的发电机额定功率 的有功负载仿真试验和电网短路故障仿真试验,参 数变化曲线如图8所示.同样测出柴油原动机的输 出机械功率标么值(机械功率(pu)),发电机的转速 0s有50%的发电机额定功率的负载投入;在第4s 有15%的发电机额定功率的负载投入;在第8s发生 电网三相接地短路故障. 1.4 1.2 &IlilimnnmulilllJlOHIIII 啊啊啊哪啊删哪啊啊啊删 :::::: lIIIII 88.O58.18.158.28.258.38.358.48,458.5 时间,s 图8船舶柴油发电机转速ClVlAC并行控制系统负载特性 在整个动态过程中可以测量到,在第0S的作 用后,柴油原动机的机械输出功率和转速的波动值 小于常规PID调节器控制下系统的波动值;从结果 中还可以看出,采用CMAC神经网络并行控制时, 输出机械功率值和发电机的转速标么值的曲线光滑 度比用PID控制时要好;从三相输出电流的特性可 以看出电流波形也是比较好的.对于CMAC神经网 第3期施伟锋:船舶柴油发电机转速人工神经网络控制83 络并行控制系统,当发生电网三相接地短路故障时 (第8s),机械输出功率和转速的波动变化很大,最 后由于短路电流的瞬时值很大(电流2(A)),0.4s 后产生主开关分闸保护,此后,柴油原动机的输出机 械功率值(机械功率(pu))趋于O,转速标么值(速 度(pu))趋于1.026;由于在突加50%的有功负载 时,系统的动态调速率在10%以内,稳态调速率在 5%以内,动态过程不超过5s,系统控制质量满足 《钢质海船入级与建造规范》的要求. 仿真结果表明,CMAC神经网络的加入使得控 制效果比单独的PID控制效果要好,当电力系统加 入有功负载运行时,在CMAC神经网络控制器的作 用下,减小了超调,加快了控制响应速度,充分体现 CMAC神经网络的输出误差小,实时性好和鲁棒性 强的控制特点.PID单独控制时,增益k.的值在很 大程度上决定着控制效果,而采用CMAC神经网络 与PID的并行控制时,控制效果对于k.的依赖将减 小,的值只需在一个合理的范围内即可,从而在 k.的整定上不需要更多的经验,有利于增加系统的 鲁棒性.CMAC神经网络并行控制在一定程度上克 服了常规控制器所不能避免的一些弊端,使控制效 参考文献: 果得到提高.因此,在一定程度上,CMAC神经网络 控制器能适应船舶发电机组中柴油机延时非线性和 同步发电机电磁耦合非线性控制. 3结论 CMAC神经网络被认为是联想记忆神经网络之 一 ,理论上能够学习任意多维非线性映射.CMAC神 经网络算法可有效地用于非线性函数逼近,动态建 模和系统控制.在控制应用中,CMAC神经网络相对 与其他神经网络的优越性体现在:它是基于局部学 习的神经网络,把信息存储在局部结构的权值上,使 每次修正的权值数量少,在保证函数非线性逼近性 能的前提下,网络的学习速度快,适合于实时控制; 控制系统具有一定的泛化能力,连续输输出能 力;寻址编程的方式,使得在利用串行计算机控制时 可使响应速度加快;作为非线性逼近器,它对学习数 据出现的次序不敏感.由于CMAC神经网络拥有这 些特性,使得它比一般神经网络有更好的非线性逼 近能力,更适合于复杂动态环境下的非线性实时 控制. [1]施亿生,船舶电站[M],北京:国防工业出版社,1983, [2]徐善林,轮机自动化[M],北京:人民交通出版社,2001. [3]CHENPC,MILLSJK.SynthesisofneuralnetworksandPIDcontrolforperformanceimprovementofindustrialrobots[J].JournalofIntelligentand RoboticSystems:Theory&Applications,1997,20(2):157—180. [4]刘金琨,先进PID控制及其Matlab仿真[M],北京:电子工业出版 社,2003, [5]阎平凡,张长水,人工神经网络与模拟进化计算[M],北京:清华大学 出版社,2002, [6]KUNDURP,PowerSystemStabilityandControl[M],ColumbusOH.USA:McGraw?HillCompani~,1994. [7]倪以信,动态电力系统的理论和分析[M],北京:清华大学出版 社,2002, [8]SHIWeifeng,TANGTianhao,WEIHangying.Amarinepowersymemmodelingandsimulator[C]//IFACSymposiumonPowerPlants&Power SystemsControl2003,SeoulKorea,2003:1025—1030, (编辑李佩芬)