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)