乔 森，杨奕飞，2

(1. 江苏科技大学电子信息学院，江苏镇江 212003；2.江苏科技大学海洋装备研究院，江苏镇江 212003)

1 引言

对港口城市来说，靠港船舶辅机燃油发电所产生的环境污染日渐严重，空气污染防治问题日渐严峻，而靠港船舶采用岸上电能替代燃油辅机发电成为了一种行之有效的解决方案[1-2]。随着国家对节能环保的重视，尤其是船舶岸电所体现出来的社会效益，交通运输部于2017年发布《港口岸电布局建设方案(征求意见稿)》，标志着船舶岸电在未来五到十年内会出现井喷式发展，船舶靠港使用岸电已成为航运业的重要发展趋势，船舶岸电系统的国内外市场需求将日益增长。

岸侧电源经过变压和变频转换至适合船舶电网的电压和频率，但是并网和负载变化时刻电压会产生波动。而岸电控制策略是决定船舶电网的运行是否稳定的决定性因素，可使逆变器在并网操作时采用PQ控制以调节有功功率和无功功率，在系统孤岛运行时采用V/F控制以确保系统保持稳定的电压和频率[3-4]。但是传统的V/F控制本质上仍是经典PID控制，因为系统输出存在一定的惯性，这种直接取目标和输出之间误差的方式，会对并网和负载变化时刻系统的控制精度、稳定时间等产生不利影响，因此引入神经网络控制思想对传统V/F控制进行优化。人工神经网络(ANN)控制器不同于传统的控制器，具有不需要建立复杂、精确的数学模型，可以根据外部环境对于控制器参数进行自动调整等优点[5]。本文在传统V/F控制中引入了神经网络环节，使系统具有更强的抗干扰性，同时具有更好的动态特性、稳态特性，有效提升岸电并网系统的控制精度，使得船舶电网的电压更为稳定。

2 V/F岸电并网控制模型

2.1 船舶岸电并网控制过程

当船舶靠港后，岸侧检测船舶电网电压、频率、幅值和相位，经过预同步控制调节岸侧电逆变器所产生的电压、频率、幅值，使其与船舶电网保持一致，由船侧调整发电机转速，调节相位使之与岸侧一致，符合并网条件后合闸并网。合闸后调节船岸输出功率，负载由船用柴油发电机转移至岸侧电源，负载转移完成后，停止使用船用柴油发电机，断开柴油发电机侧开关，岸电并网完成。

2.2 V/F并网控制模型

V/F控制模型通过逆变器的反馈电压以调节交流侧电压来保证输出电压的稳定，常采用电压控制环和电流控制环结合的双环控制方案[6]。处于外侧的电压控制环，可以调节系统的实时电压，确保电压的恒定，而内侧的电流控制环，使得逆变器控制系统带宽更大，增加了系统的动态响应速度，使整个控制系统对于非线性负载所产生的扰动具有了更强的适应能力，不仅增加了系统的动态响应能力，也提高了系统的稳态精度。

根据控制系统所选取的状态变量的不同，双环控制系统又分为电感双环控制和电容双环控制两种。采用电容双环控制与电感双环控制相比，系统稳定性略有降低，但系统外特性更硬[7]。

图1 V/F控制系统结构图

若忽略滤波阻抗Rn，根据电路原理可得逆变器方程[8]为

(1)

由式(1)可得逆变器域控制框图

图2 逆变器域控制框图

加入电压电流双环控制后系统框图如图3所示。

图3 加入双环控制后的系统框图

图中，S为微分环节，1/S为积分环节，L为滤波电感，C为滤波电容；外环控制器传递函数为Kup+Kui/S，包括外环电压环比例控制器传递函数Kup与外环积分控制器传递函数Kui/S；内环比例控制器传递函数为K，SPWM控制逆变器传递函数为Kpwm(一般取Kpwm=1/2Udc，Udc为逆变器输入端直流侧电压)。以iCn-ref为输入，iCn为输出，则电流环传递函数为

(2)

以Un-ref为输入，Un为输出，则电压环传递函数为

(3)

3 基于NARMA-L2神经网络的岸电电压控制策略

3.1 神经NARMA-L2自校正控制器

自校正控制(Self-Tuning Control)有两种结构，直接型和间接型。直接型自校正控制的不足之处在于采用的是开环控制，不能有效抑制扰动。一般情况下，自校正控制指的是间接自校正控制，由神经网络辨识器将对象进行模型估计，然后由相同结构的神经网络控制器进行参数的自适应整定控制[9]。

系统辨识之前首先选择一个模型结构，描述一般的离散非线性系统的标准模型是非线性自回归滑动平均模型(NARMA)，而非线性自回归滑动平均-反馈线性化控制器(NARMA-L2)是根据NARMA模型建立的自校正控制器[10-11]。控制器分为辨识系统和控制系统，采用NARMA模型来近似描述被控系统，需要训练一个神经网络来拟合非线性函数g(x)，使用采用BP算法对神经网络的权值进行训练。

神经NARMA-L2控制器，分为辨识和控制两个部分，其中辨识器的输入为{y(k)，u(k)}，输出为

(4)

v和ω为辨识器Nf()和Ng()的突触权重矩阵，其更新规则[12]为

(5)

同时，NARMA-L2控制器将被控对象转变为伴随型系统，可以使用反馈线性化实现对系统的控制[13]。NARMA-L2控制器可用下式表示

(6)

(7)

3.2 基于神经NARMA-L2的岸电电压控制模型

基于神经NARMA-L2控制器的岸电电压控制系统采用6输入、3输出、隐层数为10层的神经网络结构[14]。输入量为dq轴参考电压、dq轴实时电压、电网参考频率和实时频率，输出量为对dq轴电压以及电网频率的调制信号。预先采集传统V/F控制模型稳态状况下的输入和输出数据，作为系统的理想输出数据，对岸电系统进行函数拟合，建立岸电系统参考模型。

神经NARMA-L2岸电控制系统整体结构框图如图4所示。

图4 神经NARMA-L2岸电控制系统整体结构框图

结合神经NARMA-L2控制器的岸电VF双环控制系统框图如图5所示。

图5 结合神经NARMA-L2的VF双环控制系统框图

系统输出电压Un反馈至NARMA-L2控制器，与参考电压Un-ref进行比对，NARMA-L2控制器输出调制信号。在模型训练过程中，取传统PI控制器下的VF双环控制系统中的参考电压和系统输出电压作为模型输入、输出，作为NARMA-L2控制器训练数据。

4 仿真分析

4.1 岸电系统仿真建模

为了验证所提控制方法的有效性，本文基于Matlab/Simulink仿真软件进行仿真建模[15，16]，岸电系统整体模型如图6所示，包括岸基部分：岸电电源、整流器、逆变器、滤波器、隔离变压器等，船基部分：柴油发电机、调速器、励磁系统、船侧负载等。

图6 岸电系统仿真模型

取镇江大港码头常见驳船参数，进行仿真算例参数设置，具体参数如表1所示。

表1 仿真算例参数设置

4.2 基于神经NARMA-L2的岸电V/F控制模型仿真建模

基于神经NARMA-L2的岸电V/F控制模型包括两个部分，dq坐标转换模块和电压电流双环控制模块[17]。模型输入为负载电压Un和电容电流iCn，以及d轴、q轴参考电压，其中d轴参考电压Ud-ref=690V，q轴参考电压Uq-ref=0，输出为6路逆变器控制脉冲。为确保船舶电网稳定，坐标变换模型中变换参考频率取60Hz，由虚拟锁相环模块产生，基于神经NARMA-L2自校正控制器的电压电流双环控制模型如图7所示。

图7 基于神经NARMA-L2的岸电V/F控制模型

4.3 仿真分析

4.3.1 并网过程仿真

以下电压图，横坐标为时间(s)，纵坐标为电压(V)。以下电流图，横坐标为时间(s)，纵坐标为电流(A)。并网前，岸侧变频器使用PQ控制进行预同步控制[18，19]，调节岸侧电源的有功功率和无功功率，电压维持稳态3s，稳态运行至 3s时并网合闸，负载由船侧发电机转移至岸侧负载，船侧和岸侧并网，系统由PQ控制转换至V/F控制。

图8 基于传统V/F控制的岸电系统并网波形图

图9 基于神经NARMA-L2的岸电V/F控制系统并网波形图

如上图所示，传统V/F控制并网前电压为585V，3s时刻并网合闸电压骤降，经过0.35s调整后平稳于525V，电压瞬态波动较大，稳态误差为-60V。基于神经网络V/F控制并网前电压为585V，3s时刻并网合闸电压下降，经过0.3s调整后平稳于540V，电压波动为-45V，经神经NARMA-L2控制器优化后的并网电压波动显著减少，电压恢复速度有所提升。取四次实验数据进行统计，具体结果如表2所示。

表2 并网过程中的控制效果(①传统V/F控制，②神经网络V/F控制)

4.3.2 负载变化状态仿真

当系统稳定运行至6s时，负载发生变化，电压经过瞬时波动后，在控制器调节下渐趋平稳。

图10 基于传统V/F控制的岸电系统负载变化波形图

如图11所示，传统V/F控制的岸电系统在6s时刻负载由90kW切换至60kW，经过0.3s调整后平稳于547V，电压波动为+23V。基于神经网络V/F控制的岸电系统，在6s时刻负载由90kW切换至60kW，经过0.1s调整后平稳于561V，电压波动为+21V。基于神经网络V/F控制的岸电系统负载切换时刻电压、电流稳态误差显著减少，电压恢复稳定速度提升。取四种负载状况进行仿真比较，具体结果如表3。

图11 基于神经网络V/F控制的岸电系统负载变化波形图

表3 负载变化的控制效果(①传统V/F控制，②神经网络V/F控制)

如表2和表3所示，神经网络V/F控制在并网和负载切换过程中，电压波动幅值相较传统V/F控制波动较小，并网时刻电压波动减少21%～25%，负载切换时刻电压波动减少8%～16%，负载小范围波动时，电压恢复时间减少了40%，提升了电网并网时刻和负载切换时刻的安全性和系统的稳定性。通过多次不同负载状态下的仿真验证，本文所提出的神经网络V/F并网控制策略能够有效提升岸电系统并网后船舶电网的电能质量和稳定性。

5 结论

本文将V/F控制模型和神经NARMA-L2自校正控制器相结合，对岸电并网时刻和负载变换时刻的变频器控制进行优化。基于神经NARMA-L2自校正控制器的岸电V/F控制模型，相较传统的岸电V/F控制模型参数设置更为简单，具有更高的精度和更快的响应速度，减少了并网和负载变化时刻的电压波动，提高了并网系统多稳态精度并具有更好的动态特性，确保了作业人员的安全性和船舶电网的稳定性。通过对岸电整体模型的仿真研究，验证该控制系统的优越性，为船舶岸电并网控制系统的设计和改进研究提供参考。