神经网络在船舶柴油发电机转速控制应用

2015-03-04陈正昂施振华

防爆电机 2015年3期

陈正昂，施振华

(青岛远洋船员职业学院机电系，山东青岛266071)

0 引言

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。柴油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，通过调节柴油机的供油量起到调节柴油机组转速定速控制作用［1］。

1 Elman 网络结构

Elman 神经网络［2］包含一个双曲正切S 型隐含层和一个线性输出层，S 型隐含层接收网络输入和自身的反馈，线性输出层从S 型隐含层得到输入。由于Elman 网络是S 型/线性(sigmoid/linear)网络，它能够表达包含有限个不连续点的函数。又因为它们有一个反馈连接，所以它被训练后不仅能够识别和产生空间模式，还能够识别和产生时间模式，对于多输入多输出网络，设上下文层的输出为yc(k)，隐合层的输入和输出分别为x0(k)，网络在外部输入时间序列x(A)作用下的网络输出序列为y(A)，则有

式中，W1—输入层与隐含层间的连接权值;W2—隐含层与输出层间的连接权值;f(·)—S 型激活函数［2］。当Elman 神经网络的上下文层存在增益为a 的自反馈连接时，称为改进型Elman 神经网络。此时，网络能模拟更高阶的动态系统，基于上下文层的输出yc(k)仍变为

Elman 神经网络拓扑结构:Elman 型回归神经元网络一般分为4 层:输入层、中间层(隐含层)、承接层和输出层。其输入层、隐含层和输出层的连接类似于前馈网络。承接层又成为上下文层或状态层，具体机构如图1 所示。

图1 Elman 网络的拓扑结构

Elman 型回归神经元网络的特点是隐含层的输出通过输出层的延迟和存储，自连到隐含层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而到达了动态建模的目的。

Elman 神经网络的学习过程如下

式中，y，x，u xc—分别表示m 维输出节点向量;n—n 维中间层节点向量;r—r 维输入向量和n 维反馈状态向量;w3，w2，W1—分别表示中间层到输出层、输入层到中间层、承接层到中间层的连接权值;g(·)—输出神经元的传递函数，是中间层输出的线性组合;f(·)—中间层神经元的传递函数，常采用函数。

式中，˜y(w)—目标输出向量。

2 船舶柴油机转速Elman 网络控制

船舶柴油发电机转速控制系统如图2 所示输出是实际转速，通过调节柴油机的供油量起到调节柴油机组转速定速控制作用。

图2 柴油发电机组转速控制系统结构方框图

船舶柴油发电机转速Elman 神经网络控制代替PID 控制结构如图3 所示。该系统通过训练Elman 神经网络对于PID 控制器进行控制算法的学习。使训练好的Elman 神经网络控制器代替常规PID 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［3］;Elman 神经控制器实现了正常控制，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，这里运用基于Elman 神经网络的串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。

图3 Elman 神经控制器代替PID 进行控制

在船舶电力仿真系统中，应用Elman 神经网络代替PID 串行控制，同步发电机模型采用六阶状态方程模型，该模型不考虑0 轴的派克方程，并规定正方向的定子电流产生正向磁链。也不考虑q 轴阻尼绕组的电磁暂态过程，Tq0'和Xq'两个数据为0。发电机模型用d-q 轴参考模型电路进行描述，如图4 所示，全部的电气变量都是从定子侧看的，上面带有一撇的是折算到定子侧的转子电量。

图4 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［4］

3 控制系统结构仿真

根据本课题的需要用Simulink 设计船舶柴油发电机组控制系统仿真模型，以本文所建立的简化模型作为被控制对象时，即以式(15)表示

为柴油发电机及只执行机构组成的广义被控制对象模型，用模型参考自适应控制器来控制，采样周期为1ms，经过多次仿真试凑，仿真结果如图5(a)、图5(b)所示。由图可见虽然起始处有震荡，但是后面控制的效果还是很好的，输出基本上能够完全跟踪输入。

图5 (a)输出跟踪输入仿真

图5 (b)误差

将本文所采用的神经网络控制器用编程命令生成神经网络控制子系统，并将其用来替代Matlab 中柴油发电机的常规控制器。其结构如图6所示。

图6 柴油发电机组控制结构

下面来看用这个神经网络模型参考自适应控制器来控制船舶柴油发电机转速的仿真结果。图7是用该神经网络模型参考自适应控制器来控制船舶柴油发电机转速的仿真结果，我们将它与用PID 控制器控制的仿真结果对比一下，从图中我们可以看出，用神经网络控制器来控制船舶柴油发电机的转速使柴油原动机的转速动态特性响应速度加快了，而超调量并没有变坏，还附带改善了船舶柴油发电机输出机械功率和发电机电压的动态特性。