船舶柴油發電機轉速的BP-PID并行控制

丁茂森 張艷

（上海海事大學物流工程學院，上海 201306）

0 引言

目前，船舶柴油發電機轉速控制系統中仍然采用經典PID反饋控制，并作為船舶發電機組的主要控制方式。在船舶電能的產生與運用過程中，由于系統的大功率發電機組往往具有強耦合性、不確定性、時變性、非線性、信息不完整性和大的純滯后等特性[1]，柴油發電機組的控制采用PID規律很難再進一步提高電力系統的供電質量。隨著船舶發電機組向著大容量和全自動化方向發展，迫切需要運用一些先進控制方法提高發電機控制質量[2]，以解決發電機組的穩定性、準確性和快速性方面的問題。

針對PID控制器的不足，許多學者提出了基于PID的新的控制算法，如模糊PID控制、PID神經網絡控制、變結構控制算法等[3]，而這些算法在工程上應用還需要進一步的研究，才能應用于實踐。如模糊PID雖然不依賴于模型，但對模型規則的確定和優化是比較困難的；變結構體算法的抖振問題至今仍然沒有得到很好的解決[4]。

柴油發電機組具有一定的非線性特性，船舶同步發電機是一個強耦合的非線性電磁系統，而BP神經網絡對非線性系統具有強擬合性。本文主要采用一種將經典的PID控制[5]與BP神經網絡并行運行的的控制方法，通過BP神經網絡在函數擬合與系統建模方面的高精度性，可以對船舶發電機組轉速控制系統進行很好的訓練與學習，然后形成神經網絡控制器，同時，PID控制器在BP網絡的基礎上實現對系統的有效控制，通過調節柴油機機組轉速值，維持電網的電網頻率穩定。

2 BP網絡與PID并行控制系統設計

2.1 柴油發電機轉速控制系統模型

船舶電力系統中，同步發電機由柴油機驅動發出電功率，船舶柴油發電機的控制由轉速控制和勵磁控制兩部分組成。柴油發電機組控制系統的特性直接影響船舶電力系統的供電質量，其轉速控制直接影響發電機的有功功率輸出和船舶電力網頻率的穩定性。船舶柴油發電機轉速控制系統如圖1所示，輸出是實際轉速，控制器常用的是PID控制器，通過調節柴油機的供油量起到調節柴油機組轉速定速控制作用。

圖1 柴油發電機轉速控制系統框圖

在柴油發電控制系統[4]仿真與分析中，常采用簡化后的柴油機與調速系統模型，它們分別采用二階環節進行組合建模。主控制器與放大單元構成比例微分加二階慣性環節的控制單元，通過調節柴油機油門執行器達到轉速的調節作用。然后，柴油機的輸出轉速通過積分環節轉換為轉矩，再加上柴油機的延時特性，所以該轉矩通過機組的延時環節后再與乘法器的轉速信號相乘，得到轉矩功率信號，發電機在這個轉矩功率驅動下發出電功率。可以得到包括傳統的PID控制器的船舶柴油發電機組轉速控制系統的傳遞函數為

本文研究的船舶柴油發電機轉速控制系統中的相關參數為：

2.2 BP神經網絡算法

神經網絡[6]在控制系統系統中通常與其它控制器配合作為被控制對象的辨識器，用于辨識被控制對象的雅克比參數，或者狀態反饋參數等，并把辨識出來的參數傳輸給控制器，用于實時調整控制器參數。神經網絡經過離線辨識和訓練后再進行在線辨識。根據神經網絡與辨識對象連接的方式不同可以分為正辨識與逆辨識。下面將對神經網絡原理，即用BP神經網絡對執行器和柴油發電機所構成的廣義被控對象進行正向離線辨識，從而設計合適的控制系統辨識器。

BP神經網絡辨識的輸入均為控制器在每一個采樣時刻k的輸出u(k)，及船舶柴油發電機中柴油原動機的輸出角頻率y在每一采樣時刻k的輸出ym(k)。BP神經網絡的輸出為y(k)，目標值E將用于調節BP神經網絡控制器的參數值。

BP網絡是一種包含輸入層、隱含層和輸出層的前饋型網絡。每一層神經元的狀態只影響下一層神經元的狀態。它是前饋型網絡的核心部分。輸入層的神經元算法是各個輸入的加權和，隱含層的神經元算法是雙曲正切S型函數，輸出層的神經元算法[7]也是各個輸出層輸入的加權和。

本文采用的3層BP神經網絡結構，框圖如圖2所示，下面僅就其原理作說明。

圖2 三層BP神經網絡結構圖

圖中BP神經網絡的輸入為kx即采樣的得到的u(k)和輸出ko，隱層ky，權值kw，kv為權值向量，這里對于輸出層，有：

對于隱層，有：

以上兩式中，變換函數f(x)單極性Sigmoid函數：

當網絡輸出o與期望輸出不等時，存在輸出誤差E，定義如下式

將上式代入隱層，并進一步代入輸出層，采用梯度下降算法，修改權值w,v使得誤差E最小或者小到一定程度，權值按下式進行調整：

2.3 BP-PID并行控制設計

按BP-PID并行控制的設計原理，構建船舶柴油發電機組轉速BP-PID并行控制系統，構成的SISO控制系統結構如圖3所示。該系統在PID系統控制器的基礎上，再并聯一個BP神經網絡控制器，形成BP-PID并行控制系統，BP神經網絡控制器和PID控制器并行控制發電機組。BP神經網絡控制器通過系統在PID控制器作用下在線學習，在線調整權值，使反饋誤差趨近于零和PID控制器的輸出趨近于零，從而使BP神經網絡控制器逐漸在控制中占據主導地位。BP-PID并行控制中，控制算法并不是PID控制器的簡單復制，BP-PID并行控制對象的動態逆模型中包含有PID控制、系統執行單元等廣義被控對象的信息。并行控制的PID控制器作用是為了評判BP控制器的性能，同時增強系統的穩定性，并抑制擾動；對于反饋控制器，雖然最終輸出為零，但反饋控制器仍然存在于系統中，一旦系統出現特殊干擾，反饋來之前仍然可以重新起作用。即常規控制器在一定程度上還具有反饋控制作用，保證系統的穩定性，抑制擾動。BP控制能夠減少了系統動作的突變，同時PID單獨控制時，增益K的值在很大程度上能決定控制效果，而采用BP-PID并行控制時，控制效果對增益K的依賴程度下降，其值只需要在一個合理的范圍內即可，從而在K值整定上不需要更多的已知條件，而有利于增加系統的魯棒性。

圖3 船舶柴油發電機組轉速BP-PID并行控制系統結構

3 仿真及結果分析

2.1 仿真參數設置

在本文的船舶柴油發電機轉速控制的仿真系統[3]中，船舶發電機的額定功率為3.125 MW，額定電壓為6.6 kV，頻率為60 Hz。在Simulink下對船舶柴油發電機轉速進行BP-PID并行控制，Simulimk仿真模塊如圖4所示。

圖4 BP-PID并行控制仿真框圖

控制系統的PID參數為：比例系數為8，積分系數為25，微分系數為0.25；其中輸入wref(pu)是轉速給定標稱值，w(pu)是轉速實際測量標稱值，輸出Pmec(pu)是柴油機的輸出轉矩功率標稱值。BP神經網絡算法用Matlab的m文件格式實現，時鐘信號Clock實現BP神經網絡取值的初始化。柴油機輸出機械轉矩功率，用于驅動同步發電機發出電功率。

在Matlab中編寫算法并形成M文件，實現并行控制系統中的BP神經網絡控制部分的系統辨識(BPNNI)和神經網絡控制器(BPNNC)，其中系統辨識的仿真過程中參數設BP神經網絡參數取η=0.20、α=0.05。

3.2 系統辨識與誤差分析

圖5 BP-PID參數辨識與誤差曲線

經過多次系統辨識仿真，對PID控制與BP-PID控制下系統參數辨識和期望與實際輸出誤差的仿真結果如圖5所示，其中，上圖中虛線表示純PID控制時系統的辨識的效果曲線，實線則為BP-PID控制時的辨識曲線；下圖中虛線表示PID控制下系統實際輸出與期望輸出的誤差波動曲線，實線BP-PID控制下系統實際輸出與期望輸出的誤差波動曲線。由圖可見，BP-PID并行控制下，系統辨識效果更接近于期望狀態，所以要好

于純PID控制系統，而且在BP-PID并行控制下的期望與實際輸出的誤差除在剛啟動時波動較大外，隨著時間的推移，波動會逐漸變小，不會再出現較大波動，而純PID控制的波動效果明顯比前者差。即BP-PID并行控制雖然起始處都有震蕩，但是后面控制的效果兩者都還是比較好的，輸出能夠更好的跟蹤輸入。

3.3 純PID與BP-PID并行控制效果比較

圖6 (a) PID控制系統柴油發電機轉矩功率輸出曲線

圖6 (b) PID控制系統柴油發電機轉速輸出曲線

圖7 (a) BP-PID并行控制系統轉矩功率輸出曲線

圖7 (b) BP-PID并行控制系統柴油發電機轉速輸出曲線

仿真結果如圖6所示，同時，我們可以看到純PID控制器作用下的柴油發電機組的轉矩功率以及轉速仿真曲線如圖7所示。對于純PID控制來說，圖形曲線有明顯的尖峰，輸出波形不光滑、連續性比較差，系統的的動態過程不理想。而從BP-PID并行控制器作用下的系統輸出曲線可以看出波形的連續程度與光滑性有了很大的改善，系統動態過程的超調量減小。通過比較BP-PID并行控制純PID控制的動態過程，特別是從控制系統的過渡過程特性來看，BP-PID并行控制系統在過渡過程特性的連續性上有了明顯的改善，特性沒有明顯的尖峰突變；系統的準確性有較大提高，最大動態偏差有一定的減小。

4 結論

本文主要采用BP神經網絡控制器與PID控制器相結合的方法對船舶柴油發電機轉速系統進行控制，經過神經網絡控制器的不斷訓練學習，控制器獲取船舶柴油發電機轉速系統的模型，并逐漸地由BP神經網絡控制器占主要控制作用，從而達到對系統的實時控制。從仿真結果可以看出：

1) 相比PID控制，BP-PID并行控制對柴油發電機轉速控制具有很小的超調量和更加平滑穩定的變化曲線，因此，其具有較好的動態效應特性和穩態特性；

2) BP-PID并行控制即較好地繼承了傳統的PID控制的優點，又兼具了BP神經網絡精準的學習辨識能力，因此在被控對象模型參數準確度不高時仍能很好的實現控制功能；

3) 在采用BP-PID并行控制時，由于網絡學習與辨識需要花費時間，所以，雖然其能夠取得以上很好的動態特性和穩態特性，但是，其調整時間還是有待改善。

[1]O P Malik．Artificial intelligence techniques and apllied to adaptive power system stabilizer design.IEEE Power Engineering Society General Meeting,2006, p.1-7.

[2]黃曼磊, 唐嘉亨, 郭鎮明. 柴油機轉速系統的數學模型[J]. 哈爾濱工程大學學報, 1997, 18(6): 1-5.

[3]施偉鋒．船舶柴油發電機組雙回路系統神經網絡控制研究[J]. 哈爾濱工業大學學報, 2005, 26(5):570-575．

[4]施偉鋒．基于RBF神經網絡的船舶發電機建模[J].信息技術, 2004, 28(4): 1-4．

[5]劉金琨. 先進PID控制MATLAB仿真[M]. 北京: 電子工業出版社, 2004.

[6]胡伍生.神經網絡理論及其工程應用[M]. 北京: 測繪出版社, 2006.

[7]胡金濱, 唐旭清．人工神經網絡的BP算法及其應用[J].信息技術, 2004, 28(4): 1-4．