船舶柴油发电机转速的BP-PID并行控制

丁茂森 张艳

（上海海事大学物流工程学院，上海 201306）

0 引言

目前，船舶柴油发电机转速控制系统中仍然采用经典PID反馈控制，并作为船舶发电机组的主要控制方式。在船舶电能的产生与运用过程中，由于系统的大功率发电机组往往具有强耦合性、不确定性、时变性、非线性、信息不完整性和大的纯滞后等特性[1]，柴油发电机组的控制采用PID规律很难再进一步提高电力系统的供电质量。随着船舶发电机组向着大容量和全自动化方向发展，迫切需要运用一些先进控制方法提高发电机控制质量[2]，以解决发电机组的稳定性、准确性和快速性方面的问题。

针对PID控制器的不足，许多学者提出了基于PID的新的控制算法，如模糊PID控制、PID神经网络控制、变结构控制算法等[3]，而这些算法在工程上应用还需要进一步的研究，才能应用于实践。如模糊PID虽然不依赖于模型，但对模型规则的确定和优化是比较困难的；变结构体算法的抖振问题至今仍然没有得到很好的解决[4]。

柴油发电机组具有一定的非线性特性，船舶同步发电机是一个强耦合的非线性电磁系统，而BP神经网络对非线性系统具有强拟合性。本文主要采用一种将经典的PID控制[5]与BP神经网络并行运行的的控制方法，通过BP神经网络在函数拟合与系统建模方面的高精度性，可以对船舶发电机组转速控制系统进行很好的训练与学习，然后形成神经网络控制器，同时，PID控制器在BP网络的基础上实现对系统的有效控制，通过调节柴油机机组转速值，维持电网的电网频率稳定。

2 BP网络与PID并行控制系统设计

2.1 柴油发电机转速控制系统模型

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如图1所示，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。

图1 柴油发电机转速控制系统框图

在柴油发电控制系统[4]仿真与分析中，常采用简化后的柴油机与调速系统模型，它们分别采用二阶环节进行组合建模。主控制器与放大单元构成比例微分加二阶惯性环节的控制单元，通过调节柴油机油门执行器达到转速的调节作用。然后，柴油机的输出转速通过积分环节转换为转矩，再加上柴油机的延时特性，所以该转矩通过机组的延时环节后再与乘法器的转速信号相乘，得到转矩功率信号，发电机在这个转矩功率驱动下发出电功率。可以得到包括传统的PID控制器的船舶柴油发电机组转速控制系统的传递函数为

本文研究的船舶柴油发电机转速控制系统中的相关参数为：

2.2 BP神经网络算法

神经网络[6]在控制系统系统中通常与其它控制器配合作为被控制对象的辨识器，用于辨识被控制对象的雅克比参数，或者状态反馈参数等，并把辨识出来的参数传输给控制器，用于实时调整控制器参数。神经网络经过离线辨识和训练后再进行在线辨识。根据神经网络与辨识对象连接的方式不同可以分为正辨识与逆辨识。下面将对神经网络原理，即用BP神经网络对执行器和柴油发电机所构成的广义被控对象进行正向离线辨识，从而设计合适的控制系统辨识器。

BP神经网络辨识的输入均为控制器在每一个采样时刻k的输出u(k)，及船舶柴油发电机中柴油原动机的输出角频率y在每一采样时刻k的输出ym(k)。BP神经网络的输出为y(k)，目标值E将用于调节BP神经网络控制器的参数值。

BP网络是一种包含输入层、隐含层和输出层的前馈型网络。每一层神经元的状态只影响下一层神经元的状态。它是前馈型网络的核心部分。输入层的神经元算法是各个输入的加权和，隐含层的神经元算法是双曲正切S型函数，输出层的神经元算法[7]也是各个输出层输入的加权和。

本文采用的3层BP神经网络结构，框图如图2所示，下面仅就其原理作说明。

图2 三层BP神经网络结构图

图中BP神经网络的输入为kx即采样的得到的u(k)和输出ko，隐层ky，权值kw，kv为权值向量，这里对于输出层，有：

对于隐层，有：

以上两式中，变换函数f(x)单极性Sigmoid函数：

当网络输出o与期望输出不等时，存在输出误差E，定义如下式

将上式代入隐层，并进一步代入输出层，采用梯度下降算法，修改权值w,v使得误差E最小或者小到一定程度，权值按下式进行调整：

2.3 BP-PID并行控制设计

按BP-PID并行控制的设计原理，构建船舶柴油发电机组转速BP-PID并行控制系统，构成的SISO控制系统结构如图3所示。该系统在PID系统控制器的基础上，再并联一个BP神经网络控制器，形成BP-PID并行控制系统，BP神经网络控制器和PID控制器并行控制发电机组。BP神经网络控制器通过系统在PID控制器作用下在线学习，在线调整权值，使反馈误差趋近于零和PID控制器的输出趋近于零，从而使BP神经网络控制器逐渐在控制中占据主导地位。BP-PID并行控制中，控制算法并不是PID控制器的简单复制，BP-PID并行控制对象的动态逆模型中包含有PID控制、系统执行单元等广义被控对象的信息。并行控制的PID控制器作用是为了评判BP控制器的性能，同时增强系统的稳定性，并抑制扰动；对于反馈控制器，虽然最终输出为零，但反馈控制器仍然存在于系统中，一旦系统出现特殊干扰，反馈来之前仍然可以重新起作用。即常规控制器在一定程度上还具有反馈控制作用，保证系统的稳定性，抑制扰动。BP控制能够减少了系统动作的突变，同时PID单独控制时，增益K的值在很大程度上能决定控制效果，而采用BP-PID并行控制时，控制效果对增益K的依赖程度下降，其值只需要在一个合理的范围内即可，从而在K值整定上不需要更多的已知条件，而有利于增加系统的鲁棒性。

图3 船舶柴油发电机组转速BP-PID并行控制系统结构

3 仿真及结果分析

2.1 仿真参数设置

在本文的船舶柴油发电机转速控制的仿真系统[3]中，船舶发电机的额定功率为3.125 MW，额定电压为6.6 kV，频率为60 Hz。在Simulink下对船舶柴油发电机转速进行BP-PID并行控制，Simulimk仿真模块如图4所示。

图4 BP-PID并行控制仿真框图

控制系统的PID参数为：比例系数为8，积分系数为25，微分系数为0.25；其中输入wref(pu)是转速给定标称值，w(pu)是转速实际测量标称值，输出Pmec(pu)是柴油机的输出转矩功率标称值。BP神经网络算法用Matlab的m文件格式实现，时钟信号Clock实现BP神经网络取值的初始化。柴油机输出机械转矩功率，用于驱动同步发电机发出电功率。

在Matlab中编写算法并形成M文件，实现并行控制系统中的BP神经网络控制部分的系统辨识(BPNNI)和神经网络控制器(BPNNC)，其中系统辨识的仿真过程中参数设BP神经网络参数取η=0.20、α=0.05。

3.2 系统辨识与误差分析

图5 BP-PID参数辨识与误差曲线

经过多次系统辨识仿真，对PID控制与BP-PID控制下系统参数辨识和期望与实际输出误差的仿真结果如图5所示，其中，上图中虚线表示纯PID控制时系统的辨识的效果曲线，实线则为BP-PID控制时的辨识曲线；下图中虚线表示PID控制下系统实际输出与期望输出的误差波动曲线，实线BP-PID控制下系统实际输出与期望输出的误差波动曲线。由图可见，BP-PID并行控制下，系统辨识效果更接近于期望状态，所以要好

于纯PID控制系统，而且在BP-PID并行控制下的期望与实际输出的误差除在刚启动时波动较大外，随着时间的推移，波动会逐渐变小，不会再出现较大波动，而纯PID控制的波动效果明显比前者差。即BP-PID并行控制虽然起始处都有震荡，但是后面控制的效果两者都还是比较好的，输出能够更好的跟踪输入。

3.3 纯PID与BP-PID并行控制效果比较

图6 (a) PID控制系统柴油发电机转矩功率输出曲线

图6 (b) PID控制系统柴油发电机转速输出曲线

图7 (a) BP-PID并行控制系统转矩功率输出曲线

图7 (b) BP-PID并行控制系统柴油发电机转速输出曲线

仿真结果如图6所示，同时，我们可以看到纯PID控制器作用下的柴油发电机组的转矩功率以及转速仿真曲线如图7所示。对于纯PID控制来说，图形曲线有明显的尖峰，输出波形不光滑、连续性比较差，系统的的动态过程不理想。而从BP-PID并行控制器作用下的系统输出曲线可以看出波形的连续程度与光滑性有了很大的改善，系统动态过程的超调量减小。通过比较BP-PID并行控制纯PID控制的动态过程，特别是从控制系统的过渡过程特性来看，BP-PID并行控制系统在过渡过程特性的连续性上有了明显的改善，特性没有明显的尖峰突变；系统的准确性有较大提高，最大动态偏差有一定的减小。

4 结论

本文主要采用BP神经网络控制器与PID控制器相结合的方法对船舶柴油发电机转速系统进行控制，经过神经网络控制器的不断训练学习，控制器获取船舶柴油发电机转速系统的模型，并逐渐地由BP神经网络控制器占主要控制作用，从而达到对系统的实时控制。从仿真结果可以看出：

1) 相比PID控制，BP-PID并行控制对柴油发电机转速控制具有很小的超调量和更加平滑稳定的变化曲线，因此，其具有较好的动态效应特性和稳态特性；

2) BP-PID并行控制即较好地继承了传统的PID控制的优点，又兼具了BP神经网络精准的学习辨识能力，因此在被控对象模型参数准确度不高时仍能很好的实现控制功能；

3) 在采用BP-PID并行控制时，由于网络学习与辨识需要花费时间，所以，虽然其能够取得以上很好的动态特性和稳态特性，但是，其调整时间还是有待改善。

[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]黄曼磊, 唐嘉亨, 郭镇明. 柴油机转速系统的数学模型[J]. 哈尔滨工程大学学报, 1997, 18(6): 1-5.

[3]施伟锋．船舶柴油发电机组双回路系统神经网络控制研究[J]. 哈尔滨工业大学学报, 2005, 26(5):570-575．

[4]施伟锋．基于RBF神经网络的船舶发电机建模[J].信息技术, 2004, 28(4): 1-4．

[5]刘金琨. 先进PID控制MATLAB仿真[M]. 北京: 电子工业出版社, 2004.

[6]胡伍生.神经网络理论及其工程应用[M]. 北京: 测绘出版社, 2006.

[7]胡金滨, 唐旭清．人工神经网络的BP算法及其应用[J].信息技术, 2004, 28(4): 1-4．