CN113867151A - 一种基于sdnn-mpc的燃-燃联合动力装置负荷分配控制方法 - Google Patents
一种基于sdnn-mpc的燃-燃联合动力装置负荷分配控制方法 Download PDFInfo
- Publication number
- CN113867151A CN113867151A CN202111207951.2A CN202111207951A CN113867151A CN 113867151 A CN113867151 A CN 113867151A CN 202111207951 A CN202111207951 A CN 202111207951A CN 113867151 A CN113867151 A CN 113867151A
- Authority
- CN
- China
- Prior art keywords
- rotating speed
- sdnn
- fuel
- state
- load distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000000446 fuel Substances 0.000 title claims abstract description 18
- 238000002485 combustion reaction Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000009977 dual effect Effects 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000005096 rolling process Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 abstract 1
- 238000011217 control strategy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明的目的在于提供一种基于SDNN‑MPC的燃‑燃联合动力装置负荷分配控制方法,采集各燃气轮机的高压涡轮转速、低压涡轮转速以及螺旋桨转速,以线性变参数模型即LPV作为预测模型,辨识系统当前运行状态,进而预测系统未来时间的功率转移轨迹;采用简化对偶神经网络算法即SDNN在线求解带约束的二次规划,找出当前时刻最佳的燃机的燃油流量;基于滚动优化设计,在每一个控制步长内重复上述操作,实现整个负荷分配控制的优化控制。本发明可实现系统不同燃气轮机间的功率任意比例的平衡,在功率转移过程中,功率转移具有良好的快速性,螺旋桨转速具有较好的稳定性。
Description
技术领域
本发明涉及的是一种发动机控制方法,具体地说是燃气轮机控制方法。
背景技术
近年来,随着世界各国对海洋资源的深度开发和对海洋权益的高度重视,船舶领域技术得到了迅速的发展。燃-燃联合动力装置作为一种功率大、机动性好,工作模式灵活的动力形式被广泛应用于船舶推进。对于燃-燃联合动力装置,控制系统影响着装置整体的运行性能。
现有的负荷分配控制策略主要包括:并列式,主从式,平行功率反馈式,无论采用哪种控制策略,主要基于比例积分微分控制(PID)实现,即使是改进也是在其基础上进行控制参数优化。PID算法通过反馈消除误差。这种控制方式使其调整滞后于动力系统。如果PID参数设置不合理,就会出现功率振荡的现象,功率不能按比例分配。在功率分配过程中,系统的工作状态一般有较大的波动。由于PID不能约束相关变量,无法保证螺旋桨转速的稳定性。模型预测控制(MPC)是一种将系统辨识理论、最优控制理论和自适应控制理论相结合的算法,在石油化工,航空航天领域得到了广泛的研究。随着控制算法与硬件技术的发展,逐渐被应用于燃气轮机控制领域。
发明内容
本发明的目的在于提供可以同时实现燃-燃联合动力装置的各燃机之间的任意比例功率分配的一种基于SDNN-MPC的燃-燃联合动力装置负荷分配控制方法。
本发明的目的是这样实现的:
本发明一种基于SDNN-MPC的燃-燃联合动力装置负荷分配控制方法,其特征是:采集各燃气轮机的高压涡轮转速、低压涡轮转速以及螺旋桨转速,以线性变参数模型即LPV作为预测模型,辨识系统当前运行状态,进而预测系统未来时间的功率转移轨迹;采用简化对偶神经网络算法即SDNN在线求解带约束的二次规划,找出当前时刻最佳的燃机的燃油流量;基于滚动优化设计,在每一个控制步长内重复上述操作,实现整个负荷分配控制的优化控制。
本发明还可以包括:
1、建立LPV模型作为预测模型具体为:
燃-燃联合动力即COGAG系统为典型的非线性时变系统,通过在不同稳态运行点进行小偏差线性化,建立相应稳态点的状态空间模型,选取负荷分配过程的各燃气轮机的高压涡轮转速作为调度参数,建立不同稳态点的状态模型之间的联系,建立燃-燃联合动力系统的线性变参数(LPV)模型,将其作为预测模型,LPV模型形式如下:
其中:nh1、nh2为不同燃机的高压涡轮转速;A,B,C,D为系数矩阵;x0为稳态点的状态向量;y0为稳态点的输出向量;xk为k时刻的状态向量;yk为k时刻的输出向量;δxk=xk-x0;δyk=yk-y0;δuk=uk-u0。
2、所述采用简化对偶神经网络算法即SDNN在线求解带约束的二次规划,具体为:
简化约束条件为燃油流量序列与螺旋桨转速序列,表达式如下:
s.t.l≤CuΔU(k)≤h
其中:ΔU(k)为燃油流量序列;H、G(k+1|k)、Cu为系数矩阵;l、h为约束边界序列;
将目标函数转化为对偶形式,基于库恩塔克即KKT条件进行神经网络设计,神经网络形式表示为:
其中:ε为缩放因子;z为神经元;j(z)为非线性激活函数;E,P,s为系数阵;I为单位阵;
采用简化对偶神经网络求解目标函数的燃油流量序列:
ΔU(k)=Pv-s
其中:v为包含预测系统运行信息的向量。
本发明的优势在于:
1、基于线性变参数(LPV)模型可以准确地对燃-燃联合动力系统的当前运行状态进行辨识,进而预测系统的运行轨迹。
2、由于采用了简化对偶神经网络(SDNN)结合简化约束条件的方法设计模型预测控制(MPC),控制器的执行效率得到提高,更好地适用于燃-燃联合动力系统这类快时变系统。
3、与传统的PID控制相比,在负荷转移过程中,发明的SDNN-MPC控制方法可以减少功率转移时间,同时保证螺旋桨转速的稳定性。
附图说明
图1为本发明的原理图;
图2为LPV模型与机理模型的准确性对比;
图3为负荷分配过程中本发明与传统PI算法对比的功率特性变化曲线;
图4为负荷分配过程中本发明与传统PI算法对比的螺旋桨转速变化曲线;
图5为不同算法执行时间对比。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1-5,燃-燃联合动力系统为非线性系统,对系统的不同稳态运行点进行小偏差线性化,通过最小二乘拟合的方法得到状态空间模型的系数矩阵,从而建立不同稳态点附近的状态空间方程。选取不同燃机的高压涡轮转速作为调度参数,采用双变量辨识的方法识别系统当前的运行状态,建立线性变参数模型,模型表达式如下:
其中:nh1,nh2为不同燃机的高压涡轮转速;A,B,C,D为系数矩阵,系数值与高压转速有关;x0为稳态点的状态向量;y0为稳态点的输出向量;xk为k时
刻的状态向量;yk为k时刻的输出向量;δxk=xk-x0;δyk=yk-y0;
δuk=uk-u0。
采用线性变参数(LPV)模型作为预测模型,设计模型预测控制(MPC)算法。将相邻运行点的状态空间方程作差,可得如下表达式:
Δxk+1=AΔxk+BΔuk
Δyk+1=CΔxk+1+DΔuk
其中:Δxk=xk-xk-1,Δuk=uk-uk-1,Δyk+1=yk+1-yk。
将Δxk+1代入上式,通过递推,可得矩阵形式如下:
其中:Y(k+1|k)=[yk+1,yk+2,…,yk+p]T,表示输出功率预测序列,m为控制时域长度,p为预测时域长度。
以功率分配为目标,将预测控制序列与目标功率序列组成目标函数,形式如下:
J(x(k),ΔU(k))=||Γy(Y(k+1|k)-R(k+1))||2+||ΓuΔU(k)||2
其中:R(k+1)为目标功率序列;ΔU(k)为燃油流量序列;Γy,Γu为权重矩阵。
燃-燃联合动力系统稳定运行的约束条件包括:压气机喘振裕度、燃烧室出口温度、贫油富油熄火燃空比、动力涡轮转速等。通过建模分析系统特性可发现,一旦燃油流量与动力涡轮转速的运行范围合理,即可保证其他边界条件均可满足。本发明将燃油流量与螺旋桨转速(螺旋桨转速与动力涡轮转速之间存在传动比系数比例关系)作为约束条件。将目标函数整理为二次规划的形式:
s.t.l≤CuΔU(k)≤h
其中:H,G(k+1|k),Cu为系数矩阵;l,h为约束边界序列。
将上述二次规划转化为其对偶形式,基于KKT条件建立简化对偶神经网络,神经网络模型可表示为:
其中:ε为缩放因子;z为神经元;j(z)为非线性激活函数;E,P,s为系数阵;I为单位阵。
进一步,采用简化对偶神经网络求解目标函数的燃油流量序列:
ΔU(k)=Pv-s
其中:v为包含预测系统运行信息的向量。
从燃-燃联合动力装置采集各燃机的高压压气机转速、低压压气机转速以及螺旋桨转速作为状态向量元素,将不同燃机的输出功率作为输出向量元素。采用LPV模型作为预测模型具有良好的准确性。
采用简化对偶神经网络(SDNN)求解MPC可提高算法执行效率。设计的控制方法可以通过更改功率分配比例系数,实现系统任意比例的功率分配。
Claims (3)
1.一种基于SDNN-MPC的燃-燃联合动力装置负荷分配控制方法,其特征是:采集各燃气轮机的高压涡轮转速、低压涡轮转速以及螺旋桨转速,以线性变参数模型即LPV作为预测模型,辨识系统当前运行状态,进而预测系统未来时间的功率转移轨迹;采用简化对偶神经网络算法即SDNN在线求解带约束的二次规划,找出当前时刻最佳的燃机的燃油流量;基于滚动优化设计,在每一个控制步长内重复上述操作,实现整个负荷分配控制的优化控制。
2.根据权利要求1所述的一种基于SDNN-MPC的燃-燃联合动力装置负荷分配控制方法,其特征是:建立LPV模型作为预测模型具体为:
燃-燃联合动力即COGAG系统为典型的非线性时变系统,通过在不同稳态运行点进行小偏差线性化,建立相应稳态点的状态空间模型,选取负荷分配过程的各燃气轮机的高压涡轮转速作为调度参数,建立不同稳态点的状态模型之间的联系,建立燃-燃联合动力系统的线性变参数(LPV)模型,将其作为预测模型,LPV模型形式如下:
其中:nh1、nh2为不同燃机的高压涡轮转速;A,B,C,D为系数矩阵;x0为稳态点的状态向量;y0为稳态点的输出向量;xk为k时刻的状态向量;yk为k时刻的输出向量;δxk=xk-x0;δyk=yk-y0;δuk=uk-u0。
3.根据权利要求1所述的一种基于SDNN-MPC的燃-燃联合动力装置负荷分配控制方法,其特征是:所述采用简化对偶神经网络算法即SDNN在线求解带约束的二次规划,具体为:
简化约束条件为燃油流量序列与螺旋桨转速序列,表达式如下:
s.t.l≤CuΔU(k)≤h
其中:ΔU(k)为燃油流量序列;H、G(k+1|k)、Cu为系数矩阵;l、h为约束边界序列;
将目标函数转化为对偶形式,基于库恩塔克即KKT条件进行神经网络设计,神经网络形式表示为:
其中:ε为缩放因子;z为神经元;j(z)为非线性激活函数;E,P,s为系数阵;I为单位阵;
采用简化对偶神经网络求解目标函数的燃油流量序列:
ΔU(k)=Pv-s
其中:v为包含预测系统运行信息的向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111207951.2A CN113867151B (zh) | 2021-10-18 | 2021-10-18 | 一种基于sdnn-mpc的燃-燃联合动力装置负荷分配控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111207951.2A CN113867151B (zh) | 2021-10-18 | 2021-10-18 | 一种基于sdnn-mpc的燃-燃联合动力装置负荷分配控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113867151A true CN113867151A (zh) | 2021-12-31 |
CN113867151B CN113867151B (zh) | 2024-07-05 |
Family
ID=78999947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111207951.2A Active CN113867151B (zh) | 2021-10-18 | 2021-10-18 | 一种基于sdnn-mpc的燃-燃联合动力装置负荷分配控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113867151B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115309050A (zh) * | 2022-08-15 | 2022-11-08 | 哈尔滨工程大学 | 基于双层结构的燃-燃联合动力装置多目标优化控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3091212A1 (en) * | 2015-05-06 | 2016-11-09 | Honeywell International Inc. | An identification approach for internal combustion engine mean value models |
CN108873701A (zh) * | 2018-07-17 | 2018-11-23 | 浙江大学 | 一种基于fpaa模拟神经网络的空分装置快速模型预测控制方法 |
CN110579968A (zh) * | 2019-09-25 | 2019-12-17 | 国家能源集团谏壁发电厂 | 一种超超临界机组深度调峰协调系统预测控制策略 |
-
2021
- 2021-10-18 CN CN202111207951.2A patent/CN113867151B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3091212A1 (en) * | 2015-05-06 | 2016-11-09 | Honeywell International Inc. | An identification approach for internal combustion engine mean value models |
CN108873701A (zh) * | 2018-07-17 | 2018-11-23 | 浙江大学 | 一种基于fpaa模拟神经网络的空分装置快速模型预测控制方法 |
CN110579968A (zh) * | 2019-09-25 | 2019-12-17 | 国家能源集团谏壁发电厂 | 一种超超临界机组深度调峰协调系统预测控制策略 |
Non-Patent Citations (1)
Title |
---|
李铁磊: "燃-燃联合动力装置工作特性仿真研究", 哈 尔 滨 工 程 大 学 学 报, 31 October 2016 (2016-10-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115309050A (zh) * | 2022-08-15 | 2022-11-08 | 哈尔滨工程大学 | 基于双层结构的燃-燃联合动力装置多目标优化控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113867151B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103732895B (zh) | 滑模控制器和内燃机系统控制装置 | |
Jankovic et al. | Robust nonlinear controller for turbocharged diesel engines | |
US9952566B2 (en) | Method for controlling and/or regulating a technical system in a computer-assisted manner | |
US20160108732A1 (en) | Switch gain scheduled explicit model predictive control of diesel engines | |
CN110579962B (zh) | 基于神经网络的涡扇发动机推力预测方法及控制器 | |
CN111679574A (zh) | 一种基于大规模全局优化技术的变循环发动机过渡态优化方法 | |
Bing et al. | Wide-range model predictive control for aero-engine transient state | |
Iwadare et al. | Multi-variable air-path management for a clean diesel engine using model predictive control | |
CN113867151B (zh) | 一种基于sdnn-mpc的燃-燃联合动力装置负荷分配控制方法 | |
Xu et al. | Engine idle speed control using nonlinear model predictive control | |
CN114415506B (zh) | 航空发动机双模跟踪预测控制系统设计方法 | |
Lv et al. | Intelligent ammonia precooling control for TBCC mode transition based on neural network improved equilibrium manifold expansion model | |
CN118011805A (zh) | 基于数据驱动和Tube优化的超超临界机组模型预测控制方法 | |
CN111894752B (zh) | 一种基于模型预测控制算法的柴油机vgt-egr控制方法 | |
So et al. | Temperature control of a regasification system for LNG-fuelled marine engines using nonlinear control techniques | |
Kiakojoori et al. | Dynamie neural networks for jet engine degradation prediction and prognosis | |
Hafaifa et al. | Control of an industrial gas turbine based on fuzzy model | |
Cerri et al. | Inverse methodologies for actual status recognition of gas turbine components | |
Esfahani et al. | Designing and Optimizing Multi-Objective Turbofan Engine Control Algorithm Using Min-Max Method | |
Panda et al. | Sliding mode control of gas turbines using multirate-output feedback | |
CN111443595B (zh) | 基于健康退化的航空发动机增益调度控制器 | |
Lutz et al. | Ukf-based constrained extremum-seeking control with application to a large-bore gas engine | |
CN113807024B (zh) | 一种基于代理模型的燃气轮机最优动态工作点选择方法 | |
Yang et al. | Prediction of Solid Rocket Motor Performance Based on Deep Learning and Ignition Experimental Data | |
Hu et al. | Data-driven model predictive control of Air-fuel Ratio for PFISI engine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |