[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

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 PDF

Info

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
Application number
CN202111207951.2A
Other languages
English (en)
Other versions
CN113867151B (zh
Inventor
李铁磊
李健
王志涛
明亮
李淑英
马佳毅
高楚铭
关天皓
骆嘉凡
王静
张靖凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202111207951.2A priority Critical patent/CN113867151B/zh
Publication of CN113867151A publication Critical patent/CN113867151A/zh
Application granted granted Critical
Publication of CN113867151B publication Critical patent/CN113867151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive 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
    • G05B13/042Adaptive 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

一种基于SDNN-MPC的燃-燃联合动力装置负荷分配控制方法
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:
Figure BDA0003307486970000021
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:
Figure BDA0003307486970000022
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:
Figure BDA0003307486970000023
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:
Figure BDA0003307486970000031
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:
Figure BDA0003307486970000041
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:
Figure BDA0003307486970000042
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:
Figure BDA0003307486970000043
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:
Figure FDA0003307486960000011
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:
Figure FDA0003307486960000012
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:
Figure FDA0003307486960000021
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。
CN202111207951.2A 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 Active CN113867151B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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