CC BY
34
УДК 621.314
Нейросетевой алгоритм системы управления топливоподачей дизель-генератора переменной скорости вращения
О.С. Хватов, А.Б. Дарьенков, И.С. Поляков ФГБОУВПО «Нижегородский государственный технический университет имени Р.Е. Алексеева»,
г. Н. Новгород, Российская Федерация E-mail: [email protected]
Авторское резюме
Состояние вопроса: Вопрос о разработке сервопривода управления топливоподачей автономных дизель-генераторов переменной скорости вращения, которые могут применяться для электроснабжения удаленных районов и автономных объектов, в силу своей неизученности представляет научный интерес. Актуальность разработки таких сервоприводов определяется тем, что их применение в составе автономных дизель-генераторов позволяет получить существенную экономию топлива и продлить моторесурс электростанций. Материалы и методы: Имитационная модель дизель-генератора переменной скорости вращения с системой управления топливоподачей на основе нейросетевого алгоритма разработана в пакете МАТ1_Ав. Для обучения нейронной сети использован метод обратного распространения ошибки.
Результаты: Разработаны функциональная схема дизель-генератора переменной скорости вращения на базе синхронного генератора, а также функциональная схема и алгоритм работы интеллектуального сервопривода топливного насоса дизель-генераторной установки переменной скорости вращения.
Выводы: Реализация сервопривода управления топливоподачей на основе нейросетевого алгоритма позволяет осуществлять оптимальное управление дизель-генератором при отсутствии многопараметровой характеристики дизеля и при изменяющихся внешних (атмосферное давление, температура и влажность воздуха) и внутренних (степень износа дизеля, марка и качество топлива) условиях его работы.
Ключевые слова: электростанция, дизель-генератор, синхронный генератор, преобразователь частоты.
Neural Network Algorithm of Control System of Fuel Supply of Frequency Rotation
Diesel Generator Set
O.S. Khvatov, A.B. Daryenkov, I.S. Polyakov Nizhny Novgorod State Technical University, Nizhny Novgorod, Russian Federation E-mail: [email protected]
Abstract
Background: The authors consider the designing problem of control servo-driver of fuel supply of autonomous diesel generators characterized by alternating frequency shaft rotation, which can be applied to power supply of remote areas and autonomous objects. This problem is urgent in science because of the lack of studying. The urgency of the designing a such servo-drivers is defined by means of the fact, that their application as a part of autonomous diesel generators allows to receive the essential fuel economy and prolong engine potential period of electric power stations. Materials and methods: The imitating model of the diesel generator characterized by alternating frequency rotation of shaft with the control system of fuel supply on the basis of neural network algorithm is developed in MATLAB. For training the neural network the method of the return mistake distribution is used.
Results: The functional scheme of the diesel generator of frequency rotation based on a synchronous generator as well as the functional scheme and operation work of intellectual servo-drive of fuel pump of frequency rotation diesel generator set are developed.
Conclusions: Servo-driver implementation of fuel supply control on the basis of neural network algorithm allows to provide the optimum control of the diesel generator in the absence of the multiparameter characteristic of the diesel and at changing external (atmospheric pressure, temperature and humidity of air) and internal (wear degree of the diesel, brand and fuel quality) conditions of its operation.
Key words: electric power station, diesel generator, synchronous generator, converter.
Системы «дизель-генератор» (Д-Г) строятся, как правило, на базе синхронных генераторов (СГ). Требование обеспечения стабильной частоты выходного напряжения (f1 = const) СГ обусловливает необходимость стабилизации скорости вращения (со) вала дизеля независимо от мощности нагрузки (P). Такой режим работы дизеля является неоптимальным с точки зрения потребления топлива. Оптималь-
ного режима работы дизеля можно достигнуть, если с изменением Р изменять ю дизеля [1].
Исследования показывают, что уменьшение ю при снижении нагрузки позволяет сократить удельный расход топлива на 20-30 %. Одновременное изменение ю и Р нагрузки обеспечивает также оптимальный тепловой режим работы дизеля, снижение износа и, следовательно, повышает его моторесурс. Од-
нако при этом должно выполняться требование f1 = const при ю = var.
Построение системы Д-Г с переменной ю возможно на базе преобразователя частоты (ПЧ) (рис.1) [2].
Устройство работает следующим образом. Интеллектуальный сервопривод управления топливоподачей, представленный блоком 7, получает сигнал с блока вычисления мощности нагрузки 15, который соединен с выходами датчика напряжения 14 и датчика тока 4, измеряющими соответственно напряжение и ток на выходе ПЧ 3. В зависимости от значения мощности нагрузки блок 8 задания экономичного режима (ЗЭР), в программу работы которого заложены оптимальные зависимости скорости вращения дизеля 1 от мощности нагрузки, соответствующие минимальному расходу топлива, формирует сигнал, пропорциональный оптимальной скорости вращения вала дизеля 1. Этот сигнал поступает на вход электропривода 9 перемещения рейки топливного насоса, который поддерживает скорость вращения дизеля 1 на уровне, заданном блоком 8.
Поскольку скорость вращения вала дизеля 1 будет изменяться в зависимости от мощности нагрузки, то амплитуда и частота переменного напряжения СГ 2 будут также при этом изменяться. Стабилизация амплитуды переменного напряжения на выходных выводах 6 на уровне номинального значения для СГ 2 осуществляется с помощью ПЧ 3 и повышающего трансформатора 5.
Стабилизация выходного напряжения ПЧ 3 на заданном уровне осуществляется с помощью блока 12 стабилизации напряжения. Для повышения выходного напряжения на выходных выводах 6 до уровня номинального напряжения СГ 2 на выходе ПЧ 3 установлен повышающий трансформатор 5. Блок 10 возбуждения СГ 2, получающий питание через выводы 11 подключения питания, формирует ток в обмотке возбуждения СГ 2 с учетом сигнала от блока 8 ЗЭР и от датчика напряжения 14.
Частота выходного напряжения на выходных выводах 6 при изменении скорости вращения вала дизеля 1 поддерживается неизменной с помощью ПЧ 3 на уровне, задаваемом блоком 13 задатчика частоты выходного напряжения.
Функциональная схема блока ЗЭР приведена на рис. 2. Блок ЗЭР состоит из четырех основных элементов: контроллера управления (КУ), ассоциативной памяти (АП), контроллера обучения (КО) и энергонезависимой памяти типа Flash, которые объединены общей информационной шиной, допускающей двунаправленный обмен информацией и дальнейшее расширение системы в случае управления несколькими Д-Г.
Важное достоинство нейронных сетей данного типа - способность решать задачу ап-
проксимации табличной функции многих переменных, дополненная процедурой интерполяции (экстраполяции).
8
7
9
12 14
3
4 5
Рис. 1. Функциональная схема системы Д-Г переменной скорости вращения: 1 - дизель; 2 - СГ; 3 - ПЧ; 4 - датчик тока; 5 - повышающий трансформатор; 6 - выходные выводы; 7 - интеллектуальный сервопривод управления топливоподачей; 8 - блок ЗЭР; 9 - электропривод перемещения рейки топливного насоса; 10 - блок возбуждения СГ; 11 - выводы подключения питания блока возбуждения СГ; 12 - блок стабилизации напряжения; 13 - задатчик частоты выходного напряжения; 14 - датчик напряжения; 15 - блок вычисления мощности нагрузки
Рис. 2. Функциональная схема блока ЗЭР: 1 - контроллер обучения (КО); 2 - контроллер управления (КУ); 3 - ассоциативная память (АП); 4 - память данных; 5 - информационная шина
АП модели ЗЭР состоит из трех слоев: входного, скрытого и выходного (рис. 3). Входной слой выполняет нормировку и распределение входных данных. Скрытый слой состоит из двух нейронов, функцией активации которых является гиперболический тангенс. Сигналы нейронов скрытого слоя отображаются в выходной слой линейно. Выходной слой суммирует сигналы скрытого слоя и нормализует их.
В пакете МАНАБ разработана имитационная модель блока ЗЭР, работающая совместно с моделью Д-Г переменной скорости вращения и позволяющая имитировать его работу в статических режимах. Для удобства работы с моделью создан графический интерфейс пользователя. Перед началом имитационного моделирования задается текущее значение мощности нагрузки Р в относительных единицах. Результаты расчета представляют собой значение оптимальной скорости вращения юопт и значение удельного расхода топлива де.
10
13
6
Рис. 3. Структурная схема нейронной сети АП
При расчете значения юопт для текущего значения Р в модели АП производится решение следующих уравнений:
У = Р К Л/1 ' ,чнорм>
x ¡2 = th (XnWn + B¡),
(
Ю„„т =
Z w
4
i2xi2
■B,
• 1/К
где у^,4х2 - входы /-го нейрона слоев 1 и 2 АП соответственно; Кнорм - коэффициент нормализации, служащий для приведения значения мощности нагрузки к единичному базису нейронной сети.
Основными параметрами расчета по приведенным выше формулам являются значения весовых коэффициентов и смещений акти-вационной функции нейрона Б/, определяемых в результате обучения нейронной сети АП.
Обучение нейронной сети АП осуществляется КО (рис. 2), в модель которого заложен алгоритм обратного распространения ошибки, подробно описанный в литературе, посвященной данной тематике [3]. Целью обучения сети в соответствии с данным алгоритмом является такая настройка ее весов, при которой приложение некоторого множества входов приводило бы к требуемому множеству выходов.
На шаге прямого расчета АП осуществляется прямой проход АП от входного слоя к выходному. При этом на входы сети подается входной вектор мощности нагрузки Р. Значения выходов рассчитываются по следующим формулам: м
З(п) = £у(п-1) • Ш(п), /=0
, (п) = +И(Лп)
y j) = th(s(n= Pq, где М - число нейронов в слое n; yn
¡(j-i)
- вы-
ход /-го нейрона (/-1)-го слоя п; хп - вход /-го
нейрона (/)-го слоя п; Рд - компонента д входного вектора Р; юд - компонента д выходного массива скоростей ю.
Для выходного слоя и скрытого слоя п (рис. 4) рассчитывается величина ошибки 5:
5(п) = (у/п) - 4 ) д11, 1 1 ' дЭ/
где 4/ - идеальное (желаемое состояние нейрона).
Также для выходного слоя n рассчитываются изменения весов:
AW(n) = -p-8(n )y (n-1),
где р - коэффициент обучения, выбираемый меньше единицы (для придания «инерционности» процессу обучения).
Расчет повторяется до тех пор, пока
ошибка работы сети АП ЕШ не станет меньше допустимой.
Алгоритм обратного распространения ошибки использует разновидность градиентного спуска, то есть осуществляет спуск вниз по поверхности ошибки, непрерывно подстраивая веса в направлении к минимуму ошибки. Однако в процессе обучения сеть может попасть в локальный минимум. В точке локального минимума все направления градиента ведут вверх, и сеть неспособна из него «выйти». На этот случай в разработанном нами алгоритме обучения предусмотрено смещение одного из текущих значений весовых коэффициентов Wij на некоторую случайную величину. Если повторение данной процедуры несколько раз приведет алгоритм в одно и то же состояние, то можно с уверенностью считать, что найден глобальный минимум и процесс обучения может быть завершен. На рис. 4 приведены кривые изменения функции ошибки ЕШ, весовых коэффициентов W и смещений B¡ в зависимости от количества эпох обучения n (пунктирной линией показан момент достижения допустимой величины ошибки). Необходимым условием для корректного обучения нейронной сети АП является наличие «обучающего множества» - множества логических пар юопт = f(P), полнота и точность значений которого в конечном итоге определяет точность и скорость работы блока ЗЭР в целом. Табличный массив значений юопт = f(P) для дискретных значений P хранится в памяти данных блока ЗЭР (рис. 2). Алгоритм формирования этого массива подробно описан в [4].
На рис. 5 приведена кривая, полученная в результате работы модели ЗЭР совместно с моделью Д-Г типа SDMO DIESEL 4000 E XL (мощность 4 кВт, номинальная скорость вращения 1500 об/мин). При этом система управления топливоподачей Д-Г формирует задание на изменение скорости вращения дизеля с периодом не менее 0,5 с, чтобы скачки напряжения на выходе ПЧ не превышали 5 %. Моделирование проводилось для относительных значений мощностей нагрузки в диапазоне от 0,00 до 1,00 с шагом 0,05 (точками на рис. 5 обозначены дискретные значения, рассчитанные с помощью КО; сплошной линией показана непрерывная зависимость юопт = f(P), полученная на основе дискретных значений с помощью АП). При этом значения юопт, рассчитанные с помощью АП, отличаются от дискретных значений, определенных КО для соответствующих
значений P, на величину, не превышающую 0,03 % от номинального значения скорости вращения ю вала дизеля.
Wi3S
1.5 —___1-
0.5 -
О - -
-;г $ ——_,__—-—------■-/" ■ - ■
-1 - ■
-1.5 — ' - — — ----- — -
о ш» гам зооо 4аоа бооо еооо 7ооо а
б)
Рис. 4. Зависимости ошибки Ею (а), весовых коэффициентов W¡¡ и смещений BJ (б) в функции количества эпох обучения п
Г'Ъгтт 1 оти.ед. ; -
;
:
о 02 04 О В 0.8 1 Р.ота.ед.
Рис. 5. Результат работы модели ЗЭР совместно с Д-Г
Анализ полученных значений показывает, что наибольшая погрешность работы АП приходится на граничные точки диапазона обучения. В случае выхода за его пределы
значения юопт, определяемые АП, в целом согласуются с критериями минимального расхода, не являясь случайными величинами.
Погрешность при этом возрастает по мере удаления от границ диапазона обучения и может достигать единиц процента.
Разработанные при моделировании в Matlab алгоритмы реализуются на базе современной микропроцессорной техники на созданном нами экспериментальном образце Д-Г переменной скорости вращения.
Список литературы
1. Хватов О.С., Дарьенков А.Б., Тарасов И.М. Дизель-генераторная электростанция с переменной частотой вращения вала // Вестник ИГЭУ. - 2010. - Вып. 2. - С. 53-56.
2. Патент 2412513 РФ МПК H 02 J 3/34. Автономная электростанция переменного тока / А.Б. Дарьенков, О.С. Хватов; опубл. 20.02.2011. Бюл. №5.
3. Каллан Р. Основные концепции нейронных сетей. - М.: Изд-во «Вильямс», 2001. - 287 с.
4. Хватов О.С., Дарьенков А.Б., Поляков И.С. Модель задатчика экономичного режима работы дизель-генераторной установки с переменной скоростью вращения // Мат-лы XXX науч.-техн. конф. «Актуальные проблемы электроэнергетики». - Н.Новгород, 2011. - С. 65-70.
References
1. Khvatov, O.S., Dar'enkov, A.B., Tarasov, I.M. Dizel'-generatornaya elektrostantsiya s peremennoy chastotoy vrashcheniya vala [Diesel-generator Electric Power Station of Frequency Shaft Rotation]. Vestnik IGEU, 2010, issue 2, pp. 53-56.
2. Dar'enkov, A.B., Khvatov, O.S. Avtonomnaya elektrostantsiya peremennogo toka [Autonomous Electric Power Station of Alternating Current]. Patent RF, no. 2412513, 2011.
3. Kallan, R. Osnovnye kontseptsii neyronnykh setey [Main Concepts of Neural Networks]. Mockow, Vil'yams, 2001. 287 p.
4. Khvatov, O.S., Dar'enkov, A.B., Polyakov, I.S. Model' zadatchika ekonomichnogo rezhima raboty dizel'-generatornoy ustanovki s peremennoy skorost'yu vrashcheniya [Model of a Set-point Device of Economic Operating Mode of Diesel-generator Set of Frequency Shaft Rotation]. Materialy XXX nauchno-tekhnicheskoy konferentsii «Ak-tual'nye problemy elektroenergetiki» [Materials of the XXXth Scientific and Research Conference «Urgent Issues of Power Engineering»]. Nizhniy Novgorod, 2011, pp. 65-70.
Хватов Олег Станиславович,
ФГБОУВПО «Нижегородский государственный технический университет имени Р.Е. Алексеева», доктор технических наук, профессор кафедры электрооборудования судов, телефон (831) 4-36-17-68, e-mail: [email protected]
Дарьенков Андрей Борисович,
ФГБОУВПО «Нижегородский государственный технический университет имени Р.Е. Алексеева», кандидат технических наук, декан факультета автоматики и электромеханики, телефон (831) 4-36-93-59; e-mail: [email protected].
Поляков Иван Сергеевич,
ФБОУВПО «Волжская государственная академия инженеров водного транспорта», аспирант кафедры электротехники и электрооборудования объектов водного транспорта, телефон (831) 4-19-34-39, e-mail: [email protected]
