电力系统控制是一个非常复杂的控制问题。近30年来，已经出现了线性最优控制、自适应控制、H∞鲁棒控制、智能控制等。最近，模糊逻辑（FL）、神经网络（NN）、遗传算法（ GA）、模拟退火法（SA）、DNA算法等智能技术集成的混合智能系统（ HIS）在电力系统也有了一定的研究和应用。 HIS利用了各种智能技术的特点，如FL的知识表达和推理能力，NN的知识获取、学习及适应、非线性映射与容错能力， GA的知识获取、优化能力等，并将这些能力有机结合，为解决电力系统的很多问题提供了一个较好的方法。

　　船舶电力系统的主要特点是发电机容量较小，负载容量相对较大；多台机组并联工作，并联和解列的转换比较频繁。这决定了船舶电站的运行状态是一系列动态过程的连续，很难有所谓真正的稳态过程。在系统设计过程中，会遇到非线性动态问题，因此，根据智能控制理论来设计控制器的优势将显得尤为突出。

　　目前，船舶()电力系统励磁控制回路中采用的是传统的PID控制，传统的PID控制具有很多优点，如对数学模型要求不高、控制算法结构简单、实现手段方便，且比较成熟，容易被设计者采用。

　　不足之处就在于它是在某一特定条件下整定完成的。基于神经网络的模糊自适应PID控制方案，一方面利用模糊逻辑的“概念”抽象能力和非线性处理能力，另一方面利用神经网络的自学习能力和任意函数的逼近能力，通过两者的有机结合寻找一个最佳的PID非线性组合控制规律，实现对未知对象进行在线控制。

　　1智能PID控制器在船舶发电机控制系统中的应用为了解决船舶发电机在负荷变化尤其是大负荷变化时能更好地稳定发电机端电压的问题，设计一种基于BP神经网络的自适应智能PID控制器，利用神经网络的自学习能力，PID控制器的参

　　数能够根据系统动态特性通过神经网络权系数进行自调整。智能PID控制器由三层前馈神经网络组成，其特点是结构简单、工作稳定，其系统结构框图如所示。该系统由以下四部分组成：（1）传统的PID控制器： PID控制器和发电机构成一个闭环控制系统， PID参数由神经网络实现在线调整。

　　（2）模糊量化：对系统的变量进行模糊化。

　　（3）神经网络NN 1：进行系统辨识，为NN 2提供发电机组动态过程信息。

　　（4）神经网络NN 2：得到系统最优控制下的PID控制器参数。

　　1. 1模糊量化通过采样r （ t）和y （ t） ，再计算系统误差e（ t） = r（ t） - y （ t） .将e（ t）进行模糊化得到{ E} ，送入神经网络NN 2。2辨识神经网络NN 1 NN 1进行系统辨识，为NN 2提供必要的信息。

　　由于船舶发电机励磁系统是单输入单输出非线性系统，输入发电机励磁，输出发电机机端电压。

　　所以，设控制对象为单输入单输出非线性系统：y （ k） = f < y （ k - 1） ，…， y （ k - n） ，u （ k - 1） ，…， u （ k - m） >其中： y、u分别为输出信号和输入信号； n、m分别为{ y （ k） }和{ u （ k） }的阶次； f 为非线性变换函数。设用来系统辨识的神经网络NN 1采用一个具有输入层、隐层、输出层的三层神经网络，如所示。对系统辨识采用串并联辨识模型，将{ y （ k） }和{ u （ k） }作为模式特征。在此神经网络中，输入层有（ n + m）个节点，隐层有r个节点，输出层只有1个节点。

　　NN 1网络的输入层有O（ I）i（ k） = y （ k - i）u （ k - i + n）0≤i≤n - 1 n≤i≤n + m - 1 O（ I）（ n + m）（ k）≡11 NN 1网络的隐层有I（ h）j =∑n+ m i = 0 V ji O（ I）i（ j = 0，1，…， R - 1）O（ h）（ j）（ k） = f < I（ h）（ i）（ k） > ， O（ h）（ r）（ k）≡1非线性变换函数f （ x）取双曲正切函数，即f （ x） = 1 - e - x 1 + e - x NN 1网络的输出层有^y （ k + 1） =∑R j = 0 W j O（ h）j（ k）式中：{ V ji }为隐层权系数； V j（ n + m） =θj为阈值；上标（ I）、（ h）分别为输入层、输出层；{ W j }为输出层权系数， W R为阈值。

　　利用BP学习算法来修正权和阈值，取指标函数J I = 1 2∑p y （ k + 1） - ^y （ k + 1）2并使之最小化，可得到修正公式ΔW j（ k + 1） =αy （ k + 1） - ^y （ k + 1）O（ h）j（ k） +βΔW j（ k）ΔV ji（ k + 1） =αy （ k + 1） - ^y （ k + 1）f′（ I（ h）j（ k） ） W j（ k） O（ h）i（ k） +βΔV ji（ k）其中：α为学习率；β为惯性系数；α及β在（0，1）上：f′（ x） = < 1 - f 2（ x） > 2 1。

　　3自适应神经网络NN 2通过神经网络NN 2得到系统最优控制下的PID控制器参数。

　　用G（？）描述PID输出，即u （ k） = G< u （ k - 1） ， K p， K i，K d， e（ k） ， e（ k - 1） ， e（ k - 2） > G（？）为与K p， K i， K d， e（ k） ， e（ k - 1） ， e（ k - 2） ，u （ k - 1） ， y （ k）等有关的非线性函数，在此用BP神经网络NN 2通过训练和学习来找到最佳控制规律。

　　用来得到系统最优控制下的PID控制器参数的神经网络NN 2也采用一个具有输入层、隐层、输出层的三层神经网络，如所示。在此神经网络中，输入层有S个节点，隐层有H个节点，输出层有3个节点。NN 2网络的输入层有O（1）i = E（ k - i）

　　i = 0，1，…， S - 1 O（1）s≡1 NN 2网络的隐层有I（2）j（ k） =∑s i = 0 V ji O（1）i（ k）O（2）j（ k） = f < I（2）j（ k） >j = 0，1，…， H - 1 O（2）H≡1 NN 2网络的输出层有三个节点，即I（3）l（ k） =∑H j = 0 w ij O（2）j（ k）

　　l = 0，1，2 O（3）l（ k） = g< I（3）l（ k） > O（3）1 = K p， O（3）2 = K i， O（3）3 = K d式中：{ V ji }为隐层权系数； V js =θj为阈值；上标（1）、（2）、（3）分别代表输入层、隐层、输出层；{ W j }为输出层权系数； W lh =θl为阈值。

　　同样隐层非线性变换函数f （ x）取双曲正切函数，即f （ x） = 1 - e - x 1 + e - x输出非线性变换函数g（ x）取Sigmoid函数：g （ x） = 1（1 + e - x）性能指标函数取J c = 1 2∑p < r （ k + 1） - y （ k + 1） > 2用最陡下降法来修正网络的权系数Δw ij（ k + 1） = -η5 J c 5 w ij +γΔw ij（ k）其中： p为学习长度；η为学习速率；γ为惯性系数。

　　由于5 J c 5 w ij = 5 J c 5 y （ k + 1）？5 y （ k + 1）5 u （ k）？

　　5 u （ k）5 O（3）l（ k）5 O（3）l（ k）5 I（3）l（ k）5 I（3）l（ k）5 w lj用5 ^y （ k + 1）5 u （ k）替代5 y （ k + 1）5 u （ k），而5 ^y （ k + 1）5 u （ k）可以从辨识神经网络NN 1中求出，即5 ^y （ k + 1）5 u （ k）=∑R - 1 j = 0 5 ^y （ k + 1）5 O h j（ k）5 O h j（ k）5 I j（ k）5 I j（ k）5 u （ k）=∑R - 1 j = 0 w j（ k）？

　　f′< I j（ k） >？

　　V jn（ k）所以有l = 1时对应K p = 5 u （ k）5 O（3）1 = e（ k） - e（ k - 1）l = 2时对应K i = 5 u （ k）5 O（3）2 = e（ k）l = 3时对应K d = 5 u （ k）5 O（3）3 = e（ k） - 2 e（ k - 1） + e（ k - 2）这样，就可以获得PID的三个参数K p、K i、K d。

　　修正公式Δw lj（ k + 1） =ηδ1 O（2）j（ k） +γΔw lj（ k）j = 0，1，…， HΔV ji（ k + 1） =ηδj O（1）i（ k） +γΔV ji（ k）i = 0，1，2，3其中：δl = e（ l + 1）5 ^y （ k + 1）5 u （ k）5 u （ k）5 O（3）l（ k）g′< I（3）l（ k） > l = 0，1，2δj = f′< I（2）j（ k） >∑3 l = 1δl w ljj = 0，1，…， H - 1式中：g′（ x） = g （ x） < 1 - g（ x） > f′（ x） = 1 - f 2（ x）2船舶发电机控制系统仿真实例以某条大型集装箱船舶发电机系统为对象进行仿真研究。

　　实船提供的实际发电机组参数如下：P n = 2 200 kW， U n = 450 V， N n = 720 n/ min，f n = 60 Hz，cosφn = 0。

　　8， X d = 1。

　　91， X q = 1。

　　91， X′d = 0。

　　208， X″d = 0。

　　157， X″q = 0。

　　157，t′d 0 = 1。

　　148 s， t″d 0 = 0。

　　124 s。

　　为了获得本系统训练数据，对该大型集装箱船舶发电机实际系统先进行传统建模，记录大量的系统输入输出数据，并把这些数据作为训练此智能PID控制器的样本。以实际船舶提供的实际测试数据和《钢质海船建造及入级规范》对主发电机动态电压变化率和静态电压变化率的要求为依据来评判该智能PID控制器的使用效果。主发电机突减或突加50 %负载，主发电机动态电压变化率应在±15 %以内，电压恢复时间不超过1。5 s，同时静态电压变化率应在±2。5 %以内。突卸50 %负载电压变化，仿真曲线。突加50 %负载电压变化。

　　根据仿真结果可以看出：突卸50 %负载，发电机动态电压最高峰值达到490 V，变化率约+ 9 % ，在0。18 s时间内能进入稳定范围，主发电机静态电压变化率小于2。5 % ，完全满足“规范”要求。

　　根据仿真结果可以看出：突加50 %负载，发电机动态电压最低峰值达到410 V，变化率约- 9 % ，在0。18 s时间内能进入稳定范围，主发电机静态电压变化率小于2。5 % ，完全满足“规范”要求。

　　由分析可知，该智能PID控制器具有较好的控制效果和鲁棒性，满足《钢质海船建造及入级规范》要求和实船的实测数据要求。

　　3结束语船舶发电机端电压由励磁控制系统来稳定，发电机和励磁控制系统都是非常复杂的非线性动态系统。本文提出的智能PID控制器可以解决船舶发电机在负荷变化尤其是大负荷变化时能更好地稳定发电机端电压的问题。这是一种基于BP神经网络的自适应智能PID控制器，利用神经网络的自学习能力，使PID控制器的参数P、I、D能够根据系统动态特性通过神经网络权系数进行自调整，其特点是结构简单、工作稳定。分析此PID控制器得到的仿真结果，可得出此PID控制器具有对系统扰动响应速度快和具有较好的控制效果和鲁棒性，在负载变化的情况下，能很好地稳定发电机端电压。该智能PID控制器已用于轮机模拟器船舶发电机控制系统中，并取得了满意的效果。