CN112925201A - 一种基于模型预测控制的船舶推进系统燃油控制方法 - Google Patents

一种基于模型预测控制的船舶推进系统燃油控制方法 Download PDF

Info

Publication number
CN112925201A
CN112925201A CN202110078455.5A CN202110078455A CN112925201A CN 112925201 A CN112925201 A CN 112925201A CN 202110078455 A CN202110078455 A CN 202110078455A CN 112925201 A CN112925201 A CN 112925201A
Authority
CN
China
Prior art keywords
control
propulsion system
model
ship propulsion
model predictive
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
CN202110078455.5A
Other languages
English (en)
Other versions
CN112925201B (zh
Inventor
杨莹
王嘉
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.)
Peking University
Original Assignee
Peking 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 Peking University filed Critical Peking University
Priority to CN202110078455.5A priority Critical patent/CN112925201B/zh
Publication of CN112925201A publication Critical patent/CN112925201A/zh
Application granted granted Critical
Publication of CN112925201B publication Critical patent/CN112925201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Abstract

本发明公布了一种基于模型预测控制的船舶推进系统燃油控制方法，包括离线过程和在线过程，离线过程包括数据驱动的系统辨识及模型预测控制器次优程度的估算与量化；在线部分包括控制律的改进；使用船舶推进系统的历史数据建立动态辨识模型，构造船舶推进系统的模型预测控制器，得到次优解；再根据模型预测控制器的参数，得到对模型预测控制律的次优程度的估计，并修正传统的模型预测控制律，使之逼近全局最优控制律，从而实现基于数据驱动船舶推进系统辨识改进模型预测控制。采用本发明方法，能够提升船舶推进系统的燃油性能，减少燃油消耗，降低成本，由此提高船舶推进系统的经济性能。

Description

一种基于模型预测控制的船舶推进系统燃油控制方法
技术领域
本发明属于船舶推进系统控制技术领域，涉及船舶推进系统燃油的控制的方法，具体涉及一种基于数据驱动系统辨识和模型预测控制的船舶系统燃油控制改进方法，可以提升船舶推进系统的燃油性能，减少燃油消耗，降低成本。
背景技术
推进系统是船舶的重要组成部分，具体包括了推进主轴和船用柴油机。船舶航运的经济成本主要取决于船舶推进系统的性能，据统计，在远洋航运中燃油成本约占了总成本的75％，因此，针对船舶推进系统设计控制器以优化经济性能是有意义的。
现有的针对船舶推进系统设计经济性能控制器的方法主要是基于推进系统的模型，寻找使燃油消耗达到极小值的柴油机转速。现有的推进系统的模型传统上是经验模型，要求工程师有很丰富的工程经验，并且会耗费大量精力。近年来，随着计算机计算能力的不断提升，数据驱动的建模方法得到了广泛的关注，使用神经网络等建模方法进行船舶推进系统燃油的控制，可以大大缩短建模所需的精力。但是，不管是现有的经验模型还是数据驱动建模方法，通常都具有很强的非线性，这样就导致在求解最小化燃油消耗问题时，往往只能使柴油机转速到达一个局部最优值而非全局最优，限制了运行成本的进一步降低。
发明内容
为了克服上述现有技术的不足，本发明提供了一种基于模型预测控制的船舶推进系统燃油控制方法，实现基于数据驱动系统辨识的改进的模型预测控制，减少燃油消耗，提升船舶推进系统的燃油效率，降低成本。
本发明首先通过数据驱动的方法辨识得到船舶推进系统的动态辨识模型，然后基于动态辨识模型设计模型预测控制器，并对模型预测控制律的次优程度进行估计，最后根据对次优程度的估计修正模型预测控制律，以提升性能。本发明的创新之处在于估计了模型预测控制律的次优程度，并对模型预测控制律次优程度的估计改进控制方法，使柴油机转速进一步逼近全局最优值。现有的燃油控制技术是通过调整模型预测控制器，以达到更好的控制效果；而本发明考虑到模型预测控制器本身存在的控制次优性，提出一种易于工程实现的次优性估计方法，依据该次优估计修正模型预测控制器的输出，从而实现更高效的控制燃油效果。本发明在实际应用中，对船舶推进系统的燃油控制回路并不会构成风险，因为当本发明提出的基于次优程度估计的改进的模型预测控制算法有解时，可以提升燃油效率；当控制算法无解时，将传统的模型预测控制律作用于船舶推进系统，不会使推进系统失稳或性能衰退。
本发明提出的基于模型预测控制的船舶推进系统燃油控制方法能够达到性能提升技术效果，其原理为：因为传统模型预测控制器的预测步长有限，无法在可行集
Figure BDA0002906467760000025
中找到全局最优解，而本发明估计了传统模型预测控制器的次优程度，根据对次优程度的估计将可行集
Figure BDA0002906467760000026
收缩成
Figure BDA0002906467760000027
由于
Figure BDA0002906467760000028
中包含了最优解，本发明方法通过缩小搜寻解的范围，达到使最终控制律更优的目的。这一过程是本发明的首创做法。本发明考虑了传统的模型预测控制器本质上的次优性，根据估计出的次优性修正模型预测控制律，使传统的次优的控制律更加逼近最优控制律。本发明提出的控制性能提升方法与现有方法有着本质的区别，现有的方法主要集中在调节模型预测控制器的参数或者改变控制回路的结构，例如使用内环和外环两个模型预测控制器，但现有方法均无法根据模型预测控制器的次优性提升控制性能。
本发明提供的技术方案是：
一种基于模型预测控制的船舶推进系统燃油控制方法，是一种基于数据驱动系统辨识改进的模型预测控制方法，使用船舶推进系统的历史数据建立动态辨识模型，作为模型预测控制器的预测模型，构造船舶推进系统的模型预测控制器，得到次优解，再根据模型预测控制器的参数，如预测步长和采样时间，得到对传统的模型预测控制律的次优程度的估计，并修正传统的模型预测控制律，使之逼近全局最优控制律。包括离线过程和在线过程，离线过程包括数据驱动的系统辨识及模型预测控制器次优程度的估算与量化；在线部分包括控制律的改进；主要包括如下步骤：
1)建立关键性能指标，关键性能指标反映推进系统燃油消耗情况；具体以燃油消耗率为关键性能指标，作为模型预测控制的目标函数；
在实际工程中，常用燃油消耗率来描述船舶推进系统的油耗水平：
Figure BDA0002906467760000021
其中，
Figure BDA0002906467760000022
是燃油消耗率；
Figure BDA0002906467760000023
是柴油机每小时的燃油消耗量；
Figure BDA0002906467760000024
是柴油机输出的有效功率。燃油消耗率这个参数表示为每小时产生1kW的有效功率所需的燃油量，本发明引入燃油消耗率作为模型预测控制的目标函数，从而使优化问题更具物理意义。
2)使用历史数据进行建模，建立船舶推进系统的动态辨识模型；
由于船舶推进系统在实际运行过程中是多种复杂热力过程的耦合，所以使用机理建模的方法是极其困难的，因此使用监测到的实际运行数据，运用神经网络或多项式拟合等方法，建立船舶推进系统的黑箱模型在工程中是一种常用的方法。
本发明使用稀疏回归的方法建立数据动态辨识模型，该方法实际操作简单，建模精度相对较高，适合在工程实践中使用。
基于稀疏回归的模型辨识方法包括如下步骤：
21)建立变量之间的输入输出关系，确定待辨识模型的形式；
船舶推进系统的模型辨识主要考虑四个过程参数：轴功率p(kW)，主机消耗燃油流量c(ton/h)，主机转速r(rpm)和主机入口燃油流量l(ton/h)。其中，轴功率是柴油机的动力性能指标，用来衡量柴油机输出动力；主机消耗燃油流量是单位时间内柴油机的耗油量；主机转速是柴油机曲轴每分钟的回转数，是决定柴油机工作状态的关键参数；主机入口燃油流是单位时间内流入柴油机气缸的燃油量，在本发明中作为辅助控制变量。在模型预测控制器中，船舶推进系统的动态过程使用如下离散非线性状态空间方程：
Figure BDA0002906467760000031
其中，
Figure BDA0002906467760000032
是状态向量；
Figure BDA0002906467760000033
是控制输入向量；k是当前时刻；f(·)是待辨识的非线性函数。在本发明中，将轴功率与主机消耗燃油流量作为系统状态是因为可以直接通过状态向量计算出燃油消耗率。
22)使用历史数据构造数据矩阵；
使用回归方法辨识系统模型需要按如下方法构造输入矩阵：
Figure BDA0002906467760000034
Figure BDA0002906467760000035
其中，
Figure BDA0002906467760000036
和
Figure BDA0002906467760000037
为船舶推进系统的状态向量和控制输入向量的历史数据；t1…tN是采样时刻，因此状态向量和控制输入向量分别有N个历史样本；X和u分别是由状态向量和控制输入向量按(式3)和(式4)堆叠而成的矩阵。输出矩阵的构造方法同理，
Figure BDA0002906467760000041
其中，Y为由采样时刻是t2…tN+1的状态向量的历史数据按(式5)堆叠而成的矩阵。在实际操作中，历史数据的采样时刻t1…tN+1都在当前时刻k之前，要求历史数据包含船舶推进系统丰富的动态信息。
23)建立非线性库；
非线性库的构造是稀疏回归方法的核心。库中包含多种非线性项，使用这些非线性项的线性组合逼近推进系统的非线性动态，模型参数就是组合系数。因此，非线性项的选择对于系统辨识的精度有着很大的影响。本发明使用有关轴功率p，主机消耗燃油流量c，主机转速r和主机入口燃油流量l的历史数据的一次方项、二次方项和三次方项组成非线性库：
Figure BDA0002906467760000042
其中，P1是有关X和U的一次项；P2是有关X和U的二次项；P3是有关X和U的三次项，表示为：
P1＝[X U] (式7)
Figure BDA0002906467760000043
Figure BDA0002906467760000044
24)基于数据矩阵，使用LASSO(Least Absolute Shrinkage and SelectionOperator)方法辨识模型；
输入输出关系的辨识方程可以表示为：
Y＝Θ(X，U)Ξ (式10)
其中，Y的含义同(式5)；Ξ是待辨识的模型参数，Ξ＝[ξ1 ξ2]；ξ1是根据非线性库(式6)计算船舶推进系统的轴功率的特征向量(非线性库中每行的每一元素所对应的组合系数)；同理，ξ2是根据非线性库计算船舶推进系统的主机消耗燃油流量的特征向量。
使用LASSO回归求解(式10)以保证稀疏性，表示如下：
Figure BDA0002906467760000045
其中，Yix示Y的第i列；ξi表示Ξ的第i列；i＝1，2。
当辨识得到Ξ之后，设在线采集到的新样本为
Figure BDA0002906467760000051
按(式6)生成非线性库向量
Figure BDA00029064677600000517
系统下一时刻的状态可以表示为
Figure BDA00029064677600000518
通过步骤21)～24)可构造船舶推进系统的非线性动态方程，得到船舶推进系统的动态模型。
3)建立船舶推进系统的模型预测控制器；
由于模型预测控制可以处理控制和状态的约束，在工业过程中已经得到广泛的应用。本发明基于模型预测控制律，首先针对船舶推进系统构造如下的传统模型预测控制器：
Figure BDA0002906467760000054
其中，
Figure BDA0002906467760000055
是待优化的性能指标；
Figure BDA0002906467760000056
是一步代价，通常是一个二次型函数；N是预测步长；运动规律满足系统的动态方程
Figure BDA0002906467760000057
即为：
Figure BDA0002906467760000058
Figure BDA0002906467760000059
同时，状态以及控制要满足上下限的约束，分别为
Figure BDA00029064677600000510
和
Figure BDA00029064677600000511
x°，u°分别表示状态和控制的设定值。
传统模型预测控制的决策变量是控制序列，记为u(k)；在u(k)的作用下有限步长优化问题的值函数记为
Figure BDA00029064677600000512
在每一个采样时刻运行传统的模型预测控制器，将求解得到的控制序列中的第一项作用到船舶推进系统。
4)根据求解得到的模型预测控制器的参数，估计模型预测控制器的次优程度；
对于非线性预测模型来说，由于通过传统的模型预测控制器求解的是有限步长的优化问题，无法通过无限步长激励出预测模型的全部信息，因此求解传统模型预测控制器得到的控制律是次优的。本发明使用次优估计α来量化传统模型预测控制器的次优程度，其定义为：
Figure BDA00029064677600000513
其中，
Figure BDA00029064677600000514
表示从状态
Figure BDA00029064677600000515
开始，运行无穷多次传统模型预测控制器所得到的值函数；
Figure BDA00029064677600000516
表示从状态
Figure BDA00029064677600000519
开始，求解无限步长传统模型预测问题的最优值函数，这个值函数是全局最优的，因为预测步长是无穷，充分激励出了非线性模型的信息。
本发明提出的估计传统模型预测控制器次优性的方法如下：
将模型预测控制器的次优性(次优估计α)参数化，表示为：
α＝1+Γ-ΩΓ (式13)
其中，
Figure BDA0002906467760000061
δ是采样周期，β是一大于零的常数。
(式13)是一个便于计算的代数方程，方程中的β是本发明提出的控制器次优性估计方法中的关键参数，β可通过历史数据构造得到。具体地，针对历史数据中的每一个样本
Figure BDA0002906467760000062
进行如下运算：
Figure BDA0002906467760000063
其中，M是小于等于预测步长N的正整数；
Figure BDA0002906467760000064
是一步代价；
Figure BDA0002906467760000065
是有限步长M下的优化问题的值函数。每一个样本都对应多个βk，M，再选择最大的β作为次优估计的参数，表示为：
β＝maxkmaxMβk，M (式15)
此时，已经得到对传统模型预测控制器次优性(次优程度)的估计。
本发明对控制器次优性的估计方法是一种易于工程实现的次优估计方法，可推广应用于工程实施。
5)根据次优估计修正传统模型预测控制器输出的控制律；
本发明通过降低传统模型预测控制器的最优值函数来提升船舶推进系统的性能。传统的模型预测控制器有如下的性质：
Figure BDA0002906467760000066
其中，
Figure BDA0002906467760000067
表示在u(k)的作用下有限步长优化问题的值函数；
Figure BDA0002906467760000068
Figure BDA0002906467760000069
表示在模型预测控制律的作用下的一步代价；
Figure BDA00029064677600000610
是在每一个采样周期求解传统模型预测控制问题的第一个解。因为次优估计α的意义是全局最优解和局部最优解的距离，因此本发明将控制性能的提升定义为：
Figure BDA00029064677600000611
其中，α≤ε≤1。当ε＝α时，是最优的性能提升。使性能得到提升的控制律的集合定义为(式18)：
Figure BDA00029064677600000612
控制律落在集合
Figure BDA00029064677600000613
中的充分条件表示为下式：
Figure BDA0002906467760000071
在实际工程中，希望达到性能提升的极限，因此将下式作为新的约束条件添加到传统模型预测控制中：
Figure BDA0002906467760000072
满足(式20)的控制集合记为
Figure BDA0002906467760000074
满足传统模型预测控制约束条件的控制结合记为
Figure BDA0002906467760000075
因为次优估计α是小于等于1的正数，因此有
Figure BDA0002906467760000073
通过步骤1)～5)，即实现基于模型预测控制的船舶推进系统燃油控制。
与现有技术相比，本发明的有益效果是：
本发明提供一种基于数据驱动系统辨识和模型预测控制的船舶系统燃油控制改进方法，将工程上常用的燃油消耗率作为模型预测控制器的优化目标，再使用历史数据建立推进系统的动态辨识模型，构造传统模型预测控制器后，估计并量化传统控制律的次优程度，以次优估计为依据修正传统模型控制器的控制律，从而提升船舶推进系统的燃油性能，减少燃油消耗，降低成本，由此提高船舶推进系统的经济性能。
附图说明
图1为本发明提出的一种基于模型预测控制的船舶推进系统燃油控制方法的总体流程框图。
图2为本发明提出的数据驱动系统辨识方法的流程框图。
图3为本发明提供的基于次优估计控制策略改进的示意图。
图4为本发明方法具体实施的算法流程框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供一种基于模型预测控制的船舶推进系统燃油控制方法，是一种基于数据驱动系统辨识改进的模型预测控制方法，使用船舶推进系统的历史数据建立动态辨识模型，作为模型预测控制器的预测模型，构造船舶推进系统的模型预测控制器，得到次优解，再根据模型预测控制器的参数，如预测步长和采样时间，得到对传统的模型预测控制律的次优程度的估计，并修正传统的模型预测控制律，使之逼近全局最优控制律以提升推进系统的经济性能。
本发明方法包括离线过程和在线过程，离线过程包括数据驱动的系统辨识及模型预测控制器次优程度的估算与量化；在线部分包括控制律的改进。图1所示为本发明提出的基于数据驱动系统辨识的模型预测控制的推进系统燃油控制提升经济性能的方法流程。图2所示为本发明提出的数据驱动系统辨识的方法流程。以下实施例首先用真实船舶推进系统的监测数据按照图2的步骤进行数据驱动系统辨识，设计完成传统的模型预测控制器之后，再根据次优估计修正传统的模型预测控制律的控制律进行船舶推进系统的燃油控制，由此提升船舶推进系统的经济性能。具体实施包括如下步骤：
1)建立关键性能指标，关键性能指标反映推进系统燃油消耗情况；具体以燃油消耗率为关键性能指标，作为模型预测控制的目标函数；
在实际工程中，常用燃油消耗率来描述船舶推进系统的油耗水平：
Figure BDA0002906467760000081
其中，
Figure BDA0002906467760000082
是燃油消耗率；
Figure BDA0002906467760000083
是柴油机每小时的燃油消耗量；
Figure BDA0002906467760000084
是柴油机输出的有效功率。燃油消耗率这个参数表示为每小时产生1kW的有效功率所需的燃油量，本发明引入燃油消耗率作为模型预测控制的目标函数，从而使优化问题更具物理意义。
2)使用历史数据进行建模，建立船舶推进系统的动态辨识模型；
由于船舶推进系统在实际运行过程中是多种复杂热力过程的耦合，所以使用机理建模的方法是极其困难的，因此使用监测到的实际运行数据，运用神经网络或多项式拟合等方法，建立船舶推进系统的黑箱模型在工程中是一种常用的方法。
本发明使用稀疏回归的方法建立数据动态辨识模型，该方法实际操作简单，建模精度相对较高，适合在工程实践中使用。
基于稀疏回归的模型辨识方法包括如下步骤：
21)建立变量之间的输入输出关系，确定待辨识模型的形式；
船舶推进系统的模型辨识主要考虑四个过程参数：轴功率p(kW)，主机消耗燃油流量c(ton/h)，主机转速r(rpm)和主机入口燃油流量l(ton/h)。其中，轴功率是柴油机的动力性能指标，用来衡量柴油机输出动力；主机消耗燃油流量是单位时间内柴油机的耗油量；主机转速是柴油机曲轴每分钟的回转数，是决定柴油机工作状态的关键参数；主机入口燃油流是单位时间内流入柴油机气缸的燃油量，在本发明中作为辅助控制变量。在模型预测控制器中，船舶推进系统的动态过程使用如下离散非线性状态空间方程：
Figure BDA0002906467760000085
其中，
Figure BDA0002906467760000086
是状态向量；
Figure BDA0002906467760000087
是控制输入向量；k是当前时刻；f(·)是待辨识的非线性函数。在本发明中，将轴功率与主机消耗燃油流量作为系统状态是因为可以直接通过状态向量计算出燃油消耗率。
22)使用历史数据构造数据矩阵；
使用回归方法辨识系统模型需要按如下方法构造输入矩阵：
Figure BDA0002906467760000091
Figure BDA0002906467760000092
其中，
Figure BDA0002906467760000093
和
Figure BDA0002906467760000094
为船舶推进系统的状态向量和控制输入向量的历史数据；t1…tN是采样时刻，因此状态向量和控制输入向量分别有N个历史样本；X和U分别是由状态向量和控制输入向量按(式3)和(式4)堆叠而成的矩阵。输出矩阵的构造方法同理，
Figure BDA0002906467760000095
其中，Y为由采样时刻是t2…tN+1的状态向量的历史数据按(式5)堆叠而成的矩阵。在实际操作中，历史数据的采样时刻t1…tN+1都在当前时刻k之前，要求历史数据包含船舶推进系统丰富的动态信息。
23)建立非线性库；
非线性库的构造是稀疏回归方法的核心。库中包含多种非线性项，使用这些非线性项的线性组合逼近推进系统的非线性动态，模型参数就是组合系数。因此，非线性项的选择对于系统辨识的精度有着很大的影响。本发明使用有关轴功率p，主机消耗燃油流量c，主机转速r和主机入口燃油流量l的历史数据的一次方项、二次方项和三次方项组成非线性库：
Figure BDA0002906467760000096
其中，P1是有关X和U的一次项；P2是有关X和U的二次项；P3是有关X和U的三次项，表示为：
P1＝[X U] (式7)
Figure BDA0002906467760000101
Figure BDA0002906467760000102
24)基于数据矩阵，使用LASSO(Least Absolute Shrinkage and SelectionOperator)方法辨识模型；
输入输出关系的辨识方程可以表示为：
Y＝Θ(X，U)Ξ (式10)
其中，Y如(式5)所示；Ξ是待辨识的模型参数，Ξ＝[ξ1 ξ2]；ξ1是根据非线性库(式6)计算船舶推进系统的轴功率的特征向量(非线性库中每行的每一元素所对应的组合系数)；同理，ξ2是根据非线性库计算船舶推进系统的主机消耗燃油流量的特征向量。
使用LASSO回归求解(式10)以保证稀疏性，表示如下：
Figure BDA0002906467760000103
其中，Yi表示Y的第i列；ξi表示Ξ的第i列；i＝1，2。
当辨识得到Ξ之后，设在线采集到的新样本为
Figure BDA0002906467760000104
按(式6)生成非线性库向量
Figure BDA0002906467760000105
系统下一时刻的状态可以表示为
Figure BDA0002906467760000106
通过步骤21)～24)可构造船舶推进系统的非线性动态方程，得到船舶推进系统的动态模型。
3)建立船舶推进系统的模型预测控制器；
由于模型预测控制可以处理控制和状态的约束，在工业过程中已经得到广泛的应用。本发明基于模型预测控制律，首先针对船舶推进系统构造如下的传统模型预测控制器：
Figure BDA0002906467760000107
其中，
Figure BDA0002906467760000108
是待优化的性能指标；
Figure BDA0002906467760000109
是一步代价，通常是一个二次型函数；N是预测步长；运动规律满足系统的动态方程
Figure BDA0002906467760000111
即为：
Figure BDA0002906467760000112
Figure BDA0002906467760000113
同时，状态以及控制要满足上下限的约束，分别为
Figure BDA0002906467760000114
和
Figure BDA0002906467760000115
x°，u°分别表示状态和控制的设定值。
传统模型预测控制的决策变量是控制序列，记为u(k)；在u(k)的作用下有限步长优化问题的值函数记为
Figure BDA0002906467760000116
在每一个采样时刻运行传统的模型预测控制器，将求解得到的控制序列中的第一项作用到船舶推进系统。
4)根据求解得到的模型预测控制器的参数，估计模型预测控制器的次优程度；
对于非线性预测模型来说，由于通过传统的模型预测控制器求解的是有限步长的优化问题，无法通过无限步长激励出预测模型的全部信息，因此求解传统模型预测控制器得到的控制律是次优的。本发明使用次优估计α来量化传统模型预测控制器的次优程度，其定义为：
Figure BDA0002906467760000117
其中，
Figure BDA0002906467760000118
表示从状态
Figure BDA00029064677600001116
开始，运行无穷多次传统模型预测控制器所得到的值函数；
Figure BDA0002906467760000119
表示从状态
Figure BDA00029064677600001110
开始，求解无限步长传统模型预测问题的最优值函数，这个值函数是全局最优的，因为预测步长是无穷，充分激励出了非线性模型的信息。
本发明提出的估计传统模型预测控制器次优性的方法如下：
将模型预测控制器的次优性(次优估计α)参数化，表示为：
α＝1+Γ-ΩΓ (式13)
其中，
Figure BDA00029064677600001111
δ是采样周期，β是一大于零的常数。
(式13)是一个便于计算的代数方程，方程中的β是本发明提出的控制器次优性估计方法中的关键参数，β可通过历史数据构造得到。具体地，针对历史数据中的每一个样本
Figure BDA00029064677600001112
进行如下运算：
Figure BDA00029064677600001113
其中，M是小于等于预测步长N的正整数；
Figure BDA00029064677600001114
是一步代价；
Figure BDA00029064677600001115
是有限步长M下的优化问题的值函数。每一个样本都对应多个βk，M，再选择最大的β作为次优估计的参数，表示为：
β＝maxkmaxMβk，M (式15)
此时，已经得到对传统模型预测控制器次优性(次优程度)的估计。
本发明对控制器次优性的估计方法是一种易于工程实现的次优估计方法，可推广应用于工程实施。
5)根据次优估计修正传统模型预测控制器输出的控制律；
本发明通过降低传统模型预测控制器的最优值函数来提升船舶推进系统的性能。传统的模型预测控制器有如下的性质：
Figure BDA0002906467760000121
其中，
Figure BDA0002906467760000122
表示在u(k)的作用下有限步长优化问题的值函数；
Figure BDA0002906467760000123
Figure BDA0002906467760000124
表示在模型预测控制律的作用下的一步代价；
Figure BDA0002906467760000125
是在每一个采样周期求解传统模型预测控制问题的第一个解。因为次优估计α的意义是全局最优解和局部最优解的距离，因此本发明将控制性能的提升定义为：
Figure BDA0002906467760000126
其中，α≤ε≤1。当ε＝α时，是最优的性能提升。使性能得到提升的控制律的集合定义为(式18)：
Figure BDA0002906467760000127
控制律落在集合
Figure BDA00029064677600001220
中的充分条件表示为下式：
Figure BDA0002906467760000128
在实际工程中，希望达到性能提升的极限，因此将下式作为新的约束条件添加到传统模型预测控制中：
Figure BDA0002906467760000129
满足(式20)的控制集合记为
Figure BDA00029064677600001210
满足传统模型预测控制约束条件的控制结合记为
Figure BDA00029064677600001211
因为次优估计α是小于等于1的正数，因此有
Figure BDA00029064677600001212
通过步骤1)～5)，即实现基于模型预测控制的船舶推进系统燃油控制。
图3示意了本发明根据次优估计改进传统的模型预测控制律，其中实线圆圈代表集合
Figure BDA00029064677600001213
虚线圆圈代表集合
Figure BDA00029064677600001214
次优估计α的物理意义在于可以根据
Figure BDA00029064677600001221
确定出
Figure BDA00029064677600001215
由于全局最优控制律必然能使(式20)成立，因此全局最优控制律属于集合
Figure BDA00029064677600001216
同时，由于传统的模型预测控制律属于集合
Figure BDA00029064677600001217
所以本发明对传统的模型预测控制律应用如下在线寻优算法，在集合
Figure BDA00029064677600001218
中找到距离传统模型预测控制律在欧式范数意义下最近的元素作为改进后的控制律。
Figure BDA00029064677600001219
Figure BDA0002906467760000131
图4所示为本发明方法的整体流程，船舶推进系统燃油控制提升经济性能的方法分为离线和在线两部分，离线过程包括数据驱动的系统辨识、模型精度的测试以及传统模型预测控制器次优程度的估算与量化；在线部分为传统控制律的改进。针对实际船舶推进系统应用如下算法以提升经济性能。
Figure BDA0002906467760000132
综上描述的具体实施方法便实现了基于数据驱动系统辨识的模型预测控制的传船舶推进系统经济性能的提升。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (5)

1.一种基于模型预测控制的船舶推进系统燃油控制方法，包括离线过程和在线过程，离线过程包括数据驱动的系统辨识及模型预测控制器次优程度的估算与量化；在线部分包括控制律的改进；使用船舶推进系统的历史数据建立动态辨识模型，作为模型预测控制器的预测模型，构造船舶推进系统的模型预测控制器，得到次优解；再根据模型预测控制器的参数，得到对模型预测控制律的次优程度的估计，并修正传统的模型预测控制律，使之逼近全局最优控制律，从而实现基于数据驱动船舶推进系统辨识改进模型预测控制；包括如下步骤：
1)建立反映推进系统燃油消耗情况的关键性能指标；具体以燃油消耗率为关键性能指标，作为模型预测控制的目标函数；
燃油消耗率描述船舶推进系统的油耗水平，表示为：
Figure FDA0002906467750000011
其中，
Figure FDA0002906467750000012
是燃油消耗率；
Figure FDA0002906467750000013
是柴油机每小时的燃油消耗量；
Figure FDA0002906467750000014
是柴油机输出的有效功率；
2)利用历史数据，使用稀疏回归方法建立船舶推进系统的动态辨识模型；包括如下步骤：
21)建立变量之间的输入输出关系，确定待辨识模型形式；
船舶推进系统的模型辨识过程参数包括：轴功率p，主机消耗燃油流量c，主机转速r和主机入口燃油流量l；将轴功率与主机消耗燃油流量作为系统状态，通过状态向量计算出燃油消耗率；主机入口燃油流作为辅助控制变量；在模型预测控制器中，船舶推进系统的动态过程使用式2所示的离散非线性状态空间方程：
Figure FDA0002906467750000015
其中，
Figure FDA0002906467750000016
是状态向量；
Figure FDA0002906467750000017
是控制输入向量；k是当前时刻；f(·)是待辨识的非线性函数；
22)历史数据包含船舶推进系统的动态信息，使用历史数据构造数据矩阵，包括输入矩阵和输出矩阵；
23)采用稀疏回归方法建立非线性库；
非线性库中包含多种非线性项，通过非线性项的线性组合逼近推进系统的非线性动态，模型参数即组合系数；非线性项采用有关轴功率p，主机消耗燃油流量c，主机转速r和主机入口燃油流量l的历史数据的一次方项、二次方项和三次方项，组成非线性库，表示为：
Figure FDA0002906467750000018
其中，P1是有关X和U的一次项；P2是有关X和U的二次项；P3是有关X和U的三次项；
24)基于数据矩阵，使用LASSO方法辨识模型；
输入输出关系的辨识方程表示为：
Y＝Θ(X,U)Ξ (式10)
其中，Ξ是待辨识的模型参数，Ξ＝[ξ1 ξ2]；ξ1是根据非线性库(式6)计算船舶推进系统的轴功率的特征向量，即非线性库中每行的每一元素所对应的组合系数；ξ2是根据非线性库计算船舶推进系统的主机消耗燃油流量的特征向量；
使用LASSO回归求解(式10)以保证稀疏性，表示为：
Figure FDA0002906467750000021
其中，Yi表示Y的第i列；ξi表示Ξ的第i列；i＝1,2；
当辨识得到Ξ之后，设在线采集到的新样本为
Figure FDA0002906467750000022
按(式6)生成非线性库向量
Figure FDA0002906467750000023
系统下一时刻的状态表示为
Figure FDA0002906467750000024
通过步骤21)～24)可构造船舶推进系统的非线性动态方程，得到船舶推进系统的动态模型；
3)建立船舶推进系统的模型预测控制器；
基于模型预测控制律，首先针对船舶推进系统构造如下的模型预测控制器：
Figure FDA0002906467750000025
其中，
Figure FDA0002906467750000026
是待优化的性能指标；
Figure FDA0002906467750000027
是一步代价，是一个二次型函数；N是预测步长；运动规律满足系统的动态方程
Figure FDA0002906467750000028
即为：
Figure FDA0002906467750000029
Figure FDA00029064677500000210
同时，满足状态及控制上下限的约束，分别为
Figure FDA00029064677500000211
和
Figure FDA00029064677500000212
x°，u°分别表示状态和控制的设定值；
模型预测控制的决策变量是控制序列，记为u(k)；
在u(k)的作用下，有限步长优化问题的值函数记为
Figure FDA00029064677500000213
在每一个采样时刻运行上述模型预测控制器，将求解得到的控制序列中的第一项作用到船舶推进系统；
4)根据求解得到的模型预测控制器的参数，估计模型预测控制器的次优程度；
41)求解传统模型预测控制器得到的控制律是次优的；使用次优估计α来量化传统模型预测控制器的次优程度，定义为：
Figure FDA0002906467750000031
其中，
Figure FDA0002906467750000032
表示从状态
Figure FDA0002906467750000033
开始，运行无穷多次传统模型预测控制器所得到的值函数；
Figure FDA0002906467750000034
表示从状态
Figure FDA0002906467750000035
开始，求解无限步长传统模型预测问题的最优值函数，是全局最优的值函数；
42)估计传统模型预测控制器次优性的方法如下：
将模型预测控制器的次优估计α参数化，表示为：
α＝1+Γ-ΩΓ (式13)
其中，
Figure FDA0002906467750000036
δ是采样周期，β是一大于零的常数；β是控制器次优性估计方法中的关键参数；
β通过历史数据构造得到；具体地，针对历史数据中的每一个样本
Figure FDA0002906467750000037
进行如下运算：
Figure FDA0002906467750000038
其中，M是小于等于预测步长N的正整数。每一个样本都对应多个βk,M，再选择最大的β作为次优估计的参数，表示为：
β＝maxkmaxMβk,M (式15)
至此即完成对传统模型预测控制器次优性的估计，得到模型预测控制器的次优程度；
5)根据次优性估计修正模型预测控制器输出的控制律；
模型预测控制器有如下的性质：
Figure FDA0002906467750000039
其中，
Figure FDA00029064677500000310
表示在u(k)的作用下有限步长优化问题的值函数；
Figure FDA00029064677500000311
Figure FDA00029064677500000312
表示在模型预测控制律的作用下的一步代价；
Figure FDA00029064677500000313
是在每一个采样周期求解传统模型预测控制问题的第一个解；
次优估计α表示全局最优解和局部最优解的距离，将控制性能的提升定义为(式17)：
Figure FDA00029064677500000314
其中，α≤ε≤1；当ε＝α时，是最优的性能提升；
使性能得到提升的控制律的集合定义为(式18)：
Figure FDA00029064677500000315
控制律落在集合
Figure FDA0002906467750000041
中的充分条件表示为(式19)：
Figure FDA0002906467750000042
通过步骤1)～5)，即实现基于模型预测控制的船舶推进系统燃油控制。
2.如权利要求1所述基于模型预测控制的船舶推进系统燃油控制方法，其特征是，将(式20)作为新的约束条件添加到模型预测控制中，以达到性能提升的极限：
Figure FDA0002906467750000043
将满足(式20)的控制集合记为
Figure FDA0002906467750000044
满足模型预测控制约束条件的控制结合记为
Figure FDA0002906467750000045
次优估计α是小于等于1的正数，
Figure FDA0002906467750000046
3.如权利要求1所述基于模型预测控制的船舶推进系统燃油控制方法，其特征是，模型预测控制器的参数包括预测步长和采样时间。
4.如权利要求1所述基于模型预测控制的船舶推进系统燃油控制方法，其特征是，步骤22)使用历史数据构造数据矩阵；具体地：
构造输入矩阵如下：
Figure FDA0002906467750000047
Figure FDA0002906467750000048
其中，
Figure FDA0002906467750000049
和
Figure FDA00029064677500000410
为船舶推进系统的状态向量和控制输入向量的历史数据；t1…tN是采样时刻；状态向量和控制输入向量分别有N个历史样本；X和U分别是由状态向量和控制输入向量按(式3)和(式4)堆叠而成的矩阵；
构造输出矩阵表示为：
Figure FDA00029064677500000411
其中，Y为由采样时刻是t2…tN+1的状态向量的历史数据按(式5)堆叠而成的矩阵；历史数据的采样时刻t1…tN+1均在当前时刻k之前。
5.如权利要求1所述基于模型预测控制的船舶推进系统燃油控制方法，其特征是，步骤23)中，有关X和U的一次项P1、有关X和U的二次项P2、有关X和U的三次项P3分别表示为：
P1＝[X U] (式7)
Figure FDA0002906467750000051
Figure FDA0002906467750000052
CN202110078455.5A 2021-01-20 2021-01-20 一种基于模型预测控制的船舶推进系统燃油控制方法 Active CN112925201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110078455.5A CN112925201B (zh) 2021-01-20 2021-01-20 一种基于模型预测控制的船舶推进系统燃油控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110078455.5A CN112925201B (zh) 2021-01-20 2021-01-20 一种基于模型预测控制的船舶推进系统燃油控制方法

Publications (2)

Publication Number Publication Date
CN112925201A true CN112925201A (zh) 2021-06-08
CN112925201B CN112925201B (zh) 2022-01-28

Family

ID=76165523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110078455.5A Active CN112925201B (zh) 2021-01-20 2021-01-20 一种基于模型预测控制的船舶推进系统燃油控制方法

Country Status (1)

Country Link
CN (1) CN112925201B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101963784A (zh) * 2010-09-07 2011-02-02 江苏科技大学 基于支持向量机和广义预测控制算法的船舶动力定位方法
US20110130850A1 (en) * 2009-05-29 2011-06-02 Aspen Technology, Inc. Apparatus and method for model quality estimation and model adaptation in multivariable process control
US20140358254A1 (en) * 2013-05-31 2014-12-04 Honeywell Asca, Inc. Technique for converting a model predictive control (mpc) system into an explicit two-degrees of freedom (2dof) control system
US9235657B1 (en) * 2013-03-13 2016-01-12 Johnson Controls Technology Company System identification and model development
CN106779137A (zh) * 2016-11-14 2017-05-31 上海海事大学 一种根据海况与操纵条件预测船舶油耗的方法
CN107179689A (zh) * 2017-06-22 2017-09-19 星际（重庆）智能装备技术研究院有限公司 一种基于子空间辨识的工业数据驱动预测控制方法
CN107748498A (zh) * 2017-10-09 2018-03-02 上海海事大学 一种基于模型预测控制的混合动力船舶的能量管理方法
US20180313557A1 (en) * 2017-04-28 2018-11-01 Johnson Controls Technology Company Smart thermostat with model predictive control
CN109710983A (zh) * 2018-12-04 2019-05-03 北京大学 一种基于关键性能指标的柴油机气缸分层故障诊断方法
CN111289256A (zh) * 2018-12-07 2020-06-16 北京大学 一种数据驱动的船舶柴油机故障检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110130850A1 (en) * 2009-05-29 2011-06-02 Aspen Technology, Inc. Apparatus and method for model quality estimation and model adaptation in multivariable process control
CN101963784A (zh) * 2010-09-07 2011-02-02 江苏科技大学 基于支持向量机和广义预测控制算法的船舶动力定位方法
US9235657B1 (en) * 2013-03-13 2016-01-12 Johnson Controls Technology Company System identification and model development
US20140358254A1 (en) * 2013-05-31 2014-12-04 Honeywell Asca, Inc. Technique for converting a model predictive control (mpc) system into an explicit two-degrees of freedom (2dof) control system
CN106779137A (zh) * 2016-11-14 2017-05-31 上海海事大学 一种根据海况与操纵条件预测船舶油耗的方法
US20180313557A1 (en) * 2017-04-28 2018-11-01 Johnson Controls Technology Company Smart thermostat with model predictive control
CN107179689A (zh) * 2017-06-22 2017-09-19 星际（重庆）智能装备技术研究院有限公司 一种基于子空间辨识的工业数据驱动预测控制方法
CN107748498A (zh) * 2017-10-09 2018-03-02 上海海事大学 一种基于模型预测控制的混合动力船舶的能量管理方法
CN109710983A (zh) * 2018-12-04 2019-05-03 北京大学 一种基于关键性能指标的柴油机气缸分层故障诊断方法
CN111289256A (zh) * 2018-12-07 2020-06-16 北京大学 一种数据驱动的船舶柴油机故障检测方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
DINESH KRISHNAMOORTHY 等: "Adaptive horizon economic nonlinear model predictive control", 《JOURNAL OF PROCESS CONTROL》 *
E. PEREZ 等: "Diesel engine identification and predictive control using Wiener and Hammerstein models", 《2006 IEEE CONFERENCE ON COMPUTER AIDED CONTROL SYSTEM DESIGN》 *
FEIYANGZHAO 等: "Power management of vessel propulsion system for thrust efficiency and emissions mitigation", 《APPLIED ENERGY》 *
HONG-QIANG GUO等: "Model Predictive Iterative Learning Control for Energy Management of Plug-In Hybrid Electric Vehicle", 《IEEE ACCESS》 *
JIAO LIU 等: "Online Multiple Outputs Least-Squares Support Vector Regression Model of Ship Trajectory Prediction Based on Automatic Information System Data and Selection Mechanism", 《IEEE ACCESS》 *
JUNAID SAEED 等: "Model Predictive Control of an Electric Vehicle Motor Drive Integrated Battery Charger", 《2019 IEEE 13TH INTERNATIONAL CONFERENCE ON COMPATIBILITY, POWER ELECTRONICS AND POWER ENGINEERING (CPE-POWERENG)》 *
范亚南: "基于数据驱动的发动机空燃比预测控制", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
费红姿 等: "高压共轨柴油机循环喷油量预测模型仿真研究", 《哈尔滨工程大学学报》 *
陶顺行: "气垫船船机桨舵最佳工况匹配及性能优化控制技术", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
魏鹏鑫: "高超声速滑翔飞行器系统辨识、控制和再入制导方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 *

Also Published As

Publication number Publication date
CN112925201B (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN107728478B (zh) 燃料电池氧气过剩系数神经网络预测控制方法
CN110598929B (zh) 一种风电功率非参数概率区间超短期预测方法
CN112277927B (zh) 一种基于强化学习的混合动力汽车能量管理方法
Wang et al. Multiple model predictive functional control for marine diesel engine
CN112925201B (zh) 一种基于模型预测控制的船舶推进系统燃油控制方法
CN111535845A (zh) 一种基于pso和模糊控制的隧道通风节能优化控制方法
CN117034805A (zh) 一种基于wsblma的燃料电池离心式空压机寿命预测方法
CN110794677A (zh) 基于迭代学习的抽汽供热发电机组协调系统预测控制器
Simani et al. Fuzzy modelling and control of the air system of a diesel engine
CN115981156A (zh) 一种时变输出约束下的航空发动机主动限制保护控制方法
CN113848726B (zh) 系统控制器的设计方法、装置及电子设备
CN113795661B (zh) 内燃发动机的控制器
CN111894752B (zh) 一种基于模型预测控制算法的柴油机vgt-egr控制方法
CN114370348A (zh) 一种用于发动机转速控制系统的控制参数整定方法
CN113848723A (zh) 一种基于orc余热回收系统的快速动态矩阵控制方法
CN112363411A (zh) 一种航空发动机动态矩阵控制器的设计方法
CN109039166B (zh) 一种永磁同步直线伺服系统速度环pi-ip控制参数自校正方法
Jin et al. Artificial Intelligence Enabled Energy-Saving Drive Unit With Speed and Displacement Variable Pumps for Electro-Hydraulic Systems
CN111219257A (zh) 基于自适应增强算法的涡扇发动机直接数据驱动控制方法
CN111459030B (zh) 一种用于锅炉闭环燃烧优化的自适应建模方法
JP6260214B2 (ja) 情報処理方法、装置及びプログラム
Huang et al. Just-In-Time Learning Based Adaptive Speed Control for Marine Diesel Engine
CN114970719B (zh) 一种基于改进svr模型的物联运行指标预测方法
CN114326616B (zh) 基于多元负荷改进动态矩阵预测算法的工业过程控制方法
CN114326406A (zh) 一种基于向量机在线辨识预测的协调控制方法

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