一种基于BP神经网络的SOFC与锂电池混合供电系统的MPC控制方法及系统

技术领域

本发明涉及新能源发电健康管理控制领域，尤其是一种基于BP神经网络的SOFC与锂电池混合供电系统的MPC控制方法及系统。

背景技术

SOFC是一种很有发展前景的绿色能源。由于SOFC系统的输出特性偏软，无法实时跟踪负载的快速变化，需要引入锂电池来帮助实现对负载的快速跟踪。然而，由于SOFC与锂电池混合供电系统的动态具有多变量强耦合、输入约束、非线性和未知干扰等复杂特性，PID方法已经无法满足性能要求。MPC控制系统是一种多变量的控制器，能够有效处理大惯性、强耦合的特性。

然而，MPC控制器的控制效果主要取决于预测模型的精度，SOFC与锂电池混合供电系统在不同空气流量和不同氢气流量工况下的系统特性变化大，常规的线性状态空间预测模型难以有效描述SOFC与锂电池混合供电系统复杂的非线性特征，影响控制效果。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种基于BP神经网络的SOFC与锂电池混合供电系统的MPC控制方法及系统，利用BP神经网络工具箱建立能够准确描述不同复杂工况时SOFC与锂电池混合供电系统未来输出特性的预测模型，实现了MPC控制器的精准调节，极大的提高了控制效果，解决了常规PID控制器不能处理大延迟、约束和强耦合特性的技术问题。

本发明为实现上述发明目的采用如下技术方案：

一种基于BP神经网络的SOFC与锂电池混合供电系统的MPC控制方法，包括如下步骤：

(1)选取SOFC输出功率及锂电池电流为SOFC与锂电池混合供电系统的被控变量y(k)，选取空气流量及氢气流量为相对应的控制变量u(k)，管道温度偏差为主要扰动变量d(k)；

(2)在开环情况下，改变空气流量、氢气流量和管道温度偏差，模拟白噪声信号，进行开环激励试验；设置采样周期T

(3)将空气流量、氢气流量和管道温度偏差作为输入变量，将SOFC输出功率和锂电池电流作为输出变量；将当前时刻的输入u(k)、扰动d(k)、上一时刻的输入u(k-1)、扰动d(k-1)以及上一时刻的输出y(k-1)作为训练输入，利用BP神经网络进行离线训练，建立SOFC与锂电池混合供电系统的预测模型，如下式：

y(k)＝f(u(k-1),d(k-1),u(k),d(k),y(k-1)) (1)；

(4)将离线神经网络模型作为预测模型，获得未来P步时刻内混合供电系统的预测输出Y(k+P|k)，其中Y(k+p|k)＝[y(k|k)y(k+1|k)…y(k+p-1|k)]

(5)设置控制器相关参数，包括预测时域P、控制时域M、输出误差权矩阵Q、控制权矩阵R。采样周期T

(6)设置系统代价函数，如下式所示：

其中，Y

(7)采用非线性规划fmincon求解器求解性能指标，采用暖启动的方式将每一时刻计算出来的最佳输入量偏差△u(k)作为下一时刻的初始值，提高求解精度；

(8)计算当前时刻空气流量和氢气流量的最佳控制量u(k)＝u(k-1)+Δu(k)；

(9)输出最佳控制量u(k)，SOFC与锂电池混合供电系统的输出y(k)，其后在每个采样周期内，重复执行第(4)步到第(9)步。

本发明还提供一种用于实现上述基于BP神经网络的SOFC与锂电池混合供电系统的MPC控制方法的控制系统，包括目标值设定单元、神经网络预测模型、MPC控制器、SOFC与锂电池混合供电系统、第一延迟单元、第二延迟单元和第三延迟单元；MPC控制器有两路输入，分别是目标值设定单元的输出yr(k)和神经网络预测模型的输出y(k+i|k),i＝0,1,…P-1，P为预测时域，MPC控制器的输出为当前时刻最优控制变量u(k)；SOFC与锂电池混合供电系统的输入变量u(k)与输出变量y(k)分别通过第一延迟单元和第二延迟单元得到延迟变量u(k-1)与y(k-1)；扰动变量d(k)通过第三延迟单元得到延迟变量d(k-1)，第一延迟单元、第二延迟单元和第三延迟单元输出变量u(k-1)、y(k-1)及d(k-1)与MPC控制器输出的u(k)及扰动d(k)作为神经网络预测模型输入，计算出SOFC与锂电池混合供电系统预测输出y(k+i|k)。

本发明采用上述技术方案，具有以下有益效果：

本发明采用BP神经网络工具箱，建立了能够准确描述SOFC与锂电池混合供电系统未来输出特性的正向模型，将BP神经网络模型作为MPC控制器的预测模型解决了常规线性模型预测精度差的技术问题，实现了MPC控制器在大规模变负荷情况下的精准调节，提高动态调节品质，通过模型MPC控制方法解决了常规PID控制器不能处理大延迟、输入输出约束和强耦合特性的技术问题。

附图说明

图1为本发明的控制系统示意图；

图2为本发明的SOFC与锂电池混合供电系统示意图；

图3为本发明的BP神经网络模型的原理示意图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。

如图2所示，SOFC与锂电池混合供电系统，包含：SOFC输出功率、锂电池电流和空气流量及氢气流量、管道温度偏差等主要变量。基于BP神经网络的SOFC与锂电池混合供电系统的MPC控制方法，包括如下步骤：

(1)选取SOFC输出功率及锂电池电流为SOFC与锂电池混合供电系统的被控变量y(k)，选取空气流量及氢气流量为相对应的控制变量u(k)，选取管道温度偏差为主要扰动变量d(k)；

(2)在开环情况下，改变入口管道温度偏差、空气流量和氢气流量，模拟白噪声信号，进行开环激励试验；设置采样周期T

(3)将入口管道温度偏差和空气流量和氢气流量作为输入变量，将捕集率和锂电池电流作为输出变量；将空气流量、氢气流量和管道温度偏差当前时刻的数据u(k)、d(k)和前一时刻的数据u(k-1)、d(k-1)以及SOFC输出功率和锂电池电流前一时刻的数据y(k-1)作为神经网络输入，以SOFC输出功率和锂电池电流当前时刻的数据y(k)作为神经网络输出，利用BP神经网络工具箱建立SOFC与锂电池混合供电的预测模型，该神经网络含有两层隐藏层，神经元个数分别为12和4，训练函数为trainglm，如下式：

y(k)＝f(u(k-1),d(k-1),u(k),d(k),y(k-1))；

(4)将离线神经网络模型作为预测模型，获得未来P步时刻内混合供电系统的预测输出Y(k+P|k)，其中,Y(k+P|k)＝[y(k|k)y(k+1|k)…y(k+P-1|k)]

(5)设置控制器相关参数。包括预测时域P，控制时域M，输出误差权矩阵Q，控制权矩阵R。采样周期T

(6)设置系统代价函数，如下式所示：

其中，Yr＝[yr(k)yr(k)…yr(k)]

(7)采用非线性规划fmincon求解器求解系统代价函数，采用暖启动的方式，将每一时刻计算出来的最佳输入量偏差△u(k)作为下一时刻的初始值，提高求解精度；

(8)计算当前时刻空气流量和氢气流量的最佳控制量u(k)＝u(k-1)+Δu(k)；

(9)输出最佳控制量u(k)，采集混合供电系统的输出y(k)。其后在每个采样周期内，重复执行第(4)步到第(9)步。

本发明基于BP神经网络的SOFC与锂电池混合供电系统的MPC控制方法通过如图1所示的控制系统实现，该系统包括：目标值设定单元、神经网络预测模型、MPC控制器、SOFC与锂电池混合供电系统、第一延迟单元、第二延迟单元和第三延迟单元；MPC控制器有两路输入，分别是目标值设定单元的输出yr(k)和神经网络预测模型的输出y(k+i|k),i＝0,1,…P-1，P为预测时域，MPC控制器的输出为当前时刻最优控制变量u(k)；SOFC与锂电池混合供电系统的输入变量u(k)与输出变量y(k)分别通过第一延迟单元和第二延迟单元得到延迟变量u(k-1)与y(k-1)；扰动变量d(k)通过第三延迟单元得到延迟变量d(k-1)，第一延迟单元、第二延迟单元和第三延迟单元输出变量u(k-1)、y(k-1)及d(k-1)与MPC控制器输出u(k)及扰动d(k)作为神经网络预测模型输入，计算出SOFC与锂电池混合供电系统预测输出y(k+i|k)。

本申请把SOFC与锂电池混合供电系统作为一个二输入二输出的多变量对象，采用基于BP神经网络的MPC控制技术，选取空气流量及氢气流量为控制变量，SOFC输出功率及锂电池电流为被控变量。利用BP神经网络工具箱，建立SOFC与锂电池混合供电神经网络模型，从而可以精准预测混合供电系统未来时刻的输出特性，提高控制品质。

以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。