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

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：

1、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。

2、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。

技术实现思路

1、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。

2、本发明为实现上述发明目的采用如下技术方案：

3、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：

4、(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)；

5、(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ts，获取不同空气流量、氢气流量下sofc与锂电池混合供电系统的输入、输出数据；

6、(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：

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

8、(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)]t；

9、(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ts的选取一般要符合香农采样定理，可以用经验规则t95/ts＝5～15来选取，其中，t95为过渡过程上升到95％的调节时间；预测时域p应尽量包含对象的真实动态部分；m取3～5；

10、(6)设置系统代价函数，如下式所示：

11、

12、其中，yr＝[yr(k) yr(k)…yr(k)]t为混合供电系统输出量给定值，δu＝[δu(k)δu(k+1)…δu(k+m-1)]t为未来m时刻内输入量的差值；

13、(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；

14、(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)；

15、(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。

16、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)。

17、本发明采用上述技术方案，具有以下有益效果：

18、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。

技术特征：

1.一种基于bp神经网络的sofc与锂电池混合供电系统的mpc控制方法，其特征在于，包括采集数据，数据驱动的bp神经网络模型搭建和mpc控制三个步骤；

2.一种基于bp神经网络的sofc与锂电池混合供电系统的mpc控制系统，用于实现权利要求1所述的基于bp神经网络的sofc与锂电池混合供电系统的mpc控制方法，其特征在于，包括：

技术总结
本发明公开了一种基于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，将在系统运行时，SOFC与锂电池混合供电系统看作是二输入‑二输出的多变量系统，选取SOFC输出功率和锂电池电流为被控变量，选取空气流量和氢气流量作为控制变量，选取管道温度偏差作为主要扰动变量，使用BP神经网络，建立SOFC与锂电池混合供电系统神经网络模型；其后，将该神经网络模型作为预测模型，建立SOFC与锂电池混合供电系统MPC控制方法，从而可以预测SOFC与锂电池混合供电系统输出特性，有效处理SOFC与锂电池混合供电系统的大延迟特性，提高输出测的动态调节品质，使得控制系统适应工业现场需要。

技术研发人员：吴肖龙,严伟健,钟运盛,龙正阳,李豫,蔡仕云
受保护的技术使用者：南昌大学
技术研发日：
技术公布日：2024/1/15