集装箱龙门起重机可插电串联增程式动力源装置能量控制方法

摘要

本发明公开了一种用于集装箱龙门起重机可插电串联增程式动力源装置的能量控制方法。该能量控制方法采用四层模糊神经网络控制模型，以集装箱龙门起重机的工作能量需求和动力源装置中电池组的荷电状态为模型的输入变量，以装置中柴油发电机对电池组的充电功率为模型的输出变量，模糊神经网络智能控制方法由个人电脑实现，计算结果传送给集装箱龙门起重机的控制器再经由控制器传送给柴油发动机驱动器由驱动器调节柴油发动机的输出功率，从而动态调整超级电池组的充电功率，实现集装箱龙门起重机可插电串联增程式动力源装置的能量控制，获得最佳的能量使用效率、延长电池使用寿命。

主权项

一种集装箱龙门起重机可插电串联增程式动力源装置的能量控制方法，所述集装箱龙门起重机可插电串联增程式动力源装置包括小功率柴油机、发电机、整流器、大容量超级电池组、集装箱龙门起重机起升机构逆变器、起升机构马达、小车行走机构逆变器、小车行走机构马达、吊具防摇逆变器、吊具防摇马达、大车行走机构逆变器及大车行走机构马达、起重机辅助用电设备、以及起重机辅助用电设备逆变器；大容量超级电池组是起重机唯一动力源，与起重机各运行机构逆变器(包括起升机构逆变器、小车运行机构逆变器、吊具防摇逆变器、大车行走机构逆变器及起重机辅助用电设备逆变器)连接，驱动起重机各运行机构马达运行，并为起重机辅助用电设备供电；起重机起升机构下降时产生的可再生能量回馈到直流母线对大容量超级电池充电；小功率柴油机连接发电机形成柴油发电机，柴油发电机通过整流器与大容量超级电池连接对超级电池组充电；在集装箱龙门起重机不工作时，动力源装置中的大容量超级电池组直接通过充电插头连接市电充电；其特征在于所述集装箱龙门起重机可插电串联增程式动力源装置的能量控制方法的模糊神经网络控制模型结构分为四层，分别是输入层、模糊化层、隐含层及输出层，所述集装箱龙门起重机可插电串联增程式动力源装置的能量控制方法包括如下步骤：(1)确定模糊神经网络控制模型的输入和输出变量，以超级电池组的荷电状态及起重机能量需求为输入层的输入变量，以柴油发动机对超级电池组充电功率为输出层输出；(2)在第二层模糊化层针对每个输入量设置模糊子集；集装箱龙门起重机运行的能量需求Q_r的模糊子集表达为：{L,H,CH,MH,VH,EH}，分别取值为：{50，120，150，180，210，240}，依次表示集装箱龙门起重机运行所需运行能量从小到大的程度；动力电池组的荷电状态μ_soc的模糊子集表达为：{EB,VB,SB,SF,LF,MF,CF,VF,EH}，分别取值为：{0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1}，依次表示动力电池组荷电状态从极少到极多的程度；(3)确定第二层中采用的三角函数为隶属度函数；(4)确定第三层隐含层的激活作用函数是Sigmoid函数节，该层节点的输入输出表达式为：${I_j}^{\left(3\right)}=s_j=\underset{i=1}{\overset{n}{\Sigma }}{\omega }_{ij}{O_i}^{\left(2\right)}-{\theta }_j,$$\begin{array}{c}{O_j}^{\left(3\right)}=f\left(s_j\right)=f(\underset{i=1}{\overset{n}{\Sigma }}{\omega }_{ij}{O_i}^{\left(2\right)}-{\theta }_j),\\ i=1,2,3,...n,j=1,2,3,...q\end{array}$式中I_j⁽³⁾表示第三层输入信号，O_j⁽³⁾表示第三层输出信号，O_j⁽²⁾表示第二层输出信号，ω_ij为第二层第i个节点到第三层第j个节点的连接权值，θ_j为第j个节点的阈值，n为第二层总节点数，q为第三层总节点数，f(s)为sigmoid函数，表达为：$f\left(s\right)=\frac{1}{1+e^{-\lambda s}}$λ为一常数；(5)确定第四层输出层节点的输入输出表达式为：${I_l}^{\left(4\right)}=s_l=\underset{j=1}{\overset{q}{\Sigma }}{\omega }_{jl}{O_j}^{\left(3\right)}-{\theta }_l,$$\begin{array}{c}{y}_l={O_l}^{\left(4\right)}=f\left(s_l\right)=f(\underset{j=1}{\overset{q}{\Sigma }}{\omega }_{jl}{O_j}^{\left(3\right)}-{\theta }_l),\\ \begin{array}{cc}j=1,2,3,...q& l=1,2,3,...m\end{array}\end{array}$式中I_l⁽⁴⁾表示第四层输入信号，O_j⁽³⁾表示第三层输出信号，O_l⁽⁴⁾表示第四层输出信号，y_l为第l个输出，ω_jl第三层第j个节点到第四层第l个节点的连接权值，θ_l为第l个节点的阈值，m为第四层总节点数，q为第三层总节点数，f(s)为Sigmoid函数；(5)确定运用优化算法中的梯度下降法对模糊神经网络的连接权值和阈值进行训练，使得网络的目标函数取得最小值。模糊神经网络的目标函数表达为：$E=\underset{k=1}{\overset{N}{\Sigma }}{E}_k=\frac{1}{2}\underset{k=1}{\overset{N}{\Sigma }}\underset{l=1}{\overset{m}{\Sigma }}{(Y_{l,q}-y_{l,q})}^2,$式中，y_l,q表示模糊神经网络输出，Y_l,q表示期望输出，N为网络训练样本个数，E_k表示第k各样本对应的目标函数，m为总输出数，l为第l个输出点。运用梯度下降算法对网络的连接权值和阈值进行优化，采用以下算式：$\left\{\begin{array}{c}{\mathrm{\Delta \omega }}_{ij}={\omega }_{ij}\left(t\right)-{\omega }_{ij}\left(t-1\right)=-\lambda \frac{\partial E}{\partial {\omega }_{ij}}\\ {\mathrm{\Delta \theta }}_j={\theta }_j\left(t\right)-{\theta }_j(t-1)=-\lambda \frac{\partial E}{\partial {\theta }_j}\end{array}\right.,$其中λ为训练步长，t为时间变量，ω_ij和θ_j仍然是指连接权值和阈值，E为连接权值和阈值优化的目标函数；(7)选取多组实验数据作为训练样本，运用梯度下降算法对模糊神经网络控制模型中的连接权值和阈值进行训练，获得优化后的连接权值和阈值，然后给定特定输入变量，由控制模型计算出基于集装箱龙门起重机能量需求和电池组荷电状态的电池组充电功率。