在现代船舶动力系统中，发电机组转速的精确控制对于确保船舶电力系统频率稳定性至关重要。随着船舶电力系统向综合电力系统（Integrated Power System, IPS）的转变，发电机组转速控制的要求进一步提高。传统的控制策略往往难以应对复杂多变的负载条件和系统动态特性，而模型参考自适应控制（MRAC）策略提供了一种灵活应对这些挑战的方法。本文将重点介绍一种结合神经网络技术的模型参考自适应控制方法（NNMRAC），以及它如何被应用到船舶发电机组转速控制中，以提高控制性能。
模型参考自适应控制（MRAC）是一个经典的控制理论，由Witark教授在1958年提出。MRAC的核心是通过一个参考模型来设定期望的系统性能标准，并通过反馈控制器实时调整实际系统的性能，使之与参考模型相匹配。该策略包含三个基本组成部分：参考模型、反馈控制器和预处理环节。参考模型定义了系统的期望动态特性；反馈控制器根据实际输出与参考模型输出之间的差异来调节控制输入；预处理环节则用于保证整个控制系统的稳定性。
然而，当面对如船舶发电机组这样的非线性系统时，传统MRAC方法的局限性变得明显。船舶发电机组在运行过程中，会受到来自推进电机的重载负荷变化以及环境条件的影响，这些因素使得系统模型可能无法准确捕捉所有非线性行为。这时，神经网络模型参考自适应控制（NNMRAC）策略便有了用武之地。
NNMRAC将神经网络的强大学习和泛化能力引入到MRAC中，通过神经网络的自适应学习机制，能够对非线性系统动态进行建模和控制。在本研究中，NNMRAC被用来提升船舶发电机组转速控制的性能。NNMRAC策略中的神经网络充当辨识器的角色，能够在线学习系统的非线性动态特性；同时，神经网络还作为控制器，调整控制参数以使系统输出快速且准确地跟踪参考模型。
在具体实施过程中，研究人员首先对船舶发电机组进行了数学建模，采用了二阶环节加延迟环节来模拟柴油机的动力学特性。通过输入单位阶跃信号，获得了同步发电机的转速响应，并据此构建了一个二阶传递函数模型。在此基础上，研究人员设计了NNMRAC策略中的神经网络模型参考自适应PID并行控制器。
该神经网络采用多层前馈拓扑结构，利用量化共轭梯度反向传播算法进行训练，以优化其学习效果。通过并行工作的方式，神经网络模型参考自适应控制器与传统的PID控制器结合使用，大大提升了系统的控制质量，增强了对转速变化的快速响应能力和稳定性。
仿真结果显示，基于NNMRAC策略的船舶发电机组转速控制系统具有显著的调速快速性和灵敏度。在面对不同类型的负载变动时，该系统能够迅速调整输出，以保证发电机组转速的精确控制。
此研究得到了高等学校博士学科点专项科研基金和上海海事大学研究生创新基金的支持。研究工作不仅为船舶电力系统控制提供了创新的解决方案，还通过提升控制系统的性能，有助于船舶电力系统的稳定运行和能效的提高。这标志着在电力系统控制领域，深度学习与传统控制理论的结合正逐步展现出其强大的应用潜力。未来，随着人工智能技术的不断进步和优化，船舶电力系统的智能化和自动化水平将得到进一步提升，为整个航运行业带来深远的影响。
