自适应级联LADRC用于柴油发电机转速控制的抗扰性增强

《Modelling》：Enhanced Disturbance Rejection in Diesel Generator Speed Control Using Adaptive Cascaded LADRC

　　

柴油发电机组是孤岛微电网和船舶电力系统中的关键频率支撑单元，在负载突变时快速恢复转速对于维持电能质量至关重要。然而，传统线性自抗扰控制（LADRC）受限于单个观测器的扰动估计与噪声放大之间的权衡，而固定参数限制了其在变化工况下的适应性。针对这些限制，研究人员提出了一种基于RBF神经网络优化的级联LADRC方法，称为RBF-CLADRC。首先建立了一个基于机制的扭矩平衡模型，将不确定的机械耦合、摩擦损失和负载变化集总为总扰动。然后构建了一个残差扰动级联观测器，其中第一个线性扩展状态观测器估计总扰动，第二个进一步重构残差估计误差。与直接调整多个增益的常规基于机器学习的ADRC方法不同，所提出的RBF神经网络仅调整一个公共控制器带宽，且该带宽被限制在预设区间内，而所有观测器和反馈增益通过预定义的解析关系生成。这种低维自适应保持了协调的增益变化，降低了在线计算复杂度，并便于实时实现。Lyapunov分析表明，在有限扰动速率下，观测器和跟踪误差是一致有界且最终有界的，对于恒定扰动则指数收敛。最后，在MATLAB/Simulink中的对比仿真表明，所提方法相比传统LADRC和其他基准控制器具有更好的动态响应和抗扰性能。

**论文解读：基于自适应级联LADRC的柴油发电机转速控制抗扰性增强**

**研究背景与问题**
柴油发电机组在孤岛微电网、船舶电力系统及备用电源中扮演着关键频率支撑角色，其转速控制直接影响输出电能质量。负载突变引起的扭矩失衡会导致转速波动和频率偏差，严重时还会缩短设备寿命。然而，柴油发电机-发电机组具有高度非线性和强耦合特性，阻尼和摩擦扭矩难以精确建模，传统比例-积分-微分（PID）控制器在工况变化时需重新整定参数，且抗扰能力有限。线性自抗扰控制（LADRC）通过扩展状态观测器（ESO）估计并补偿总扰动，但单观测器面临估计带宽与噪声放大的权衡，固定参数缺乏适应性。现有机器学习辅助的ADRC方法多直接调整多个增益，导致参数耦合、在线计算负担重，且稳定性分析复杂。级联观测器结构虽能改善估计精度，但缺乏与在线自适应的协同。因此，研究人员提出一种将残差扰动级联观测与低维神经自适应相结合的RBF-CLADRC方法，旨在提升柴油发电机在宽负载变化下的转速抗扰性能。该研究发表在《Modelling》上。

**主要关键技术与方法**
研究人员采用以下关键技术：基于扭矩平衡的机制模型，将不确定机械耦合与摩擦集总于总扰动；构建级联线性扩展状态观测器（LESO1和LESO2），LESO1估计总扰动，LESO2重构残差估计误差；采用RBF神经网络在线调整公共控制器带宽，所有观测器与反馈增益通过预定义解析关系生成，实现低维自适应；通过Lyapunov分析证明系统稳定性；在MATLAB/Simulink中进行仿真验证，对比PI、模糊PID、传统LADRC及固定带宽级联LADRC（CLADRC）。

**研究结果**

**4.1 改进LESO的扰动观测性能**
通过Bode图比较传统LESO与级联LESO的频率响应，发现级联LESO具有更高的?3 dB截止频率和更宽的有效观测带宽，表明其扰动估计动态更快、瞬态响应更优，高频区域衰减趋势相近。

**4.2 启动与负载变化下的转速响应**
在启动、50%负载突卸（5 s）和突加（8 s）场景下对比五种控制器。启动阶段，PI、模糊PID、LADRC、CLADRC和RBF-CLADRC的最大超调分别为3.21、0.20、0、0和0 rpm，LADRC类均无超调。负载突卸后，峰值转速分别为1587、1567、1556、1547和1518 rpm，恢复时间分别约0.21、0.16、0.14、0.13和0.11 s。负载突加后，最低转速分别为1428、1450、1462、1471和1488 rpm，恢复时间分别约0.26、0.16、0.08、0.07和0.04 s。RBF-CLADRC实现了最小的转速偏差和最快的恢复时间。

**4.3 转速跟踪误差对比**
在50%额定负载阶跃变化下，RBF-CLADRC的最大跟踪误差约8 rpm，恢复时间约0.05 s，均优于其他控制器。积分绝对误差（IAE）和积分时间加权绝对误差（ITAE）指标显示，相比PI，RBF-CLADRC的IAE降低约95.8%，ITAE降低约98.1%，表明其累计偏差和持续时间均最小。

**4.4 在线自适应参数整定**
RBF神经网络在线调整的控制器带宽（ω_c）在负载变化时自适应变化：负载突卸后ω_c从40降至约20，负载恢复后升至40，而固定带宽CLADRC的ω_c保持40。自适应调整避免了稳态过高增益，同时增强了瞬态补偿。

**4.5 鲁棒性分析**
在转动惯量偏差±20%和±50%条件下，峰值转速偏差从0.47 rpm（J=25 kg·m²）增至0.93 rpm（J=75 kg·m²），恢复时间在0.078–0.095 s内，无振荡或稳态偏差。在同时施加测量噪声（标准差1.0 rpm）与油门饱和限制下，稳态转速脉动控制在1.33 rpm（标准差0.52 rpm），瞬态峰值偏差仅3.65 rpm，油门指令仅在瞬态短暂饱和，未引发不稳定。所有工况下控制信号平稳无振荡。

**结论与讨论**
研究人员提出了基于RBF神经网络辅助的级联LADRC方法，用于柴油发电机转速调节。LESO1估计集总扰动，LESO2重构残差估计误差，RBF神经网络在线调整公共控制器带宽，其余增益通过解析关系更新。Lyapunov分析表明，在有限扰动速率、RBF逼近误差和采样数据带宽变化下，观测和跟踪误差一致有界最终有界，恒定扰动下指数收敛。仿真验证了该方法在启动、负载变化及参数不确定性、测量噪声、执行器饱和下的优越性能。与传统PI、模糊PID、LADRC和固定带宽CLADRC相比，RBF-CLADRC实现了更小的转速偏差和更快的恢复时间（最大跟踪误差约8 rpm，恢复时间约0.05 s）。由于仅需调整一个带宽参数，计算负担有限，适合实时实现。工程上，该控制器仅需参考转速和实测转速，输出归一化油门开度，无需高阶柴油机模型，适用于孤岛微电网、船舶电力系统等场景。但实际性能可能受燃烧延迟、执行器死区、通信延迟及长期参数漂移影响，RBF参数和带宽范围需根据具体机组额定容量和执行器特性选择。总体而言，所提方法在保持简单结构和低计算负担的同时，显著改善了动态响应和抗扰性能。