水轮机调节系统的智能控制研究

2021-04-12方舟

智能城市 2021年11期

方舟

（中国华电集团有限公司衢州乌溪江分公司，浙江衢州 324000）

1 水轮机调节系统

1.1 基础原理

水轮机调节系统在工作过程分为静态、动态两种状态。静态是机组在给定信号、负荷和水头均为恒值时的稳定运行状态。当系统给定值变化或受负荷、水头等扰动作用时，系统需要及时做出相应动作，应达到供需平衡，经过一定时间的调整重新运行到新稳态。从原稳态到新稳态的过程，即为水轮机调节系统的动态过程。

实际运行过程中，水轮机调节系统易受到外界不可预测的干扰，常处于动态过程。动态过程分为小波动状态、大波动状态两种情形。

（1）小波动状态。

处于小波动状态时，系统中各参数的变化量均较小，在工况点附近存在微小变化，可对水轮机调节系统进行线性化处理，建立线性数学模型。

（2）大波动状态。

调节系统受到幅值较大的干扰时，系统参数变化较为剧烈，且均已超出线性范围，水轮机调节系统无法进行线性处理，可使用非线性理论进行分析。

1.2 主要构成

结合以往的应用经验可知，水轮机调节系统在应用中属于复杂程度较高的应用系统，在运行过程中，可将多种类型的应用系统组合使用。从具体构成情况展开分析，水轮机调节系统主要由调速器、压力分水系统、涡轮机、发电机、输配电线路等部分组成。调速器在应用过程中，会根据系统输出频率产生的偏差信号完成系统调节，且可形成稳定的闭环控制系统，有利于信号调节工作的顺利进行，以满足实际应用过程的控制要求。其他组成设备会辅助系统执行相关操作，如压力分水系统在工作中会对吸收水流进行增压，并将其分流到不同的系统中，以满足不同工作状态下的运行需求。

1.3 数学模型

（1）水轮机调速器数学模型。

在水轮机调节系统运行过程中，调速器属于较为重要的组成部分，建立相应的数学模型，有利于系统动态调整。在模型建立过程中，一般会依托PID控制模块，完成模型建立，且应重点考虑模型应用比例、积分状态、微分处理等环节，模型中的永态差值系数可以忽略，以方便模型的建立。在系统偏差设计过程中，会将应用比例、积分状态、微分处理作为建模的三个应用状态，经过三个状态的处理后，以得到最终的输出信号。具体建模中应用的建模公式，会使用到模糊控制理论中的相关算法，以提升分析结果的可靠性、实用性。

（2）电液随动系统数学模型。

在数学模型建立的过程中，需要考虑电液随动系统模型的建设，该结构是系统运行过程中的主要执行结构，可将调速器中的电气指令顺利落实为具体的机械动作，保证导水机构可顺利完成规定工作，使结构的开度可满足既定的应用要求。在数学建模期间，需要做好电液随动系统的分析工作，该系统在应用中，可将其归类为机械液压系统、电液转换器两部分内容，后者在应用中主要传递指令，随后液压系统内的接力器会对信号进行放大，使其可转化为开、合、移动等指令。

在数学模型的建设过程中，需要设置合理的传递函数，梳理相互之间的应用关系。在系统小波动状态的影响下，辅助接力器本身的时间常数相对较小，相比主接力器可将其忽略。系统在运行过程中的位移速度与配压阀的间距呈正比例状态，以完成数学模型的建立，提升数据分析结果的可靠性。

2 水轮机调节系统智能控制模式

2.1 PID调节控制

在系统运行调节的过程中，PID调节控制属于常应用的控制方式，其应用结构组成复杂度较低，操作流程便捷性较高，运行期间的模拟误差数值较大，多用于系统较小变形状态时的应用控制。

在模块调节过程中，比例调节器属于常应用的附属结构，设备运行期间不会干扰到系统正常功能的传递顺序，以提升系统运行过程的稳定性、可靠性。在水轮机机组运行过程中，如果出现了机组运行偏差，系统本身会及时下达控制信号，减少偏差方向上的相关内容。若发出的控制信号处于较低水平，处于调整过程中的比例因子会下降，调整过程将处于相对较慢的状态。比例因子处于大波动的应用状态时，会干扰系统本身的动态属性，产生相应的静态差异，是PID模块应用期间需要重点关注的内容。除此之外，该控制模式在应用过程中具备较强的差分功能，引起调节偏差问题，模块会下达调节指令并对其进行纠正，以不断提高调整结果的有效性。

2.2 自适应控制

在系统运行过程中，自适应控制是常使用的控制模式，可凭借受控对象的运行参数与系统本身承载工作条件之间存在的关联，完成数据信息处理工作，提升数据分析结果的可靠性。在调节系统运行过程中，其传动系数易受到工作条件变化而发生变动，对模型运行参数产生较大的影响。在不同的工况状态下，系统的运行参数会发生改变，影响系统的自适应调节。

基于此情况，利用自适应控制对其进行控制时，会在系统运行结构中添加非线性补偿器，其在系统运行参数出现频率偏差或负载偏差时，补偿器会提供相应的补偿频率和负载，使系统保持在正常的工作范围内。在自适应调节过程中，将操作条件划分为若干管理模块，每部分负责一个区域的工作内容，将工作结果存储到计算机中，并对参数变化点进行合理控制，以满足自适应调节要求，实现系统动态间隔管控。

2.3 专家系统控制

在智能化控制模式中，专家系统控制属于常用方法，该系统具备了丰富的控制经验和专业知识，可借助系统完成事件评估，同时可模拟人类进行决策，综合多方面专家提供的建议，达成顺利解决复杂问题的目标。在具体的控制过程中，可对水轮机调节系统进行分层，根据系统组成分为若干个管理层次，相互间依托通信工程进行关联。对系统间的从属关系进行梳理，明确出现运行参数差异后引起的连锁反应。出现应用问题后，专家系统根据相互关系将复杂问题简单化，以得到可靠的数据分析结果。专家系统控制可提供解决方案，对方案进行选择时，可利用仿真模型校验方案的使用价值，评估参选方案中的优先级，得到实用价值较高的处理方案。

2.4 模糊控制

在智能化控制模式中，模糊控制的应用频率也处于较高水平，该控制方式在应用中，主要是借助模糊集理论，对整个推理过程进行模糊处理，得到有效决策。在该控制方法的使用过程中，其核心应用内容是模糊推理，在使用过程中利用模糊规则来完成隶属度变量的设计和规范工作。在设计中也会对变量之间的关系进行梳理，了解相关性，得到可靠的数据评估结果。

系统在应用过程中，具备了较强的适应性可完成构建，为不确定系统的搭建提供良好的应用基础。在涡轮调节系统运行过程中，除了应用到模糊控制法外，会将遗传算法融入计算中，利用PID模块完成应用控制，利用推理方法进行PID参数求解。参数信息可自动完成设定，以实现系统的在线调整，提升系统运行稳定性、可靠性，满足不同应用状态下的数据需求[1]。

2.5 神经网络控制

在智能控制体系发展过程中，神经网络控制的出现时间相对较晚，其带来的应用价值较为明显，可以采用类人思维完成系统动态调整，灵动性更强。从实际应用情况来看，神经网络属于独立性较强的自适应控制模型，向模型中提供一些非样本输入时，系统可利用泛化函数完成对应内容的输出，提升分析结果的使用价值。在神经网络控制体系应用过程中，会建立相应的非线性动力学系统，系统本身具备了良好的容错能力。在某一个处理单元出现受损的情况时，神经网络本身带来的负面影响可控制在较小范围内，且不会影响系统稳定工作。从目前的使用情况来看，神经网络控制在应用过程中，具备了较强的应用性能，处于不断完善的阶段，但已经广泛应用在控制领域，具备良好的推广价值[2]。

2.6 学习控制

在水轮机控制过程中，学习控制是一种常用的控制方法，是一类模拟人类控制行为的自动化控制系统。在具体应用中，学习控制能够准确获取控制过程中需要的非预测信息，同时可积累足够数量的控制经验。在评估标准的应用前提下，可对应用质量进行客观评估，以提高决策分析结果的可靠性。遗传学习控制是学习控制体系中的重要组成部分，在随机优化理论的基础上，实现最优解的合理选择。在最优解选择中，利用仿生物进化理论可对控制过程进行合理推演，获取最佳的应用效果[3]。