水輪機調節系統的智能控制研究

方 舟

（中國華電集團有限公司衢州烏溪江分公司，浙江衢州 324000）

1 水輪機調節系統

1.1 基礎原理

水輪機調節系統在工作過程分為靜態、動態兩種狀態。靜態是機組在給定信號、負荷和水頭均為恒值時的穩定運行狀態。當系統給定值變化或受負荷、水頭等擾動作用時，系統需要及時做出相應動作，應達到供需平衡，經過一定時間的調整重新運行到新穩態。從原穩態到新穩態的過程，即為水輪機調節系統的動態過程。

實際運行過程中，水輪機調節系統易受到外界不可預測的干擾，常處于動態過程。動態過程分為小波動狀態、大波動狀態兩種情形。

（1）小波動狀態。

處于小波動狀態時，系統中各參數的變化量均較小，在工況點附近存在微小變化，可對水輪機調節系統進行線性化處理，建立線性數學模型。

（2）大波動狀態。

調節系統受到幅值較大的干擾時，系統參數變化較為劇烈，且均已超出線性范圍，水輪機調節系統無法進行線性處理，可使用非線性理論進行分析。

1.2 主要構成

結合以往的應用經驗可知，水輪機調節系統在應用中屬于復雜程度較高的應用系統，在運行過程中，可將多種類型的應用系統組合使用。從具體構成情況展開分析，水輪機調節系統主要由調速器、壓力分水系統、渦輪機、發電機、輸配電線路等部分組成。調速器在應用過程中，會根據系統輸出頻率產生的偏差信號完成系統調節，且可形成穩定的閉環控制系統，有利于信號調節工作的順利進行，以滿足實際應用過程的控制要求。其他組成設備會輔助系統執行相關操作，如壓力分水系統在工作中會對吸收水流進行增壓，并將其分流到不同的系統中，以滿足不同工作狀態下的運行需求。

1.3 數學模型

（1）水輪機調速器數學模型。

在水輪機調節系統運行過程中，調速器屬于較為重要的組成部分，建立相應的數學模型，有利于系統動態調整。在模型建立過程中，一般會依托PID控制模塊，完成模型建立，且應重點考慮模型應用比例、積分狀態、微分處理等環節，模型中的永態差值系數可以忽略，以方便模型的建立。在系統偏差設計過程中，會將應用比例、積分狀態、微分處理作為建模的三個應用狀態，經過三個狀態的處理后，以得到最終的輸出信號。具體建模中應用的建模公式，會使用到模糊控制理論中的相關算法，以提升分析結果的可靠性、實用性。

（2）電液隨動系統數學模型。

在數學模型建立的過程中，需要考慮電液隨動系統模型的建設，該結構是系統運行過程中的主要執行結構，可將調速器中的電氣指令順利落實為具體的機械動作，保證導水機構可順利完成規定工作，使結構的開度可滿足既定的應用要求。在數學建模期間，需要做好電液隨動系統的分析工作，該系統在應用中，可將其歸類為機械液壓系統、電液轉換器兩部分內容，后者在應用中主要傳遞指令，隨后液壓系統內的接力器會對信號進行放大，使其可轉化為開、合、移動等指令。

在數學模型的建設過程中，需要設置合理的傳遞函數，梳理相互之間的應用關系。在系統小波動狀態的影響下，輔助接力器本身的時間常數相對較小，相比主接力器可將其忽略。系統在運行過程中的位移速度與配壓閥的間距呈正比例狀態，以完成數學模型的建立，提升數據分析結果的可靠性。

2 水輪機調節系統智能控制模式

2.1 PID調節控制

在系統運行調節的過程中，PID調節控制屬于常應用的控制方式，其應用結構組成復雜度較低，操作流程便捷性較高，運行期間的模擬誤差數值較大，多用于系統較小變形狀態時的應用控制。

在模塊調節過程中，比例調節器屬于常應用的附屬結構，設備運行期間不會干擾到系統正常功能的傳遞順序，以提升系統運行過程的穩定性、可靠性。在水輪機機組運行過程中，如果出現了機組運行偏差，系統本身會及時下達控制信號，減少偏差方向上的相關內容。若發出的控制信號處于較低水平，處于調整過程中的比例因子會下降，調整過程將處于相對較慢的狀態。比例因子處于大波動的應用狀態時，會干擾系統本身的動態屬性，產生相應的靜態差異，是PID模塊應用期間需要重點關注的內容。除此之外，該控制模式在應用過程中具備較強的差分功能，引起調節偏差問題，模塊會下達調節指令并對其進行糾正，以不斷提高調整結果的有效性。

2.2 自適應控制

在系統運行過程中，自適應控制是常使用的控制模式，可憑借受控對象的運行參數與系統本身承載工作條件之間存在的關聯，完成數據信息處理工作，提升數據分析結果的可靠性。在調節系統運行過程中，其傳動系數易受到工作條件變化而發生變動，對模型運行參數產生較大的影響。在不同的工況狀態下，系統的運行參數會發生改變，影響系統的自適應調節。

基于此情況，利用自適應控制對其進行控制時，會在系統運行結構中添加非線性補償器，其在系統運行參數出現頻率偏差或負載偏差時，補償器會提供相應的補償頻率和負載，使系統保持在正常的工作范圍內。在自適應調節過程中，將操作條件劃分為若干管理模塊，每部分負責一個區域的工作內容，將工作結果存儲到計算機中，并對參數變化點進行合理控制，以滿足自適應調節要求，實現系統動態間隔管控。

2.3 專家系統控制

在智能化控制模式中，專家系統控制屬于常用方法，該系統具備了豐富的控制經驗和專業知識，可借助系統完成事件評估，同時可模擬人類進行決策，綜合多方面專家提供的建議，達成順利解決復雜問題的目標。在具體的控制過程中，可對水輪機調節系統進行分層，根據系統組成分為若干個管理層次，相互間依托通信工程進行關聯。對系統間的從屬關系進行梳理，明確出現運行參數差異后引起的連鎖反應。出現應用問題后，專家系統根據相互關系將復雜問題簡單化，以得到可靠的數據分析結果。專家系統控制可提供解決方案，對方案進行選擇時，可利用仿真模型校驗方案的使用價值，評估參選方案中的優先級，得到實用價值較高的處理方案。

2.4 模糊控制

在智能化控制模式中，模糊控制的應用頻率也處于較高水平，該控制方式在應用中，主要是借助模糊集理論，對整個推理過程進行模糊處理，得到有效決策。在該控制方法的使用過程中，其核心應用內容是模糊推理，在使用過程中利用模糊規則來完成隸屬度變量的設計和規范工作。在設計中也會對變量之間的關系進行梳理，了解相關性，得到可靠的數據評估結果。

系統在應用過程中，具備了較強的適應性可完成構建，為不確定系統的搭建提供良好的應用基礎。在渦輪調節系統運行過程中，除了應用到模糊控制法外，會將遺傳算法融入計算中，利用PID模塊完成應用控制，利用推理方法進行PID參數求解。參數信息可自動完成設定，以實現系統的在線調整，提升系統運行穩定性、可靠性，滿足不同應用狀態下的數據需求[1]。

2.5 神經網絡控制

在智能控制體系發展過程中，神經網絡控制的出現時間相對較晚，其帶來的應用價值較為明顯，可以采用類人思維完成系統動態調整，靈動性更強。從實際應用情況來看，神經網絡屬于獨立性較強的自適應控制模型，向模型中提供一些非樣本輸入時，系統可利用泛化函數完成對應內容的輸出，提升分析結果的使用價值。在神經網絡控制體系應用過程中，會建立相應的非線性動力學系統，系統本身具備了良好的容錯能力。在某一個處理單元出現受損的情況時，神經網絡本身帶來的負面影響可控制在較小范圍內，且不會影響系統穩定工作。從目前的使用情況來看，神經網絡控制在應用過程中，具備了較強的應用性能，處于不斷完善的階段，但已經廣泛應用在控制領域，具備良好的推廣價值[2]。

2.6 學習控制

在水輪機控制過程中，學習控制是一種常用的控制方法，是一類模擬人類控制行為的自動化控制系統。在具體應用中，學習控制能夠準確獲取控制過程中需要的非預測信息，同時可積累足夠數量的控制經驗。在評估標準的應用前提下，可對應用質量進行客觀評估，以提高決策分析結果的可靠性。遺傳學習控制是學習控制體系中的重要組成部分，在隨機優化理論的基礎上，實現最優解的合理選擇。在最優解選擇中，利用仿生物進化理論可對控制過程進行合理推演，獲取最佳的應用效果[3]。

3 結語

綜上所述，在水輪機調節系統運行過程中，進行智能化控制具有重要的應用價值，通過智能控制在實際應用中的注意事項。一方面，可提升系統控制結果的可靠性，營造穩定的系統運行環境；另一方面，可積累更多的價值數據，為系統持續優化創造可靠的應用條件。