Page 120 - 2024年第55卷第5期

因忽略水电机组速动性，而降低电网抗干扰能力。实际上，对于复杂非线性系统，仅靠一组或几组
ＰＩＤ参数难以满足多工况控制要求。为此，需探求自适应 ＰＩＤ控制器以确保负荷频繁波动时 ＨＴＲＳ仍
具有较好的调节能力。针对线性化水轮机模型，文献［ ６］基于无模型自适应控制（ＭＦＡＣ）理论，设计
了一种基于紧格式动态线性化方法（ＣＦＤＬ）的无模型自适应 ＰＩＤ控制器（ＭＦＡＣ － ＰＩＤ）；Ｚｈａｎｇ等 ［７］ 基于
非最小状态空间模型，设计了一种基于预测函数的 ＰＩＤ控制器；Ｘｉａｏ等 ［８］ 基于在线训练的 ＢＰ神经网
络实现了水轮机调节系统的一步超前 ＰＩＤ预测控制。然而，尽管这些控制算法在小波动过程实现了水
电机组自适应控制，但由于依赖线性水轮机调节系统模型，忽略了水轮机的强非线性。
在先进控制算法方面，模型预测控制算法因其具有多步预测、滚动优化和反馈校正等特性，具有
控制效果好、鲁棒性强、对模型精确度要求不高等优点，受到控制理论界广泛重视 ［９ － １２］ 。模型预测控
制主要有基于非参数模型的模型算法控制（ＭＡＣ）、动态矩阵控制（ＤＭＣ）以及基于参数模型的广义预
测控制（ ＧＰＣ） ［１３ － １５］ 。其中，ＭＡＣ依赖对象的脉冲响应模型，ＤＭＣ依赖对象的阶跃响应模型 ［１６ － １７］ 。这
两种算法适用于具有大时滞和大惯性的对象。ＧＰＣ是预测控制与自适应控制的结合，具有参数少且能
在线估计的优点，适用于能以传递函数表达的被控对象。然而，对于非线性对象，若将其转换为传递
函数表达的形式，不可避免会忽略其非线性特性，导致模型精度降低。
为使 ＧＰＣ适用于 ＦＣＭ下非线性水电机组，不同于常规的 ＧＰＣ控制线性模型这种单对象控制方
式，本文提出 ＧＰＣ控制 “双模型” 的控制策略。“双模型” 指的是控制器同时作用于非线性被控对象
及基于实时反馈线性化的线性被控对象。然而，即使反馈线性化是实时的，仍不可避免会忽略非线性
被控对象的非线性特性，导致控制精度难以达到要求。为此，本文基于预估的控制信号设计水轮机非
线性特性补偿器，并结合实时反馈线性化技术提出 ＦＣＭ 下基于 ＧＰＣ、双模型、实时反馈线性化模块
和非线性特性补偿器的自适应广义预测控制策略（ ＡｄａｐｔｉｖｅＧｅｎｅｒａｌｉｚｅｄＰｒｅｄｉｃｔｉｖｅＣｏｎｔｒｏｌ，ＡＧＰＣ）。最
后，搭建基于 ＡＧＰＣ的非线性水轮机调节系统（ＮＨＴＲＳ）仿真平台，并以某电站真实数据验证了所提控
制策略的控制效果。

２ 非线性水轮机调节系统模型

ＮＨＴＲＳ模型包括：引水系统、水轮机、随动系统和发电机等。其中，水轮机是 ＮＨＴＲＳ关键组成

部分，其动态特性直接影响 ＮＨＴＲＳ动态性能。因此，本文基于 ＢＰ神经网络（ＢＰＮＮ）构建高精度水轮
机模型。此外，考虑了随动系统非线性。
２．１ 引水系统模型 对于压力管道小于 ６００～８００ｍ的水电站，采用刚性水击模型即可满足计算精度
要求。考虑本文研究的水电机组压力管道长度较短，引水系统模型采用刚性水击模型 ［１８ － １９］ ：

Ｇ（ｓ） ＝－ Ｔｓ （１）
ｗ
ｈ
式中 Ｔ为水流惯性时间常数。
ｗ
２．２ 基于 ＢＰＮＮ和改进樽海鞘算法的高精度水轮机模型 基于 ＢＰＮＮ的水轮机模型包括以单位转速
ｎ 和导叶开度 Ｙ为输入，以单位流量 Ｑ 或单位转矩 Ｍ 为输出的流量和力矩特性神经网络（ＤＣＮＮ和
１１
１１
１１
［１］
ＴＣＮＮ） 。为确保水轮机模型精度，建模采用真机试验数据，包括 ｎ 、Ｙ、流量 Ｑ和力矩 Ｍ。Ｑ 和
１１
ｔ
１１
Ｍ 可由式（２）（３）获取 ［２０］ 。
１１
Ｑ
Ｑ ＝ （２）
１１
２
Ｄ Ｈ
槡
Ｍ ｔ
Ｍ ＝ （３）
１１
３
ＤＨ
式中：Ｄ为转轮直径；Ｈ为工作水头。
在建模之前，需结合改进樽海鞘算法和实际运行数据修正水轮机真机试验数据，以解决 Ｙ在实际
运行数据和真机试验数据中尺度不一致问题。樽海鞘算法（ＳａｌｐＳｗａｒｍ Ａｌｇｏｒｉｔｈｍ，ＳＳＡ）具有控制参数
０
— ６ ２ —