Разработка и исследование адаптивной системы управления активной мощностью гидроагрегата ГЭС с поворотно-лопастной турбиной, страница 10

Однако такие ПИД-регуляторы имеют ряд недостатков. Так, если рабочая точка процесса изменяется из-за возмущений, пара­метры контроллера требуется перенастраивать вручную, что­бы получить новую оптимальную настройку. Настройка дол­жна выполняться опытным оператором. Для систем с взаи­модействующими контурами эта процедура может быть сложной и занимать много времени. Методы настройки ПИ- и ПИД-регуляторов также имеют ряд недостатков. Напри­мер, метод Зиглера-Никольса [36] чувстви­телен к возмущениям, так как разработан на основе экспе­риментов с разомкнутыми системами. В методе настройки требуется человеко-машинное взаимодействие, в ходе которого опера­тор должен генерировать входные сигналы каждый раз, ког­да требуется изменение параметров с целью адаптации к из­менению динамики процесса.

Электромеханические процессы, происходящие в гидроагрегатах ГЭС, имеют ряд существенных особенностей. В частности, динамические и статические характеристики этих процессов содержат изменяющиеся во времени параметры, суще­ственные нелинейности и значительные неконтролируемые возмущающие воздействия [37]. Поэтому классические ПИ- и ПИД-регуляторы с постоянными параметрами не могут обеспечить оптимальные характеристики систем управления гидроагрегатами ГЭС.

В конце XX столетия создан и интенсивно развивается новый подход к учету неопределенности при проектировании систем управления. Одна из первых моделей неопределенности (нелинейная секторная) была предложена в теории абсолютной устойчивости в работах А.И. Лурье [43], М.А. Айзермана и Ф.Р. Гантамахера [44]. В 1980-х годах возникла так называемая -теория [45], [46], [47] и -оптимизация [48], [49], [50], [51]. Эти теории позволили объединить частотные методы и методы пространства состояний, по-новому ставить оптимизационные задачи. Эта же постановка позволила рассматривать задачи с неопределенностью частотной характеристики объекта, ограниченной в -норме (робастное управление).

Появились постановки робастного управления, в которых неопределенность может быть задана либо как параметрическая, либо как ограниченная в матричной норме при описании в пространстве состояний [45] [50]-[56]. Большой вклад в развитие этого направления внесли А.Б. Куржанский [57] и Ф.Л. Черноусько [58]. Близкие идеи использовались в минимаксной теории управления [48-[50], [84]-[90], [97]. Новый математический аппарат, оказавшийся очень удобным для анализа и синтеза линейных систем, базируется на решении линейных матричных неравенств.

При минимаксном описании неопределенностей (минимаксные методы, -оптимизация, -оптимизация, -синтез, LMI-техника и т.д.)  предполагается,  что неизвестные параметры уравнений математической модели ОУ принадлежат некоторому ограниченному множеству, а возмущающие воздействия являются "сигналами с ограниченной энергией" [45], [52], [53]. Цель управления состоит в достижении наилучшего качества управления при наихудшей для выбранного управления реализации последовательности возмущающих воздействий. Управляющие воздействия формируют с помощью многомерных П-регуляторов состояния.

Идентификацию параметров ОУ и регулятора осуществляют различными методами (наиболее часто применяют градиентные методы, алгоритмы стохастической аппроксимации, рекуррентный МНК и методы, основанные на размещении полюсов и нулей передаточной функции системы управления). Среди этих методов наиболее перспективными являются подходы, основанные на аппроксимации градиента функции потерь, которые не требуют выполнения предположений о некоррелированности помех. При этом часто в управляющие воздействия добавляют специальные тестовые сигналы, обеспечивающие сходимость оценок параметров ОУ и регулятора к их оптимальным значениям. Если через канал управления удается подать некоторое новое возмущение с задаваемыми экспериментатором статистическими свойствами, то его можно использовать для "обогащения" информации в канале наблюдения. При этом в линейных системах удается получать алгоритмы, формирующие несмещенные и состоятельные оценки параметров. Однако такие тестовые сигналы оказывают дополнительные динамические воздействия на объект управления и могут привести к появлению нежелательных эффектов. Возникают и вычислительные проблемы при реализации алгоритмов адаптивного управления в минимаксной постановке в реальном масштабе времени. Строгое обоснование этих алгоритмов получено только в линейных задачах с возмущающими воздействиями, которые имеют ограниченную энергию при . Структуру регулятора и критерии качества идентификации параметров регулятора и модели ОУ в нелинейных задачах выбирают эмпирически (без гарантий несмещенности оценок). Поэтому системы адаптивного управления, реализующие указанные алгоритмы, обычно имеют статическую погрешность управления и существенное перерегулирование управляемых переменных.