Verbesserter circle-SCA-BSO‑optimierter PID‑Regler für Gasturbinendrehzahl zur verbesserten Drehzahlverfolgung und Störungsunterdrückung

Warum schnellere, stabilere Turbinen wichtig sind

Jedes Mal, wenn ein Kraftwerk zur Deckung des Abendbedarfs hochfährt oder ein Triebwerk beim Start hochgeregelt wird, muss eine Gasturbine die Drehzahl schnell und sicher ändern. Reagiert das Regelungssystem zu langsam oder überschießt, kann das zu verschwendetem Brennstoff, höheren Emissionen oder sogar Schäden führen. Dieser Artikel untersucht eine neue Methode zur automatischen Feineinstellung eines sehr gebräuchlichen industriellen Drehzahlreglers, damit Gasturbinen schneller reagieren, die Drehzahl konstanter halten und Störungen im realen Betrieb besser abblocken können.

Die Turbinen­verhalten in den Griff bekommen

Bevor man eine Gasturbine gut regeln kann, braucht man ein verlässliches digitales Abbild ihres Verhaltens. Die Autorinnen und Autoren erstellen zunächst ein solches Abbild, ein dynamisches Modell, mithilfe eines Typs neuronaler Netze, das lernt, wie Drehzahl und Abgastemperatur auf Eingänge wie Brennstoffzufuhr, Eintrittstemperatur und Leitschaufelwinkel reagieren. Sie trainieren dieses Modell mit Daten einer realen Turbine, die vom Zünden bis zur Leerlaufdrehzahl betrieben wurde, und normalisieren sowie prüfen die Daten sorgfältig, damit das Modell nicht nur eine einzelne Betriebsbedingung auswendig lernt. Das resultierende Modell sagt das Turbinenverhalten mit über 99,9 % Genauigkeit vorher und dient so als verlässlicher Spielplatz, um neue Regelmethoden auszuprobieren und abzustimmen.

Warum das Abstimmen gängiger Regler schwierig bleibt

In der Industrie ist der PID‑Regler das Arbeitspferd der automatischen Regelung: Er passt eine Stellgröße – hier die Brennstoffzufuhr – anhand der Größe, Dauer und Änderungsrate der Abweichung der Drehzahl vom Sollwert an. PID‑Regler sind einfach und zuverlässig, aber die Wahl ihrer drei Grundeinstellungen ist berüchtigt schwierig. Traditionell justieren erfahrene Ingenieurinnen und Ingenieure diese Werte von Hand, was langsam und schwer reproduzierbar ist. Viele Forschungsgruppen nutzen inzwischen suchbasierte Algorithmen, die sich an der Natur orientieren – wie Schwarmverhalten von Vögeln oder Insekten –, um automatisch bessere PID‑Einstellungen zu finden; diese Methoden können jedoch in lokalen, suboptimalen Lösungen steckenbleiben oder zu lange bis zur Konvergenz brauchen.

Ein schlauerer Schwarm für automatische Abstimmung

Die Autorinnen und Autoren stellen eine verbesserte Suchstrategie namens IC‑SCA‑BSO vor, die mehrere schwarminspirierte Ideen kombiniert und verfeinert. Sie beginnt damit, virtuelle „Käfer“ (Kandidatenlösungen) nicht zufällig, sondern in einem kreisförmigen Muster gleichmäßig über den Suchraum zu verteilen. Dann passt sie die Exploitation‑ und Exploration‑Stärke des Schwarms über die Zeit mithilfe einer sorgfältig geformten Kurve anstatt eines einfachen linearen Abklingens an. Schließlich übernimmt sie rhythmische Schritte aus einer Sinus‑/Cosinus‑basierten Methode, damit sich die Käfer nicht zu früh in lokalen Sackgassen festsetzen. Zusammengenommen ermöglichen diese Schritte, dass der Algorithmus zunächst weit sucht und sich dann fließend auf die beste Kombination von PID‑Einstellungen fokussiert, gemessen daran, wie klein und kurzlebig der Drehzahlfehler über die Zeit ist.

Prüfung des neuen Reglers

Mithilfe ihres neuronalen Turbinenmodells und einer üblichen Simulationsplattform vergleichen die Forschenden fünf Varianten des Drehzahlreglers: eine manuell abgestimmte Basisvariante und vier automatisch abgestimmte PIDs, die auf verschiedenen Schwarmmethoden beruhen. Bewertet werden, wie schnell die Turbine neue Drehzahlvorgaben erreicht, wie stark sie überschießt, wie stabil sie nach dem Einschwingen ist und wie gut sie sich von einem plötzlichen 5 %-Anstieg der Brennstoffzufuhr erholt, der reale Betriebsstörungen nachahmt. Über drei Stufensprünge in der Soll­drehzahl hinweg und im Störungstest erreicht der IC‑SCA‑BSO‑abgestimmte Regler durchweg die gewünschte Drehzahl früher, überschießt weniger und schwingt ruhiger ein als die anderen – und das ohne höheren Rechenaufwand.

Was das für reale Turbinen bedeutet

Kurz gesagt zeigt die Studie, dass eine intelligentere Methode zum „Auto‑Tuning“ eines vertrauten, industrieweiten Reglers Gasturbinen eher wie einen gut geschulten Fahrer als wie einen nervösen Anfänger reagieren lässt: flink beim Anfahren, ruhig beim Einfahren auf Reisegeschwindigkeit und stabil, wenn die Bedingungen rauer werden. Während die exakt gefundenen Einstellungen für eine spezifische Turbine und Betriebsbandbreite gelten, bietet der Ansatz – die Kombination eines genauen gelernten Modells mit einem verbesserten Suchalgorithmus – einen Fahrplan für Anlageningenieurinnen und -ingenieure, um Trial‑and‑Error‑Arbeit zu reduzieren, Brennstoffverbrauch und Emissionen zu senken und Energie‑ sowie Antriebssysteme effizienter und robuster zu machen.

Zitation: Dong, Y., Liu, X., Wang, Z. et al. Improved circle-SCA-BSO optimized gas turbine speed PID controller for enhanced speed tracking and interference rejection. Sci Rep 16, 5871 (2026). https://doi.org/10.1038/s41598-026-37087-9

Schlüsselwörter: Regelung von Gasturbinen, PID‑Abstimmung, Schwarmoptimierung, Neural‑Network‑Modellierung, industrielle Automatisierung