改进的圆形‑SCA‑BSO 优化燃气轮机转速 PID 控制器以增强转速跟踪与干扰抑制

更快更稳定的涡轮为何重要

每当发电厂为应对晚间负荷而增速，或喷气发动机在起飞时推力加大，燃气轮机都需要快速且安全地改变转速。如果控制系统反应过慢或超调，可能导致燃料浪费、排放增加，甚至设备损伤。本文探讨了一种新的自动微调常见工业转速控制器的方法，使燃气轮机能更快响应、维持更稳定的转速，并在实际运行中更好地抵御干扰。

掌握涡轮行为

在良好控制燃气轮机之前，需先有一个能够反映其行为的数字替身。作者首先构建了这样的动态模型，采用一种神经网络来学习涡轮的转速和排气温度如何响应燃料流量、进气温度和导叶角等输入。他们在一台真实涡轮从点火到空载全速运行的数据上训练该模型，并对数据进行仔细归一化和检验，以避免模型仅记住一组工况。所得模型对涡轮行为的预测精度超过 99.9%，因此成为试验和调优新控制方法的可靠沙箱。

为何调校常见控制器仍然困难

在工业界，自动控制的主力是 PID 控制器，它根据转速偏离目标的幅度、持续时间和变化速度来调整输出——在这里是燃料流量。PID 结构简单且备受信任，但选择其三个关键参数却极为棘手。传统上，经验丰富的工程师通过手工反复调试这些参数，这一过程既慢又难以复现。许多研究组现用受自然启发的搜索算法（如鸟群或昆虫群体行为）来自动寻找更好的 PID 参数，但这些方法可能停留在次优解，或收敛速度过慢。

更聪明的群体用于自动调优

作者提出了一种改进的搜索策略，称为 IC‑SCA‑BSO，将若干群体启发思想进行组合与优化。它首先以圆形布局将虚拟“甲虫”（候选解）均匀分布在搜索空间中，而非随机散布。随后通过一条精心设计的曲线调整群体随时间的探索力度，而不是简单线性衰减。最后借鉴正弦和余弦方法的节奏步伐，防止甲虫过早陷入局部劣解。这些步骤使算法在初期能够广泛搜索，然后平滑收敛到最佳 PID 参数组合，评判标准是转速误差在时间上的幅值和持续时间越小越好。

将新控制器付诸检验

研究者利用其神经网络涡轮模型和标准仿真平台，比较了五种转速控制器：一个手工调优的基线以及基于不同群体方法的四个自动调优 PID。他们通过涡轮达到新转速命令的速度、超调量、稳态稳定性以及对突发 5% 燃料流量扰动（模拟真实运行干扰）的恢复能力来评判每种控制器。在三个目标转速阶跃变化和扰动测试中，IC‑SCA‑BSO 调优的控制器持续更快达到目标转速、超调更小、收敛更平稳——且并未增加额外的计算负担。

对实际涡轮的意义

通俗地说，这项研究表明，将一种更智能的“自动调参”方法应用于熟悉且行业标准的控制器，可以使燃气轮机的反应更像受过良好训练的驾驶员，而非紧张的新手：起步快、进入巡航平稳、遇到路况变化仍能稳定。尽管他们得到的具体参数适用于某台特定涡轮和工况范围，但这种方法——将高精度的学习模型与改进的搜索算法结合——为工厂工程师减少反复试验、降低燃料消耗与排放、并提升动力与推进系统的效率与鲁棒性提供了路线图。

引用: 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

关键词: 燃气轮机控制, PID 调参, 群体优化, 神经网络建模, 工业自动化