Rapporten granskar dubbelreglerade Kaplanturbiner i syfte att vidareutveckla en metod som studerar effektproduktionens instabilitet för att bedöma turbinens kombinering. Arbetet utreder hur en algoritm bör utformas för att bedöma kombineringar utifrån effektens pulsationer samt huruvida algoritmen kan implementeras i turbinens reglersystem. 

Det har granskats data från kombineringsprov samt driftdata för tre olika aggregat. Det undersöks hur lång tid det tar för systemet att stabiliseras vid regleringar och vilka börvärden som kan bedöma kombineringen. En studie i maskininlärning har också genomförts. 

Resultatet visar att det är möjligt att implementera algoritmen förutsatt att vissa komponenter i reglersystemet kan behöva införskaffas. Algoritmens viktigaste aspekter är att det efter en reglering måste väntas uppemot två minuter innan statusindikatorer behöver beräknas under fem minuter. De statusindikatorer som bedöms vara tillämpningsbara är en normerad pulsation samt ett peak to peak-värde. Dessa värden bör beräknas för varje aggregat utifrån kombineringsprovsresultat samt kan med säkerhet avgöra om pådraget är för lågt och i många fall om pådraget är för högt. Om pådraget bedöms felaktigt bör turbinbladsvinkeln minska. Ytterligare resultat är att maskininlärningsmodellen kNN-klassificering kan användas som komplement till kombineringsprov. 

This report examines double-regulated Kaplan turbines, with the aim of further developing a method which studies the power production instability to assess the turbine combination. The work investigates how an algorithm can be designed to assess combinations based on the power fluctuations and whether the algorithm can be implemented in the control system. 

Index tests and operating data for three aggregates have been studied. It is investigated how long the system is unstable during regulation and which setpoints (SP) can assess the combination. A study in machine learning has also been conducted. 

Results show that an algorithm can be implemented, provided that some components may need to be added. The algorithm's most important aspects are that when regulations occur, upwards two minutes must pass before SP are calculated during five minutes. The applicable SP are the standardized fluctuation and the peak-to-peak value. These values should be calculated for each aggregate, and can with certainty identify a part load and in many cases a high load. If the load is assessed as unsuitable, the turbine blade angle should be reduced. An additional result is that the machine learning method kNN classifier can be used as a complement to index tests.