用于监测目的汽轮机建模

2020-09-10 09:26王丽娜
内燃机与配件 2020年12期
关键词:数值汽轮机模型

王丽娜

摘要:本文提出了两种用于汽轮机在线监测应用的建模方法,一种混合-热力动力学方法和一种神经网络方法。 两种模型都能预测功率以及其他不易测量的特性,如出口蒸汽质量、压力和出口温度。 利用数据库对两种模型进行了培训和验证,不通过GE尺寸设计工具创建, 利用高压汽轮机现场实测数据对模型进行了测试。

Abstract: The paper proposes two different approaches for steam turbine modelling for on-line monitoring applications, a hybrid-thermodynamic method and a neural network approach. Both models can predict power and other features that cannot be easily measured such as outlet Steam Quality, Pressure and Temperature at drums outlet. Training and validation of both models was carried out by exploiting a dataset created by means the GE sizing design tool. The models were tested by means of real field data of a High Pressure Turbine.

关键词:汽轮机;模型;数值

1  介绍

汽轮机老化的监测和控制是一个备受争议的话题,特别是在蒸汽运行条件非常多变的情况下,或在涡轮机的情况下,都是如此经常启动和关闭周期。非稳态蒸汽条件下的STS受到持续的热应力、风效应和过早老化,从而降低了效率。在这种情况下,基于涡轮机械模型的在线监测算法必须平衡良好的准确性和简单性,这即两个基本的,经常是反作用的特征,以便在PLC这样的平台上实现,它通常在内存和计算速度方面有严格的要求。这类模型和算法用于监测现象和无法访问的情况变量(例如,风、效率、蒸汽质量(液体蒸气混合物中蒸汽质量的百分比)、叶片之间的压力和温度)通常不通过传感器测量。

ST模型允許在非设计状态下对机器进行监视,必须考虑到不同的重非线性行为,如效率对转速的依赖。以及鼓压之间的比值、质量流动(通常用Stodola方程来估计)、风效应对压力与动能比值的依赖关系,这取决于蒸汽速度和叶片的几何形状。用于简化ST建模的方法,通常是基于半经验关系或热差近似。本文所做的工作比较了两种不同的汽轮机建模方法。迭代混合热力学模型和前馈神经网络模型(FFNN)。

论文组织如下:描述了迭代混合热力学模型,描述了两种模型的训练和验证数据集的设计方法。

2  混合热力学模型

混合-热力学方法旨在通过使用近似关系来扩展基于物理的方法,该关系描述效率的线性行为,压力比之间的非线性行为。不同的操作条件下的蒸汽和转速的机器。 因此,修正了简单的方程焓降的计算,为了再现机器的真实行为。描述了沿定子和转子叶片的蒸汽流动,关于经典的热力学模型,其观点是倾向于机器的部分。

对汽轮机的滚筒进行建模,以估计质量流量、压力、温度、焓和功率等基本参数。特别是,质量流动与入口和出口条件使用Stodola方程,表示如下:

并通过一个阶大于3的多项式扩展,根据以下方程:

在广泛的操作条件下,通过最小化预测和实际质量流之间的均方误差来识别系数ksi。第一系数k si d通过一个非线性关系,通过一个查询表表示ksi系数来匹配转速,入口蒸汽阀行程,一个识别程序的结果。一旦确定了系数ksi,用Eq算出滚筒出口压力。了解每个滚筒的入口条件(压力、温度和质量流量)。其他数量 (如焓、熵等)用蒸汽表函数进行评价。

实际出口焓与等熵出口焓之间的关系,通常描述为:

其中KI系数用与Eq相同的方法识别,特别是,一组系数被确定为的函数 通过表示i c来匹配此依赖项系数作为查找表。出口温度和蒸汽质量通过蒸汽表功能来评估。

汽轮机每个滚筒的功率由质量流量、焓降和动能贡献的函数计算得到,

其中,动力学贡献是通过考虑质量流动守恒定律和汽包出口速度三角形来计算。

为了配合涡轮最后一个滚筒出口的压力(模型的输入),采用了一种迭代的方法:迭代计算入口质量流量,迭代算法的逻辑是基于方程的。假设在每个操作条件下,都存在一个k,将质量流与某些边界条件联系起来,根据下面的bas集成电路步骤计算压力误差,检查估计的出口压力是否与实际出口压力相匹配;如果是,当前质量流量是正确的;如果没有,则进入下一步;如果出口压力的估计来自方程,是一个复数,是一个复数,质量流量计算为5%,否则计算如下。

如果压力误差的符号变化,并且出口压力计算为Eq。是一个复数,质量流被计算为在第一步和i和i+1否则它是通过等式计算的。

如果压力误差低于出口压力的0.1%,则质量流量是正确的

3  基于神经网络的建模方法

为了预测汽轮机的不同特性,对汽轮机模型进行了研究。设计了四种不同的神经网络:用神经网络预测TUR的总功率宾(NN1)和每个鼓的功率(NN2)。还将NN应用于各鼓出口温度和压力的预测(NN3)和涡轮出口蒸汽质量的估计(NN4)。FFNN是重非线性输入输出关系逼近的典型选择。通过优化研究确定了权重和隐藏层的数量。

所有的NN都是通过标准的Levenberg-Mar quardt反向传播过程和早期停止算法。最小化的目标函数是预测和目标输出之间的MSE。

每个NN的输入由入口蒸汽压力和温度、每次出的质量流量或萃取和出口压力组成。

4  数值结果

为了测试所提出的方法,模拟了一个由冲击级和3个反应桶组成的真正的高压汽轮机,标称功率为18MW。用于培训这两种方法的数据集是通过通用电气内部尺寸调整工具设计的,方法是创造一大套操作条件,其中80%的数据用于培训,其余的用于验证。从全天测量的实地数据开始创建了一个额外的数据集,有助于测试各种方法。

利用4个指标:平均绝对误差(Eav)、最大绝对误差(EM)、最大百分比绝对误差r,通过验证数据集对模型的精度进行了评价目标值(EP)和标准偏差(STD)。

神经网络模型在总功率上提供了第一个指数Eav=8.3kW超过18MW的值,EP=0.5%。用EP估计每个鼓的功率在0.3-1.2%范围内。压力和每个滚筒的温度分别在0.8-1.3%和0.1-0.8%范围内用EP估计。出口蒸汽质量用EP=0.1%估算..热力学模型估计具有Eav=571kW的Erall功率超过18兆瓦左右,EP=5.9%。

5  结论

介绍了两种不同的建模方法,它们估计了整个涡轮或每个汽包产生的功率、每个汽包出口的温度和压力涡轮出口的团队质量。这两个模型都是用通用电气Turbomachinery设计工具创建的数据集进行训练的,但也用实际发电厂测量的现场数据进行了测试。基于NN的模型提供了满意的结果,也考虑到了极端的非设计条件。另一方面,混合热力学模型结合了风效的监测,但其性能并不完全令人满意。

未来的工作将集中在为混合热力学模型设计更精确的算法,并探索更复杂的网络结构和混合方法。

参考文献:

[1]岳姗.浅析混合动力电动汽车电机驱动系统的故障诊断[J].内燃机与配件,2018(08).

[2]吕玉红,李洪超.电站引风机驱动方式的分析研究[J].价值工程,2015(16).

[3]杜洪玉.前置前驱动汽车的驱动系统扭转振动分析[J].内燃机与配件,2011(01).

猜你喜欢
数值汽轮机模型
秦九韶与高次方程的数值解法
自制空间站模型
电厂集控运行中汽轮机运行优化策略探讨
浅谈提高300MW汽轮机机组经济性的措施
改进明托热机的数值模拟研究
改进明托热机的数值模拟研究
300MW汽轮机组检修后技术改造及节能分析
基于有限差分法的边坡治理数值分析
基于有限差分法的边坡治理数值分析
模型小览(二)