用于監測目的汽輪機建模

王麗娜

摘要：本文提出了兩種用于汽輪機在線監測應用的建模方法，一種混合-熱力動力學方法和一種神經網絡方法。 兩種模型都能預測功率以及其他不易測量的特性，如出口蒸汽質量、壓力和出口溫度。 利用數據庫對兩種模型進行了培訓和驗證，不通過GE尺寸設計工具創建， 利用高壓汽輪機現場實測數據對模型進行了測試。

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.

關鍵詞：汽輪機;模型;數值

1 ?介紹

汽輪機老化的監測和控制是一個備受爭議的話題，特別是在蒸汽運行條件非常多變的情況下，或在渦輪機的情況下，都是如此經常啟動和關閉周期。非穩態蒸汽條件下的STS受到持續的熱應力、風效應和過早老化，從而降低了效率。在這種情況下，基于渦輪機械模型的在線監測算法必須平衡良好的準確性和簡單性，這即兩個基本的，經常是反作用的特征，以便在PLC這樣的平臺上實現，它通常在內存和計算速度方面有嚴格的要求。這類模型和算法用于監測現象和無法訪問的情況變量（例如，風、效率、蒸汽質量（液體蒸氣混合物中蒸汽質量的百分比）、葉片之間的壓力和溫度）通常不通過傳感器測量。

ST模型允許在非設計狀態下對機器進行監視，必須考慮到不同的重非線性行為，如效率對轉速的依賴。以及鼓壓之間的比值、質量流動（通常用Stodola方程來估計）、風效應對壓力與動能比值的依賴關系，這取決于蒸汽速度和葉片的幾何形狀。用于簡化ST建模的方法，通常是基于半經驗關系或熱差近似。本文所做的工作比較了兩種不同的汽輪機建模方法。迭代混合熱力學模型和前饋神經網絡模型（FFNN）。

論文組織如下：描述了迭代混合熱力學模型，描述了兩種模型的訓練和驗證數據集的設計方法。

2 ?混合熱力學模型

混合-熱力學方法旨在通過使用近似關系來擴展基于物理的方法，該關系描述效率的線性行為，壓力比之間的非線性行為。不同的操作條件下的蒸汽和轉速的機器。 因此，修正了簡單的方程焓降的計算，為了再現機器的真實行為。描述了沿定子和轉子葉片的蒸汽流動，關于經典的熱力學模型，其觀點是傾向于機器的部分。

對汽輪機的滾筒進行建模，以估計質量流量、壓力、溫度、焓和功率等基本參數。特別是，質量流動與入口和出口條件使用Stodola方程，表示如下：

并通過一個階大于3的多項式擴展，根據以下方程：

在廣泛的操作條件下，通過最小化預測和實際質量流之間的均方誤差來識別系數ksi。第一系數k si d通過一個非線性關系，通過一個查詢表表示ksi系數來匹配轉速，入口蒸汽閥行程，一個識別程序的結果。一旦確定了系數ksi，用Eq算出滾筒出口壓力。了解每個滾筒的入口條件（壓力、溫度和質量流量）。其他數量 （如焓、熵等）用蒸汽表函數進行評價。

實際出口焓與等熵出口焓之間的關系，通常描述為：

其中KI系數用與Eq相同的方法識別，特別是，一組系數被確定為的函數 通過表示i c來匹配此依賴項系數作為查找表。出口溫度和蒸汽質量通過蒸汽表功能來評估。

汽輪機每個滾筒的功率由質量流量、焓降和動能貢獻的函數計算得到，

其中，動力學貢獻是通過考慮質量流動守恒定律和汽包出口速度三角形來計算。

為了配合渦輪最后一個滾筒出口的壓力（模型的輸入），采用了一種迭代的方法：迭代計算入口質量流量，迭代算法的邏輯是基于方程的。假設在每個操作條件下，都存在一個k，將質量流與某些邊界條件聯系起來，根據下面的bas集成電路步驟計算壓力誤差，檢查估計的出口壓力是否與實際出口壓力相匹配;如果是，當前質量流量是正確的;如果沒有，則進入下一步;如果出口壓力的估計來自方程，是一個復數，是一個復數，質量流量計算為5%，否則計算如下。

如果壓力誤差的符號變化，并且出口壓力計算為Eq。是一個復數，質量流被計算為在第一步和i和i+1否則它是通過等式計算的。

如果壓力誤差低于出口壓力的0.1%，則質量流量是正確的

3 ?基于神經網絡的建模方法

為了預測汽輪機的不同特性，對汽輪機模型進行了研究。設計了四種不同的神經網絡：用神經網絡預測TUR的總功率賓（NN1）和每個鼓的功率（NN2）。還將NN應用于各鼓出口溫度和壓力的預測（NN3）和渦輪出口蒸汽質量的估計（NN4）。FFNN是重非線性輸入輸出關系逼近的典型選擇。通過優化研究確定了權重和隱藏層的數量。

所有的NN都是通過標準的Levenberg-Mar quardt反向傳播過程和早期停止算法。最小化的目標函數是預測和目標輸出之間的MSE。

每個NN的輸入由入口蒸汽壓力和溫度、每次出的質量流量或萃取和出口壓力組成。

4 ?數值結果

為了測試所提出的方法，模擬了一個由沖擊級和3個反應桶組成的真正的高壓汽輪機，標稱功率為18MW。用于培訓這兩種方法的數據集是通過通用電氣內部尺寸調整工具設計的，方法是創造一大套操作條件，其中80%的數據用于培訓，其余的用于驗證。從全天測量的實地數據開始創建了一個額外的數據集，有助于測試各種方法。

利用4個指標：平均絕對誤差（Eav）、最大絕對誤差（EM）、最大百分比絕對誤差r，通過驗證數據集對模型的精度進行了評價目標值（EP）和標準偏差（STD）。

神經網絡模型在總功率上提供了第一個指數Eav=8.3kW超過18MW的值，EP=0.5%。用EP估計每個鼓的功率在0.3-1.2%范圍內。壓力和每個滾筒的溫度分別在0.8-1.3%和0.1-0.8%范圍內用EP估計。出口蒸汽質量用EP=0.1%估算..熱力學模型估計具有Eav=571kW的Erall功率超過18兆瓦左右，EP=5.9%。

5 ?結論

介紹了兩種不同的建模方法，它們估計了整個渦輪或每個汽包產生的功率、每個汽包出口的溫度和壓力渦輪出口的團隊質量。這兩個模型都是用通用電氣Turbomachinery設計工具創建的數據集進行訓練的，但也用實際發電廠測量的現場數據進行了測試?；贜N的模型提供了滿意的結果，也考慮到了極端的非設計條件。另一方面，混合熱力學模型結合了風效的監測，但其性能并不完全令人滿意。

未來的工作將集中在為混合熱力學模型設計更精確的算法，并探索更復雜的網絡結構和混合方法。

參考文獻：

[1]岳姍.淺析混合動力電動汽車電機驅動系統的故障診斷[J].內燃機與配件，2018（08）.

[2]呂玉紅，李洪超.電站引風機驅動方式的分析研究[J].價值工程，2015（16）.

[3]杜洪玉.前置前驅動汽車的驅動系統扭轉振動分析[J].內燃機與配件，2011（01）.