СПОСОБЫ И СИСТЕМЫ ДЛЯ МОДЕЛИРОВАНИЯ НЕЙРОННЫХ СЕТЕЙ КОМПОНЕНТОВ ТУРБИНЫ Российский патент 2013 года по МПК F02C9/00 

Область техники, к которой относится изобретение

Изобретение относится, в общем, к системам управления турбиной, и, более конкретно, к способам и системам для обеспечения моделирования нейронных сетей компонентов турбины.

Уровень техники

Турбины, вырабатывающие электроэнергию, и турбины, используемые в промышленных целях, имеют системы управления, которые осуществляют мониторинг и управление их работой. Указанные системы управления содержат алгоритмы управления, которые могут управлять некоторыми или всеми рабочими аспектами турбины.

Существующие алгоритмы управления осуществляют попытку загрузки (или разгрузки) турбин, генераторов и различных других компонентов, как это может быть применимо при изменениях заданного значения загрузки с наиболее возможной скоростью, без нарушения пределов, которые способствуют безопасному функционированию. Однако в таких обычных системах и способах скорости загрузки, обычно, ограничены конструктивными ограничениями, такими как наиболее высокие напряжения, допустимые в роторе паровой турбины для регулирования срока действия, и другими рабочими ограничениями, такими как зазор между вращающимися и невращающимися частями в турбине. Если скорости загрузки для различных турбин очень высоки, то в турбинах могут быть созданы большие температурные градиенты, что приводит к высоким напряжениям и неравномерному тепловому расширению, что может привести к контактированию или трению между неподвижными и вращающимися частями. С другой стороны, малые скорости загрузки способствуют безопасному функционированию, но повышают расходы топлива и уменьшают работоспособность установки. Ввиду невозможности точного прогнозирования условий в пределах установки в обычных способах управления используют чрезмерно медленный обычный профиль, чтобы способствовать безопасной работе. Например, в соответствии с измеренными температурами металла в начале запуска, существующие элементы управления могут классифицировать запуски как запуски из горячего, теплого или холодного состояния. Каждое из этих состояний запуска использует скорости загрузки, достаточно медленные, чтобы способствовать безопасной работе при любом запуске в одной категории. Следовательно, такие способы управления могут приводить к условно оптимальной эффективности и более высоким эксплуатационным расходам.

Одним фактором эффективности турбины, например, такой как сверхпрочная газовая турбина, является зазор турбины между венцами лопаток и корпусом турбины. Если зазор турбины поддерживают на минимальном уровне, то турбина должна работать более эффективно, так как между венцами лопаток и корпусом должно выходить минимальное количество воздуха/отходящего газа. Соответственно, больший процент воздуха и газа, поступающих в турбину, будет использован для приведения в действие лопаток турбины и произведения работы.

Из-за различных тепловых и механических характеристик увеличения в размере узлов ротора турбины и корпуса турбины, зазор турбины может существенно изменяться при переходе турбины между различными стадиями работы, например от первоначального запуска до устойчивого состояния базовой загрузки. Для принятия мер в отношении состояний зазора турбины во время работы турбины в турбине может быть реализована система управления зазором. Однако для обеспечения возможности работы турбины в наиболее эффективных для нее диапазонах, может быть предпочтительным обеспечение системы управления, выполненной с возможностью динамического мониторинга и прогнозирования состояний зазора турбины и расширения компонентов.

Таким образом, существует необходимость в системах и способах, которые обеспечивают модели на основании нейронных сетей, для прогнозирования зазоров в турбине и для реализации в системе управления регулирования зазоров во время ее работы в условиях переходных процессов.

Кроме того, существует необходимость в системах и способах для моделирования нейронных сетей компонентов турбины.

Раскрытие изобретения

Согласно одному возможному варианту осуществления изобретения, предложен способ управления зазором в турбине. Способ может включать применение, по меньшей мере, одного рабочего параметра в качестве входных данных, по меньшей мере, в одну модель нейронной сети, моделирование посредством модели нейронной сети теплового расширения, по меньшей мере, одного компонента турбины и осуществление управляющего воздействия, по меньшей мере, частично на основании смоделированного теплового расширения одного или более компонентов турбины.

Согласно другому возможному варианту осуществления изобретения, предложена система для управления турбиной. Система может содержать контроллер. Контроллер может быть выполнен с возможностью определения, по меньшей мере, одного рабочего параметра, применения одного или более рабочих параметров в качестве входных данных в модель нейронной сети, моделирования посредством модели нейронной сети теплового расширения, по меньшей мере, одного компонента турбины и осуществления управляющего воздействия, по меньшей мере, частично на основании смоделированного теплового расширения одного или более компонентов турбины.

Согласно еще одному возможному варианту осуществления изобретения, предложен способ моделирования зазора турбины. Способ может включать определение первого и второго рабочего параметра, моделирования, по меньшей мере, одного параметра температуры корпуса, по меньшей мере, частично на основании первого определенного рабочего параметра и моделирования, по меньшей мере, одного параметра температуры ротора, по меньшей мере, частично на основании второго определенного рабочего параметра. Способ дополнительно может включать определение теплового расширения корпуса, применение одного или более параметров температуры корпуса в качестве входных данных в модель нейронной сети расширения корпуса, определение теплового расширения ротора, применение одного или более параметров температуры ротора в качестве входных данных в модель нейронной сети расширения ротора и определение дифференциального расширения, по меньшей мере, частично на основании разности между тепловым расширением ротора и тепловым расширением корпуса.

Эти и другие признаки вариантов осуществления изобретения станут очевидными после прочтения последующего подробного описания изобретения совместно с чертежами и приложенной формулой изобретения.

Краткое описание чертежей

Фиг.1 представляет собой принципиальную схему приведенной в качестве примера известной системы управления энергоустановки с комбинированным циклом.

Фиг.2 представляет собой принципиальную схему действия контроллера для энергоустановки, согласно одному варианту осуществления изобретения.

Фиг.3 представляет собой блок-схему, которая показывает возможный процесс улучшения элементов управления системы на основании моделей в энергоустановке с комбинированным циклом, согласно одному варианту осуществления изобретения.

Фиг.4 представляет собой возможную принципиальную схему контроллера, согласно вариантам осуществления изобретения.

Фиг.5 представляет собой возможную принципиальную схему турбины, согласно вариантам осуществления изобретения.

Фиг.6 представляет собой возможную схему модели нейронной сети, выполненной посредством вариантов осуществления изобретения.

Фиг.7 представляет собой блок-схему, показывающую возможный процесс внедрения модели нейронной сети компонентов в систему управления турбины, согласно вариантам осуществления изобретения.

Фиг.8 представляет собой функциональную блок-схему, показывающую возможную компоновку модели нейронной сети компонентов для прогнозирования осевого зазора турбины, согласно вариантам осуществления изобретения.

Фиг.9 представляет собой блок-схему, показывающую возможный процесс выполнения модели нейронной сети компонентов в применении к паровой турбине, согласно вариантам осуществления изобретения.

Подробное описание изобретения

Варианты осуществления изобретения могут содержать способы и системы управления с прогнозирующими моделями и реализуемые этими способами и системами модели нейронных сетей. Варианты осуществления таких систем и способов могут усовершенствовать вычисление в реальном масштабе времени и реализацию условно оптимальных входных профилей, используемых для загрузки и разгрузки различных систем, подсистем и компонентов, в системе управления энергоустановки и усовершенствовать собственные модели, оптимизацию, целевые функции, ограничения и/или параметры в системе управления для обеспечения возможности быстрого определения системой управления усовершенствованного воздействия для достижения максимально возможных эффективности и/или работоспособности для текущего состояния энергоустановки.

В возможных вариантах осуществления изобретения могут быть смоделированы любая физическая система, система управления или свойство энергоустановки или любой подсистемы энергоустановки, включая непосредственно энергоустановку, газовый тракт и динамику газового тракта; исполнительные механизмы, исполнительные элементы или другие устройства управления, которые модифицируют или изменяют режим любой турбины или генератора; датчики, мониторы, или системы считывания; систему измерения пара или топлива; систему подачи топлива; систему смазки и/или гидравлическую систему и т.д. Модели указанных компонентов и/или систем могут быть моделями, основанными на физической сущности (включая их линейные аппроксимации). Кроме того, или в качестве альтернативы, модели могут быть основаны на определении линейной и/или нелинейной системы, нейронных сетей, и/или на комбинации всех упомянутых вариантов.

В другом возможном варианте осуществления изобретения могут быть предложены способы и системы для управления зазором в турбине. Способы могут включать применение, по меньшей мере, одного рабочего параметра в качестве входных данных, по меньшей мере, в одну нейронную сеть и т.д. Кроме того, способы могут включать моделирование посредством модели или моделей нейронной сети теплового расширения, по меньшей мере, одного компонента турбины. Более того, способы могут включать осуществление управляющего воздействия, по меньшей мере, частично на основании смоделированного теплового расширения. В подобном возможном варианте осуществления может быть обеспечена система управления турбиной. Система может быть выполнена с возможностью определения, по меньшей мере, одного рабочего параметра и применения рабочего параметра или параметров в качестве входных данных, по меньшей мере, в одну модель нейронной сети. Кроме того, система может быть выполнена с возможностью моделирования посредством модели или моделей нейронной сети теплового расширения, по меньшей мере, одного компонента турбины и осуществления управляющего воздействия, по меньшей мере, частично на основании смоделированного теплового расширения.

Варианты осуществления изобретения могут выполнять определенные технические действия или иначе способствовать определенным техническим действиям, включая, усовершенствование вычислений в реальном масштабе времени или в квазиреальном масштабе времени и реализацию входных профилей, используемых для загрузки и разгрузки различных систем, подсистем и компонентов в системе управления энергоустановки и т.д. Указанные усовершенствованные входные профили могут иметь техническое действие обеспечения возможности принятия системой управления усовершенствованного действия для достижения эффективности и/или работоспособности, заданных текущим состоянием энергоустановки. Кроме того, дополнительные варианты осуществления изобретения могут выполнять или иначе способствовать техническим действиям определения теплового расширения, по меньшей мере, одного компонента турбины, например, определения для вращающихся компонентов, посредством, по меньшей мере, одной модели нейронной сети. Это смоделированное тепловое расширение может иметь действие обеспечения возможности осуществления управляющего воздействия, по меньшей мере, частично на основании смоделированного теплового расширения, которое может управлять или воздействовать на работу энергоустановки или ее компонентов. Например, смоделированное тепловое расширение вращающихся компонентов, или компонентов, связанных с вращающимися компонентами, может использоваться для управления работой турбины или для воздействия на нее в зависимости от спрогнозированных или смоделированных зазоров компонентов, таких как осевые зазоры.

Энергоустановки являются механическими конструкциями и установками, где генераторы, питаемые различным образом, обычно паровые турбины, производят электричество. Обычно, в паровой турбине, используют теплоту для превращения воды в пар, который проходит через лопатку турбины для формирования вращательного движения. Турбины, в свою очередь, приводят в действие вал и вращают генераторы. Независимо от источника теплоты принцип выработки электроэнергии остается идентичным. В различных других случаях в паровых турбинах могут использоваться другие источники, такие как уголь, нефть, природный газ, биомасса, ядерная энергия. Некоторые другие известные источники электричества также используют турбины, такие как гидроэнергоустановки, в которых лопатки турбины вращают посредством кинетической энергии воды. В других обычных случаях используют газовые турбины, и эти турбины функционируют посредством пропускания непосредственно через турбину горячих газов, произведенных при сгорании природного газа или нефти. Внутренние двигатели сгорания, такие как дизельные генераторы, являются другими портативными и мгновенными источниками электричества, используемыми для критических положений и запаса. В других случаях блоки генерации энергии могут использовать более одного вида топлива, например уголь или природный газ, и эти установки известны как блоки смешанного отопления и могут осуществлять отопление либо последовательно, либо одновременно. Последовательные установки используют одно топливо за другим, параллельные установки могут использовать два топлива одновременно. Некоторые другие возможные энергоустановки включают в себя: энергоустановки на ископаемом топливе, энергоустановки с комбинированным циклом, атомные энергоустановки или подобные.

Теперь обратимся к вариантам осуществления, показанным на фиг.1-9.

Управление с прогнозирующими моделями энергоустановки.

Фиг.1 представляет собой принципиальную схему возможной системы 10 для управления возможной энергоустановкой 12 с комбинированным циклом. Показанная энергоустановка 12 с комбинированным циклом может содержать парогенератор 14 с рекуперацией теплоты, газовую турбину 16 и паровую турбину 18. Паровая турбина 18, обычно имеет три секции, в зависимости от варьирования состояний давления, преобладающих в каждой из них. В этом варианте осуществления существует секция 22 высокого давления, секция 24 промежуточного давления и секция 26 низкого давления. Кроме того, энергоустановка 12, обычно, содержит генератор 28, трансформатор 32 и конденсатор 34. При функционировании энергоустановки 12 с комбинированным циклом горячий отработавший газ из газовой турбины 18, обычно, может подаваться в котел или парогенератор для обеспечения теплоты для создания пара, который приводит в действие паровую турбину 18 через три различных ее секции - секция 22 высокого давления, секция 24 промежуточного давления и секция 26 низкого давления. Турбины 16, 22, 24 и 26 могут приводить в действие один или более электрогенераторов 28, которые производят пригодное к использованию электричество, совместно с трансформатором 32. Газовая турбина 16 связана с парогенератором 14 с рекуперацией теплоты, который получает сжатый пар из конденсатора 34 паровой турбины 18. Электричество, произведенное таким образом, может подаваться энергосистемой различным промышленным, коммерческим и отдельным бытовым потребителям.

В других установках с комбинированным циклом в парогенератор может подаваться дополнительное тепло через дополнительные или вспомогательные механизмы камеры сгорания. В любом случае такие обычные установки 12 с комбинированным циклом являются относительно сложными по сути, и обеспечено относительно большое количество датчиков, таких как датчики давления, датчики зазора и исполнительные механизмы, для настройки, регулирования и мониторинга функционирования различных турбин, генератора и блоков камеры сгорания и другого вспомогательного оборудования, обычно с ними связанного. В еще других случаях энергоустановок с комбинированным циклом, могут использоваться компоновки газовых и паровых турбин, источники формирования пара и устройство утилизации тепла.

Согласно фиг.1 система 10 управления также может содержать контроллер 36 для управления и координирования действий некоторых или всех систем, подсистем и компонентов энергоустановки 12, таких как парогенератор 14 с рекуперацией теплоты, газовая турбина 16, три секции паровой турбины 18 - секция 22 высокого давления, секция 24 промежуточного давления, и секция 26 низкого давления, генератор 28, трансформатор 32 и конденсатор 34; и, вследствие этого, координирования общего функционирования энергоустановки 12 с комбинированным циклом. На фиг.1, для концептуальной ясности, контроллер 36 физически установлен вне всех систем, компонентов и подкомпонентов энергоустановки 12. В другом возможном варианте осуществления контроллер 36 может быть размещен внутри энергоустановки 12 и может быть интегрирован в виде части энергоустановки 12. Конструктивно, контроллер 36 может представлять собой микроконтроллер или твердотельный переключатель, выполненный с возможностью сообщения со всеми системами, подсистемами и компонентами энергоустановки в сети связи.

Связь между контроллером 36 и парогенератором 14 с рекуперацией теплоты может быть осуществлена с использованием линии 42 связи. Такая связь обычно содержит и сигналы считывания, переносимые в контроллер 36, и сигналы команды, сформированные контроллером 36. Аналогично, может быть осуществлена связь между контроллером 36 и газовой турбиной 16 с использованием линии 44 связи, между контроллером 36 и секцией 22 высокого давления паровой турбины 18 с использованием линии 46 связи, между контроллером 36 и секцией 24 промежуточного давления паровой турбины 18 с использованием линии 48 связи и между контроллером 36 и секцией 26 низкого давления паровой турбины 18 с использованием линии 52 связи. Аналогично, может быть осуществлена связь между контроллером 36 и конденсатором 34 с использованием линии 54 связи, между контроллером 36 и генератором 28 с использованием линии 56 связи и между контроллером 36 и трансформатором 32 с использованием линии 58 связи.

При функционировании контроллер 36 осуществляет мониторинг рабочих параметров и управление рабочими параметрами в системе 10 управления энергоустановки. В одном возможном варианте осуществления контроллер 36 определяет и интерпретирует различные рабочие параметры системы 10 управления энергоустановки, по меньшей мере, частично на основании сигналов считывания из различных систем, подсистем и компонентов энергоустановки 12, таких как парогенератор 14 с рекуперацией теплоты, газовая турбина 16, три секции паровой турбины 18, секция 22 высокого давления, секция 24 промежуточного давления и секция 26 низкого давления, генератора 28, трансформатора 32 и конденсатора 34, размещенных в системе 10 управления энергоустановки. Определение и интерпретация могут быть выполнены контроллером 36 в соответствии с заданным критерием. Например, в одном случае, заданный критерий может содержать двоичное сравнение температуры компонента энергоустановки, такого как парогенератор 14 с рекуперацией теплоты, с заданным опорным значением температуры. В другом случае заданный критерий может содержать сравнение температуры того же парогенератора 14 с рекуперацией теплоты с заданным максимальным значением температуры. В еще одном случае заданный критерий может содержать сравнение температуры парогенератора 14 с рекуперацией теплоты с заданным минимальным значением температуры.

В зависимости от произвольного количества рабочих параметров, считанных и определенных в различных точках считывания в энергоустановке 12, как указано выше, контроллер 36 осуществляет мониторинг и управление входными профилями загрузки и разгрузки различных подсистем и компонентов энергоустановки 12, таких как парогенератор 14 с рекуперацией теплоты, газовая турбина 16, три секции паровой турбины 18, секция 22 высокого давления, секция 24 промежуточного давления и секция 26 низкого давления, генератор 28, трансформатор 32 и конденсатор 34, так чтобы поддерживались соответствующие условия функционирования энергоустановки 12 и всех ее подсистем и компонентов во время обычного цикла работы энергоустановки 12 и системы 10 управления энергоустановки.

Независимо от критерия сравнения, если скорость загрузки или разгрузки в любой из систем, подсистем или компонентов энергоустановки 12 попадает вне заданного опорного диапазона безопасности, контроллер 36 может определить, что состояние загрузки или разгрузки соответствующей подсистемы или компонента является недопустимым, и в отношении подсистемы или компонента требуется дополнительное корректирующее управляющее воздействие. В таком случае, контроллер 36 может передавать соответствующие сигналы команды в соответствующую подсистему или компонент и регулировать входные профили загрузки или разгрузки соответствующей подсистемы или компонента. Результирующая скорость загрузки или разгрузки соответствующей подсистемы или компонента, соответственно, может быть скорректирована, чтобы быть безопасной и точной. В другом возможном варианте осуществления, если контроллер 36 считывает, что требуется дополнительное корректирующее управляющее воздействие в отношении определенной подсистемы или компонента, то контроллер 36 может передавать сигнал тревоги в систему аварийной сигнализации, и система аварийной сигнализации, в свою очередь, может формировать соответствующий сигнал тревоги наблюдателю процесса в удаленном местоположении, чтобы он предпринял соответствующее действие.

Один вариант осуществления относится к систематическому подходу к согласованию входных оптимальных профилей загрузки или разгрузки в реальном масштабе времени в энергоустановке 12 и связанных системах, подсистемах и компонентах. Это может быть выполнено частично посредством обновления состояний и параметров моделей в системе управления с прогнозирующими моделями, по меньшей мере, частично на основании измерений датчиков. Обновления состояний в обычной системе управления с прогнозирующими моделями могут учитывать изменения в работе установки, подобные повышению температуры пара из-за повышенного потока топлива. Обновления параметров в обычной системе управления с прогнозирующими моделями могут учитывать изменение от компонента к компоненту, ухудшение, механические, электрические или химические неисправности, отказы или повреждение турбины или генератора или любого из компонентов турбины или генератора и механические, электрические или химические неисправности, отказы или повреждение системы управления и/или ее компонентов.

Фиг.2 представляет собой возможную принципиальную схему системы 20 и связанных с ней функциональных возможностей контроллера для энергоустановки 12 с комбинированным циклом фиг.1, согласно одному возможному варианту осуществления изобретения. Контроллер 62 может быть оборудован различными аппаратными компонентами и программным алгоритмом с прогнозирующими моделями для обеспечения оптимальной загрузки и разгрузки систем, подсистем и компонентов энергоустановки 12. Функции контроллера 62 обозначены последовательностью блоков 66, 68, 72, 74 внутри одного функционального блока, и функциональный блок 64 иллюстрирует действие нескольких датчиков, подсоединенных к различным системам, подсистемам и компонентам энергоустановки 12 с комбинированным циклом. Как иллюстрирует функциональный блок 66, оценка состояния энергоустановки 12 с комбинированным циклом может быть выполнена контроллером 62, по меньшей мере, частично на основании сигналов считывания из датчиков. Как иллюстрирует функциональный блок 68, модели системы энергоустановки 12 с комбинированным циклом могут быть построены контроллером 62, по меньшей мере, частично на основании оценки состояния. Одновременно, как иллюстрирует функциональный блок 72, могут быть учтены системные ограничения энергоустановки 12 с комбинированным циклом для построения моделей системы, как иллюстрирует функциональный блок 68. В функциональном блоке 74 интерактивный оптимизатор может выполнять в реальном масштабе времени оптимизацию с прогнозирующими моделями входных профилей загрузки и разгрузки энергоустановки 12 с комбинированным циклом. Подробности алгоритма оптимизации с прогнозирующими моделями описаны ниже. В заключение в функциональном блоке 76 цикл управления энергоустановки 12 с комбинированным циклом может быть завершен выдачей контроллером 62 команды на соответствующие управляющие воздействия.

Как определено в целом, описанный здесь предмет не ограничен вышеупомянутой энергоустановкой 12 с комбинированным циклом. В других вариантах осуществления любое количество оценщиков и/или оптимизаторов может определять различные целевые функции, ограничения и модели других систем, подсистем и компонентов, которые должны быть использованы управлением с прогнозирующими моделями. Обычная логическая функция системы 20 (см. фиг.2) может принимать информацию и от диагностической функции и от оператора или управляющего контроллера. Затем эту информацию могут обрабатывать для определения соответствующего вида соответствующих целевых функций, ограничений и моделей. Логические функциональные возможности описаны здесь в отношении полной энергоустановки 12, но их можно обобщить до управления в реальном масштабе времени оптимальной загрузкой и разгрузкой некоторых или всех связанных с ней систем, подсистем и компонентов, как описано ниже.

В одном возможном варианте осуществления контроллер 62 может содержать аналогово-цифровой преобразователь, доступный через один или более аналоговых портов ввода. В другом варианте осуществления контроллер 62 может содержать дисплеи считывания, постоянную память, оперативную память и обычную шину данных. В одном варианте осуществления датчики, установленные по системам, подсистемам и компонентам энергоустановки 12, обычно, осуществляют связь с контроллером 62 с использованием, по меньшей мере, одного стандартного протокола связи, такого как последовательный протокол связи или Ethernet.

Контроллер 62 может быть реализован в некоторых других видах. В одном возможном варианте осуществления контроллер 62 может содержать логический процессор, схему определения порогов и систему аварийной сигнализации. Обычно логическим процессором является блок обработки, который выполняет вычислительные задачи. Это может быть программная структура, которая содержит прикладные программы программного обеспечения или ресурсы операционной системы. В других случаях он может быть также смоделирован одним или более физическим процессором, выполняющим планирование задач обработки более чем для одного потока выполнения, вследствие этого моделируя более чем один физический блок обработки. Контроллер 62 использует схему определения порогов при оценке различных рабочих параметров, таких как температура, давление, уровень загрузки, уровень выносливости системы, подсистем и компонентов энергоустановки 12, таких как парогенератор 14 с рекуперацией теплоты, газовая турбина 16, три секции паровой турбины 18, секция 22 высокого давления, секция 24 промежуточного давления и секция 26 низкого давления, генератор 28, трансформатор 32 и конденсатор 34.

В одном возможном варианте осуществления, в отношении функционирования энергоустановки 12 в целом, контроллер 62 может отслеживать рабочие параметры, относящиеся к функционированию клапанов в паровой турбине, или рабочие параметры, относящиеся к функционированию клапанов подачи воды в парогенератор с рекуперацией теплоты, или обычное напряжение ротора. В другом варианте осуществления, в отношении газовой турбины 16, могут отслеживать количество расхода топлива, рабочие параметры, относящиеся к функционированию впускного направляющего аппарата для паровой турбины 18. Кроме того, входной профиль загрузки и разгрузки газовой турбины 16 может быть настроен таким образом, что не устанавливают высокотемпературные градиенты. Контроллер 62 может непрерывно отслеживать произвольное количество сигналов считывания из газовой турбины 16, паровой турбины 18 и других таких компонентов и может функционировать так, чтобы эти рабочие параметры компонентов и энергоустановки 12 в целом находились внутри безопасных и оптимальных пределов управления.

Один аспект в отношении использования элементов управления с прогнозирующими моделями заключается в использовании прогнозирований моделью работы за интервалы времени, в пределах от нескольких секунд до нескольких часов, для оптимизации входных профилей загрузки, от любой первоначальной загрузки до любой конечной загрузки, посредством ограниченной оптимизации, начиная с текущего состояния системы запуска. В общем, управление с прогнозирующими моделями является парадигмой управления, используемой для управления процессами, которые явно обрабатывают физические, рабочие ограничения, ограничения на безопасность и/или ограничения окружающей среды, при этом максимизируя, по меньшей мере, один критерий эффективности.

Модели в системе управления 20 могут быть построены с использованием любого соответствующего способа обновления состояний переменных, параметров качества, ограничений, пределов или любого другого адаптируемого параметра моделей, так чтобы эффективность и ограничения моделей соответствовали или иначе аппроксимировали эффективность и ограничения физической турбины или генератора после изменения параметра. Используя информацию о любых определенных изменениях, совместно с обновленной моделью, система 20 управления с прогнозирующими моделями может осуществлять оценку текущих и будущих условий энергоустановки 12 и ее систем, подсистем и компонентов и реализовывать более оптимальное управляющее воздействие, чем было бы возможно без обновления моделей и без передачи такой информации в систему управления. Один аспект указанных систем и способов состоит в том что, так как они могут обновляться в реальном масштабе времени, то они могут обеспечивать возможность вычисления оптимальной загрузки для произвольного диапазона начальных состояний компонентов, не только конечного набора условно оптимальных, стандартных профилей загрузки, уже запрограммированных в систему управления. В возможной ситуации, горизонт прогнозирования при запуске может, обычно, находиться в пределах, приблизительно, от 5 минут, приблизительно, до 2 часов.

Управление эффективностью и/или работоспособностью энергоустановки 12 с комбинированным циклом, фиг.1, может содержать анализ нескольких переменных для определения соответствующих значений управления, которые требуются для создания требуемых выходных данных. Эти несколько переменных могут зависеть друг от друга нелинейно, и, соответственно, должны быть обработаны. Создание моделей для представления различных воздействий, которые оказывают друг на друга несколько переменных внутри определенной системы, может быть затруднительным, когда важны точность и быстрота отклика, например, в современных системах питания. Так как в таких моделях, вероятно, охвачена не каждая возможность, то предпочтительно реконфигурировать, адаптировать и обучать такие модели, чтобы создавать прогнозы или вносить исправления на основе данных датчика генератора или турбины. В одном возможном варианте осуществления такая адаптируемость к условиям нормальной или условно оптимальной загрузки и разгрузки может быть выполнена оценщиком состояния при вычислении текущего состояния различных моделей, таких как модели давлений, температур пара, температур металла, или подобных. В другом варианте осуществления адаптируемость может быть выполнена посредством системы или алгоритма диагностики для определения неисправностей или сбоя в датчиках, исполнительных механизмах или любом другом компоненте энергоустановки 12. В дополнительном варианте осуществления также может быть выполнена такая адаптируемость к условиям условно оптимальной загрузки и разгрузки с использованием диагностики на основе датчика, которая может осуществлять выбор между различными моделями, обновлять возможные варианты входных данных, варианты выходных данных, или внутренние параметры, или может обновлять оптимизации, целевые функции, ограничения и/или параметры при управлении. Затем, задавая обновленные модели, оптимизации, целевые функции, ограничения и/или параметры, можно использовать в вычислительном отношении эффективный оптимизатор, так чтобы могли быть достигнуты лучшая эффективность и/или работоспособность.

В различных подсистемах и компонентах энергоустановки 12 может иметь место строгая нелинейность из-за большого диапазона условий функционирования и уровней мощности, испытываемых при функционировании. Также, функционирование энергоустановки 12 обычно может быть ограничено из-за различных механических, аэродинамических, тепловых ограничений и ограничений потока. В одном варианте осуществления элементы управления с прогнозирующими моделями могут быть идеальными для использования для таких сред, так как они могут обрабатывать определенным образом нелинейности и входные и выходные ограничения нескольких переменных, все в единой формуле управления. Элементы управления с прогнозирующими моделями, обычно, являются элементами управления с обратной связью, которые используют модели процесса/системы/компонента для прогнозирования выходных данных до некоторого момента времени на основании входных данных в систему и самых последних измерений процесса.

Модели в элементах управления с прогнозирующими моделями разработаны для воспроизведения функционирования и переходного и устойчивого состояния. Эти модели могут быть использованы в своем нелинейном виде или они могут быть линеаризованы или параметризированы для различных условий функционирования. Обычные способы управления с прогнозирующими моделями используют преимущества моделей для получения доступа к параметрам или физическим величинам, которые непосредственно не измеряют. Эти элементы управления могут быть элементами со многими входами и многими выходами (MIMO), чтобы учитывать взаимодействия циклов управления, они могут быть основаны на модели или основаны на физической сущности, и они могут содержать пределы или ограничения, построенные как неотъемлемая часть формулы управления и оптимизации, чтобы избежать разработки циклов или режимов контроллеров для каждого предела. Один вариант осуществления настоящего изобретения включает вычисление действий контроллера 62, по меньшей мере, частично на основании совокупности целевых функций и совокупности ограничений, которые могут быть использованы как часть выбранной задачи оптимизации. Обычные целевые функции могут содержать различные критерии эффективности, такие как минимизация времени запуска, минимизация расходов топлива, минимизация эмиссии, максимизация работоспособности установки и т.п. Обычные рассматриваемые ограничения могут содержать механические ограничения, тепловые и другие напряжения, выработанные в различных системах, подсистемах и компонентах энергоустановки 12, такие как нагрузка при сдавливаниях, насыщенность исполнительного механизма, радиальные зазоры между различными вращающимися частями, дифференциальное расширение между различными смежными частями, поддержание качества пара, поддержание уровня воды в котлах и температуры пара и металла и давления пара в различных положениях или компонентах в энергоустановке 12 с комбинированным циклом.

Для определения менее условно оптимальных условий функционирования и принятия усовершенствованных решений управления система 20 управления, предпочтительно, имеет по возможности максимальное количество входной информации относительно энергоустановки 12 и ее подсистемах и компонентах, которыми она управляет. Один способ получения этой входной информации относительно системы состоит в использовании динамических моделей, которые могут обеспечивать информацию относительно того, какая зависимость должна существовать между различными рабочими параметрами энергоустановки 12 и заданными текущими окружающими условиями и командами исполнительных механизмов, относительно зависимостей между параметрами в системе, отношения между измеренными и неизмеренными параметрами и параметрами, которые указывают состояние запуска энергоустановки 12 в целом. Если модели являются динамическими, то может быть определена некоторая часть или вся эта информация и на основании устойчивого состояния и на основании переходного состояния. Также модели могут быть использованы для анализа профиля прошлых измерений или текущего функционирования или они могут быть использованы для прогнозирования, каким должен быть режим энергоустановки 12 по определенному горизонту времени.

В одном возможном варианте осуществления модели могут быть основаны на физической сущности и/или основаны на идентификации системы. В другом варианте осуществления модели могут представлять каждый из главных компонентов энергоустановки 12 на уровне системы, включая, например, парогенератор 14 с рекуперацией теплоты с и без дополнительного блока отопления, газовую турбину 16, секцию 22 высокого давления паровой турбины 18, секцию 24 промежуточного давления паровой турбины 18, секцию 26 низкого давления паровой турбины 18, генератор 28, трансформатор 32, конденсатор 34 и т.п. В еще других вариантах осуществления может быть воссоздано устойчивое состояние или переходная характеристика номинальной турбины, или генератора, или подсистемы и использована внутри элемента управления с прогнозирующими моделями и его оценщика (не показан) или оптимизатора. Другие варианты осуществления в однорежимной или многорежимной диагностической системе оптимальности могут использовать модели с характеристиками неисправного, сбойного или условно оптимального функционирования.

Так как каждый компонент энергоустановки 12 отличен и может функционировать на отличных уровнях оптимальных или условно оптимальных условий, модели должны обеспечивать возможность отслеживания этих изменений или своей адаптации так, чтобы следовать таким изменениям. Предпочтительно модели должны показывать текущую информацию относительно того, как работает определенный компонент в заданное время, в частности во время запуска. Это обеспечивает возможность более точного прогнозирования режима энергоустановки 12 и определения даже меньших условных оптимальностей энергоустановки 12. Различные параметры и состояния энергоустановки 12 являются двумя областями моделей, которые могут обновляться так, чтобы модель энергоустановки 12 соответствовала текущему состоянию. Для определения параметров турбины или генератора совместно с контроллером 62 может быть использован оценщик параметров, и оценщик состояния может быть использован для определения состояния.

В другом варианте осуществления оценщик состояния может использоваться, чтобы дополнительно способствовать отслеживанию моделей газовой турбины 16, или любой другой системы, или подсистемы, или компонента, или энергоустановки 12 в целом. Информация состояния также может быть использована для инициализации контроллера 62 с прогнозирующими моделями в каждом интервале. Впоследствии контроллер 62 с прогнозирующими моделями может использовать оценку текущего состояния турбины или генератора для корректной инициализации и функционирования. Одна задача оценщика состояния состоит в оценке состояний моделей с минимальной ошибкой по сравнению с действительной системой, что дает динамику модели. С использованием оценщика состояния, который может содержать информацию о динамике энергоустановки 12 и шуме из различных датчиков может быть определено относительно более точное значение для действительного положения. Идентичные виды результатов могут быть применены к газовой турбине 16, или любой другой системе или подсистеме, или компоненту, или к энергоустановке 12 в целом в реальном масштабе времени в продолжении и устойчивого состояния и функционирования в условиях переходных процессов турбины или генератора.

Существуют различные способы применения оптимизатора, в зависимости от потребностей задачи оптимизации. В одном возможном варианте осуществления могут быть использованы способы активного набора для решения формул квадратичного программирования. Этот подход, обычно, очень эффективен для относительно малых задач с меньшим количеством ограничений. В другом возможном варианте осуществления может быть использован подход последовательного квадратичного программирования (SQP), в котором соответствующую систему могут периодически линеаризовывать в пределах горизонта прогнозирования для создания варианта задачи с фиксированными, но не обязательно равными элементами реализации для каждого этапа оптимизации. Тогда решение результирующей задачи может быть использовано для повторной линеаризации в пределах тождественного горизонта прогнозирования, и процесс повторяют до сходимости, до достижения удовлетворительного решения.

В другом варианте осуществления для решения задач квадратичного программирования с ограничениями, возникающих в разработках управления с прогнозирующими моделями, могут быть использованы способы внутренней точки (IP). Как правило, формулы внутренней точки выполняются относительно быстро при наличии большого количества (неравенств) ограничений. В одном таком варианте осуществления на любом заданном этапе итерационного процесса алгоритм внутренней точки может достигать выполнимого решения в пределах разумно короткого времени, обеспечивая системе преимущество ответа и управления в реальном масштабе времени. В другом случае, если по некоторым причинам алгоритм не может быть выполнен до завершения, он должен создать управляющее воздействие, которое не может быть оптимальным, но может удовлетворять ограничениям. В одном таком варианте осуществления существуют теоретические границы для количества итераций, обычно используемых для получения решения в пределах любого заданного диапазона точности для каждого случая задачи. Эти границы обычно сопоставляют сложность полиномиала с соответствующими алгоритмами, то есть вычислительное усилие для решения задач квадратичного программирования не растет быстрее, чем полиномиальность, с размером задачи. Кроме того, эти теоретические границы могут находиться в пределах горизонта решения в зависимости от количества ситуативных факторов. Такие факторы, обычно, могут включать в себя сущность задачи оптимизации, динамики системы, широту полосы моделей, определенные выбранные алгоритмы, ограничения, относящиеся к задаче и т.п. Обычно эффективная формулировка задачи делает решение поддающимся использованию в реальном масштабе времени, и основная полезность алгоритма с прогнозирующими моделями может состоять в его простоте и в соответствии использованию в реальном масштабе времени.

При функционировании, во всех различных альтернативных формулировках управления с прогнозирующими моделями, в задаче используют ограничения равенства либо явно при решении задачи оптимизации, либо для устранения переменных, так чтобы результирующая формула квадратичного программирования имела существенно меньшее количество переменных оптимизации. Обычные матричные и векторные преобразования, как часть этого устранения переменных, могут изменять структуру данных первоначальной задачи, воздействуя на сохранение возможной вычислительной мощности. Однако удобство одной формулировки относительно другой зависит от определенной задачи, используемого подхода алгоритма квадратичного программирования и возможности использования им соответствующей структуры задачи.

Способ внутренней точки является итерационным процессом, который включает в себя осуществление последовательных этапов до схождения решений. На каждой итерации могут быть затрачены вычислительные усилия на решение линейных уравнений для определения соответствующего направления поиска. Существуют различные алгоритмы, которые классифицируют как алгоритмы внутренней точки, и в них могут содержаться подобные или близкие к подобным показатели эффективности. Использование определенного алгоритма часто определено масштабом, точностью и скоростью (определения) требуемого решения.

В одном возможном варианте осуществления, где не устранены переменные состояния и, следовательно, ограничения равенства, матрицы коэффициентов, используемые для обычных формул управления с прогнозирующими моделями, могут встречаться редко. Это свойство разреженности может быть использовано для существенного уменьшения вычислений. Обычно задачи управления энергоустановкой, такие как определение входных профилей для оптимальной загрузки и разгрузки в реальном масштабе времени, являются по сути сильно структурированными задачами оптимизации. Структура этих задач оптимизации, в основном, состоит в структурах разреженности в данных задачи и может быть использована для получения существенного уменьшения вычислительных усилий. Существуют различные уровни структур разреженности, которые могут быть применены для быстрого принятия решения. В одном варианте осуществления разреженность в данных задачи оптимизации исчерпывающе используют для ускорения вычисления оптимального решения и снижения требований на память.

Целевой функцией в задаче оптимизации управления с прогнозирующими моделями может быть математический способ определения задачи системы управления. Целевая функция определяет, что определяют оптимальным. Некоторые общие целевые функции должны минимизировать расход топлива, максимизировать срок использования турбины или генератора, следовать опорному давлению, минимизировать время достижения заданного уровня мощности, следовать опорным коэффициентам давления, минимизировать эмиссию загрязнителей, следовать опорной мощности, следовать опорной скорости, минимизировать или максимизировать одну или более команд исполнительного механизма, следовать любому количеству опорных потоков, минимизировать затраты или подобное. В различных вариантах осуществления, которые упомянуты ранее, алгоритм оптимизации, используемый внутри контроллера 62 с прогнозирующими моделями, может быть ограничен или не ограничен.

Управление с прогнозирующими моделями с оценкой может достигать выигрыши в эффективности и/или работоспособности перед обычными элементами управления посредством учета изменения от компонента к компоненту, условно оптимальной загрузки или разгрузки, аппроксимаций планирования и изменений в конфигурации компонентов энергоустановки. Например, выигрыши в эффективности и/или работоспособности могут быть достигнуты из некоторых или всех пунктов из следующих: (1), из нелинейности и MIMO (что дает скоординированное действие разнообразия исполнительных механизмов для улучшения функционирования установки); (2), из основанности на модели (что дает более низкие требования н границы при работе на обновленных параметрах модели); (3) из своей прогнозирующей сущности (что дает формирование трактов загрузки для повышения эффективности при наблюдении всех ограничений); и (4) из своих обновляемых ограничений (что повышает работоспособность).

Системы управления в обычных энергоустановках 12 с комбинированным циклом, фиг.1, которые функционируют, согласно описанным здесь возможным вариантам осуществления, могут обеспечивать непосредственное управление интересующими переменными, такими как напряжения и зазоры ротора или подобные, вместо косвенного управления такими переменными. Они явно обрабатывают ограничения без необходимости в дополнительной, сложной логике, и они явно имеют дело с сущностью MIMO определенной задачи.

В зависимости от алгоритмов, используемых для задач управления с прогнозирующими моделями, решение задач квадратичного программирования с ограничениями такого вида, где фиксированы элементы реализации, может составлять один аспект управления с прогнозирующими моделями. В описанных здесь возможных вариантах осуществления могут использоваться различные программные инструментальные средства для решения задач квадратичного программирования c ограничениями и реализации управления с прогнозирующими моделями в контроллере 62 в автоматизированном режиме в реальном масштабе времени или не в реальном масштабе времени. Варианты осуществления программных инструментальных средств, разработанных для реализаций управления с прогнозирующими моделями, могут использовать преимущество высокоструктурированных данных задачи в контексте применения к энергоустановке для создания эффективных кодов, соответствующих быстрой реализации в реальном масштабе времени или почти в реальном масштабе времени.

В одном варианте осуществления программной реализации может быть использована описанная выше структура разреженности. Структура разреженности, которая является общей для задач, может быть определяемой, так как она зависит только от размеров задачи, подобных количеству ограничений и горизонту прогнозирования. Однако при функционировании структура разреженности может зависеть от определенных задач и может быть определена автоматически во время стадии инициализации для каждой задачи. Более конкретно, систему при инициализации линеаризуют для вычисления матриц реализации плотности. На этой стадии размер каждого элемента в обычно используемых матрицах коэффициентов сравнивают с порогом (то есть около 10-14) для определения, является ли он нулевым или отличен от нуля. Для уменьшения вычислительных усилий определенная таким образом структура разреженности может затем использоваться во всем способе управления с прогнозирующими моделями.

Фиг.3 представляет собой блок-схему, которая показывает возможный процесс усовершенствования элементов управления системы для входных профилей загрузки и разгрузки, по меньшей мере, частично на основании моделей в энергоустановке с комбинированным циклом, согласно одному возможному варианту осуществления изобретения. Как иллюстрирует функциональный блок 102, способ 30 начинается с последовательности элементов оценки состояния. За блоком 106 следует блок 108, в котором вычисляют величины параметров, которые измерить непосредственно затруднительно. Возможные варианты таких параметров могут содержать температуры металла в корпусах паровой турбины и в роторах. За блоком 108 следует блок 112, в котором алгоритм приравнивает текущий этап первому 1 и переходит к построению линеаризованных моделей, которые представляют динамику загрузки газовой турбины и ее воздействия на ограничения паровой турбины. За блоком 114 следует блок 116, в котором собирают матрицы реализации для построения задач оптимизации. За блоком 116 следует 118, в котором модели дополнительно интегрируют в задачи оптимизации для прогнозирования состояния системы.

За блоком 118 следует блок 122 решения, в котором алгоритм осуществляет внутреннюю проверку, чтобы установить, достигнут ли этап, соответствующий заданному горизонту прогнозирования задачи оптимизации и нумерованный, как 'N'. В случае, если 'N'-ый этап достигнут, следуют ответвлению «да» в блок 124, в котором текущий этап увеличивают на 1. Способ 30 продолжается в блоке 114, описанном выше, для следующей итерации.

Согласно блоку 122, если при внутренней проверке установлено, что 'N'-ый этап все же не достигнут, то следуют ответвлению «нет» в блок 104, в котором выполняют интерактивные функции оптимизации. В блоке 104 могут быть выполнены различные интерактивные функции оптимизации. В блоке 128, могут быть построены задачи квадратичного программирования с использованием собранных матриц реализации. За блоком 128 следует блок 132, в котором интерактивный оптимизатор может решать задачу оптимизации. За блоком 132 следует блок 134, в котором может быть реализовано наилучшее текущее управляющее воздействие. За блоком 134 следует блок 136, в котором программа оптимизации может готовиться к приему следующего набора измерений. После блока 136 способ 30 продолжается в описанном выше блоке 106 для следующей итерации.

Согласно фиг.3, в общем, некоторые или все последовательности управления представляют родовой набор функциональных элементов, которому обычно следуют в большом количестве ситуаций. Однако в каждом определенном случае может быть определен соответствующий набор последовательностей управления посредством преобразования задачи оптимизации энергоустановки 12, в основном, как иллюстрирует возможный вариант осуществления фиг.3, в тот вид, для которого может дать решение соответствующий алгоритм оптимизации. Например, в одном варианте осуществления обычные элементы реализации могут предполагаться константами в пределах горизонта прогнозирования и могут быть вычислены заранее для полного горизонта прогнозирования. В этой аппроксимации результирующая задача оптимизации является задачей квадратичного программирования с ограничениями в виде равенств и неравенств, что воспроизводит ее для эффективного решения. В другом варианте осуществления задача оптимизации может быть решена с использованием способа линейного программирования.

Информация относительно текущего состояния энергоустановки 12 может содержать информацию непосредственно относительно турбины или генератора, компонента турбины или генератора, системы турбины или генератора, компонента системы турбины или генератора, системы управления турбины или генератора, компонента системы управления турбины или генератора, газового/парового тракта в турбине или генераторе, динамики газового/парового тракта, исполнительного механизма, исполнительного элемента, устройства управления, которое обновляет режим турбины или генератора, датчика, мониторинга, системы считывания, системы измерения топлива, системы поставки топлива, системы смазки, гидравлической системы, изменения от компонента к компоненту, повреждения, механической неисправности, электрической неисправности, химической неисправности, механического отказа, электрического отказа, химического отказа, механического повреждения, электрического повреждения, химического повреждения, неисправности системы, отказа системы и/или повреждения системы.

Модели в указанных системах и способах могут содержать модель, основанную на физической сущности, модель идентификации линейной системы, модель идентификации нелинейной системы, модель нейронной сети, упрощенную модель параметров с одной или несколькими переменными, модель с одним входом и одним выходом, модель с множеством входов и множеством выходов и/или любые комбинации указанных моделей. Обновление может содержать обновление, адаптацию или переконфигурирование состояния, переменной, параметра, параметра качества, скалярной величины, сумматора, ограничения, целевой функции, предела и/или любого применимого параметра моделей или элемента управления при устойчивом состоянии и/или функционировании в условиях переходных процессов. Диагностика происходит с использованием эвристических, интеллектуальных подходов, подходов на основе модели, и/или многомодельных гипотез. Модели могут обновляться/адаптироваться с использованием линейного оценщика, нелинейного оценщика, нелинейного оценщика состояния, нелинейного оценщика состояния, линейного оценщика параметра, нелинейного оценщика параметра, линейного фильтра, нелинейного фильтра, линейного следящего фильтра, нелинейного следящего фильтра, линейной логики, нелинейной логики, линейной эвристической логики, нелинейной эвристической логики, линейной базы знаний и нелинейной базе знаний или другого соответствующего способа. Команда управления может быть определена посредством условной или безусловной оптимизации, включая: линейную оптимизацию, нелинейную оптимизацию, выпуклую оптимизацию, невыпуклую оптимизацию, линейное программирование, квадратичное программирование, полуопределенное программирование, способы, которые используют структуры разреженности в данных задачи для уменьшения работ по вычислению и/или способы с соответствующим градиентом оптимизации. Предпочтительно, для оптимизации эффективности и/или работоспособности турбины или генератора, компьютер или вычислительное устройство выполняет операции автоматически.

Описанный здесь предмет не ограничен исключительно вышеупомянутыми функциями контроллера 62, такими как оптимизация входных профилей загрузки и разгрузки при запуске энергоустановки 12. В других возможных вариантах осуществления функции контроллера 62 могут содержать другие операции в реальном масштабе времени, такие как прогнозирование, определение и предотвращение ухудшения, неисправности, отказа или повреждения любого уровня в различных системах, подсистемах и компонентах энергоустановки 12. В другом случае скорость выполнения контроллером в реальном масштабе времени 62 является конфигурируемой для применения к различным размерам моделей. В другом случае скорость выполнения контроллером 62 в реальном масштабе времени является также конфигурируемой для применения различных других алгоритмов оптимизации.

В другом варианте осуществления системы, вместо осуществления непосредственного управления и мониторинга различных систем, подсистем и компонентов энергоустановки 12, контроллер 62 может осуществлять связь с некоторым количеством локальных контроллеров и процессоров, установленных в различных системах, подсистемах и компонентах энергоустановки 12. Возможные варианты таких локальных контроллеров и процессора могут содержать контроллер газовой турбины, контроллер паровой турбины, контроллер генератора системы с рекуперацией теплоты, автономный процессор, осуществляющий связь с контроллером газовой турбины, автономный процессор, осуществляющий связь с контроллером паровой турбины, или автономный процессор, осуществляющий связь с контроллером генератора системы с рекуперацией теплоты и т.д.

В еще одном возможном варианте осуществления изобретения энергоустановка 12 может быть установкой на ископаемом топливе или ядерной установкой. Независимо от конфигурации энергоустановки 12, обычно, установки паровых турбин либо из энергоустановок с комбинированным циклом, либо ядерных установок, либо установок на ископаемом топливе, могут быть подчинены ограничениям на напряжения ротора. Такие ограничения на напряжения обычно могут возникать в стволе ротора и на поверхности ротора, ограничения на дифференциальное расширение в направлении оси ротора для предотвращения осевых трений, и ограничения на радиальный зазор для предотвращения радиальных трений из-за дифференциального расширения в направлении, перпендикулярном ротору. Обычные операции ядерных установок и установок на ископаемом топливе могут также быть подчинены подобным ограничениям в отношении поддержания уровня воды парогенераторов. Кроме того, установки на ископаемом топливе должны также учитывать ограничения на эмиссию. Другие ограничения, определенные для установок на ископаемом топливе, могут содержать ограничения на температуру для предотвращения формирования шлака или наращивания шлака. Для обычной задачи оценки в отношении установки на ископаемом топливе может потребоваться интерактивное приготовление смеси топлива или оценка качества, а также индикация уровня ошлаковывания и загрязнения в экранных трубах, которые могут существенно воздействовать на передачу теплоты в водяные/паровые трубы. Целевая функция, применимая в случае установок на ископаемом топливе, или ядерных установок, может быть подобна применимым для энергоустановок с комбинированным циклом. В возможном варианте осуществления управляющие воздействия для установок на ископаемом топливе могут содержать такие показатели, как полный поток топлива, полный воздушный поток или отношение топливо/воздух, отдельные потоки топлива и воздушные потоки в отдельных камерах сгорания или в совокупности камер сгорания и т.п. В другом случае, в частности, в контексте атомной энергоустановки, может существовать ограничение на качество пара для предотвращения или минимизации эрозии.

Моделирование нейронной сети компонентов турбины

В одном возможном варианте осуществления может использоваться модель нейронной сети для моделирования расширения компонентов турбины для обеспечения прогнозирования дифференциального расширения компонентов турбины и предпочтительного управления зазорами между компонентами турбины при функционировании. Могут быть достигнуты сокращенное время запуска или ускоренная загрузка, без превышения механических пределов для зазоров компонентов турбины, по меньшей мере, частично посредством использования систем и способов, которые содержат модели нейронной сети для прогнозирования расширения компонентов турбины. Более конкретно, варианты осуществления изобретения могут обеспечивать системы и способы, которые принимают рабочие параметры, указывающие состояния одного или более компонентов турбины, таких как ротор и корпус, и применяют эти рабочие параметры в качестве входных данных в модель нейронной сети, которая в свою очередь выполнена с возможностью моделирования и прогнозирования скоростей расширения этих компонентов. Соответственно, прогнозирование скоростей расширения может обеспечивать возможность соответствующей реакции системы управления турбины, так чтобы эксплуатировать турбину в ее наиболее эффективном состоянии. Например, турбина может эксплуатироваться при более быстрых временах загрузки и более длительных периодах функционирования с высокой загрузкой без чрезмерного риска неисправного функционирования турбины, возникающего в результате трения компонентов. Различные выходные данные модели нейронной сети, как описано более подробно ниже, такие как расширение корпуса, расширение ротора, и/или дифференциальное расширение, могут действовать, как входные параметры для системы управления с прогнозирующими моделями, описанной выше.

Фиг.4 представляет собой блок-схему возможного контроллера 400, используемого для реализации возможной модели нейронной сети, согласно варианту осуществления изобретения. Контроллером 400 может быть контроллер 36, который описан выше согласно фиг.1-3, или его компонент, или, в качестве альтернативы, контроллером может быть другой контроллер, который выполняет некоторые или все функции, которые описаны выше, согласно фиг.1-3, и/или ниже, согласно фиг.4-9. Контроллер 400 может содержать память 402, в которой хранится программируемая логика 404 (например, программное обеспечение) и могут хранится данные 406, такие как считанные рабочие параметры, представления модели, функции стоимости, обучающие данные или подобное. Память 402 также может содержать операционную систему 408. Процессор 410 может использовать операционную систему 408 для выполнения программируемой логики 404, и при этом также может использовать данные 406. Связь между памятью 402 и процессором 410 может обеспечивать шина 412 данных. Пользователи могут взаимодействовать с контроллером 400 через пользовательские интерфейс(ы) 414, такие как клавиатура, мышь, панель управления, или любые другие устройства, выполненные с возможностью передачи данных в и из контроллера 400. Контроллер 400 может осуществлять связь с одной или обеими паровыми турбинами 18 или газовой турбиной 16 через интерфейс 416 ввода-вывода. Интерфейс 416 ввода-вывода может осуществлять связь с турбинами, компонентами турбин или другими компонентами энергоустановки через интерфейс ввода-вывода, который в свою очередь может осуществлять связь с линиями связи, например, линиями 44, 46, 48, и 52 связи для осуществления связи с газовой турбиной 16 и паровой турбиной 18. Более конкретно, один или более контроллеров 400 могут выполнять моделирование нейронных сетей, например, определять рабочие параметры, которые могут быть параметрами из одного или более датчиков турбины, применять параметры в качестве входных данных в модель нейронной сети, моделировать расширение одного или более компонентов турбины, осуществлять управляющее воздействие, по меньшей мере, частично на основании расширения, и обучать модель нейронной сети и т.д. Кроме того, один или более контроллеров 400 могут дополнительно производить выполнение других инструментальных средств моделирования и реализовывать логику управления, как известно в отношении систем управления турбины. Более того, описанные здесь модели нейронной сети могут быть одним компонентом большей системы управления, содержащей другую логику управления, такую как другие инструментальные средства моделирования, подобные управлению с прогнозирующими моделями, раскрытому выше. В иллюстрируемом варианте осуществления контроллер 400 может быть расположен удаленно относительно турбины 18; хотя он может быть расположен совместно с турбиной 18 или даже интегрирован в нее. Кроме того, контроллер 400 и программируемая логика 404, реализованные таким образом, могут содержать программное обеспечение, аппаратные средства, программно-аппаратные средства или любую их комбинацию, которая может быть сконфигурирована для функционирования любым описанным здесь образом. Также следует понимать, что может быть использовано несколько контроллеров 400, при этом различные признаки, описанные здесь, могут выполняться на одном или более различных контроллеров 400.

Фиг.5 представляет собой схему поперечного сечения возможной турбины 500, которую может использовать контроллер, такой как контроллер 400, показанный на фиг.4, согласно варианту осуществления изобретения. Турбиной 500, как здесь определено, может быть паровая турбина 18, подобная более подробно описанной согласно фиг.1 выше. Однако также следует понимать, что в качестве альтернативы, в варианте осуществления изобретения в соответствии с контроллером, таким как 400, также может использоваться газовая турбина, такая как газовая турбина 16. Как показано на фиг.5, турбина 500 может содержать оболочку турбины или корпус 502 турбины. Корпус 502 турбины может заключать главные части, такие как секция 504 турбины в турбине 500. Секция 504 турбины может содержать вал 506 и множество рядов вращающихся и неподвижных лопаток турбины. При функционировании расширяющиеся горячие газы из камеры сгорания, например камеры сгорания 14, как описано выше, согласно фиг.1, могут направляться неподвижными лопатками турбины, которые также определены, как статоры или сопла 508, 510, 512, и могут приводить в действие вращающие лопатки турбины или лопатки 514, 516, 518 ротора. Сопла 508, 510, 512 могут быть прикреплены к внутренней поверхности корпуса 502 турбины и могут проходить внутрь турбины 500. Кроме того, вал 506 и лопатки 514, 516, 518 ротора совместно могут быть определены как узел ротора. Турбина 500, показанная на фиг.5, иллюстрирует три ряда сопел и лопаток ротора; однако для специалистов в данной области техники очевидно, что в турбине 500, используемой согласно аспекту изобретения, может существовать любое количество рядов сопел и лопаток ротора.

Кроме того, следует понимать, что каждый ряд сопел и лопаток ротора может быть определен как каскад турбины 500. Например, как показано на фиг.5, первые сопло 508 и лопатка 514 ротора могут быть определены как первая ступень турбины 500; вторые сопло 510 и лопатка 516 ротора могут быть определены как вторая ступень турбины 500; и третьи сопло 512 и лопатка 518 ротора могут быть определены как третья ступень турбины 500. Турбина 500, используемая согласно варианту осуществления изобретения, может содержать любое количество ступеней.

Также следует понимать, что в некоторых вариантах осуществления лопатки 514, 516, 518 ротора могут быть определены как лопасти. В качестве альтернативы, термин лопасть может быть использован для описания и выступающего участка лопатки, проходящего от вала 506, и участка лопатки, проходящего к валу 506. В такой ситуации термин лопатка ротора может быть использован для описания выступающего участка лопасти. В целях этого раскрытия термин лопасть может быть использован в отношении лопатки в целом, содержащей и выступающий участок лопатки и участок лопатки, проходящий к валу 506, или участок вала лопатки. Термин лопатка ротора может быть использован в отношении выступающего участка лопатки или лопасти. Венец лопатки и венец лопатки ротора в отношении одного компонента могут использоваться как взаимозаменяемые термины.

Измерение функционирования турбины может быть осуществлено несколькими датчиками, определяющими различные наблюдаемые условия турбины и окружающей среды. Во многих случаях множество групп датчиков могут измерять одинаковое измеряемое условие. Например, один или более датчиков могут осуществлять связь с компонентами турбины, например, такими как корпус 502 турбины, и осуществлять мониторинг их температуры. Аналогично, датчики температуры могут осуществлять мониторинг температуры окружающей среды, окружающей турбину, температуру нагнетания компрессора, температуру отходящего пара турбины, другие соответствующие измерения температуры потока газа через газовую турбину, или другие известные параметры турбины. Здесь, «параметры» используют в отношении элементов, которые могут быть использованы для определения условий функционирования турбины, таких как температуры, давления и потоки газа в определенных положениях в турбине. Как известно, описанные датчики могут осуществлять связь с одним или более компонентов турбины 500. Например, в паровой турбине датчики давления и температуры могут быть интегрированы во входной и выходной точках турбины 500 для измерения условий для пара на входе и выходе пара. В некоторых возможных приложениях турбины, таких как паровые турбины, в входной точке, в выходной точке или в обеих, могут быть интегрированы дополнительный датчик или датчики для непосредственного измерения расширения ротора и/или металлических компонентов корпуса. В любом случае некоторые или все датчики посредством линий связи или любого другого устройства или способа могут осуществлять связь с контроллером, таким как контроллер 400.

Фиг.6 представляет собой возможный вариант осуществления модели 600 нейронной сети, которая здесь описана и которая может быть выполнена контроллером согласно вариантам осуществления описанного здесь изобретения. Моделью 600 нейронной сети может быть любой вид известной искусственной модели нейронной сети, например, такой как нейронная сеть прямого действия, одноуровневый перцептрон, многоуровневый перцептрон, сеть функции радиального базиса, рекуррентная нейронная сеть, модулярная нейронная сеть или подобная известная сеть. Нейронная сеть 600 может содержать один или более узлов или групп узлов, весьма подобно человеческому мозгу. В основном, нейронная сеть 600 является оценщиком, разработчиком модели или предсказателем, который может быть разработан и обучен для отображения выбранного диапазона входного сигнала или сигналов так, чтобы формировать требуемые выходной параметр или выходные параметры, которые изменяются в соответствии с входным сигналом или сигналами. В дополнительно описанных здесь возможных вариантах осуществления может существовать более чем одна модель 600 нейронной сети, каждая для моделирования или прогнозирования определенного выходного параметра, о котором требуется иметь информацию для моделирования дифференциального расширения, возникающего внутри турбины. Например, может существовать две модели 600 нейронной сети, при этом первая модель 600 нейронной сети выполнена с возможностью моделирования или прогнозирования расширения корпуса, а вторая модель 600 нейронной сети выполнена с возможностью моделирования или прогнозирования расширения узла ротора. В качестве альтернативы, следует понимать, что одна нейронная сеть 600 может быть выполнена с возможностью приема множества входных данных для моделирования или прогнозирования дифференциального расширения непосредственно в виде выходных данных одной нейронной сети 600.

Более конкретно, в одном варианте осуществления, каждая модель 600 нейронной сети может содержать, по меньшей мере, три группы нейронов или узлов: на входном уровне 602 нейронов, по меньшей мере, одном скрытом уровне 604 нейронов и выходном уровне 606 нейронов. Каждый из этих уровней также может быть здесь взаимозаменяемо определен как нейроны. Входной уровень 602 нейронов может принимать в качестве входных данных, например, температуру корпуса, которая измерена одним или более датчиков, описанных выше, и/или смоделированные параметры в качестве входных данных для определения расширения ротора. Как описано более подробно, согласно фиг.8, ниже, очевидно, что некоторые параметры фактически не могут быть смоделированы в среде турбины, и могут быть лучше спрогнозированы или смоделированы с использованием математической модели. Соответственно, модели 600 нейронной сети, которые здесь описаны, могут принимать в качестве вариантов входных данных рабочие параметры, которые могут быть измерены непосредственно, и/или смоделированные параметры, которые представляют рабочие параметры, для которых непосредственное измерение не может быть сделано или является непрактичным. При необходимости входные данные могут быть нормализованы или подвергнуты известным операциям численного масштабирования.

В одном возможном варианте осуществления скрытый уровень 604 нейронов может быть сконфигурирован для осуществления логики прямого действия, при которой сигналы вычисляют и вводят «напрямую» в следующий узел, без реализации обратной или боковой связи между узлами. Узлы скрытого уровня 604 нейронов могут быть составлены из одного или более известных уравнений. Определенные возможные варианты, показанные на фиг.6, иллюстрируют последовательность функций суммирования, суммирующих варианты векторных входных данных входного уровня, подаваемые в функцию гиперболического тангенса (например, y=tanh(u)). Однако следует понимать, что могут быть использованы другие известные уравнения для решения для параметров уровня нейронной сети.

В дополнительных вариантах осуществления скрытый уровень 604 нейронов нейронной сети или сетей может быть выполнен в виде рекуррентной сети, имеющей дополнительные соединения обратной связи между уровнями нейронов и/или боковые соединения обратной связи между нейронами внутри одного уровня.

Результаты операций, выполненных на скрытом уровне 604 нейронов, подают в качестве вариантов входных данных на выходной уровень 606 нейронов. Выходной уровень нейронов может содержать один или более вариантов результирующих выходных данных. Затем выходные данные могут суммироваться функцией суммирования для обеспечения требуемых выходных данных, например расширения одного или более роторов, расширения корпуса турбины или дифференциального расширения ротора по сравнению с корпусом турбины. Кроме того, выходные данные выходного уровня 606 нейронов, возможно, могут быть подвергнуты известной операции денормализации или известной операции числового масштабирования. В одном варианте осуществления, как дополнительно показано и описано, согласно фиг.8, одна модель нейронной сети может прогнозировать расширение корпуса, а другая модель нейронной сети может прогнозировать расширение ротора. В этом варианте осуществления выходные данные расширения корпуса и расширения ротора сравнивают, обычно посредством функции сложения или вычитания для определения дифференциального расширения. Затем дифференциальное расширение может быть использовано, по меньшей мере, частично для осуществления управляющего воздействия или для выполнения операции на других управляющих воздействиях при функционировании турбины.

Кроме того, в одном возможном варианте, выходной уровень 606 нейронов может подаваться как сигнал 610 обратной связи обратно на входной уровень 602 нейронов в качестве третьих входных данных. Хотя на фиг.6 показан возможный простой сигнал 610 обратной связи, подаваемый непосредственно на входной уровень 602 нейронов, сигнал 610 обратной связи, при необходимости, может быть подвергнут другим операциям. Например, сигнал 610 обратной связи, при необходимости, может быть подан через единичную задержку до подачи в качестве входных данных на входной уровень 602 нейронов. Кроме того, при необходимости, к одному или более уровней нейронной сети 600 может быть подсоединено средство смещения для обеспечения возможности корректировки взвешивания или внутренней параметризации одного или более уровней. Средством смещения может быть, например, блок электропитания, обеспечивающий стабильный, переменный и устанавливаемый источник питания, который обеспечивает возможность корректировки функций взвешивания и/или внутренних параметризаций различных скрытых уровней.

Схема (также определенная, как «выбор») модели 600 нейронной сети, содержащей входной уровень 602 нейронов, отображение измеренных и/или смоделированных рабочих параметров для входного уровня 602 нейронов, каждый скрытый уровень 604 нейронов и выходной уровень 606 нейронов, может быть сделана с использования вычислительных прикладных программ программного обеспечения и прикладных программ программного обеспечения для моделирования, таких как MATLAB The Math Works, Inc. Natick, MA, или подобных. Вычислительные прикладные программы программного обеспечения и прикладные программы программного обеспечения для моделирования могут обеспечивать графический интерфейс для построения, тестирования, и/или обучения каждой модели 600 нейронной сети до реализации в контроллере 400, согласно вариантам осуществления изобретения.

Фиг.7 представляет собой возможный способ, согласно варианту осуществления изобретения. Предложен возможный 700 способ основной операции модели нейронной сети, которая может быть выполнена контроллером 400, используемым для моделирования расширения компонентов турбины и для прогнозирования дифференциального расширения компонентов турбины при функционировании турбины, например турбины 500.

В функциональном блоке 702 контроллер 400 может принимать один или более рабочих параметров, указывающих состояние функционирования турбины 500. Измеренные рабочие параметры могут содержать температуру корпуса, температуры окружающей среды, скорость вращения турбины и давления турбины и т.д. Также следует понимать, что другие параметры, которые не могут быть измерены, могут быть смоделированы на основании других измеренных параметров. Кроме того, для повышения точности и увеличения избыточности системы также могут быть смоделированы один или более измеренных параметров. В одном возможном варианте осуществления может быть смоделирована температура ротора посредством измерения температуры пара при функционировании турбины в определенных точках и применения измеренных температур пара в качестве входных данных в модель, которая прогнозирует температуру ротора, основанную на известных или полученных тепловых моделях.

В функциональном блоке 704 измеренные и/или смоделированные в функциональном блоке 702 рабочие параметры могут быть применены в качестве входных данных в одну или более моделей нейронной сети. В функциональном блоке 706 модель нейронной сети может моделировать расширение одного или более компонентов турбины, согласно описанию фиг.6, приведенной выше и последующей фиг.8. Дифференциальным расширением может быть сравнение, например, расширения корпуса турбины с расширением роторов, и в общем может быть выражено, как: Дифференциальное расширение = Расширение Ротора - Расширение Корпуса. Следует понимать, что в других вариантах осуществления дифференциальное расширение может быть смоделировано для сравнения расширения между другими известными компонентами турбины. Хотя фиг.7, в общем, иллюстрирует вариант осуществления при операции, следует понимать, что модель нейронной сети должна быть выбрана (или разработана) и, впоследствии, обучена до подачи входных данных при операции. Возможный вариант процесса выбора и обучения нейронной сети описан ниже, согласно фиг.9.

В функциональном блоке 708, контроллер 400 может выполнять управляющее воздействие, по меньшей мере. частично на основании смоделированного расширения, определенного в функциональном блоке 706. Управляющим воздействием может быть настройка функционирования турбины посредством известного средства, например такого как, регулирование клапанов или интенсивности загрузки. Например, управляющее воздействие может формировать сигнал для повышения быстродействия турбины, если смоделированное дифференциальное расширение ниже некоторого заданного порога, и понижать быстродействие турбины, если смоделированное дифференциальное расширение выше некоторого заданного порога. Следует понимать, что заданные пороги являются определенными для размера и предназначенного функционирования турбины. Соответственно, значения для этих возможных заданных порогов можно определить на основании конкретного применения турбины. В качестве варианта, управляющим воздействием может быть остановка функционирования турбины или компонента турбины для включения сигнала тревоги или для передачи сообщения с уведомлением пользователя. Кроме того, управляющее воздействия может учитывать другие аспекты функционирования турбины, такие как другие рабочие параметры, текущую производительность, стадию загрузки турбины и т.п. Более того, контроллер 400 может иметь определенные заданные значения или пороги, определяющие диапазоны, в пределах которых может находиться дифференциальное расширение перед осуществление управляющего воздействия для изменения либо функционирования турбины либо расширения компонентов турбины. Кроме того, следует понимать, что смоделированные выходные данные функционального блока 706 могут действовать в качестве входных данных в систему управления с прогнозирующими моделями, которая более подробно описана выше, согласно фиг.1-3, и что управляющее воздействие в функциональном блоке 708 может зависеть от управляющих воздействий системы управления с прогнозирующими моделями.

Фиг.8 представляет собой возможный функциональный способ 800, посредством которого может функционировать вариант осуществления, выполняемый контроллером 400 для моделирования или прогнозирования дифференциального расширения компонентов турбины. На входе 802 и на входе 804, соответственно, могут быть измерены температура отработавшего пара и температура основного пара. Может потребоваться скорее моделирование определенных параметров, чем их непосредственное измерение, так как, в определенных возможных вариантах, не существует возможности получения непосредственного измерения. Например, в паровой турбине измерение температуры вращающихся компонентов и внутренних поверхностей может быть затруднительным или непрактичным. Соответственно, тогда для оценки требуемых параметров к одной или более моделей могут быть применены другие параметры, такие как температура пара, для которых обеспечена возможность непосредственного измерения. Моделями могут быть упрощенные, одномерные, сосредоточенные модели (также известные как сосредоточенные модели компонентов). Возможные сосредоточенные модели компонентов могут быть определены также как алгебраические уравнения или дифференциальные уравнения. В качестве варианта, модели параметров могут быть реализованы компьютеризированной совокупностью алгебраических уравнений или уравнений в конечных разностях.

Блоки 806 и 808 представляют упрощенные модели в указанном возможном варианте осуществления. Блок 806 представляет тепловую модель корпуса, при этом входные данные 802 температуры отработанного пара, и входные данные 804 температуры основного пара подают в качестве входных данных в тепловую модель корпуса. Тепловая модель корпуса может моделировать температуру внутренней поверхности внешней корпуса и температуру металла корпуса секции выпускного сопла, обозначенных как выходные данные 810 и 812 соответственно. Аналогично в блоке 808 тепловая модель ротора может принимать в качестве входных данных 804 основной пар и моделировать температуру металла чаши, как показано выходными данными 814. Следует понимать, что фиг.8 обеспечивает исключительно возможный вариант осуществления и что с использованием других входных данных могут быть смоделированы другие компоненты. Например, в альтернативном варианте осуществления в качестве входных данных могут принимать температуру основного пара, или температуру основного пара и температуру отработанного пара и моделировать посредством модели нейронной сети по отдельности расширение корпуса и расширение ротора или непосредственно моделировать дифференциальное расширение.

Блоки 816 и 818 иллюстрируют две модели нейронной сети, которые могут быть использованы для моделирования расширения корпуса и расширения ротора соответственно, как описано согласно фиг.6. Также, следует понимать, что модели нейронной сети, такие как иллюстрируют блоки 816 и 818 на этом чертеже, должны быть выбраны, разработаны и обучены. Выбор и обучение наиболее подробно описаны ниже, согласно фиг.9.

Затем с использованием компаратора или подобной операции может быть осуществлено сравнение выходных данных моделей нейронной сети, которые могут быть проиллюстрированы в этом возможном варианте выходными данными 820 и 822 для определения разностей между выходных данных (показано компаратором 824). Сравнение и/или определение разностей между выходными данными 820 расширения корпуса и выходными данными 822 расширения ротора дают в результате дифференциальное расширение турбины, в частности сравнение осевого зазора лопаток турбины относительно корпуса турбины, функционирующей в существующей среде. Выходные данные дифференциального расширения могут моделироваться по (периоду) времени, и результаты могут анализироваться по (периоду) времени, для определения воздействия, которое на компоненты турбины оказывают текущие и/или статистические условия функционирования. Например, в определенных состояниях функционирования, например, при холодных запусках, может быть предпочтительным моделирование (или прогнозирование) дифференциального расширения по (периоду) времени при загрузке турбины для обеспечения лучшего понимания пределов компонентов. Моделирование дифференциального расширения также обеспечивает более полную картину условий для компонентов турбины при изменяющихся состояниях функционирования, обеспечивая возможность управления оператором и/или системой управления турбиной в ее наиболее эффективном состоянии, при этом избегая риска отказа компонентов из-за трения или подобных условий.

Фиг.9 представляет собой возможный способ 900, посредством которого может функционировать вариант осуществления изобретения для обучения каждой модели 600 нейронной сети для реализации, как описано, согласно фиг.6-8. Модель 600 нейронной сети может быть обучена так, чтобы определять наилучшую репрезентативную функцию или функции, выполняемые скрытым уровнем 604 нейронов, и наилучшее узловое взвешивание для формирования относительно точных выходных данных в ответ на входные сигналы измеренных рабочих параметров. Алгоритм или алгоритмы обучения могут использоваться при обучении для формирования соответствующих весовых коэффициентов для одного или более узлов нейронной сети. Кроме того, алгоритм обучения может использоваться для определения соответствующих сигналов смещения для применения к одному или более уровней сети. Алгоритм обучения может выполняться в итерационном режиме до сходимости или минимизации коэффициента ошибки, сравнивающего выходные данные нейронной сети с известными правильными наблюдениями или данными обучения. Этот процесс может быть также определен как оптимизация модели 600 нейронной сети. Возможными вариантами алгоритмов обучения, выполняемыми при оптимизации, могут быть алгоритм среднеквадратической ошибки, алгоритм обратного распространения ошибки обучения, алгоритм Левенберга-Маркуардта или другие известные статистические способы, использующие функции ошибки.

Как показано в функциональном блоке 902, вначале извлекают известные значения расширения компонента турбины для обеспечения данных обучения или целевых данные, относительно которых при обучении оптимизируют модель 600 нейронной сети. Аналогично функциональному блоку 702, фиг.7, в функциональном блоке 904 измеряют или моделируют рабочие параметры компонента турбины и, в функциональном блоке 906 их применяют в качестве вариантов входных данных в модель 600 нейронной сети. В функциональном блоке 908 функции скрытого уровня нейронов оперируют входными данными из функционального блока 906, как описано согласно фиг.6 выше, для определения выходных данных, таких как расширение ротора, расширение корпуса или дифференциальное расширение. Функциональный блок 910 обеспечивает сравнение смоделированного расширения из функционального блока 908 с известным расширением компонента турбины, извлеченным в функциональном блоке 902. Сравнение может быть выполнено с использованием алгоритма обучения для выполнения операции функции ошибок на выходных данных в сравнении с известными данными, как описано выше. Если вектор ошибки, определенный в функциональном блоке 910, достаточно минимизирован, чтобы обеспечивать сходимость смоделированных вариантов выходных данных к известным вариантам выходных данных, то можно считать модель нейронной сети обученной, и не требуется дополнительных корректировок взвешивания и параметров, как иллюстрирует функциональный блок 912. Однако, если вектор ошибки, определенный в функциональном блоке 910, не указывает достаточную сходимость, то, как иллюстрирует функциональный блок 914, взвешивание одного или более параметров одного или более скрытых уровней может быть скорректировано. После корректировки входного уровня нейронов и/или скрытого уровня нейронов вновь выполняют модель нейронной сети, как в функциональном блоке 908, для формирования вариантов выходных данных расширения модели. Итеративно повторяют элементы, иллюстрированные функциональными блоками 908, 910, и 914, осуществляя незначительные корректировки взвешивания и скрытых уровней нейрона до тех пор, пока определения, сделанные в функциональном блоке 910, не покажут удовлетворительную сходимость между смоделированными вариантами выходных данных расширения и известными данными расширения. Также следует понимать, что дополнительно или в качестве альтернативы, могут быть скорректированы сигналы смещения, применяемые к одному или более узлов любого из уровней сети, подобно корректировкам, осуществляемым в функциональном блоке 914.

Используемая здесь терминология использована не в целях наложения ограничения, а в целях описания. Раскрытые здесь определенные структурные и функциональные подробности не должны интерпретироваться как ограничивающие, а только как основание для формулы изобретения, как основание, показательное для возможных вариантов осуществления обучения. Любые модификации или изменения в показанных способах и системах управления с прогнозирующими моделями, и такие дополнительные применения иллюстрируемых здесь принципов рассматриваются попадающими в объем настоящего изобретения.

Возможные варианты осуществления ссылаются на блок-схемы систем, способов, устройств и компьютерных программных продуктов, согласно, по меньшей мере, одному описанному здесь варианту осуществления. Следует понимать, что каждый блок блок-схемы и комбинации блоков блок-схем, соответственно, могут быть, по меньшей мере, частично реализованы посредством инструкций компьютерной программы. Указанные инструкции компьютерной программы могут быть загружены на универсальный компьютер, специализированный компьютер, специализированный аппаратный компьютер или другое программируемое устройство обработки данных для создания устройства, так что инструкции, которые выполняют на компьютере, или другом программируемом устройстве обработки данных, создают средство для реализации функциональных возможностей каждого блока блок-схем или комбинаций блоков описанных блок-схем.

Указанные инструкции компьютерной программы также могут храниться в памяти, считываемой компьютером, которая может направлять компьютер или другое программируемое устройство обработки данных для функционирования определенным образом, так что инструкции, которые хранятся в памяти, считываемой компьютером, создают изделие изготовления, содержащее средство инструкции, которое реализует функцию, определенную в блоке или в блоках. Инструкции компьютерной программы также могут быть загружены на компьютер или другое программируемое устройство обработки данных для вызова последовательности оперативных этапов, которые должны быть выполнены на компьютере или другом программируемом устройстве для создания процесса, реализуемого на компьютере, такого что инструкции, которые выполняют на компьютере или другом программируемом устройстве, обеспечивают элементы для реализации функций, определенных в блоке или блоках.

Описанные здесь системы и способы могут быть реализованы посредством прикладной программы, работающей на операционной системе компьютера. Они также могут быть осуществлены практически другими конфигурациями компьютерной системы, включая карманные устройства, многопроцессорные системы, программируемую бытовую электронику или бытовую электронику, основанную на микропроцессорах, или программируемую бытовую электронику, миникомпьютеры, универсальные ЭВМ и т.д.

Прикладные программы, которые являются компонентами описанных здесь систем и способов, могут содержать подпрограммы, программы, компоненты, структуры данных, и т.д., которые реализуют определенные абстрактные типы данных и выполняют определенные задачи или действия. В распределенной вычислительной среде прикладная программа (полностью или частично) может быть размещена в локальной памяти или в другом запоминающем устройстве. Дополнительно или в качестве альтернативы, прикладная программа (полностью или частично) может быть размещена в удаленной памяти или в запоминающем устройстве, чтобы учесть обстоятельства, где задачи выполняют удаленные устройства обработки, связанные посредством сети связи.

Соответственно, обеспечение систем и способов, которые здесь описаны, обеспечивает возможность более гибкого управления и больших эффективностей эксплуатации при функционировании турбины и установки. Кроме того, обеспечение нейронной сети для моделирования и, соответственно, прогнозирования дифференциального расширения компонентов турбины при функционировании, обеспечивает возможность быстрейшего функционирования турбины в ее наиболее эффективном состоянии посредством принудительного сдвига скоростей загрузки и/или разгрузки системы к их пределам при запуске, при этом осуществляя функционирование в пределах заданных пределов и зон безопасного функционирования. Более того, модель нейронной сети может быть отдельным компонентом в большем интерактивном оптимизаторе, выполняющем оптимизацию с прогнозирующими моделями в реальном масштабе времени профилей запуска и функционирования турбины или турбины, функционирующей в энергоустановки с комбинированным циклом.

Очевидно, что описанное выше относится к различным вариантам осуществления изобретения и что, не выходя из основного контекста, определенного последующей формулой изобретения, специалистом в данной области техники могут быть внесены многочисленные изменения и дополнения.

Изобретение относится к энергетике. Способы для регулирования зазоров в турбине включают применение, по меньшей мере, одного рабочего параметра в качестве входных данных, по меньшей мере, в одну модель нейронной сети, моделирование посредством модели нейронной сети теплового расширения, по меньшей мере, одного компонента турбины, и осуществление управляющего воздействия, по меньшей мере, частично на основании смоделированного теплового расширения одного или более компонентов турбины. Система содержит контроллер, выполненный с возможностью определения и применения рабочих параметров в качестве входных данных в модель нейронной сети, моделирования теплового расширения посредством модели нейронной сети и осуществления управляющего воздействия, по меньшей мере, частично на основании смоделированного теплового расширения. Изобретение позволяет обеспечить повышение эффективности эксплуатации функционирования турбины. 9 з.п. ф-лы, 9 ил.

1. Способ регулирования зазора в турбине (500), включающий:
применение (704), по меньшей мере, одного рабочего параметра в качестве входных данных, по меньшей мере, в одну модель (600) нейронной сети,
моделирование (706) посредством, по меньшей мере, одной модели (600) нейронной сети теплового расширения, по меньшей мере, одного компонента турбины, и
осуществление (708) управляющего воздействия, по меньшей мере, частично на основании смоделированного теплового расширения, по меньшей мере, одного компонента турбины.

2. Способ по п.1, дополнительно включающий:
определение (702) температуры внешнего корпуса, относящейся к турбине (500), и
определение (702) температуры ротора, относящейся к турбине (500),
причем, по меньшей мере, один рабочий параметр содержит температуру внешнего корпуса и температуру ротора.

3. Способ по п.2, в котором определение (702) температуры внешнего корпуса включает измерение температуры внешнего корпуса.

4. Способ по п.2, в котором определение (702) температуры ротора включает моделирование температуры ротора.

5. Способ по п.4, в котором моделирование температуры ротора включает: получение (804) температуры пара из, по меньшей мере, одной точки в турбине,
применение (808) температуры пара в тепловой модели ротора и
моделирование (814) посредством тепловой модели ротора параметра температуры ротора.

6. Способ по п.1, в котором моделирование (706) посредством, по меньшей мере, одной модели (600) нейронной сети теплового расширения, по меньшей мере, одного компонента турбины включает:
моделирование (820) теплового расширения корпуса, относящегося к турбине, и
моделирование (822) теплового расширения ротора, относящегося к турбине.

7. Способ по п.6, дополнительно включающий определение (824) дифференциального расширения, по меньшей мере, частично на основании разности между смоделированным тепловым расширением ротора и смоделированным тепловым расширением корпуса.

8. Способ по п.1, дополнительно включающий применение смоделированного теплового расширения, по меньшей мере, одного компонента турбины в качестве входных данных (610) обратной связи, по меньшей мере, в одну модель (600) нейронной сети.

9. Способ по п.1, в котором осуществление (708) управляющего воздействия включает, по меньшей мере, одно из остановки работы турбины (500), настройки работы турбины (500), включения сигнала тревоги, передачи уведомляющего сообщения или изменения зазора турбины (500).

10. Способ по п.1, в котором осуществление (708) управляющего воздействия включает применение смоделированного теплового расширения, по меньшей мере, одного компонента турбины в качестве входных данных при управлении с прогнозирующими моделями для управления энергоустановкой (12), частью которой является турбина (600).