Русская версия English version

Повышение точности определения параметров эффективности турбоустановок с применением нейронных сетей

В.А. Горбунов, Н.А. Лоншаков, О.Ю. Нагорная, А.А. Беляков

Вестник ИГЭУ, 2017 г. выпуск 4, сс. 5—12

Скачать PDF

Аннотация на русском языке: 

Состояние вопроса: В русле общемировой тенденции оптимизации работы тепломеханического оборудования и снижения эксплуатационных затрат приобрела актуальность проблема повышения эффективности его работы. В настоящее время для оценки эффективности тепломеханического оборудования используют такие показатели, как удельные затраты энергии, коэффициент полезного действия, мощность. Однако для расчета этих параметров используются инженерные методики, погрешность которых достигает 20 % при требуемой максимальной погрешности 5 % для решения задач оптимизации и прогнозирования режимов эксплуатации. В связи с этим необходима разработка методики повышения точности определения показателей эффективности тепломеханического оборудования.

Материалы и методы: Предлагается использовать аппарат нейронных сетей, обученных на данных из архивов  штатных контрольно-измерительных приборов. Выбор нейронных сетей обусловлен тем, что они, по сравнению с другими статистическими методами, не требуют знания характера зависимостей показателей эффективности от входных параметров. Для демонстрации возможностей данного метода использованы эксплуатационные данные, снятые в процессе работы газовой утилизационной бескомпрессорной турбины и турбопитательного насоса.

Результаты: Построены нейросетевые модели для определения показателей эффективности, анализ которых показал, что для газовой утилизационной бескомпрессорной турбины наибольшее влияние на мощность, удельный расход энергии и КПД брутто доменной печи оказывает расход доменного газа, например при изменении расхода от 678000 до 988000 м3 прирост электрической мощности составит от 0,02 до 0,75 МВт, а для турбопитательного насоса наибольшее влияние на развиваемую мощность оказывает давление и расход пара на работу приводной турбины, изменение которых в исследуемом диапазоне может привести к увеличению мощности на 2,02 МВт.   

Выводы: Достоверность полученных результатов подтверждается верификацией нейронных сетей по данным, не участвовавшим в процессе обучения. Погрешность определения показателей эффективности не превышает 3 %. Полученные результаты используются в процессе эксплуатации для анализа эффективности установок, составления режимных карт работы, получения технически обоснованных норм расхода энергии, повышения точности расчета параметров эффективности турбоустановок.

Список литературы на русском языке: 

1. Ипатов П.Л. Региональные аспекты оценки экономической эффективности АЭС // Известия Российской академии наук. Энергетика. – 2008. – № 4. – С. 3–11.

2. Исмагилов Т.С. Методы решения задачи прогнозирования в энергетике // Вестник УГАТУ. – 2010. – № 4. – C. 93–96.

3. Горбунов В.А. Использование нейросетевых технологий для повышения энергетической эффективности теплотехнологических установок. – Иваново, 2011. – 475 с.

4. Карташев А.Л., Мартынов А.А. Математическое моделирование и оптимизация структуры течения в ступени радиально-осевой турбины микрогазотурбинной установки // Вестник ЮУрГУ. Сер. Машиностроение. – 2015. – Т. 15, № 3. – С. 28–36.

5. Santoso N.I., Tan O.T. Neural net based real-time control of capacitors installed on distribution systems // IEEE Trans. Power. Deliv. – 1990. – № 1. – Р. 266–272.

6. Нагорная О.Ю., Горбунов В.А. Использование нейросетевого подхода для получения режимных карт работы турбины ГУБТ-25 // Вестник ИГЭУ. – 2006. – Вып. 4. – С. 64–66.

7. Пономарев В.С., Финаев В.И. Применение адаптивных регуляторов на основе нейронных сетей в энергетике // Известия ЮФУ. Технические науки. – 2008. – № 7. – C. 164–169.

8. Дунаев В.А., Лоншаков Н.А., Горбунов В.А. К вопросу о повышении эффективности и безопасности эксплуатации тепломеханического оборудования АЭС // Глобальная ядерная безопасность. – 2015. – № 2(15). – С. 63–70.

Ключевые слова на русском языке: 
турбина, турбоустановка, показатели энергоэффективности, газовая турбина, коэффициент использования установленной мощности, нейросетевые технологии, показатели эффективности турбин, повышение эффективности турбоустановок, увеличение выработки электроэнергии, турбопитательный насос
Ключевые слова на английском языке: 
turbine, turbine plant, energy efficiency indicators, gas turbine, installed capacity utilization factor, neural network technologies, turbine efficiency indicators, turbine efficiency increase, increased power generation, turbine feed pump
Индекс DOI: 
10.17588/2072-2672.2017.4.005-012
Количество скачиваний: 
5