CN103245507A - 蒸汽涡轮性能测试 - Google Patents

蒸汽涡轮性能测试 Download PDF

Info

Publication number
CN103245507A
CN103245507A CN2013100474906A CN201310047490A CN103245507A CN 103245507 A CN103245507 A CN 103245507A CN 2013100474906 A CN2013100474906 A CN 2013100474906A CN 201310047490 A CN201310047490 A CN 201310047490A CN 103245507 A CN103245507 A CN 103245507A
Authority
CN
China
Prior art keywords
steam turbine
model
performance
neural network
turbine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2013100474906A
Other languages
English (en)
Inventor
S.V.汉努拉
D.G.沃特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Original Assignee
General Electric Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN103245507A publication Critical patent/CN103245507A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00Testing of engines
    • G01M15/14Testing gas-turbine engines or jet-propulsion engines
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01KSTEAM ENGINE PLANTS; STEAM ACCUMULATORS; ENGINE PLANTS NOT OTHERWISE PROVIDED FOR; ENGINES USING SPECIAL WORKING FLUIDS OR CYCLES
    • F01K13/00General layout or general methods of operation of complete plants
    • F01K13/003Arrangements for measuring or testing
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F22STEAM GENERATION
    • F22BMETHODS OF STEAM GENERATION; STEAM BOILERS
    • F22B1/00Methods of steam generation characterised by form of heating method
    • F22B1/006Methods of steam generation characterised by form of heating method using solar heat

Landscapes

  • Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Sustainable Energy (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Thermal Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Turbines (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及蒸汽涡轮性能测试。一种蒸汽涡轮性能测试系统包括至少一个计算机硬件装置,该至少一个计算机硬件装置包括使用动态蒸汽涡轮热力学模型和从蒸汽涡轮收集的初步数据产生的神经网络;用于用测试数据测试神经网络的网络测试器;用于根据蒸汽涡轮的运行数据计算蒸汽涡轮的当前性能的当前性能计算器;以及用于根据当前性能计算蒸汽涡轮的预测性能的预测性能计算器。

Description

蒸汽涡轮性能测试
技术领域
本发明大体涉及蒸汽涡轮,并且更具体而言,涉及蒸汽涡轮的性能测试。
背景技术
参照图1,显示了描绘已知的太阳能蒸汽涡轮8的框图。太阳能蒸汽涡轮8可包括聚光式太阳能收集器10、蒸汽发生器12和蒸汽涡轮14。聚光式太阳能收集器10收集来自太阳的太阳能。蒸汽发生器12使用太阳能来产生蒸汽。蒸汽涡轮14使用蒸汽来发电。
大体上,在非太阳能蒸汽涡轮的起动期间,非太阳能蒸汽涡轮的各种构件可以比较不同的速率加热。例如,非太阳能蒸汽涡轮的转子比壳体更慢地加热。当非太阳能蒸汽涡轮的各种构件不再相对于彼此膨胀或收缩时,到达稳定状态。测试非太阳能蒸汽涡轮的性能在非太阳能蒸汽涡轮到达稳定状态时进行。可能要持续运行若干小时来到达稳定状态。非太阳能蒸汽涡轮由持续可用的燃料源(诸如天然气、煤或核能)产生的蒸汽提供功率,并且因此可运行足够长的时间来到达稳定状态。由于太阳能的不可靠的可用性,太阳能蒸汽涡轮8可能不能持续地运行到达稳定状态所需要的小时数。因此,太阳能蒸汽涡轮8可能不能到达用于传统的性能测试的稳定状态。
发明内容
本发明的实施例包括用于蒸汽涡轮性能测试的系统、方法、和计算机程序产品。
本发明的第一方面包括一种蒸汽涡轮性能测试系统,其包括至少一个计算机硬件装置,该至少一个计算机硬件装置包括:使用动态蒸汽涡轮热力学模型和从蒸汽涡轮收集的初步数据产生的神经网络;用于用测试数据测试神经网络的网络测试器;用于根据蒸汽涡轮的运行数据计算蒸汽涡轮的当前性能的当前性能计算器;以及用于根据当前性能计算蒸汽涡轮的预测(projection)性能的预测性能计算器。
本发明的第二方面包括一种方法,其包括:使用计算机硬件装置来从蒸汽涡轮的至少一个运行循环收集数据;使用计算机硬件装置来根据收集的数据、使用动态蒸汽涡轮热力学模型产生神经网络;使用计算机硬件装置来用一组测试数据测试神经网络;使用计算机硬件装置来从蒸汽涡轮收集运行数据;以及在神经网络上使用动态蒸汽涡轮热力学模型,以便:使用计算机硬件装置来计算蒸汽涡轮的当前性能;以及使用计算机硬件装置来计算蒸汽涡轮的预测性能。
本发明的第三方面包括一种计算机程序产品,包括包含在至少一个计算机可读存储介质中的程序代码,当执行时,程序代码使得计算机系统能够实现一种方法,该方法包括:从蒸汽涡轮的至少一个运行循环收集数据;根据收集的数据、使用动态蒸汽涡轮热力学模型产生神经网络;用一组测试数据测试神经网络;从蒸汽涡轮收集运行数据;以及在神经网络上使用动态蒸汽涡轮热力学模型,以便:计算蒸汽涡轮的当前性能;以及计算蒸汽涡轮的预测性能。
附图说明
根据结合附图得到的本发明的各方面的以下详细描述,本发明的这些和其它特征将更容易理解,附图描绘了本发明的各种实施例,其中:
图1显示描绘已知的太阳能蒸汽涡轮的一部分的框图。
图2显示描绘根据本发明的一个实施例的蒸汽涡轮性能测试系统的框图。
图3显示表示蒸汽涡轮性能测试的方法的实施例的流程图。
注意,本发明的附图未按比例绘制。附图意图描绘本发明的仅典型的方面,并且因此不应当理解为限制本发明的范围。在附图中,相同标号在附图之间表示相同元件。
部件列表
8已知的太阳能蒸汽涡轮
10聚光式太阳能收集器
11能量源
12蒸汽发生器
14蒸汽涡轮
16蒸汽涡轮性能测试系统
18神经网络
20动态蒸汽涡轮热力学模型
22补充模型
24热吸收(soak)排出(rejection)模型
26控制模型
28涡轮机模型
30外部参数模型
32网络测试器
34当前性能计算器
36预测性能计算器
38使用者
40控制系统
100计算机系统
102存储器
104数据库
106处理构件
108输入/输出(I/O)构件
110通信路径
112模块组。
具体实施方式
本发明的各方面允许对蒸汽涡轮14进行性能测试。参照图2,显示了描绘根据本发明的一个实施例的蒸汽涡轮性能测试系统16的框图。在图2中,蒸汽涡轮性能测试系统16与蒸汽涡轮14通信,如前面参照图1描述的那样。蒸汽涡轮14可为太阳能式或非太阳能式的。蒸汽涡轮14接收来自蒸汽发生器12的蒸汽。蒸汽发生器12使用能量源11产生蒸汽。能量源可为太阳能式或非太阳能式的。非太阳能可包括诸如天然气、煤、核能或任何其它已知燃料源或将开发的燃料源的燃料源。蒸汽涡轮处理系统16可包括神经网络18。神经网络18可通过使用动态蒸汽涡轮热力学模型20来产生,动态蒸汽涡轮热力学模型20从蒸汽涡轮14接收初步数据。使用动态蒸汽涡轮热力学模型20进行的产生可使用补充模型22来补充。补充模型可包括热吸收排出模型24、控制模型26、涡轮机模型28和外部参数模型30中的至少一个。
在图2中,显示蒸汽涡轮14与计算机系统100通信。计算机系统100可包括蒸汽涡轮性能测试系统16,蒸汽涡轮性能测试系统16使得计算机系统100可用来对蒸汽涡轮14进行性能测试。如在图2中所指示,神经网络18、动态蒸汽涡轮热力学模型20、补充模型22、网络测试器32、当前性能计算器34和预测性能计算器36可为蒸汽涡轮性能测试系统16中的可选的构件(或者模块)。另外,补充模型22可包括热吸收/排出模型24、控制模型26、涡轮机模型28和外部参数模型30中的一个或多个,它们都可为蒸汽涡轮性能测试系统16中的可选的构件(或者,模块)。备选地,神经网络18、动态蒸汽涡轮热力学模型20、动态蒸汽涡轮热力学模型22、热吸收/排出模型24、控制模型26、涡轮机模型28、外部参数模型30、网络测试器32、当前性能计算器34和预测性能计算器36可为可执行本文描述的功能的外部系统的一部分。
继续参照图2且还参照图3,示出了表示蒸汽涡轮性能测试的方法的实施例的流程图。在工艺S1处,蒸汽涡轮性能测试系统16可从蒸汽涡轮14的至少一个运行循环收集初步数据。初步数据可包括压力度量(例如蒸汽进入压力、冷凝器压力和抽取压力)、温度度量(例如蒸汽进入温度、冷凝器温度和抽取压力)、机械度量(例如,速度、振动水平和接近性)和推算/计算度量(例如流量、功率和频率)。本领域技术人员将认识到,这些示例中的各个不是详尽的,并且在本发明的实践中可使用关于蒸汽涡轮14的运行的其它数据。在工艺S2处,蒸汽涡轮性能测试系统16根据初步数据、使用动态蒸汽涡轮热力学模型20产生神经网络18。该产生可由补充模型22补充,并且可包括热吸收/排出模型24、控制模型26、涡轮机模型28和外部参数模型30中的至少一个。本领域技术人员将认可神经网络18作为用于对性能(在此情况下,蒸汽涡轮14的性能)进行建模的成分。神经网络18在本领域中是熟知的。神经网络18可包括任何已知或将开发的神经网络18。
动态蒸汽涡轮热力学模型20使用包括进入和离开蒸汽涡轮14的蒸汽的焓、熵和压力、体积和密度的参数来对蒸汽涡轮14的功率发生进行建模。动态蒸汽涡轮热力学模型20可包括柔性蒸汽涡轮热力学模型和/或过渡蒸汽涡轮热力学模型。例如,通过修改包括例如级效率、区段效率、压力变化、温度变化和机械损失的参数,柔性蒸汽涡轮热力学模型可允许改变蒸汽涡轮14的热力学定义。过渡蒸汽涡轮热力学模型可包括柔性蒸汽涡轮热力学模型的要素,并且可进一步允许过渡蒸汽涡轮热力学模型的状态响应于例如控制系统反应时间、热排出或吸入特性、不平衡力矩和体积/歧管动态特性而有时间依赖性变化。
柔性蒸汽涡轮热力学模型20的输入可包括流体属性、蒸汽属性、压力、温度、流量、速度和功率。柔性蒸汽涡轮热力学模型的输出可包括内部计算参数,这包括效率、级功率、中间级温度和压力。本领域技术人员将容易认识到柔性蒸汽涡轮热力学模型的额外的输入和输出。
过渡蒸汽涡轮热力学模型的输入可包括流体属性、蒸汽属性、压力、温度、流量、速度、加速度和功率。过渡蒸汽涡轮热力学模型的输出可包括内部计算参数,这包括效率、级功率、中间级温度和压力、能量传递量和热传递量。本领域技术人员将容易地认识到过渡蒸汽涡轮热力学模型的额外的输入和输出。
热吸收排出模型24对蒸汽涡轮14中的热增益和热损失进行建模,例如,在蒸汽涡轮14冷却时减少的热和在蒸汽涡轮14加热时增加的热中的至少一个的热量。热吸收排出模型24的输入可包括流体属性、蒸汽属性、流径温度、金属温度、流量、材料、材料质量、传导系数、对流系数和辐射系数。热吸收排出模型24的输出可包括热传递速率和金属温度变化。本领域技术人员将容易地认识到蒸汽涡轮14中的热增益和热损失的额外的度量。
控制模型26对蒸汽涡轮14的至少一种控制进行建模。控制模型26的输入可包括时间、速度、加速度、压力、温度、流量和功率输出。控制模型26的输出可包括阀位置和燃料调节修改量。本领域技术人员将容易认识到蒸汽涡轮14的额外的控制。
涡轮机模型28使用包括叶片入射角度、叶片出射角度、叶片速度、蒸汽入射角度、蒸汽出射角度、蒸汽入射速度、蒸汽出射速度的参数对蒸汽涡轮14的至少一个动态矢量进行模型。涡轮机模型28的输入可包括流体属性、蒸汽属性、压力、温度、涡轮构件模型、涡轮构件图、流量、速度、加速度和功率。涡轮机模型28的输出可包括更新后的效率和调节后的效率。本领域技术人员将容易认识到蒸汽涡轮14的额外的控制。
外部参数模型30对蒸汽涡轮14的至少一个外部运行参数建模。外部参数模型30的输入可包括流体属性、蒸汽属性、环境状况、蒸汽涡轮参数和装置运行信息。外部参数模型30的输出可包括控制参数、温度、压力和流量。本领域技术人员将容易认识到蒸汽涡轮14的额外的控制。
在工艺S3处,网络测试器32用测试数据测试神经网络18。测试数据可包括压力数据(例如蒸汽进入压力、冷凝器压力和抽取压力)、温度数据(例如蒸汽进入温度、冷凝器温度和抽取压力)、机械数据(例如,速度、振动水平和接近性)和推算/计算数据(例如流量、功率和频率)。为了测试神经网络18,测试数据可预先设定。本领域技术人员将认识到,这些示例中的各个不是详尽的,并且可使用关于蒸汽涡轮14的运行的其它数据。
在工艺S4处,蒸汽涡轮性能测试系统16收集蒸汽涡轮14的运行数据。可在蒸汽涡轮14操作性地部署(例如交付给客户)之后收集蒸汽涡轮14的运行数据。运行数据可包括压力度量(例如蒸汽进入压力、冷凝器压力和抽取压力)、温度度量(例如蒸汽进入温度、冷凝器温度和抽取压力)、机械度量(例如,速度、振动水平和接近性)和推算/计算度量(例如流量、功率和频率)。本领域技术人员将认识到这些示例中的各个不是详尽的,并且可使用关于蒸汽涡轮14的运行的其它数据。
在工艺S5处,当前性能计算器32计算蒸汽涡轮14的当前性能。当前性能根据运行数据来计算。当前性能包括燃料流量输入、功率输出、效率、热率等。本领域技术人员将容易地认识到,可根据运行数据计算蒸汽涡轮14的当前性能的额外的指标。
在工艺S6处,预测性能计算器34根据当前性能计算蒸汽涡轮14的预测性能。除了当前性能之外,预测性能计算可还包括调节任何运行变量,以预测蒸汽涡轮14的性能。包括调节后的运行变量可导致确定优化性能设置、在应力状况下的预测性能或其它相关预测情形。保证点可为客户合同上确定的蒸汽涡轮14的性能水平。预测性能可以保证点为基础。
使用者38和/或控制系统40可接收计算蒸汽涡轮14的当前性能和预测性能得到的结果。使用者38和/或控制系统40可响应于接收结果而与计算机系统100和/或蒸汽涡轮14交互。
显示计算机系统100与使用者38通信。使用者38可为例如程序员或操作员。另外,显示计算机系统100与控制系统40通信。控制系统40可为例如蒸汽涡轮14的计算机化控制系统。显示计算机系统100包括处理构件106(例如,一个或多个处理器)、数据库104、存储器102,输入/输出(I/O)构件108(例如,一个或多个I/O接口和/或装置)和通信路径110。在一个实施例中,处理构件106执行至少部分地包含在存储器102中的程序代码,诸如蒸汽涡轮性能测试系统16。在执行程序代码时,处理构件106可处理数据,这可导致对数据库104、存储器102和/或/构件108进行读和/或写数据,以进一步处理。通信路径110在计算机系统100中的各个构件之间提供通信链路。I/O构件108可包括使得使用者38和/或控制系统40能够与计算机系统100交互的一个或多个人机I/O装置或存储装置,和/或使得使用者38和/或控制系统40能够使用任何类型的通信链路与计算机系统100通信的一个或多个通信装置。在这方面,蒸汽涡轮性能测试系统16可管理使得人类和/或系统能够与蒸汽涡轮性能测试系统16交互的一组接口(例如,图形用户界面(一个或多个)、应用程序接口等)。
计算机系统100可包括能够执行安装在其上的程序代码的一个或多个通用计算工业产品(例如,计算装置)。如本文使用,要理解“程序代码”表示以任何语言、代码或符号编写的任何指令集合,该指令集合使具有信息处理能力的计算装置能够直接或在下者的任何组合之后执行特定功能:(a)转换成另一种语言、代码或符号;(b)以不同的材料形式复制;和/或(c)解压。在这方面,蒸汽涡轮性能测试系统16可实现为系统软件和/或应用软件的任何组合。在任何情况下,蒸汽涡轮性能测试系统16的技术效果是测试蒸汽涡轮14的性能。
另外,蒸汽涡轮性能测试系统16可使用一组模块112实现。在此情况下,模块112可使得计算机系统100能够执行由蒸汽涡轮性能测试系统16使用的一组任务,并且可与蒸汽涡轮性能测试系统16的其它部分分开来开发和/或实现。蒸汽涡轮性能测试系统16可包括模块112,模块112包括专用机器/硬件和/或软件。尽管如此,要理解,两个或更多个模块和/或系统可共用它们相应的硬件和/或软件中的一些/全部。另外,要理解,可不实现本文论述的功能性中的一些,或者可包括额外的功能性作为计算机系统100的一部分。
当计算机系统100包括多个计算装置时,各个计算装置可使蒸汽涡轮性能测试系统16的仅一部分(例如,一个或多个模块112)包含在其上。但是,要理解,计算机系统100和蒸汽涡轮性能测试系统16仅仅表示可执行本文描述的工艺的各种可行的等效计算机系统。在这方面,在其它实施例中,计算机系统100和蒸汽涡轮性能测试系统16提供的功能性能至少部分地由包括具有或不具有程序代码的通用和/或专用硬件的任何组合的一个或多个计算装置实现。在各个实施例中,硬件和程序代码(如果包括的话)可相应地使用标准的工程和编程技术来产生。
尽管如此,当计算机系统100包括多个计算装置时,计算装置可在任何类型的通信链路上通信。另外,在执行本文描述的工艺时,计算机系统100可使用任何类型通信链路与一个或多个其它计算机系统通信。在任一种情况下,通信链路可包括各种类型的有线和/或无线链路的任何组合;包括一个或多个类型网络的任何组合;和/或使用各种类型的传输技术和协议的任何组合。
如本文论述,蒸汽涡轮性能测试系统16使得计算机系统100能够测试蒸汽涡轮14的性能。蒸汽涡轮性能测试系统16可包括可包括以下功能的逻辑:产生、测试、收集和计算。在一个实施例中,蒸汽涡轮性能测试系统16可包括执行本文叙述的功能的逻辑。在结构上,逻辑可采取多种形式中的任一种,诸如现场可编程门阵列(FPGA)、微处理器、数字信号处理器、专用集成电路(ASIC)或能够执行本文描述的功能的任何其它特定用途机器结构。逻辑可采取多种形式中的任一个,诸如软件和/或硬件。但是,为了说明的目的,蒸汽涡轮性能测试系统16和包括在其中的逻辑将在本文描述成专用机器。如根据描述将理解的那样,虽然逻辑示出为包括上面叙述的功能中的各个,但是根据所附权利要求中陈述的本发明的教导,并非所有的功能都是必要的。
在一个实施例中,本发明提供包含在至少一个计算机可读存储介质中的计算机程序,当执行时,计算机程序使得计算机系统(例如,计算机系统100)能够测试蒸汽涡轮14的性能。在这方面,计算机可读存储介质包括实现本文描述的工艺中的一些或全部的程序代码,诸如蒸汽涡轮性能测试系统16。要理解,用语“计算机可读存储介质”包括能够包含程序代码的副本的任何类型的有形表达介质中的一个或多个(例如,物理装置)。例如,计算机可读存储介质可包括:一个或多个便携式存储工业制品;计算装置的一个或多个存储/贮存构件;纸等等。计算机可读存储介质可为例如(但不限于)电子、磁性、光学、电磁、红外或半导体系统、设备或装置,或前述内容的任何适当的组合。计算机可读存储介质的更具体的示例(非详尽性列表)将包括下者:具有一个或多个导线的电连接件、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存存储器)、便携式紧凑光盘只读存储器(CD-ROM)、光学存储装置、磁性存储装置或前述内容的任何适当的组合。在这个文档的背景下,计算机可读存储介质可为可包含或存储由指令执行系统、设备或装置使用或结合指令执行系统、设备或装置来使用的程序的任何有形介质。
在另一个实施例中,本发明提供一种提供实现本文描述的工艺中的一些或全部的程序代码(诸如蒸汽涡轮性能测试系统16)的副本的方法。在此情况下,计算机系统可产生和传输在第二不同位置处接收的数据信号集,该数据信号集使其特性中的一个或多个设定和/或改变成以便将程序代码的副本编码在该数据信号集中。类似地,本发明的实施例提供一种方法,该方法获取实现本文描述的工艺的一些或全部的程序代码的副本,这包括接收本文描述的数据信号集的计算机系统,并且该方法将该数据信号集转变成包含在至少一个计算机可读介质中的计算机程序。在任一种情况下,数据信号集可使用任何类型通信链路来传输/接收。
在又一个实施例中,本发明提供一种产生系统来测试蒸汽涡轮14的性能的方法。在此情况下,可获得(例如,产生、保持、实现等)计算机系统,诸如计算机系统100,并且可获得(例如,产生、购买、使用、修改等)用于执行本文描述的工艺的一个或多个模块,并将这些模块部署到计算机系统上。在这方面,部署可包括下者中的一个或多个:(1)从计算机可读介质将程序代码安装在计算装置上;(2)对计算机系统添加一个或多个计算和/或I/O装置;以及(3)结合和/或修改计算机系统,以使得其能够执行本文描述的工艺。
本文所用的用语仅是为了描述特定实施例,并且不意图限制本公开。如本文所用,单数形式“一个”、“一种”和“该”意图也包括复数形式,除非上下文清楚地另有说明。将进一步理解,当在本说明书中使用时,用语“包括”和/或“包含”指定了存在所陈述的特征、整数、工艺、运行、元件和/或构件,但是不排除存在或增加一个或多个其它特征、整数、工艺、运行、元件、构件和/或它们的组合。
本书面描述使用示例来公开本发明,包括最佳模式,并且还使本领域任何技术人员能够实践本发明,包括制造和使用任何装置或系统,以及实行任何结合的方法。本发明的可取得专利的范围由权利要求限定,并且可包括本领域技术人员想到的其它示例。如果这样的其它示例具有不异于权利要求的字面语言的结构要素,或者如果它们包括与权利要求的字面语言无实质性差异的等效结构要素,则它们意于处在权利要求的范围之内。

Claims (20)

1. 一种蒸汽涡轮性能测试系统,包括:
至少一个计算机硬件装置,其包括:
  使用动态蒸汽涡轮热力学模型和从蒸汽涡轮收集的初步数据产生的神经网络;
  用于用测试数据测试所述神经网络的网络测试器;
  用于根据所述蒸汽涡轮的运行数据计算所述蒸汽涡轮的当前性能的当前性能计算器;以及
  根据所述当前性能计算所述蒸汽涡轮的预测性能的预测性能计算器。
2. 根据权利要求1所述的系统,其特征在于,所述预测性能以保证点为基础。
3. 根据权利要求1所述的系统,其特征在于,所述动态蒸汽涡轮热力学模型包括补充模型。
4. 根据权利要求3所述的系统,其特征在于,所述补充模型包括热吸收排出模型、控制模型、涡轮机模型和外部参数模型中的至少一个。
5. 根据权利要求4所述的系统,其特征在于,所述外部参数模型对所述蒸汽涡轮的至少一个外部运行参数进行建模。
6. 根据权利要求4所述的系统,其特征在于,所述涡轮机模型对所述蒸汽涡轮的至少一个动态矢量进行建模。
7. 根据权利要求4所述的系统,其特征在于,所述控制模型对所述蒸汽涡轮的至少一种控制进行建模。
8. 根据权利要求4所述的系统,其特征在于,所述热吸收排出模型对所述蒸汽涡轮中的热增益和热损失进行建模。
9. 根据权利要求4所述的系统,其特征在于,所述动态蒸汽涡轮热力学模型对所述蒸汽涡轮的功率发生进行建模。
10. 一种方法,包括:
使用计算机硬件装置来从蒸汽涡轮的至少一个运行循环收集初步数据;
使用所述计算机硬件装置来根据收集的初步数据、使用动态蒸汽涡轮热力学模型产生神经网络;
使用所述计算机硬件装置来用一组测试数据测试所述神经网络;
使用所述计算机硬件装置来从所述蒸汽涡轮收集运行数据;以及
在所述神经网络上使用所述动态蒸汽涡轮热力学模型,以便:
  使用所述计算机硬件装置来计算所述蒸汽涡轮的当前性能;以及
  使用所述计算机硬件装置来计算所述蒸汽涡轮的预测性能。
11. 根据权利要求10所述的方法,其特征在于,所述预测性能以保证点为基础。
12. 根据权利要求10所述的方法,其特征在于,所述动态蒸汽涡轮热力学模型包括补充模型。
13. 根据权利要求12所述的方法,其特征在于,所述补充模型包括热吸收排出模型、控制模型、涡轮机模型和外部参数模型中的至少一个。
14. 根据权利要求13所述的方法,其特征在于,所述外部参数模型对所述蒸汽涡轮的至少一个外部运行参数进行建模。
15. 根据权利要求13所述的方法,其特征在于,所述涡轮机模型对所述蒸汽涡轮的至少一个动态矢量进行建模。
16. 根据权利要求13所述的方法,其特征在于,所述控制模型度量所述蒸汽涡轮的至少一种控制。
17. 根据权利要求13所述的方法,其特征在于,所述热吸收排出模型对所述蒸汽涡轮中的热增益和热损失进行建模。
18. 根据权利要求11所述的方法,其特征在于,所述动态蒸汽涡轮热力学模型度量所述蒸汽涡轮的功率发生。
19. 一种计算机程序产品,包括包含在至少一个计算机可读存储介质中的程序代码,当执行时,所述程序代码使得计算机系统能够实现一种方法,所述方法包括:
从蒸汽涡轮的至少一个运行循环收集初步数据;
根据收集的初步数据、使用动态蒸汽涡轮热力学模型产生神经网络;
用一组测试数据测试所述神经网络;
从所述蒸汽涡轮收集运行数据;以及
在所述神经网络上所述动态蒸汽涡轮热力学模型,以便:
  计算所述蒸汽涡轮的当前性能;以及
  计算所述蒸汽涡轮的预测性能。
20. 根据权利要求19所述的方法,其特征在于,所述预测性能以保证点为基础。
CN2013100474906A 2012-02-06 2013-02-06 蒸汽涡轮性能测试 Pending CN103245507A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/366,481 US8903753B2 (en) 2012-02-06 2012-02-06 Steam turbine performance testing
US13/366,481 2012-02-06

Publications (1)

Publication Number Publication Date
CN103245507A true CN103245507A (zh) 2013-08-14

Family

ID=47665956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013100474906A Pending CN103245507A (zh) 2012-02-06 2013-02-06 蒸汽涡轮性能测试

Country Status (5)

Country Link
US (1) US8903753B2 (zh)
EP (1) EP2623733A1 (zh)
JP (1) JP2013161480A (zh)
CN (1) CN103245507A (zh)
RU (1) RU2621422C2 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10107204B2 (en) 2013-03-15 2018-10-23 United Technologies Corporation Compact aero-thermo model base point linear system based state estimator
US10260377B2 (en) * 2017-02-03 2019-04-16 Woodward, Inc. Generating steam turbine performance maps
CN112444396B (zh) * 2020-11-11 2022-08-23 西安热工研究院有限公司 性能试验与全面变工况计算相结合的汽轮机滑压优化方法
CN112364525B (zh) * 2020-11-27 2023-09-12 广东能源集团科学技术研究院有限公司 一种汽轮机热耗计算程序自动生成方法及系统
KR102601898B1 (ko) * 2020-12-21 2023-11-14 한국전력공사 터빈 제어 검증 시스템, 및 터빈 제어 검증 장치

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2031765C (en) * 1989-12-08 1996-02-20 Masahide Nomura Method and system for performing control conforming with characteristics of controlled system
JP3703117B2 (ja) 1996-07-10 2005-10-05 ヤマハ発動機株式会社 モデルベース制御方法および装置
JPH10122017A (ja) 1996-10-14 1998-05-12 Yamaha Motor Co Ltd エンジン制御方式
US5832421A (en) * 1996-12-13 1998-11-03 Siemens Corporate Research, Inc. Method for blade temperature estimation in a steam turbine
US20040019393A1 (en) 2002-07-25 2004-01-29 Eileen Heider System and method for model base control
US7219040B2 (en) 2002-11-05 2007-05-15 General Electric Company Method and system for model based control of heavy duty gas turbine
US6823675B2 (en) 2002-11-13 2004-11-30 General Electric Company Adaptive model-based control systems and methods for controlling a gas turbine
US20050193739A1 (en) 2004-03-02 2005-09-08 General Electric Company Model-based control systems and methods for gas turbine engines
EP1724528A1 (de) * 2005-05-13 2006-11-22 Siemens Aktiengesellschaft Verfahren und Vorrichtung zum Regeln der Fahrlinie einer Gasturbinenbrennkammer
US8065022B2 (en) * 2005-09-06 2011-11-22 General Electric Company Methods and systems for neural network modeling of turbine components
US7742904B2 (en) 2005-09-27 2010-06-22 General Electric Company Method and system for gas turbine engine simulation using adaptive Kalman filter
US7853392B2 (en) 2007-01-26 2010-12-14 General Electric Company Systems and methods for initializing dynamic model states using a Kalman filter
US8627664B2 (en) 2009-10-15 2014-01-14 Brightsource Industries (Israel), Ltd. Method and system for operating a solar steam system
US20110100004A1 (en) 2009-10-30 2011-05-05 Wael Faisal Al-Mazeedi Adaptive control of a concentrated solar power-enabled power plant
CN102135021B (zh) 2011-02-25 2013-12-25 华东理工大学 一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法
US8996334B2 (en) 2011-03-02 2015-03-31 General Electric Company Method and system for analysis of turbomachinery

Also Published As

Publication number Publication date
US8903753B2 (en) 2014-12-02
RU2013104504A (ru) 2014-08-10
JP2013161480A (ja) 2013-08-19
US20130204816A1 (en) 2013-08-08
RU2621422C2 (ru) 2017-06-06
EP2623733A1 (en) 2013-08-07

Similar Documents

Publication Publication Date Title
Tsoutsanis et al. Transient gas turbine performance diagnostics through nonlinear adaptation of compressor and turbine maps
Asgari et al. Artificial neural network–based system identification for a single-shaft gas turbine
Wang et al. A review of evaluation, optimization and synthesis of energy systems: methodology and application to thermal power plants
Son et al. Development of supercritical CO2 turbomachinery off-design model using 1D mean-line method and Deep Neural Network
CN103245507A (zh) 蒸汽涡轮性能测试
Yan et al. Dynamic modeling and simulation of a solar direct steam‐generating system
Henke et al. Introduction of a new numerical simulation tool to analyze micro gas turbine cycle dynamics
Ho et al. Incorporating uncertainty into probabilistic performance models of concentrating solar power plants
Strušnik Integration of machine learning to increase steam turbine condenser vacuum and efficiency through gasket resealing and higher heat extraction into the atmosphere
Kavvadias et al. Integrated modelling of future EU power and heat systems-The Dispa-SET v2. 2 open-source model
Mokheimer et al. Performance analysis of integrated solar tower with a conventional heat and power co-generation plant
Groniewsky Exergoeconomic optimization of a thermal power plant using particle swarm optimization
Duarte-Forero et al. Comparative analysis of intelligence optimization algorithms in the thermo-economic performance of an energy recovery system based on organic rankine cycle
Kim et al. Nonlinear multiobjective and dynamic real‐time predictive optimization for optimal operation of baseload power plants under variable renewable energy
Lazzaretto et al. Thermodynamic optimization of the HAT cycle plant structure—Part I: Optimization of the “basic plant configuration”
Ulucak et al. Developing and implementation of an optimization technique for solar chimney power plant with machine learning
Chen et al. A compressor off-line washing schedule optimization method with a LSTM deep learning model predicting the fouling trend
Guan et al. Multidimensional analysis and performance prediction of heavy-duty gas turbine based on actual operational data
Boksteen et al. Bayesian calibration of power plant models for accurate performance prediction
Deng et al. Implementation of Adaptive Neuro‐fuzzy Model to Optimize Operational Process of Multiconfiguration Gas‐Turbines
Gaitanis et al. Towards real time transient mGT performance assessment: Effective prediction using accurate component modelling techniques
Wankhede et al. Prediction of power of a combine gas and steam turbine using artificial neural network
Zhou et al. A review on the progress, challenges and prospects in the modeling, simulation, control and diagnosis of thermodynamic systems
Kluba et al. APR1400 Secondary Cycle Modeling Integrated with Thermal Energy Storage Using OpenModelica
Undrill et al. Relating the Microcosm Simulations to Full-Scale Grid Simulations

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C05 Deemed withdrawal (patent law before 1993)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130814