CN110928248B - 一种确定燃气轮机性能劣化程度的方法 - Google Patents
一种确定燃气轮机性能劣化程度的方法 Download PDFInfo
- Publication number
- CN110928248B CN110928248B CN201811096020.8A CN201811096020A CN110928248B CN 110928248 B CN110928248 B CN 110928248B CN 201811096020 A CN201811096020 A CN 201811096020A CN 110928248 B CN110928248 B CN 110928248B
- Authority
- CN
- China
- Prior art keywords
- performance
- gas turbine
- unit
- compressor
- degradation
- 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.)
- Active
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 42
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005406 washing Methods 0.000 claims abstract description 27
- 238000000611 regression analysis Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 230000001419 dependent effect Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010977 unit operation Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000011056 performance test Methods 0.000 abstract description 4
- 230000006866 deterioration Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 81
- 238000012549 training Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000002485 combustion reaction Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 230000002238 attenuated effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种确定燃气轮机性能劣化程度的方法，该方法包括：(1)采集燃气轮机连续两次离线水洗周期内的运行数据，并进行多元非线性回归分析建立压气机离线水洗后燃气轮机性能劣化预测模型；(2)基于燃气轮机性能劣化预测模型得到燃气轮机任意工况下因叶片积垢导致的机组性能指标随时间的劣化趋势，通过将机组清洁工况下的性能与脏污工况下的性能进行对比，定量得到机组性能的劣化程度。与现有技术相比，本发明具有模型便捷、方法灵活等特点，避免了性能试验所需要的大量人工和设备费用，并且可用于机组的实时性能状态监测等优点。
Description
技术领域
本发明涉及燃气轮机性能劣化检测技术，尤其是涉及一种基于多元非线性回归分析的确定燃气轮机性能劣化程度的方法。
背景技术
燃气轮机的大力发展，其运行安全性问题已成为不可忽视的问题，燃气轮机的运行状态监测和故障诊断是燃机发展不可或缺的一部分。压气机叶片积垢是燃气轮机运行中最常见的气路故障，在燃气轮机的整个运行寿命中，由于压气机叶片积垢导致的性能损失占全部性能损失的70％～85％。目前，在确定燃气轮机因叶片积垢导致的性能劣化程度方法方面，主要采用性能试验的方法或者机理建模的方法。
其中试验方法是通过在额定工况下对比燃气轮机功率或燃气轮机热耗率的初始值和运行一段时间后的劣化值来判定机组性能下降的程度，但是试验方法存在成本较高、并且试验条件较苛刻等问题。
而机理建模方法则存在理论求解复杂度较高、方法不够灵活等缺陷。由于燃气轮机通常以热电联产方式或作为调峰机组来运行，负荷时常处于变动之中，并且燃气轮机性能受外界环境条件影响较大，准确判断燃气轮机设备性能的下降程度存在较大难度。
经过检索，中国电机工程学报公布一篇关于“多元线性回归方法预测燃气轮机发电机组性能”的文献，为了预测燃气轮机发电机组的性能，基于大量的机组运行数据，采用多元线性回归分析方法，获得了通过燃机发电机组初始进口条件预测燃机功率和燃机效率的数学模型。以PG9171E型燃机发电机组部分历史运行数据作为训练样本，建立关于燃机性能的多元线性回归数学模型，并对模型进行验证分析。结果表明：基于多元线性回归分析方法，可以通过初始进口条件有效地预测燃机发电机组的性能；从预测结果分析来看，对于燃机功率的预测优于燃机效率，但是其存在缺陷为：1、所建立的燃机功率和燃机效率的预测模型的输入样本为2015年(1～12月份)全年的运行数据，未考虑机组因运行时间的增长而导致的性能劣化差异，同时机组在实际运行中会进行离线水洗操作，机组性能存在一定程度的恢复，模型自变量中忽略了时间项因素；2、所建立的预测模型为线性回归模型，而通常因变量与自变量的关系为复杂的非线性关系，模型拟合精度不高；3、所建模型选取天然气进气流量作为自变量而忽略了天然气热值的变化，模型输入变量选择欠妥，导致燃机效率的预测模型精度较差；4、并未建立压气机性能指标(压气机进气流量、压气机压比和压气机效率)的预测模型，对于燃气轮机性能劣化程度未进行全面定量评估。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种确定燃气轮机性能劣化程度的方法，该方法可以定量判定燃气轮机因叶片积垢导致的性能劣化的程度，为燃气轮机的安全高效运行提供有效的监测手段。
本发明的目的可以通过以下技术方案来实现：
一种确定燃气轮机性能劣化程度的方法，该方法包括：
(1)采集燃气轮机连续两次离线水洗周期内的运行数据，并进行多元非线性回归分析建立燃气轮机性能劣化预测模型；
(2)基于燃气轮机性能劣化预测模型得到燃气轮机任意工况下因叶片积垢导致的机组性能指标随时间的劣化趋势，通过将机组清洁工况下的性能与脏污工况下的性能进行对比，定量得到机组性能的劣化程度。
优选地，所述的步骤(1)中的运行数据以采样周期T取自机组DCS或SIS系统，采集的数据首先经过数据筛选并剔除异常数据，作为模型的输入样本数据。
优选地，所述的步骤(1)中的燃气轮机性能预测模型的自变量包括环境温度、大气压力、相对湿度、压气机进口可转导叶角度IGV(inlet guide vanes)和离线水洗后运行小时数这五个参量；因变量包括压气机进口空气流量、压气机压比、压气机效率和燃气轮机功率这四个参量。
优选地，所述的步骤(1)中的燃气轮机性能预测模型的表达式为：
其中a0为常数项；br、cs、dt、eu、fv分别为各自变量的拟合系数；Ta为环境温度，℃；pa为大气压力，kPa；Ra为相对湿度，％；DIGV为IGV角度，°；t为离线水洗后机组运行小时数，h；r、s、t、u、v表示拟合系数的阶次；Y表示各因变量。
优选地，所述的拟合系数的阶次≤2，即可保证模型有较高的拟合精度，对于阶次＞2的情形，经过算例测试表明：除增加表达式的复杂度之外，对于模型的拟合精度而言没有显著提升效果。
优选地，所述的步骤(2)中的机组清洁工况下的性能为指离线水洗后运行小时数t＝0时刻的性能。
优选地，所述的步骤(2)中的机组脏污工况下的性能指离线水洗后运行小时数t＞0时刻的性能。
优选地，所述的任意工况下因叶片积垢导致的机组性能指标随时间的劣化趋势，可取燃气轮机IGV角度全开，ISO工况的性能。
通过上述技术方案，本发明通过采集燃气轮机连续两次离线水洗周期内的主要运行参数，分别建立压气机进气流量、压气机压比、压气机效率和燃气轮机功率关于环境温度、大气压力、相对湿度、IGV角度和离线水洗后运行小时数的多元非线性回归模型，进而得到燃气轮机IGV角度全开、ISO工况下的性能随运行时间的关系，通过将清洁工况与脏污工况的性能指标进行对比，定量诊断机组性能的衰退程度，为机组的经济性分析和运行维护提供有效的参考，其中ISO工况是指环境温度15℃、大气压力0.101325MPa、大气相对湿度60％。
与现有技术相比，本发明具有以下优点：
1、基于历史运行数据的回归分析方法建立燃气轮机离线水洗后的性能衰退预测模型，既体现大量实际情况的统计规律，又隐含一定物理背景，能够精确地预测机组主要性能指标的劣化程度。
2、该方法与传统性能试验方法相比，方法灵活，避免了性能试验所需要的大量人工和设备费用，能够显著降低成本，并且可用于机组的实时性能状态监测。
3、该方法与机理建模方法相比，在保证模型计算精度的前提下，避免了机理建模方法的模型复杂度较高等缺陷。
4、该方法考虑了燃气轮机因运行条件(包括负荷、环境以及设备老化等因素)差异导致的性能衰退趋势的不同，对于不同制造厂商的燃气轮机设备，该性能劣化判定方法同样适用。
附图说明
图1为本发明一种确定燃气轮机性能劣化程度的方法的流程图；
图2为压气机进气流量、压气机压比和压气机效率关于环境温度、大气压力、相对湿度、IGV角度和离线水洗后运行小时数的Pearson相关性分布图；
图3为燃气轮机功率关于环境温度、大气压力、相对湿度、IGV角度和离线水洗后运行小时数的Pearson相关性分布图；
图4为预测样本中压气机进气流量实际值与预测值的对比图；
图5为预测样本中压气机压比实际值与预测值的对比图；
图6为预测样本中压气机效率实际值与预测值的对比图；
图7为预测样本中燃气轮机功率实际值与预测值的对比图；
图8为ISO额定负荷工况燃气轮机主要性能指标随时间的劣化趋势图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明所述的ISO在未作特殊说明的情况下，是指国际标准，即：ISO工况是指环境温度Ta为15℃；大气压力pa为101.325kPa；相对湿度Ra为60％的工况。
图1是本发明实施方式提供的一种确定燃气轮机性能劣化程度的方法的流程图，包括如下步骤：
(1)步骤S101：采集机组连续两次离线水洗间隔内的机组运行数据，所采集运行数据包括环境温度、大气压力、相对湿度、IGV角度、燃烧小时数、压气机进气流量、压气机压比、压气机进口空气温度、压气机出口空气温度、燃气轮机功率；
(2)步骤S102：对步骤S101中的数据进行初步筛选，剔除异常数据；
(3)步骤S103：剔除异常数据后的数据作为模型的输入样本数据；
(4)步骤S104：按式(1)计算压气机效率；
式中：ηc为压气机效率，％；πc为压气机压比；ra为空气的比热比；T2为压气机出口空气温度，K；T1为压气机进口空气温度，K。
(5)步骤S105：分别对因变量压气机进气流量、压气机压比、压气机效率和燃气轮机功率与自变量环境温度、大气压力、相对湿度、IGV角度和离线水洗后运行小时数进行相关性分析；
(6)步骤S106：基于最小二乘拟合原理分别建立各因变量压气机进气流量、压气机压比、压气机效率和燃气轮机功率与自变量环境温度、大气压力、相对湿度、IGV角度和离线水洗后运行小时数的多元非线性回归模型，模型通常可用如式(2)所示的多项式函数关系表达。
(7)步骤S107：将机组ISO额定负荷工况的保证参数代入表达式(2)中，得到燃气轮机ISO额定负荷工况性能随时间的劣化趋势。
以某PG9351FA型燃气轮机为研究对象，该燃气轮机压气机为18级轴流式压气机，压比为15.4，压气机进气流量为623.7kg/s，ISO工况燃气轮机出力为253.830MW，机组已累计运行70000多小时。选取机组连续两次离线水洗期间内的运行数据作为分析样本，水洗时间分别为2015年10月11日和2016年2月18日，采样周期为5min，经过数据筛选、剔除异常数据以及初步计算后，共获得31637个时刻的运行数据，如表1所示，表1为PG9351FA型燃气轮机连续两次离线水洗期间内机组运行数据。
表1
图2为压气机性能参数关于各影响因素的Pearson相关性分布。可见，环境温度、相对湿度对压气机进气流量和压比的影响均为负相关；大气压力、IGV角度、离线水洗后运行小时数对压气机进气流量和压比的影响均为正相关。在压气机进气流量和压比的影响因素中，IGV角度、环境温度和运行小时数的影响权重较大。在压气机效率的影响因素中，环境温度、运行小时数和大气压力为主要因素，相对湿度和IGV角度次之。
图3为燃气轮机功率关于各影响因素的Pearson相关性分布。可见，燃机功率与环境温度、大气压力、相对湿度、IGV角度和运行小时数的相关系数依次为-0.45、0.17、-0.25、0.91和0.44，因此分别属于中等程度相关、极弱相关、弱相关、高度相关和中等程度相关。
压气机叶片积垢对燃气轮机性能劣化影响模型的建立较理想的方法是运用综合规律法，即通过大量部件特性的统计归纳和理论分析找出相应特性的回归函数式，既体现大量实际情况的统计规律，又隐含一定物理背景。据多元函数的最小二乘拟合原理，当已知离散数据为：
(x1j,x2j,...,x5j；f(x1j,x2j,...,x5j)),j＝0,1,...,m (3)
可以进行如下函数的拟合：
使得
取表1中数据序号为1～30637的运行数据为训练样本，后1000组数据为预测样本，进行多元非线性回归建模，得到的拟合系数如表2所示，表2为离线水洗后燃气轮机性能劣化模型系数。
表2
压气机进气流量的多元非线性回归方程如下：
对于获得的多元非线性回归方程，一般还要进行拟合优度的检验。在统计学中，一般通过R2来评价两者之间的吻合程度，其值越接近于1，表明回归方程的拟合度越高。对式(6)进行拟合优度检验，可得R2＝0.992，说明上述回归方程与运行数据吻合较好，证明该模型具有较好的拟合效果。
图4为将压气机进气流量预测模型用于预测样本进行模型测试得到的预测值与实际值的对比曲线。由图可知，压气机进气流量实际值与模型计算结果具有相同的变化趋势，预测值和实际值吻合度较好。表3列出了训练样本和预测样本中实际值和预测值的相对误差分布情况。可以看出，训练样本中误差小于1％的数据量占比高达97.14％，表明模型拟合精度很高；对于预测样本，模型同样表现出较高的拟合精度和泛化性，其中相对误差在1％以内的数据占比为99.7％，整体平均相对误差为0.23％，说明了该模型具有较好的预测性，其中表3为压气机进气流量训练样本和预测样本预测值和实际值误差分布。
表3
压气机压比多元非线性回归方程如下：
对式(7)进行拟合优度检验，可得R2＝0.993，说明上述回归方程与运行数据吻合较好，证明该模型具有较好的拟合作用。
图5为应用压气机压比预测模型对预测样本进行测试的实际值和预测值的对比曲线。由图可知，预测值和实际值吻合度较好。表4列出了训练样本和预测样本中实际值和预测值的相对误差分布情况。可见，训练样本中误差小于1％的数据量占总数据量的98.26％，误差介于1％和2％之间的数据量占总数据量的1.74％，表明模型拟合精度很高；对于预测样本，相对误差均在1％以内，整体平均相对误差为0.19％，说明了该模型具有很好的预测性，其中表4为压气机压比训练样本和预测样本预测值和实际值误差分布。
表4
压气机效率多元非线性回归方程如下：
对式(8)进行拟合优度检验，可得R2＝0.913，说明上述回归方程与运行数据吻合较好，证明该模型具有较好的拟合作用。
图6为应用压气机效率预测模型对预测样本进行测试的预测值和实际值的对比曲线。由图可知，预测值和实际值吻合度较好，但压气机效率拟合精度不及压气机进气流量和压气机压比，分析造成该现象的原因，主要有两点：一是采用实时DCS数据，由于数据样本中包含了非稳态信息，对建模精度存在一定影响，二是压气机效率计算中的空气比热比受温度的影响较大，在变工况中不再是常数。表5列出了训练样本和预测样本中实际值和预测值的相对误差分布情况。可见，训练样本中误差小于1％的数据量占总数据量的98.42％，误差介于1％和2％之间的数据量占总数据量的1.58％，表明模型具有较好的拟合精度；对于预测样本，误差在1％以内的数据占比高达99.3％，整体平均相对误差为0.36％，说明了该模型具有较好的预测性，其中表5为压气机效率训练样本和预测样本预测值和实际值误差分布。
表5
燃气轮机功率多元非线性回归方程如下：
对式(9)进行拟合优度检验，可得R2＝0.988，说明上述回归方程与运行数据吻合较好，证明该模型具有较好的拟合作用。
图7为应用燃气轮机功率预测模型对预测样本进行测试的实际值和预测值的对比曲线图。由图可知，实际运行数据与模型计算结果具有相同的变化趋势，预测值和实际值吻合度较好。表6列出了训练样本和预测样本中实际值和预测值的相对误差分布情况。可见，训练样本中误差小于1％的数据量占总数据量的84.12％，误差介于1％和2％之间的数据量占总数据量的15.66％，表明模型拟合精度较高；对于预测样本，模型同样表现出较高的拟合精度和泛化性，其中误差小于1％的数据样本占比为97.4％，误差介于1％和2％之间的为2.6％，整体平均相对误差为0.33％，说明了该模型具有很好的预测性，其中表6为燃气轮机功率训练样本和预测样本预测值和实际值误差分布。
表6
燃气轮机每次离线水洗后，都将有一定程度的性能恢复，随着机组运行时间的增长，机组性能又将逐渐劣化。将每次离线水洗后燃气轮机初始时刻的性能定义为清洁工况yclean，将机组离线水洗后t时刻机组的性能定义为劣化工况ydirty，则机组的劣化程度可表示为时间t的函数，如式(10)所示。
式中：Δy为燃气轮机性能劣化百分比，％；
对于PG9351FA型燃气轮机，其ISO工况的性能保证参数为：环境温度Ta＝15℃、大气压力pa＝101.325kPa、相对湿度Ra＝60％、IGV角度DIGV＝84°。
图8给出了燃气轮机离线水洗后性能劣化趋势。从图中可以看出，压气机进气流量、压比、压气机效率和燃气轮机功率随着运行小时的增长，其性能将逐渐下降，其中燃气轮机功率衰减速度最快，约为压气机进气流量衰减速度的1.7倍。在燃气轮机ISO额定负荷工况下，水洗后运行2000h时，压气机进气流量衰减3.25％，压比衰减约3.03％，压气机效率衰减约2.63％，其综合影响使得燃气轮机功率衰减约5.53％；随着机组运行小时的增长，机组性能衰减速度将逐渐变缓并趋于稳定。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种确定燃气轮机性能劣化程度的方法，其特征在于，该方法包括以下步骤：
(1)采集燃气轮机连续两次离线水洗周期内的运行数据，并进行多元非线性回归分析建立压气机离线水洗后燃气轮机性能劣化预测模型；
(2)基于燃气轮机性能劣化预测模型得到燃气轮机任意工况下因叶片积垢导致的机组性能指标随时间的劣化趋势，通过将机组清洁工况下的性能与脏污工况下的性能进行对比，定量得到机组性能的劣化程度；
所述的步骤(1)中的燃气轮机性能劣化预测模型的自变量包括环境温度、大气压力、相对湿度、压气机进口可转导叶角度IGV和离线水洗后运行小时数这五个参量；因变量包括压气机进口空气流量、压气机压比、压气机效率和燃气轮机功率这四个参量；
所述的步骤(1)中的燃气轮机性能劣化预测模型的表达式为：
其中a0为常数项；br、cs、dt、eu、fv分别为各自变量的拟合系数；Ta为环境温度，℃；pa为大气压力，kPa；Ra为相对湿度，％；DIGV为IGV角度，°；t为离线水洗后机组运行小时数，h；r、s、t、u、v表示拟合系数的阶次；Y表示各因变量。
2.根据权利要求1所述的一种确定燃气轮机性能劣化程度的方法，其特征在于，所述的步骤(1)中的运行数据以采样周期T取自机组DCS或SIS系统，采集的数据首先经过数据筛选并剔除异常数据，作为模型的输入样本数据。
3.根据权利要求1所述的一种确定燃气轮机性能劣化程度的方法，其特征在于，所述的步骤(2)中的机组清洁工况下的性能指离线水洗后运行小时数t＝0时刻的性能。
4.根据权利要求1所述的一种确定燃气轮机性能劣化程度的方法，其特征在于，所述的步骤(2)中的机组脏污工况下的性能指离线水洗后运行小时数t＞0时刻的性能。
5.根据权利要求1所述的一种确定燃气轮机性能劣化程度的方法，其特征在于，所述的任意工况下因叶片积垢导致的机组性能指标随时间的劣化趋势，取燃气轮机IGV角度全开，ISO工况的性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811096020.8A CN110928248B (zh) | 2018-09-19 | 2018-09-19 | 一种确定燃气轮机性能劣化程度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811096020.8A CN110928248B (zh) | 2018-09-19 | 2018-09-19 | 一种确定燃气轮机性能劣化程度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110928248A CN110928248A (zh) | 2020-03-27 |
| CN110928248B true CN110928248B (zh) | 2022-10-25 |
Family
ID=69856153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811096020.8A Active CN110928248B (zh) | 2018-09-19 | 2018-09-19 | 一种确定燃气轮机性能劣化程度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110928248B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110513336B (zh) * | 2019-09-05 | 2020-12-22 | 哈尔滨电气股份有限公司 | 一种电站燃气轮机离线水洗时间的确定方法 |
| CN113027826B (zh) * | 2021-02-26 | 2023-11-10 | 北京京能高安屯燃气热电有限责任公司 | 燃气轮机压气机清洁方法及装置 |
| CN114091792B (zh) * | 2022-01-21 | 2022-06-03 | 华电电力科学研究院有限公司 | 基于稳定工况的水轮发电机劣化预警方法、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003083089A (ja) * | 2001-09-14 | 2003-03-19 | Ishikawajima Harima Heavy Ind Co Ltd | ガスタービンの性能診断方法 |
| CN101364735A (zh) * | 2008-08-28 | 2009-02-11 | 华东电力试验研究院有限公司 | 燃气轮机发电机组调速系统负荷频率调节测试的试验方法 |
| CN102877945A (zh) * | 2012-06-15 | 2013-01-16 | 广东电网公司电力科学研究院 | 基于解析法的燃气轮机及其联合循环的变工况分析方法 |
| CN106094755A (zh) * | 2016-07-08 | 2016-11-09 | 华电电力科学研究院 | 一种基于大数据的燃气‑蒸汽联合循环发电机组远程能效诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544527B (zh) * | 2013-10-11 | 2016-06-08 | 广东电网公司电力科学研究院 | 超超临界汽轮机fcb工况下除氧器水位的预测方法 |
| US20150184549A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
-
2018
- 2018-09-19 CN CN201811096020.8A patent/CN110928248B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003083089A (ja) * | 2001-09-14 | 2003-03-19 | Ishikawajima Harima Heavy Ind Co Ltd | ガスタービンの性能診断方法 |
| CN101364735A (zh) * | 2008-08-28 | 2009-02-11 | 华东电力试验研究院有限公司 | 燃气轮机发电机组调速系统负荷频率调节测试的试验方法 |
| CN102877945A (zh) * | 2012-06-15 | 2013-01-16 | 广东电网公司电力科学研究院 | 基于解析法的燃气轮机及其联合循环的变工况分析方法 |
| CN106094755A (zh) * | 2016-07-08 | 2016-11-09 | 华电电力科学研究院 | 一种基于大数据的燃气‑蒸汽联合循环发电机组远程能效诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 船用燃汽轮机性能降级新型预测模型的建立及应用分析;于子强等;《船舶工程》;20160725;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110928248A (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110928248B (zh) | 一种确定燃气轮机性能劣化程度的方法 | |
| Hanachi et al. | A physics-based modeling approach for performance monitoring in gas turbine engines | |
| CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
| CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
| CN108801641B (zh) | 废气涡轮增压器的故障诊断与可靠性预测方法及其系统 | |
| CN109523171B (zh) | 一种基于svdd的燃气轮机进气系统健康度评估方法 | |
| CN108801950B (zh) | 基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法 | |
| EP2239642A2 (en) | Analysis method | |
| WO2017202588A1 (en) | Estimating the life time of a gas turbine component | |
| CN108681614A (zh) | 基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法 | |
| CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
| CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
| CN113010981B (zh) | 一种飞机发动机低压引气活门的维修决策方法 | |
| Hanachi | Gas turbine engine performance estimation and prediction | |
| CN114444394A (zh) | 一种基于数据驱动的压气机性能退化预测算法 | |
| CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
| CN117807718B (zh) | 一种基于失效概率预测的航空发动机维护决策设计方法 | |
| CN113408076A (zh) | 基于支持向量机模型的小样本机械剩余寿命预测方法 | |
| Visser et al. | Experience with gsp as a gas path analysis tool | |
| CN112610330B (zh) | 一种内燃机运行状态的监测及分析系统和方法 | |
| Lipowsky et al. | Gas turbine fault diagnostics using a fusion of least squares estimations and fuzzy logic rules | |
| CN112834226B (zh) | 一种航空发动机气路在线监测传感器优化配置方法 | |
| CN114372424B (zh) | 一种基于流量加权的河流污染源解析方法 | |
| Liu et al. | Data-Driven Model Selection Study for Long-Term Performance Deterioration of Gas Turbines | |
| CN114969017B (zh) | 风功率数据清洗方法、清洗装置及预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 200437 room 801, building 9, 171 Handan Road, Hongkou District, Shanghai Applicant after: Shanghai Minghua Power Technology Co.,Ltd. Applicant after: SHANGHAI CAOJING COGENERATION CO.,LTD. Address before: 200437 room 801, building 9, 171 Handan Road, Hongkou District, Shanghai Applicant before: SHANGHAI MINGHUA ELECTRIC POWER TECHNOLOGY AND ENGINEERING Co.,Ltd. Applicant before: SHANGHAI CAOJING COGENERATION CO.,LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |