-
TECHNISCHES FACHGEBIET
-
Die
Erfindung bezieht sich allgemein auf Turbinen-Steuerungssysteme
und insbesondere auf Verfahren und Systeme zur neuronalen Netzwerkmodellierung
von Turbinenkomponenten.
-
Querverweis auf verwandte
Anmeldungen
-
Diese
Anmeldung ist eine Nachanmeldung mit Verbesserungen (continuation-in-gart)
der U.S.-Patentanmeldung Nr. 11/220.101, eingereicht am 6. September
2005, die hierin durch Bezugnahme vollständig enthalten ist.
-
HINTERGRUND DER ERFINDUNG
-
Gasturbinen
für Industrieanwendungen
und zur Stromerzeugung verfügen über Steuerungssysteme,
die ihren Betrieb überwachen
und steuern. Diese Steuerungssysteme beinhalten Steuerungsalgorithmen,
die in der Lage sind, einige oder alle Aspekte des Turbinenbetriebs
zu regeln.
-
Aktuelle
Steuerungsalgorithmen versuchen, Turbinen, Generatoren und, je nachdem,
verschiedene andere Komponenten während der Änderung von Lasteinstellpunkten
so schnell wie möglich
zu be- oder entlasten, ohne die Grenzen zu überschreiten, die einen sicheren
Betrieb ermöglichen.
Bei derartigen traditionellen Systemen und Verfahren sind die Belastungsraten
ty pischerweise durch die strukturellen Restriktionen eingeschränkt – beispielsweise durch
die höchstzulässige Beanspruchung
eines Dampfturbinenrotors – um
den Lebensdauerverbrauch zu regulieren, aber auch durch andere,
betriebsbezogene Restriktionen wie dem Spalt zwischen rotierenden
und nicht rotierenden Teilen der Turbine. Bei verschiedenen Turbinen
können
sich im Falle sehr hoher Belastungsraten große thermische Gradienten in
der Turbine entwickeln und zu hohen Belastungen und ungleichmäßiger thermischer
Ausdehnung führen,
was wiederum die Berührung
von oder die Reibung zwischen stationären und rotierenden Teilen
zur Folge haben kann. Langsame Belastungsraten ermöglichen
andererseits zwar einen sicheren Betrieb, erhöhen aber die Brennstoffkosten und
reduzieren die Verfügbarkeit
des Kraftwerks. Um einen sicheren Betrieb zu ermöglichen, verwenden typische
Steuerungsverfahren ein unangemessen langsames Standardprofil, da
sie nicht in der Lage sind, Zustände
in einem Kraftwerk genau vorherzusagen. Beispielsweise werden von
den gegenwärtig verwendeten
Steuerungen eventuell die Anfahrvorgänge als „heiß", „warm" oder „kalt" kategorisiert, entsprechend
den zu Beginn des Anfahrens gemessenen Metalltemperaturen. Jeder
dieser Anfahrzustände
verwendet Belastungsraten, die langsam genug sind, um bei jedem
Anfahrvorgang in derselben Kategorie einen sicheren Betrieb zu ermöglichen.
Dementsprechend können
derartige Steuerungsverfahren zu suboptimaler Leistung und höheren Betriebskosten
führen.
-
Ein
Faktor in Bezug auf den Wirkungsgrad einer Turbine, beispielsweise
einer Hochleistungs-Gasturbine, ist der Turbinenspalt zwischen den Schaufelspitzen
und dem Turbinengehäuse.
Wird der Turbinenspalt auf einem Minimum gehalten, arbeitet die
Turbine mit einem höheren
Wirkungsgrad, da nur eine minimale Luft- oder Abgasmenge zwischen
den Schaufelspitzen und dem Ge häuse
entweicht. Dementsprechend wird ein größerer Prozentanteil der in die
Turbine eintretenden Luft und des in die Turbine eintretenden Gases
zum Antreiben der Turbine und zur Erzeugung von Arbeit genutzt.
-
Aufgrund
der unterschiedlichen thermischen und mechanischen Wachstumseigenschaften
der Turbinenrotorbaugruppen und des Turbinengehäuses kann sich der Turbinenspalt
beträchtlich
verändern,
während
die Turbine unterschiedliche Betriebsphasen durchläuft und
beispielsweise vom anfänglichen
Anfahren zu einem stationären
Grundlastbetrieb übergeht.
Ein Spaltsteuerungssystem kann in der Turbine implementiert sein,
um die Turbinenspaltzustände
während
des Turbinenbetriebs zu handhaben. Es kann jedoch von Vorteil sein,
ein Steuerungssystem zur Verfügung
zu stellen, das in der Lage ist, die Turbinenspaltzustände und
die Ausdehnung der Komponenten dynamisch zu überwachen und vorherzusagen,
um einen Turbinenbetrieb bei höchstem Wirkungsgrad
zu ermöglichen.
-
Es
werden daher Systeme und Verfahren gewünscht, die Modelle auf der
Grundlage neuronaler Netzwerke bieten, um Abstände in einer Turbine vorherzusagen,
und es besteht der Wunsch nach Implementierung dieser Modelle in
einem Steuerungssystem, um die Abstände während des transienten Betriebs
der Turbine zu regulieren.
-
Ferner
existiert ein Bedarf an Systemen und Verfahren für die neuronale Netzwerkmodellierung von
Turbinenkomponenten.
-
KURZE BESCHREIBUNG DER ERFINDUNG
-
Gemäß einer
beispielhaften Ausführungsform
der Erfindung wird ein Verfahren zur Abstandssteuerung in einer
Turbine zur Verfügung
gestellt. Das Verfahren kann umfassen, zumindest einen Betriebsparameter
als Eingabe für
zumindest ein neuronales Netzwerkmodell zu verwenden, durch das
neuronale Netzwerkmodell die thermische Ausdehnung zumindest einer
Turbinenkomponente zu modellieren, und eine Steuerungshandlung zu
implementieren, die zumindest zum Teil auf der modellierten thermischen
Ausdehnung der Turbinenkomponente(n) basiert.
-
Gemäß einer
anderen beispielhaften Ausführungsform
der Erfindung wird ein Verfahren zur Steuerung einer Turbine zur
Verfügung
gestellt. Das System kann einen Controller umfassen. Der Controller kann
so eingesetzt werden, dass er zumindest einen Betriebsparameter
ermittelt, den oder die Betriebsparameter als Eingabe für ein neuronales
Netzwerkmodell verwendet, durch das neuronale Netzwerkmodell die
thermische Ausdehnung zumindest einer Turbinenkomponente modelliert
und eine Steuerungshandlung generiert, die zumindest zum Teil auf
der modellierten thermischen Ausdehnung der Turbinenkomponente(n)
basiert.
-
Gemäß einer
weiteren beispielhaften Ausführungsform
der Erfindung wird ein Verfahren zur Modellierung des Abstands in
einer Turbine zur Verfügung
gestellt. Das Verfahren kann folgende Elemente beinhalten: das Erfassen
eines ersten und zweiten Betriebsparameters, die Modellierung von zumindest
einem Gehäusetemperaturparameter,
der zumindest teilweise auf dem ersten erfassten Betriebsparameter
basiert, und das Modellieren von zumindest einem Rotortemperaturparameter,
der zumin dest zum Teil auf dem zweiten erfassten Betriebsparameter
basiert. Das Verfahren kann außerdem umfassen:
das Ermitteln einer thermischen Gehäuseausdehnung, indem der oder
die Gehäuseparameter
als Eingabe(n) in ein neuronales Netzwerkmodell der Gehäuseausdehnung
verwendet werden, und das Ermitteln einer thermischen Ausdehnung
des Rotors, indem der oder die Rotortemperaturparameter als Eingabe(n)
in ein neuronales Netzwerkmodell der Rotorausdehnung verwendet werden,
sowie das Ermitteln einer differenziellen Ausdehnung, die zumindest
zum Teil auf der Differenz zwischen der thermischen Ausdehnung des
Rotors und der des Gehäuses
basiert.
-
Diese
und andere Merkmale von Ausführungsformen
der Erfindung werden beim Lesen der folgenden detaillierten Beschreibung
in Verbindung mit den Zeichnungen und den angefügten Ansprüchen ersichtlich.
-
KURZE BESCHREIBUNG DER ZEICHNUNGEN
-
1 ist
ein Schemadiagramm eines beispielhaften Systems zur Steuerung eines Gas-und-Dampf-Kombikraftwerks
nach dem Stand der Technik.
-
2 ist
ein Schemadiagramm für
die Handlungen eines Controllers eines Kraftwerks gemäß einer
Ausführungsform
der Erfindung.
-
3 ist
ein Flussdiagramm, das einen beispielhaften Prozess zur modellbasierten
Verbesserung der Systemsteuerung in einem Gas-und-Dampf-Kombikraftwerk
gemäß einer
Ausführungsform
der Erfindung zeigt.
-
4 ist
ein Beispiel-Schemadiagramm eines Controllers gemäß Ausführungsformen
der Erfindung.
-
5 ist
ein Beispiel-Schemadiagramm einer Turbine gemäß Ausführungsformen der Erfindung.
-
6 ist
ein Beispiel-Diagramm eines neuronalen Netzwerkmodells, das von
Ausführungsformen
der Erfindung ausgeführt
wird.
-
7 ist
ein Flussdiagramm, das einen Beispielprozess zur Einbeziehung eines
neuronalen Netzwerkmodells von Komponenten in ein Turbinen-Steuerungssystem
gemäß Ausführungsformen der
Erfindung darstellt.
-
8 ist
ein Funktionsblock-Diagramm, das eine Beispielanordnung eines neuronalen
Netzwerkmodells von Komponenten zur Vorhersage des axialen Turbinenspalts
gemäß Ausführungsformen
der Erfindung darstellt.
-
9 ist
ein Flussdiagramm, das einen Beispielprozess zur Ausführung eines
neuronalen Netzwerkmodells von Komponenten in einer Dampfturbine
gemäß Ausführungsformen
der Erfindung darstellt.
-
DETAILLIERTE BESCHREIBUNG
DER ERFINDUNG
-
Ausführungsformen
der Erfindung können modellprädikative
Steuerungssysteme und -verfahren und neuronale Netzwerkmodelle umfassen,
die durch diese Steuerungssysteme und -verfahren implementiert werden.
Ausführungsformen
derartiger Systeme und Verfahren können die Echtzeit-Berechnung
und -Implementierung suboptimaler Eingabeprofile verbessern, wie
sie für
die Be- und Entlastung verschiedener
Systeme, Untersysteme und Komponenten in einem Kraftwerkssteuerungssystem
angewendet werden, und die geeigneten Modelle, Optimierungen, objektiven
Funktionen, Beschränkungen und/oder
Parameter des Steuerungssystems verbessern, um dem Steuerungssystem
schnell ein verbessertes Handeln zu ermöglichen, um so viel Leistung oder
Betriebsfähigkeit
wie unter den aktuellen Kraftwerksbedingungen möglich zurückzugewinnen.
-
In
Beispiel-Ausführungsformen
der Erfindung kann jedes physische System, Regelungssystem oder
jede Eigenschaft des Kraftwerks oder jedes Kraftwerks-Untersystems
modelliert werden, darunter das Kraftwerk selbst, der Gasweg und
die Gaswegdynamik, Aktuatoren, Effektoren oder andere Regelungsgeräte, die
das Verhalten einer beliebigen Turbine oder eines beliebigen Generators
modifizieren oder ändern,
außerdem
Sensoren, Monitore oder Sensorsysteme, das Brennstoff- oder Dampfzumesssystem,
das Brennstoff-Zuführungssystem,
das Schmiersystem und/oder das Hydrauliksystem. Die Modelle dieser
Komponenten und/oder Systeme können
physikbasierte Modelle (deren lineare Näherungen eingeschlossen) sein.
Zusätzlich
oder alternativ können
die Modelle auf linearer und/oder nichtlinearer Systemidentifikation,
neuronalen Netzwerken und/oder deren Kombinationen basieren.
-
In
einer anderen beispielhaften Ausführungsform der Erfindung können Verfahren
und Systeme zur Regelung des Spalts in einer Turbine zur Verfügung gestellt
werden. Die Verfahren können
unter anderem die Anwendung zumindest eines Betriebsparameters als
Eingabe für
zumindest ein neuronales Netzwerk beinhalten. Die Verfahren können ferner
beinhalten, durch das neuronale Netzwerkmodell – oder die Modelle – eine thermische
Ausdehnung zumindest einer Turbinenkomponente zu modellieren. Zusätzlich können die
Verfahren die Implementierung einer Steuerungshandlung beinhalten, die
zumindest zum Teil auf der modellierten thermischen Ausdehnung beruht.
In einer ähnlichen
beispielhaften Ausführungsform
kann ein System zur Steuerung einer Turbine zur Verfügung gestellt
werden. Das System kann dazu dienen, zumindest einen Betriebsparameter
zu ermitteln und den oder die Betriebsparameter als Eingabe(n) in
zumindest ein neuronales Netzwerkmodell anzuwenden. Das System kann
weiter dazu dienen, durch das neuronale Netzwerkmodell – oder die
Modelle – eine
thermische Ausdehnung zumindest einer Turbinenkomponente zu modellieren
und eine Steuerungshandlung zu erzeugen, die zumindest zum Teil
auf der modellierten thermischen Ausdehnung basiert.
-
Ausführungsformen
der Erfindung können bestimmte
technische Wirkungen bewirken oder auf andere Weise ermöglichen,
darunter die Verbesserung der Echtzeit- oder Quasi-Echtzeit-Berechnung und -Implementierung
der Eingabeprofile, die zur Be- und Entlastung verschiedener Systeme,
Untersysteme und Komponenten eines Kraftwerksteuerungssystems verwendet
werden. Diese verbesserten Eingabeprofile können die technische Wirkung
haben, dem Steuerungssystem ein verbessertes Handeln zu ermöglichen,
um die Leistung und/oder Betriebsfähigkeit unter den aktuellen
Kraftwerksbedingungen wiederherzustellen. Zusätzlich können weitere Ausführungsformen
der Erfindung die Ermittlung der thermischen Expansion zumindest
einer Turbinenkomponente durchführen
oder auf andere Weise ermöglichen,
beispielsweise die Ermittlung der rotierenden Komponenten durch
zumindest ein neuronales Netzwerkmodell. Diese modellierte thermische Ausdehnung
kann die Wirkung haben, die Erzeugung einer Steuerungshandlung zu
ermöglichen,
die zumindest zum Teil auf der modellierten thermischen Ausdehnung
beruht, und die den Betrieb des Kraftwerks oder seiner Komponenten
steuern oder beeinflussen kann. Zum Beispiel kann die modellierte
thermische Ausdehnung rotierender Komponenten oder der mit rotierenden
Komponenten verbundenen Komponenten zur Steuerung oder Beeinflussung
des Turbinenbetriebs als Reaktion auf vorhergesagte oder modellierte
Komponenten-Zwischenräume – zum Beispiel
axiale Spalte – verwendet
werden.
-
Kraftwerke
sind mechanische Strukturen und Installationen, wo Strom durch Generatoren
erzeugt wird, die auf unterschiedliche Weise angetrieben werden,
wobei Dampfturbinen am üblichsten
sind. In einer Dampfturbine wird typischerweise Wasser mittels Wärme in Dampf
umgewandelt. Dieser wird durch die Schaufeln einer Turbine geleitet,
um eine Rotationsbewegung zu erzeugen. Die Turbinen treiben wiederum
eine Welle an und drehen die Generatoren. Das Prinzip der Energieerzeugung
bleibt unabhängig
von der Wärmequelle
dasselbe. In anderen Fällen
können
auch andere Wärmequellen
wie Kohle, Öl,
Erdgas, Biomasse oder Kernenergie in Dampfturbinen verwendet werden.
Turbinen werden auch in einigen anderen bekannten Elektrizitätsquellen
eingesetzt, beispielsweise in Wasserkraftwerken, wo Turbinenschaufeln
durch die kinetische Energie von Wasser gedreht werden. In anderen
typischen Fällen werden
Gasturbinen eingesetzt. In diesen Turbinen werden Heißgase, erzeugt
durch die Verbrennung von Erdgas oder Öl, direkt durch eine Turbine
geleitet. Interne Verbrennungsmotoren, beispielsweise Dieselgeneratoren,
sind eine weitere tragbare, unmittelbare Elektrizitätsquelle,
die für
Notfälle
und als Reserve genutzt wird. In anderen Fällen können die Energieerzeugungsanlagen
mehr als einen Brennstoff verwenden, beispielsweise sowohl Kohle
als auch Erdgas. Diese Kraftwerke sind als Dual-fired-Anlagen bekannt
und können
entweder sequenziell oder gleichzeitig befeuert werden. Sequenzielle
Kraftwerke verwenden einen Brennstoff nach dem anderen, „gleichzeitige" Kraftwerke können zwei
Brennstoffe zur selben Zeit verwenden. Einige weitere nicht einschränkende Beispiele
für Kraftwerke
sind: Kraftwerke für
fossile Brennstoffe, Gas- und Dampf-Kombikraftwerke sowie Kernkraftwerke
oder Ähnliches.
-
Im
Folgenden wird auf die in den 1–9 dargestellten
Ausführungsformen
Bezug genommen.
-
Modellprädiktive Steuerung eines Kraftwerks
-
1 ist
ein Schemadiagramm eines beispielhaften Systems 10 zur
Steuerung eines beispielhaften Gas-und-Dampf-Kombikraftwerks 12.
Das gezeigte Gas-und-Dampf-Kombikraftwerk 12 kann einen
Abhitzedampferzeuger 14, eine Gasturbine 16 und
eine Dampfturbine 18 umfassen. Die Dampfturbine 18 weist üblicherweise
drei Abschnitte auf, in denen jeweils unterschiedliche Druckverhältnisse
herrschen. In dieser Ausführungsform
sind ein Hochdruckabschnitt 22, ein Mitteldruckabschnitt 24 und ein
Niederdruckabschnitt 26 vorhanden. Außerdem umfasst das Kraftwerk 12 üblicherweise
einen Generator 28, einen Transformator 32 und
einen Kondensator 34. Beim Betrieb des Gas-und-Dampf-Kombikraftwerks 12 kann üblicherweise
heißes
Abgas von der Gasturbine 18 einem Dampfkessel oder -generator
zugeführt
werden, um so Wärme
zur Dampferzeugung zur Verfügung
zu stellen. Der Dampf treibt die Dampfturbine 18 in ihren
drei verschiedenen Abschnitten an – dem Hochdruckabschnitt 22,
dem Mitteldruckabschnitt 24 sowie dem Niederdruckabschnitt 26.
Die Turbinen 16, 22, 24 und 26 können einen
oder mehrere elektri sche Generatoren 28 antreiben, die
im Zusammenhang mit dem Transformator 32 nutzbare elektrische
Energie erzeugen. Die Gasturbine 16 ist mit dem Abhitzedampferzeuger 14 verbunden,
der kondensierten Dampf von dem Kondensator 34 der Dampfturbine 18 erhält. Die
so erzeugte Elektrizität
kann durch ein Elektrizitätswerk
verschiedenen industriellen, kommerziellen und Wohnkunden zugeführt werden.
-
In
anderen Gas-und-Dampf-Kombikraftwerken kann die Wärme ferner
dem Dampfgenerator durch zusätzliche
oder ergänzende
Brenner-Mechanismen zugeführt
werden. In jedem Fall sind solche typischen Gas-und-Dampf-Kombikraftwerke 12 relativ
komplex, und es wird eine relativ große Anzahl von Sensoren, wie
beispielsweise Druckmessumwandler, Näherungssensoren und Aktuator-Mechanismen
vorgesehen, um den Betrieb der verschiedenen Turbinen, der Generator-
und Brenneranlagen sowie anderer damit verbundener Zusatzgeräte anzupassen,
zu regeln und zu überwachen.
In noch anderen Beispielen für
Gas-Dampf-Kombikraftwerke können
Anordnungen von Gas- und Dampfturbinen, Dampferzeugungsquellen sowie
Abhitze-Rückgewinnungsvorrichtungen
zum Einsatz kommen.
-
In 1 kann
das Steuerungssystem 10 auch einen Controller 36 für die Steuerung
und Koordinierung der Aktivitäten
einiger oder aller Systeme, Untersysteme und Komponenten des Kraftwerks 12 umfassen,
wie beispielsweise den Abhitzedampferzeuger 14, die Gasturbine 16,
die drei Abschnitte der Dampfturbine 18 – den Hochdruckabschnitt 22,
den Mitteldruckabschnitt 24 und den Niederdruckabschnitt 26 – sowie
den Generator 28, den Transformator 32 und den
Kondensator 34, und so die Gesamtfunktion des Gas-und-Dampf-Kombikraftwerks koordinieren.
In 1 befindet sich der Controller 36, um
das Kon zept zu verdeutlichen, physisch außerhalb aller Systeme, Komponenten
und Unterkomponenten. In einer anderen Ausführungsform kann der Controller 36 innerhalb
des Kraftwerks 12 untergebracht und als ein Teil des Kraftwerks 12 in
dieses integriert sein. Strukturell kann der Controller 36 aus
einem Mikro-Controller oder einem Halbleiterschalter bestehen, der
für die
Kommunikation mit allen Kraftwerkssystemen, Untersystemen und Komponenten im
Kommunikationsnetzwerk eingerichtet ist.
-
Die
Kommunikation zwischen dem Controller 36 und dem Abhitzedampferzeuger 14 kann über eine
Kommunikationsleitung 42 erfolgen. Eine solche Kommunikation
umfasst typischerweise sowohl das Erfassen von Signalen, die zum
Controller 36 geleitet werden, als auch von Befehlssignalen,
die vom Controller 36 generiert werden. Auf die gleiche
Weise kann die Kommunikation zwischen dem Controller 36 und
der Gasturbine 16 durch die Kommunikationsleitung 44 erfolgen,
zwischen dem Controller 36 und dem Hochdruckabschnitt 22 der
Dampfturbine 18 kann die Kommunikation über die Kommunikationsleitung 46 stattfinden,
zwischen dem Controller 36 und dem Mitteldruckabschnitt 24 der
Dampfturbine 18 kann die Kommunikation über die Kommunikationsleitung 48 erfolgen
und zwischen dem Controller 36 und dem Niederdruckabschnitt 26 der
Dampfturbine 18 kann die Kommunikation über die Kommunikationsleitung 52 stattfinden.
Auf die gleiche Weise kann die Kommunikation zwischen dem Controller 36 und
dem Kondensator 34 durch die Kommunikationsleitung 54,
zwischen dem Controller 36 und dem Generator 28 durch
die Kommunikationsleitung 56 und zwischen dem Controller 36 und
dem Transformator 32 durch die Kommunikationsleitung 58 erfolgen.
-
Im
Betrieb steuert und überwacht
der Controller 36 die Betriebsparameter des Kraftwerkssteuerungssystems 10.
In einer beispielhaften Ausführungsform
ermittelt und interpretiert der Controller 36 verschiedene
Betriebsparameter des Kraftwerkssteuerungssystems 10, was
zumindest zum Teil auf den Erfassungssignalen verschiedener Systeme, Untersysteme
und Komponenten des Kraftwerks 12 beruht, wie beispielsweise
dem Abhitzedampferzeuger 14, der Gasturbine 16,
den drei Abschnitten der Dampfturbine 18 – dem Hochdruckabschnitt 22,
dem Mitteldruckabschnitt 24 und dem Niederdruckabschnitt 26,
dem Generator 28, dem Transformator 32 und dem
Kondensator 34, die in dem Kraftwerkssteuerungssystem 10 angeordnet
sind. Die Ermittlung und Interpretation durch den Controller 36 können in Übereinstimmung
mit einem vorbestimmten Kriterium erfolgen. Zum Beispiel kann in
einem Fall ein vorbestimmtes Kriterium einen binären Vergleich der Temperatur
einer Kraftwerkskomponente wie beispielsweise dem Abhitzedampferzeuger 14 mit
einem vorgegebenen Referenz-Temperaturwert umfassen. In einem anderen
Fall kann ein vorbestimmtes Kriterium in dem Vergleich der Temperatur
desselben Abhitzedampferzeugers 14 mit einem vorgegebenen
Temperatur-Maximalwert bestehen. In einem anderen Fall kann ein
vorbestimmtes Kriterium aus dem Vergleich der Temperatur des Abhitzedampferzeugers 14 mit
einem vorgegebenen Temperatur-Minimalwert bestehen.
-
In
Abhängigkeit
von einer beliebigen Anzahl von Betriebsparametern, die an verschiedenen Punkten
in dem Kraftwerk 12 ermittelt und erfasst werden, wie oben
erläutert, überwacht
und steuert der Controller 36 die eingegebenen Be- und
Entlastungsprofile verschiedener Untersysteme und Komponenten des
Kraftwerks 12, wie beispielsweise des Abhitzedampferzeugers 14,
der Gasturbine 16, der drei Abschnitte der Dampfturbine 18 (Hochdruckabschnitt 22,
Mitteldruckabschnitt 24 und Niederdruckabschnitt 26)
des Generators 28, des Transformators 32 und des
Kondensators 34, sodass die geeigneten Betriebsbedingungen
des Kraftwerks 12 und all seiner Untersysteme und Komponenten
während
eines typischen Betriebszyklus des Kraftwerks 12 und des
Kraftwerkssteuerungssystems 10 beibehalten werden.
-
Wenn
die Be- oder Entlastungsraten in einem der Systeme, Untersysteme
oder einer Komponente des Kraftwerks 12 außerhalb
eines vorbestimmten Referenz-Sicherheitsbereichs liegen, kann der
Controller 36 unabhängig
von dem Vergleichskriterium feststellen, dass der Be- oder Entlastungsstatus
eines relevanten Untersystems oder einer relevanten Komponente nicht
akzeptabel ist, und dass für
das Untersystem oder die Komponente zusätzliche, korrigierende Steuerungshandlungen
erforderlich sind. In diesem Fall kann der Controller 36 geeignete
Befehlssignale an das relevante Untersystem oder die Komponente
senden und die Eingabeprofile für
die Be- oder Entlastung des relevanten Untersystems oder der Komponente
regulieren. Die resultierende Be- oder Entlastungsrate des relevanten
Untersystems oder der relevanten Komponente kann dadurch so korrigiert
werden, dass sie sicher und genau ist. In einer anderen beispielhaften
Ausführungsform
kann der Controller 36, wenn er erfasst, dass ein bestimmtes
Untersystem oder eine Komponente eine zusätzliche korrigierende Steuerungshandlung
benötigen,
ein Alarmsignal an das Warnsystem senden, das wiederum eine geeignete
Warnmeldung für
einen ortsfernen Verfahrensbeobachter generieren kann, damit dieser
geeignete Maßnahmen
ergreift.
-
Eine
Ausführungsform
betrifft eine systematische Verfahrensweise für die Echtzeit-Eingabe optimaler
Be- oder Entlastungsprofile in das Kraftwerk 12 und zugehörige Systeme,
Untersysteme und Komponenten. Dies kann teilweise durch eine Aktualisierung
der Zustände
und der Parameter der Modelle in ei nem modellprädiktiven Steuerungssystem erreicht werden,
das zumindest zum Teil auf Sensormessungen beruht. In einem typischen
modellprädiktiven System
können
Zustandsaktualisierungen Änderungen
im Kraftwerksbetrieb – wie
ein Anstieg der Dampftemperatur aufgrund eines erhöhten Brennstoffzustroms – Rechnung
tragen. Die Parameteraktualisierungen in einem typischen modellprädiktiven Steuerungssystem
können
Komponenten-zu-Komponenten-Abweichungen,
Abnutzung, mechanischen, elektrischen oder chemischen Fehlern, Versagen
oder einer Beschädigung
der Turbine oder des Generators oder einer beliebigen Turbinen-
oder Generatorkomponente oder einer Beschädigung des Steuerungssystems
und/oder dessen Komponenten Rechnung tragen.
-
2 ist
ein beispielhaftes Schemadiagramm eines Systems 20 und
seiner zugehörigen Controller-Funktionalität für das Gas-und-Dampf-Kombikraftwerk 12 aus 1 gemäß einer
beispielhaften Ausführungsform
der Erfindung. Ein Controller 62 kann mit verschiedenen Hardware-Komponenten
und einem modellprädiktiven
Software-Algorithmus ausgestattet sein, um die optimale Be- und
Entlastung der Systeme, Untersysteme und Komponenten eines Kraftwerks 12 zu
ermöglichen.
Die Funktionen des Controllers 62 werden durch eine Reihe
von Blöcken 66, 68, 72, 74 innerhalb
eines einzigen Funktionsblocks angegeben, und der Funktionsblock 64 stellt
die Handlungen mehrerer mit verschiedenen Systemen, Untersystemen
und Komponenten des Gas-und-Dampf-Kombikraftwerks 12 verbundener
Sensoren dar. Die Zustandsschätzung
des Gas-und-Dampf-Kombikraftwerks 12 kann, zumindest teilweise
auf der Grundlage der Erfassungssignale von den Sensoren, durch den
Controller 62 ausgeführt
werden, wie in dem Funktionsblock 66 dargestellt.
-
Systemmodelle
des Gas-und-Dampf-Kombikraftwerks 12, die zumindest zum
Teil auf der Zustandsschätzung
basieren, können
von dem Controller 62 erstellt werden, wie im Funktionsblock 68 dargestellt.
Gleichzeitig können
Systemrestriktionen des Gas-und-Dampf-Kombikraftwerks 12 bei
der Erstellung der Systemmodelle – wie im Funktionsblock 68 dargestellt – berücksichtigt
werden, wie im Funktionsblock 72 gezeigt. Im Funktionsblock 74 kann
ein Online-Optimierer eine modellprädiktive Echtzeit-Optimierung
des Eingabe-Be- und Entlastungsprofils des Gas-und-Dampf-Kombikraftwerks 12 durchführen. Details
des modellprädiktiven
Optimierungs-Algorithmus werden hier noch näher beschrieben. Schließlich kann
im Funktionsblock 76 der Steuerungszyklus des Gas-und-Dampf-Kombikraftwerks 12 mit
geeigneten Steuerungshandlungen abgeschlossen werden, die der Controller 62 anordnet.
-
Der
hier beschriebene Gegenstand ist nicht speziell auf das oben genannte Gas-und-Dampf-Kombikraftwerk 12 als
Ganzes beschränkt.
In anderen Ausführungsformen
kann eine beliebige Anzahl von Schätzern und/oder Optimierern
verschiedene objektive Funktionen, Restriktionen und Modelle der
anderen Systeme, Untersysteme und Komponenten ermitteln, die von
der modellprädiktiven
Steuerung verwendet werden sollen. Eine typische Logikfunktion des
Systems 20 aus 2 kann Informationen von sowohl
einer Diagnosefunktion als auch einem Bediener oder einem Überwachungscontroller
erhalten. Diese Informationen können
dann verarbeitet werden, um eine geeignete Form der relevanten objektiven
Funktionen, Restriktionen und Modelle zu ermitteln. Die Logikfunktionalität wird hier
in Bezug auf das gesamte Kraftwerk 12 beschrieben, aber
sie könnte
verallgemeinert werden auf die Echtzeit-Steuerung und -Handhabung optima ler
Be- und Entlastung einiger oder aller zugehöriger Systeme, Untersysteme
und Komponenten, wie unten beschrieben.
-
In
einer beispielhaften Ausführungsform kann
der Controller 62 einen Analog-zu-digital-Wandler enthalten,
der durch einen oder mehrere Eingabeports zugreifbar ist. In einer
anderen Ausführungsform
kann der Controller 62 Auslesedisplays, Nur-Lese-Speicher,
Speicher mit wahlfreiem Zugriff (RAM) sowie einen konventionellen
Datenbus enthalten. In einer Ausführungsform kommunizieren die über den Systemen,
Untersystemen und Komponenten des Kraftwerks 12 installierten
Sensoren üblicherweise mit
dem Controller 62 mittels zumindest eines Standard-Kommunikationsprotokolls,
wie beispielsweise einem seriellen oder Ethernet-Kommunikationsprotokoll.
-
Es
sind auch mehrere andere Ausführungsformen
des Controllers 62 möglich.
In einer beispielhaften Ausführungsform
kann der Controller 62 einen Logikprozessor, eine Schwellenerkennungsschaltung
sowie ein Warnsystem umfassen. Der Logikprozessor ist typischerweise
ein Prozessor, der Berechnungen durchführt. Er kann ein Softwarekonstrukt sein,
das Softwareanwendungsprogramme oder Betriebssystemressourcen umfasst.
In anderen Fällen kann
er auch durch einen oder mehrere physische Prozessoren simuliert
werden, die die Zeitplanung für Verarbeitungsaufgaben
für mehr
als einen Ausführungsstrang
durchführen
und so mehr als einen physischen Prozessor simulieren. Der Controller 62 unterstützt die
Schwellenerkennungsschaltung bei der Einschätzung unterschiedlicher Betriebsparameter wie
Temperatur, Druck, Beanspruchungsgrad und Materialermüdungsgrad
des Systems, der Untersysteme und Komponenten des Kraftwerks 12,
wie beispielsweise des Abhitzedampferzeugers 14, der Gasturbine 16,
der drei Abschnitte der Dampfturbine 18 (Hoch druckabschnitt 22,
Mitteldruckabschnitt 24, Niederdruckabschnitt 26),
des Generators 28, des Transformators 32 und des
Kondensators 34.
-
In
einer beispielhaften Ausführungsform
und bezogen auf den Betrieb des gesamten Kraftwerks 12,
kann der Controller 62 Betriebsparameter verfolgen, die
den Betrieb der Ventile in einer Dampfturbine betreffen, oder Betriebsparameter,
die sich auf den Betrieb der Heizwasserventile in einem Abhitzedampferzeuger
oder typische Rotorbeanspruchung beziehen. In einer anderen Ausführungsform
und bezogen auf die Gasturbine 16, können der Brennstoffverbrauch
sowie den Betrieb der Einlassleitschaufeln der Dampfturbine 18 betreffende
Betriebsparameter verfolgt werden. Darüber hinaus kann das Eingabeprofil
für die
Be- und Entlastung der Gasturbine 16 so eingestellt werden,
dass keine hohen thermischen Gradienten entstehen. Der Controller 62 kann
kontinuierlich eine beliebige Anzahl Erfassungssignale von der Gasturbine 16,
der Dampfturbine 18 und anderen derartigen Komponenten
verfolgen und so arbeiten, dass diese Betriebsparameter der Komponenten
und des Kraftwerks 12 insgesamt innerhalb sicherer und
optimaler Kontrollgrenzen liegen. Ein Gesichtspunkt hinsichtlich
der Verwendung modellprädiktiver
Steuerungen ist die Verwendung der Modell-Leistungsvorhersagen über Zeitintervalle
von mehreren Sekunden bis zu mehreren Stunden, um die Eingabe-Belastungsprofile – von einer
beliebigen Anfangslast zu einer beliebigen Endlast – durch
restringierte Optimierung zu optimieren, angefangen mit dem aktuellen
Systemzustand beim Anfahren. Allgemein ausgedrückt, ist die modellprädiktive
Steuerung ein Steuerungsparadigma, das zur Steuerung von Prozessen
verwendet wird, die physische, Betriebs-, Sicherheits- und/oder
Umweltrestriktio nen handhaben, während
sie gleichzeitig zumindest ein Leistungskriterium maximieren.
-
Die
Modelle im Steuerungssystem 20 können unter Verwendung jedes
geeigneten Verfahrens für
die Modifikation von Zuständen,
Variablen, Qualitätsparametern,
Restriktionen, Grenzwerten oder beliebiger anderer anpassbarer Parameter
der Modelle erstellt sein, sodass die Leistung und Einschränkungen
der Modelle nach der Änderung
des Parameters denen der physischen Turbine oder des physischen Generators
entsprechen oder diesen auf andere Weise angenähert sind. Durch die Informationen über alle
erkannten Änderungen
in Verbindung mit dem aktualisierten Modell kann das modellprädiktive Steuerungssystem 20 die
aktuellen und zukünftigen Zustände des
Kraftwerks 12 und seiner Systeme, Untersysteme und Komponenten
evaluieren und eine besser optimierte Steuerungshandlung implementieren
als es ohne eine Aktualisierung der Modelle und ohne die Weiterleitung
solcher Informationen an das Steuerungssystem möglich gewesen wäre. Ein
Gesichtspunkt dieser Systeme und Verfahren ist folgender: Da sie
in Echtzeit aktualisiert werden können, sind sie in der Lage,
optimale Belastungs-Berechnungen für eine beliebige Bandbreite
von Anfangszuständen
der Komponenten zu ermöglichen,
und nicht nur eine finite Gruppe sub-optimaler Standard-Belastungsprofile,
die in das Steuerungssystem bereits einprogrammiert sind. In einer
Beispielsituation kann der Vorhersagehorizont beim Anfahren typischerweise
zwischen 5 Minuten und circa 2 Stunden betragen.
-
Die
Steuerung der Leistung und/oder Betriebsfähigkeit eines Gas-und-Dampf-Kombikraftwerks 12 aus 1 kann
die Analyse multipler Variablen beinhalten, um die geeigneten Steuerungswerte
zu ermitteln, die zum Erreichen der gewünschten Ausgangsleistung erforderlich
sind. Diese multiplen Variablen können einander auf nichtlineare
Weise beeinflussen, weswegen entsprechend mit ihnen verfahren werden
sollte. Es kann schwierig sein, Modelle zur Darstellung der verschiedenen
Auswirkungen multipler Variablen aufeinander innerhalb eines spezifischen
Systems zu erstellen, wenn Genauigkeit und Reaktionsgeschwindigkeit
von Bedeutung sind, wie bei modernen energieerzeugenden Systemen. Da
wahrscheinlich nicht jede Möglichkeit
in derartigen Modellen abgedeckt werden kann, ist es wünschenswert,
dass solche Modelle sich rekonfigurieren, anpassen und lernen, auf
der Grundlage von Turbinen- oder Generator-Sensorendaten Vorhersagen zu machen
oder Korrekturen vorzunehmen. In einer beispielhaften Ausführungsform
kann eine solche Anpassungsfähigkeit
für normale
oder sub-optimale Be- und Entlastungszustände durch einen Zustandsschätzer bewirkt
werden, der den aktuellen Zustand verschiedener Modelle berechnet,
wie beispielsweise von Modellen der Dampftemperaturen, Drücke, Metalltemperaturen
oder Ähnlichem.
In einer anderen Ausführungsform
kann die Anpassungsfähigkeit durch
einen Diagnose-Algorithmus
oder ein Diagnose-System bewirkt werden, das Fehler oder Fehlfunktionen
der Sensoren, Aktuatoren oder beliebiger anderer Komponente des
Kraftwerks 12 erkennt. In einer weiteren Ausführungsform
kann eine derartige Anpassungsfähigkeit
für sub-optimale
Be- und Entlastungszustände
auch unter Verwendung der sensorbasierten Diagnostik bewirkt werden,
die die Auswahl zwischen verschiedenen Modellen treffen, Modell-Eingaben, -Ausgaben
oder innere Parameter sowie die Optimierungen, objektiven Funktionen,
Restriktionen und/oder Parameter der Steuerung modifizieren kann.
Mit den gegebenen modifizierten Modellen, Optimierungen, objektiven
Funktionen, Restriktionen und/oder Parametern kann ein numerisch
effizienter Optimierer so eingesetzt werden, dass eine verbesserte
Leistung und/oder Betriebsfähigkeit
erreicht werden kann.
-
Aufgrund
der großen
Bandbreite von Betriebszuständen
und Leistungsniveaus während
des Betriebs können
in verschiedenen Untersystemen und Komponenten des Kraftwerks 12 starke
Nichtlinearitäten
vorhanden sein. Außerdem
Kann der Betrieb des Kraftwerks 12 typischerweise aufgrund
verschiedener mechanischer, aerodynamischer, thermischer und Strömungs-Beschränkungen
eingeschränkt
sein. In einer Ausführungsform
können
modellprädiktive
Steuerungen ideal für
die Anwendung in derartigen Umgebungen sein, da sie sowohl speziell
die Nichtlinearitäten
als auch die Ein- und Ausgaberestriktionen vieler Variablen handhaben
können – und das
alles in einer einzigen Steuerungsformel. Modellprädiktive
Steuerungen sind typischerweise Feedback-Steuerungen, die Modelle
des Verfahrens/des Systems/der Komponente verwenden, um auf der
Grundlage der Eingaben in das System und der jüngsten Prozessmessungen die
Ausgangsleistung bis zu einem bestimmten Zeitpunkt vorherzusagen.
-
Die
Modelle in den modellprädiktiven
Steuerungen sind dafür
ausgelegt, die Leistung sowohl im transienten als auch im stationären Zustand
zu replizieren. Diese Modelle können
entweder in ihrer nichtlinearen Form genutzt oder für verschiedene
Betriebsbedingungen linearisiert oder parameterisiert werden. Typische
modellprädiktive
Steuerungsverfahren nutzen die Modelle, um Zugang zu Parametern
oder physikalischen Größen zu erhalten,
die nicht direkt gemessen werden. Diese Steuerungen können Multiple-Eingabe,
Multiple-Ausgabe-Steuerungen sein (MIMO = multiple input, multiple
Output), um den Wechselwirkungen der Regelkreise Rechnung zu tragen,
sie können
modell- oder physikbasiert
sein, und sie können
als integralen Teil der Steuerungsformel und Optimierung eingebaute
Grenzen oder Restriktionen aufweisen, um keine Controller-Modi oder
Regelkreise für
jeden Grenzwert konzipieren zu müssen.
Eine Ausführungsform
dieser Erfindung beinhaltet die Berechnung der Handlungen des Controllers 62 zumindest
teilweise auf der Grundlage einer Gruppe objektiver Funktionen und einer
Gruppe von Restriktionen, die als ein Teil eines gewählten Optimierungsziels
verwendet werden können.
Typische objektive Funktionen können
verschiedene Leistungskriterien einschließen, wie die Minimierung der
Anfahrzeit, der Brennstoffkosten und der Emissionen sowie die Maximierung
der Betriebsfähigkeit
der Anlage und Ähnliches.
Die typischen berücksichtigten
Restriktionen können
einschließen: mechanische
Beschränkungen,
in verschiedenen Systemen, Untersystemen und Komponenten des Kraftwerks 12 entstehende
thermische und andere Beanspruchungen, wie Schubkraft an den Auflagern, die
Sättigung
des Aktuators, radiale Abstände
zwischen verschiedenen rotierenden Teilen, Erhaltung der Dampfqualität, Erhaltung
des Wasserstands in den Dampfkesseln, Dampf- und Metalltemperaturen sowie
Dampfdrücke
an verschiedenen Stellen oder Komponenten in dem Kombikraftwerk 12.
-
Um
geringer ausgeprägte
sub-optimale Betriebszustände
zu erkennen und verbesserte Steuerungsentscheidungen zu treffen,
verfügt
das Steuerungssystem 20 bevorzugt über so viele Eingabe-Informationen
wie möglich über das
Kombikraftwerk 12, das es steuert, sowie über dessen
Untersysteme und Komponenten. Eine Möglichkeit, diese Eingabe-Informationen über das
System zu erhalten, ist die Verwendung dynamischer Modelle, die
Informationen darüber
zur Verfügung
stellen können,
wie verschiedene Betriebsparameter des Kraftwerks 12 bei den
aktuellen Umgebungsbedingungen und Aktuatoren-Befehlen, den Bezie hungen
zwischen Parametern im System, den Beziehungen zwischen gemessenen
und nicht gemessenen Parametern sowie den Parametern, die den Gesamt-Anfahrzustand
des Kraftwerks 12 anzeigen, reagieren sollten. Sind die Modelle
dynamisch, können
einige oder alle dieser Informationen sowohl auf der Grundlage eines
transienten wie auch eines stationären Zustands gewonnen werden.
Die Modelle können
auch zur Analyse eines Profils vergangener Messungen oder der aktuellen
Leistung eingesetzt werden oder sie können dazu verwendet werden,
um das Verhalten des Kraftwerks 12 über einen bestimmten Zeithorizont
vorherzusagen.
-
In
einer beispielhaften Ausführungsform
können
die Modelle physikbasiert und/oder systemidentifikationsbasiert
sein. In einer anderen Ausführungsform
können
die Modelle jede der Haupt-Komponenten des Kraftwerks 12 auf
Systemniveau repräsentieren,
darunter zum Beispiel den Abhitzedampferzeuger 14 mit und
ohne zusätzliche
Feuerungsanlage, die Gasturbine 16, den Hochdruckabschnitt 22 der Dampfturbine 18,
den Mitteldruckabschnitt 24 der Dampfturbine 18,
den Niederdruckabschnitt 26 der Dampfturbine 18,
den Generator 28, den Transformator 32, den Kondensator 34 und Ähnliches.
In noch anderen Ausführungsformen,
kann die Nominalleistung der Turbine, des Generators oder des Untersystems
im stationären
und transienten Zustand wiedererzeugt und in der modellprädiktiven
Steuerung und deren Schätzer
(nicht gezeigt) oder einem Optimierer verwendet werden. Andere Ausführungsformen
können
Modelle mit fehlerhaften, fehlgeschlagenen oder suboptimalen Betriebseigenschaften
in einem Einzel- oder Multimodell-Optimalitätsdiagnosesystem aufweisen.
-
Da
alle Komponenten des Kraftwerks 12 unterschiedlich sind
und eventuell auf unterschiedlichen optimalen oder suboptimalen
Niveaus arbeiten, sollten die Modelle in der Lage sein, derartige Änderungen
zu verfolgen und sich diesen anzupassen. Die Modelle sollten bevorzugt
aktuelle Informationen darüber
bieten, wie eine bestimmte Komponente zu einer gegebenen Zeit läuft, besonders
beim Anfahren. Dies ermöglicht
eine genauere Vorhersage des Verhaltens des Kraftwerks 12 und
ermöglicht,
dass sogar geringfügigere
Suboptimalitäten
des Kraftwerks 12 erkannt werden. Die verschiedenen Parameter
und Zustände
des Kraftwerks 12 sind zwei Bereiche der Modelle, die modifiziert
werden können, um
das Modell des Kraftwerks 12 dem aktuellen Zustand anzupassen.
Ein Parameterschätzer
kann in Verbindung mit dem Controller 62 eingesetzt werden, um
die Turbinen- oder Generatorparameter zu ermitteln, und ein Zustandsschätzer kann
für die
Ermittlung der Zustände
verwendet werden.
-
In
einer anderen Ausführungsform
kann ein Zustandsschätzer
zur weiteren Unterstützung
bei der Verfolgung der Modelle der Gasturbine 16 oder eines beliebigen
anderen Systems oder Untersystems, einer anderen Komponente oder
des gesamten Kraftwerks 12 eingesetzt werden. Die Zustandsinformationen
können
auch dazu benutzt werden, den modellprädiktiven Controller 62 in
jedem Zeitintervall zu initialisieren, da der modellprädiktive
Controller 62 die Schätzung
des aktuellen Zustands der Turbine oder des Generators dazu benutzen
kann, sich zu initialisieren und richtig zu funktionieren. Eine
Zielsetzung eines Zustandsschätzers
ist es, bei gegebener Modelldynamik, die Zustände der Modelle – im Vergleich mit
dem tatsächlichen
System – mit
der geringsten Abweichung einzuschätzen. Durch die Verwendung des
Zustandsschätzers,
der Informationen über
die Dynamik des Kraftwerks 12 und das Rauschen verschiedener
Senso ren enthalten kann, ist es möglich, einen relativ genaueren
Wert für
die tatsächliche
Position zu ermitteln. Ergebnisse derselben Art können auf
eine Gasturbine 16 oder ein beliebiges anderes System oder
Untersystem oder eine Komponente oder das gesamte Kraftwerk 12 in
Echtzeit angewendet werden, sowohl während des Turbinen- oder Generatorbetriebs
im stationären
als auch im transienten Zustand.
-
In
Abhängigkeit
von den Erfordernissen des Optimierungsproblems kann der Optimierer
unterschiedliche Verfahren einsetzen. In einer beispielhaften Ausführungsform
können „Aktive-Restriktionen-Verfahren" (active set methods)
zur Lösung
der quadratischen Programmformeln eingesetzt werden. Dieses Verfahren
ist üblicherweise
sehr effizient bei kleineren Problemen mit einer geringeren Anzahl
von Restriktionen. In einer anderen beispielhaften Ausführungsform
kann ein sequentielles quadratisches Programmierungsverfahren (SQP)
angewendet werden, wobei das relevante System innerhalb des Vorhersagehorizonts
zeitweise linearisiert werden kann, um eine Version des Problems
mit fixen, aber nicht notwendigerweise gleichen Realisierungselementen für jeden
Optimierungsschritt zu erstellen. Die Lösung des daraus resultierenden
Problems kann dann für
eine Re-Linearisierung innerhalb desselben Vorhersagehorizonts verwendet
werden, und das Verfahren wird zwecks Konvergenz wiederholt, bis
sich eine befriedigende Lösung
ergibt.
-
In
einer anderen Ausführungsform
können Innerer-Punkt(IP)-Verfahren zur Lösung von
restringierten quadratischen Programmierungsproblemen eingesetzt
werden, die in modellprädiktiven
Steuerungsentwürfen
auftreten. Üblicherweise
werden die Innerer-Punkt-Formeln bei Vorhandensein einer großen Anzahl
von (Ungleichheits-)Restriktionen relativ schnell ausgeführt. In einer
solchen Ausführungsform
kann bei jedem gegebenen Schritt des iterativen Verfahrens ein Innerer-Punkt-Algorithmus
eine praktikable Lösung
innerhalb einer angemessen kurzen Zeit finden, was dem System den
Vorteil der Echtzeitreaktion und -steuerung bietet. Kann in einem
anderen Fall aus irgendeinem Grund der Algorithmus nicht vollständig ausgeführt werden,
wird er eine Steuerungshandlung ausführen, die zwar nicht optimal
ist, aber eventuell den Restriktionen genügt. In einer solchen Ausführungsform
existieren theoretische Grenzen für die Anzahl der Wiederholungen,
die üblicherweise
verwendet wird, um eine Lösung
in einem beliebigen gegebenen Genauigkeitsbereich für jedes Vorliegen
des Problems zu finden. Diese Grenzen assoziieren üblicherweise
polynominale Komplexität mit
den entsprechenden Algorithmen, das heißt, der Rechenaufwand für die Lösung quadratischer
Programmierungsprobleme wächst
mit der Größe des Problems
nicht schneller als polynominal. Außerdem können, abhängig von einer Anzahl situationsbedingter
Faktoren, diese theoretischen Grenzen innerhalb des Lösungshorizontes
liegen. Solche Faktoren können
typischerweise die Art des Optimierungsproblems, die Systemdynamik,
die Bandbreite der Modelle, die speziellen ausgewählten Algorithmen,
die problembezogenen Restriktionen und Ähnliches umfassen. Eine effiziente
Problemformel ermöglicht üblicherweise
die Anwendung der Lösung
in Echtzeit, und die grundlegende Nützlichkeit des modellprädiktiven
Algorithmus könnte
in der Leichtigkeit und Zweckmäßigkeit
seiner Anwendung in Echtzeit liegen.
-
Im
Betrieb werden in allen unterschiedlichen, alternativen modellprädiktiven
Steuerungsformeln die Gleichheitsrestriktionen in dem Problem entweder
explizit während
der Lösung
des Optimierungsproblems verwendet oder diese zur Eliminierung von Variablen
verwendet, sodass die resultierenden quadratischen Programmierungsformeln
deutlich weniger Optimierungsvariablen aufweisen. Die typischen Matrix-
und Vektorumwandlungen als Teil dieser Eliminierung von Variablen
können
die Datenstruktur des ursprünglichen
Problems verändern
und sich auf potenzielle Einsparungen beim Berechnungsaufwand auswirken.
Ob eine Formel zweckmäßiger als eine
andere ist, hängt
jedoch ab von dem speziellen Problem, dem angewendeten quadratischen
Programmierungsalgorithmus sowie dessen Fähigkeit, eine relevante Problemstruktur
zu verwerten.
-
Ein
Innerer-Punkt-Verfahren ist ein iteratives Verfahren, bei dem sukzessive
Schritte unternommen werden, bis die Lösungen konvergieren. Bei jeder
Wiederholung kann Berechnungsaufwand getrieben werden, indem lineare
Gleichungen gelöst
werden, um eine geeignete Suchrichtung zu finden. Es gibt verschiedene
als Innerer-Punkt-Algorithmen eingestufte Algorithmen, und diese
können
gleiche oder fast gleiche Leistungsmaße aufweisen. Über die
Anwendung eines bestimmten Algorithmus entscheiden oft die Größenordnung,
Genauigkeit und Schnelligkeit der erforderlichen Lösung.
-
In
einer beispielhaften Ausführungsform,
bei der die Zustandsvariablen und damit die Gleichheitsrestriktionen
nicht eliminiert werden, können
die Koeffizientenmatrizen, die für
die typischen modellprädiktiven
Steuerungsformeln verwendet werden, dünn besetzt sein. Diese Eigenschaft
der dünnen
Besetzung kann zur drastischen Reduzierung der Berechnungen genutzt
werden. Typischerweise sind Kraftwerkssteuerungsprobleme wie beispielsweise
die Ermittlung von Eingabeprofilen für eine optimale Be- und Entlastung
in Echtzeit ihrer Art nach hoch strukturierte Optimierungsprobleme.
Die Struktur dieser Optimierungsprobleme besteht hauptsächlich in
der Sparsity- Struktur
der Problemdaten und kann dazu benutzt werden, eine drastische Reduzierung
des Berechnungsaufwands zu erreichen. Es existieren verschiedene
Niveaus von Sparsity-Strukturen, die eingesetzt werden können, um
die Lösung
schnell zu machen. In einer Ausführungsform
wird Sparsity bei den Optimierungsproblemdaten erschöpfend verwertet,
um die Berechnung der optimalen Lösung zu beschleunigen und die
Speicheranforderungen zu reduzieren.
-
Die
objektive Funktion in einem modellprädiktiven Steuerungsoptimierungsproblem
kann einen mathematischen Weg darstellen, das Ziel des Steuerungssystems
zu definieren. Die objektive Funktion legt fest, was als optimal
definiert wird. Einige allgemeine objektive Funktionen dienen dazu,
den Brennstoffverbrauch zu minimieren, die Lebensdauer der Turbine
oder des Generators zu maximieren, Referenzdrücke zu befolgen, die Zeit zum
Erreichen eines vorgegebenen Leistungsniveaus zu minimieren, Referenz-Druckverhältnisse
zu befolgen, Schadstoffemissionen zu minimieren, die Referenzleistung
zu befolgen, die Referenzgeschwindigkeit zu befolgen, einen oder
mehrere Aktuator-Befehle zu minimieren oder zu maximieren, eine
beliebige Anzahl von Referenz-Durchflussmengen zu befolgen, die
Kosten zu minimieren oder Ähnliches.
In verschiedenen Ausführungsformen
kann, wie bereits erwähnt,
der modellprädiktiven
Controller 62 angewendete Optimierungs-Algorithmus restringiert
oder nicht restringiert sein.
-
Modellprädiktive
Steuerung mit Schätzung kann
Leistungs- und/oder
Betriebsfähigkeitsgewinne gegenüber konventionellen
Steuerungen erreichen, in dem der Komponente-zu-Komponente-Abweichung, suboptimaler
Be- oder Entlastung, Ablaufplan-Näherungen
sowie Änderungen
in der Konfiguration der Kraft werks-Komponenten Rechnung getragen
wird. Zum Beispiel lassen sich Leistungs- und/oder Betriebsfähigkeitsgewinne
durch einige oder alle der folgenden Punkte erreichen: (1) durch Nichtlinearität und MIMO
(was eine koordinierte Handlung einer Vielzahl von Aktuatoren zur
Verbesserung des Kraftwerksbetriebs einbringt); (2) durch Modellbasiertheit
(was geringere notwendige Vorraussetzungen beim Betrieb mit aktualisierten
Modellparametern einbringt); (3) durch ihre prädiktive Art, (die eine Modellierung
der Belastungswege für
eine verbesserte Leistung bei gleichzeitiger Beachtung aller Restriktionen
einbringt), und (4) durch ihre aktualisierbaren Restriktionen, (die
die Betriebsfähigkeit verbessern).
-
Steuerungssysteme
in den typischen Gas-Dampf-Kombikraftwerken 12 aus 1 die
gemäß hier beschriebenen
Beispiel-Ausführungsformen
arbeiten, können
eine direkte Steuerung interessierender Variablen bieten, wie beispielsweise
Rotorbeanspruchungen und -spalte oder Ähnliches, anstelle einer indirekten
Steuerung solcher Variablen. Sie handhaben Restriktionen explizit – ohne die
Notwendigkeit zusätzlicher,
komplexer Logik, und sie gehen explizit mit der MIMO-Eigenschaft
des erkannten Problems um.
-
Abhängig von
den Algorithmen, die für
modellprädiktive
Steuerungsprobleme verwendet werden, kann die Lösung restringierter quadratischer Programmierungsprobleme
der Art, bei der die Realisierungselemente fix sind, ein Gesichtspunkt
der modellprädiktiven
Steuerung sein. In den hier beschriebenen Beispiel-Ausführungsformen
können verschiedene
Software-Werkzeuge zur Lösung
restringierter quadratischer Programmierungsprobleme und Implementierung
modellprädiktiver
Steuerung in dem Controller 62, die automatisiert und in
Echtzeit oder Beinahe- Echtzeit
erfolgen, verwendet werden. Ausführungsformen
von Software-Werkzeugen, die für
modellprädiktive
Steuerungs-Implementierungen entwickelt
wurden, können
sich die hoch strukturierten Problemdaten im Zusammenhang einer
Kraftwerksanwendung zunutze machen, um effiziente Codes zu erzeugen,
die sich für
eine schnelle, Echtzeit oder Beinahe-Echtzeit-Implementierung eignen.
-
Eine
Ausführungsform
einer Software-Implementierung kann die oben erwähnte Sparsity-Struktur verwerten.
Eine bei Problemen übliche
Sparsity-Struktur kann ermittelbar sein, da sie nur von den Problemgrößen abhängt, wie
der Anzahl der Restriktionen und dem Vorhersagehorizont. Im Betrieb
kann die Sparsity-Struktur jedoch von speziellen Problemen abhängen und
sie kann automatisch während der
Initialisierungsphase jedes Problems festgelegt werden. Genauer
gesagt, wird das System während der
Initialisierung linearisiert, um diese vollbesetzten Realisierungsmatrizen
zu berechnen. In diesem Stadium wird die Größe jeder Eintragung in den üblicherweise
verwendeten Koeffizientenmatrizen mit einem Schwellenwert (d. h.
circa 10–14)
verglichen, um zu ermitteln, ob sie Null oder nicht Null ist. Die
auf diese Weise gefundene Sparsity-Struktur kann dann durch das
gesamte modellprädiktive
Steuerungsverfahren zur Reduzierung des Berechnungsaufwands verwendet
werden.
-
3 ist
ein Flussdiagramm, das einen beispielhaften Prozess zur Verbesserung
der Systemsteuerung für
die Be- und Entlastungseingabeprofile zeigt, der zumindest zum Teil
auf Modellen in einem Gas-und-Dampf-Kombikraftwerk gemäß einer
beispielhaften Ausführungsform
der Erfindung basiert. Das Verfahren 30 beginnt mit einer
Reihe von Zustandsschätzungselementen
wie im Funktionsblock 102 dargestellt. Verschiedene Be triebsparameter
wie beispielsweise Dampf- und Gastemperaturen, Drücke und
Durchflussmengen, Brennstoff und Luftstrom, Metalltemperaturen und
Aktuatorposition können
gemessen werden wie in Funktionsblock 106 gezeigt. Auf
Block 106 folgt Block 108, in dem Größen von
Parametern, die nicht leicht zu messen sind, direkt berechnet werden.
Als ein Beispiel für
derartige Parameter können
die Metalltemperaturen in Dampfturbinengehäusen und -rotoren dienen. Auf
Block 108 folgt Block 112, in dem der Algorithmus
den aktuellen Schritt gleich 1 setzt und zur Erstellung und Linearisierung
von Modellen übergeht,
die die Dynamik der Gasturbinenbelastung und deren Auswirkungen auf
Dampfturbinen-Restriktionen repräsentieren.
Auf Block 114 folgt 116, wo Realisierungsmatrizen
gesammelt werden, um Optimierungsprobleme zu erstellen. Auf Block 116 folgt 118,
in dem die Modelle weiter in die Optimierungsprobleme integriert
werden, um den Systemzustand vorherzusagen.
-
Auf
Block 118 folgt der Entscheidungsblock 122, in
dem der Algorithmus eine interne Prüfung vornimmt, um sich zu vergewissern,
ob ein Schritt, der dem vordefinierten Vorhersagehorizont des Optimierungsproblems
entspricht und als N' gezählt wird,
erreicht wurde. In dem Fall, dass der n-te Schritt erreicht wurde,
wird dem „Ja"-Zweig bis Block 124 gefolgt,
in dem der aktuelle Schritt um 1 inkrementiert wird. Das Verfahren 30 fährt bei
dem oben beschriebenen Block 114 mit der nächsten Wiederholung
fort.
-
Wird
in Block 122 durch die interne Prüfung sichergestellt, dass der
n-te Schritt noch nicht erreicht ist, wird dem „Nein"-Zweig bis Block 104 gefolgt,
in dem Online-Optimierungsfunktionen durchgeführt werden. In Block 104 können verschiedene Online-Optimierungsfunktionen
durchgeführt
werden.
-
In
Block 128 können
quadratische Programmierungsprobleme mit gesammelten Realisierungsmatrizen
erstellt werden. Auf Block 128 folgt 132, in dem
ein Online-Optimierer das Optimierungsproblem lösen kann. Auf Block 132 folgt
Block 134, in dem eine beste aktuelle Steuerungshandlung
implementiert werden kann. Auf Block 134 folgt Block 136,
in dem das Optimierungsprogramm sich auf den Empfang der nächsten Gruppe
von Messwerten vorbereiten kann. Das Verfahren 30 fährt nach
Block 136 bei dem oben beschriebenen Block 106 mit
der nächsten Wiederholung
fort.
-
Allgemein
auf 3 bezogen, repräsentieren einige oder alle
der Steuerungssequenzen eine generische Gruppe funktioneller Elemente,
die üblicherweise
in einer großen
Anzahl von Situationen befolgt werden. In einem beliebigen besonderen
Fall kann jedoch eine geeignete Gruppe von Steuerungssequenzen ermittelt
werden, indem das Optimierungsproblem des Kraftwerks 12 im
Allgemeinen – wie
in der beispielhaften Ausführungsform
aus 3 dargestellt – in eine Formel umgewandelt
wird, die der entsprechende Optimierungsalgorithmus lösen kann.
In einer Ausführungsform
können
zum Beispiel typische Realisierungselemente als konstant innerhalb
eines Vorhersagehorizonts angenommen und im Voraus für einen
Gesamt-Vorhersagehorizont berechnet werden. In dieser Näherung ist
das resultierende Optimierungsproblem ein quadratisches Programmierungsproblem
mit Gleichheits- und Ungleichheits-Restriktionen, das sich selbst
zu einer effizienten Lösung
führt.
In einer anderen Ausführungsform
kann das Optimierungsproblem durch ein lineares Programmierungsverfahren
gelöst
werden.
-
Die
Informationen über
den aktuellen Zustand des Kraftwerks 12 können umfassen:
Informationen über
die Turbine oder den Generator selbst, eine Turbinen- oder Generatorkomponente,
ein Turbinen- oder Generatorsystem, eine Turbinen- oder Generator-Sytemkomponente,
ein Turbinen- oder Generator-Steuerungssystem, eine Turbinen- oder Generator-Steuerungssystem-Komponente, einen Gas-/Dampfweg
in der Turbine oder dem Generator, die Gas-/Dampfwegdynamik, einen
Aktuator, einen Effektor, eine Steuerungsvorrichtung, die das Turbinen-
oder Generatorverhalten modifiziert, einen Sensor, einen Monitor,
ein Erfassungssystem, ein Brennstoffzumessystem, ein Brennstoffzuführungssystem, ein
Schmierungssystem, ein Hydrauliksystem, eine Komponente-zu-Komponente-Abweichung,
Abnutzung, einen mechanischen Defekt, einen elektrischen Defekt,
einen chemischen Defekt, ein mechanisches Versagen, ein elektrisches
Versagen, ein chemisches Versagen, mechanische Schäden, elektrische
Schäden,
chemische Schäden,
eine Systemstörung,
ein Systemversagen und/oder einen Schaden am System. Die Modelle
in diesen Systemen und Verfahren können umfassen: ein physikbasiertes
Modell, ein lineares Systemidentifikationsmodell, ein nichtlineares
Systemidentifikationsmodell, ein neuronales Netzwerkmodell, ein
vereinfachtes Einzel- oder Multivariablen-Parametermodell, ein Einzeleingabe-Einzelausgabe-Modell,
ein Multiple-Eingabe-Multiple-Ausgabe-Modell und/oder beliebige
Kombinationen dieser Modelle. Aktualisierung kann umfassen: Aktualisierung,
Anpassung oder Rekonfigurierung eines Zustands, einer Variablen,
eines Parameters, eines Qualitätsparameters,
eines Skalars, eines Addierers, einer Restriktion, einer objektiven
Funktion, eines Grenzwerts und/oder eines beliebigen anpassbaren
Parameters der Modelle oder der Steuerung während des Betriebs im stationären und/oder
transienten Zustand. Die Diagnostik kann heuristische, wissensbasierte,
modellbasierte Verfahren und/oder eine Multiples-Modell-Hypothese
verwenden. Die Modelle können
aktualisiert/angepasst werden durch: einen linearen Schätzer, einen
nicht-linearen Schätzer,
einen linearen Zustandsschätzer,
einen nicht-linearen Zustandsschätzer,
einen linearen Parameterschätzer,
einen nicht-linearen Parameterschätzer, einen linearen Filter,
einen nicht-linearen Filter, einen linearen Verfolgungsfilter, einen
nicht-linearen Verfolgungsfilter, lineare Logik, nicht-lineare Logik,
lineare heuristische Logik, nicht-lineare heuristische Logik, eine
lineare Wissensbasis und eine nicht-lineare Wissensbasis oder ein
anderes geeignetes Verfahren. Die Steuerungsanweisung kann durch
restringierte oder nicht restringierte Optimierungen ermittelt werden,
darunter: lineare Optimierung, nicht-lineare Optimierung, konvexe
Optimierung, nicht-konvexe Optimierung, lineare Programmierung,
quadratische Programmierung, semidefinite Programmierung, Verfahren,
die Sparsity-Strukturen in Problemdaten zur Reduzierung des Berechnungsaufwands
verwenden und/oder Gradient-Decent-Optimierungsverfahren. Die Handlungen
werden bevorzugt automatisch durch einen Computer oder eine Rechenvorrichtung
durchgeführt,
um entweder die Leistung und/oder die Betriebsfähigkeit der Turbine oder des
Generators zu optimieren.
-
Der
hier beschriebene Gegenstand ist nicht nur auf die oben erwähnten Funktionen
des Controllers 62 beschränkt, wie beispielsweise die
Optimierung der Be- und Entlastungs-Eingabeprofile während des
Anfahrens des Kraftwerks 12. In anderen Beispiel-Ausführungsformen
können
die Funktionen des Controllers 62 andere Echtzeit-Handlungen
wie beispielsweise Vorhersage, Erkennen und Prävention eines beliebigen Grades
der Abnutzung, von Defekten, des Versagens oder der Beschädigung verschiedener
Systeme, Untersysteme und Komponenten des Kraftwerks 12 umfassen.
In einem anderen Fall ist die Echtzeit-Ausführungsrate
des Controllers 62 konfigurierbar, um sie un terschiedlichen
Modellgrößen anzupassen.
In einem weiteren Fall ist die Echtzeit-Ausführungsrate des Controllers 62 ebenfalls
konfigurierbar, um sie verschiedenen anderen Optimierungsalgorithmen
anzupassen.
-
In
einer anderen Ausführungsform
des Systems kann der Controller 62, anstatt verschiedene Systeme,
Untersysteme und Komponenten des Kraftwerks 12 direkt zu
steuern und zu überwachen, mit
einer Anzahl lokaler Controller und Prozessoren kommunizieren, die
in verschiedenen Systemen, Untersystemen und Komponenten des Kraftwerks 12 installiert
sind. Beispiele für
solche lokalen Controller und Prozessoren sind unter anderem: ein
Gasturbinen-Controller, ein Dampfturbinen-Controller, ein Wärmerückgewinnungssystem-Generator-Controller,
ein Standalone-Prozessor, der mit dem Gasturbinen-Controller kommuniziert,
ein Standalone-Prozessor, der mit dem Dampfturbinen-Controller kommuniziert
oder ein Standalone-Prozessor, der mit dem Wärmerückgewinnungs system-Generator-Controller
kommuniziert.
-
In
einer weiteren beispielhaften Ausführungsform der Erfindung, kann
das Kraftwerk 12 ein fossil befeuertes oder Kernkraftwerk
sein. Unabhängig
von der Konfiguration des Kraftwerks 12 können üblicherweise
Dampfturbinenanlagen – entweder
in Gas-Dampf-Kombikraftwerken, Kernkraftwerken oder fossil befeuerten
Kraftwerken Beanspruchungsrestriktionen des Rotors unterworfen sein.
Derartige Beanspruchungsrestriktionen können typischerweise an der
Rotorbohrung und der Rotoroberfläche
auftreten, als differenzielle Ausdehnungsrestriktionen in der Richtung
der Rotorachse zur Vermeidung axialer Reibung und als Radialabstands-Restriktionen
zur Vermeidung radialer Reibung aufgrund von differenzieller Ausdehnung
rechtwinklig zum Rotor. Der typische Betrieb von Kernkraftwerken
und fossil befeuerten Kraftwerken kann auch ähnlichen Restriktionen hinsichtlich
der Aufrechterhaltung des Wasserstands der Dampfgeneratoren unterworfen
sein. Fossil befeuerte Kraftwerke müssen außerdem Emissionsrestriktionen
Rechnung tragen. Andere spezifische Restriktionen bei fossil befeuerten
Kraftwerken können Temperaturbegrenzungen
zur Vermeidung von Schlackebildung oder -ansammlung sein. Bei einem für fossil
befeuerte Kraftwerke typischen Schätzungsproblem ist eventuell
eine Online-Schätzung der
Brennstoffzusammensetzung oder -qualität erforderlich, wie auch eine
Angabe über
den Grad der Verschlackung und Verschmutzung der Flammrohre, die
die Wärmeübertragung
zu den Wasser-/Dampfrohren in hohem Ausmaß beeinträchtigen kann. Die im Fall von
fossil befeuerten oder Kernkraftwerken anwendbare objektive Funktion
kann der auf Gas-Dampf-Kombikraftwerke anwendbaren ähnlich sein.
In einer beispielhaften Ausführungsform
können
Steuerungshandlungen für
fossil befeuerte Kraftwerke Maße
umfassen wie: beispielsweise Gesamt-Brennstoffstrom, Gesamt-Luftstrom
oder Brennstoff-/Luft-Verhältnis,
einzelne Brennstoff- und Luftströme
an einzelnen Brennern oder Brennergruppen und Ähnliches. In einem anderen
Fall kann speziell im Kontext eines Kernkraftwerks eine Dampfqualitäts-Beschränkung zur
Vermeidung oder Minimierung von Erosion existieren.
-
Neuronale Netzwerkmodellierung
von Turbinenkomponenten
-
In
einer beispielhaften Ausführungsform kann
ein neuronales Netzwerkmodell zur Modellierung der Ausdehnung von
Turbinenkomponenten verwendet werden, um die Vorhersage der differenziellen
Ausdehnung von Turbinenkomponenten zu ermöglichen und die Spalte zwischen
Turbinenkomponenten im Betrieb vorteilhaft zu regulieren. Kürzere Anfahrzeiten
oder eine be schleunigte Belastung ohne Überschreitung der mechanischen
Grenzen für Spalte
zwischen Turbinenkomponenten kann zumindest teilweise durch die
Verwendung von Systemen und Verfahren erreicht werden, die neuronale
Netzwerkmodelle einbeziehen, um die Ausdehnung von Turbinenkomponenten
vorherzusagen. Genauer gesagt, können
Ausführungsformen
der Erfindung Systeme und Verfahren zur Verfügung stellen, die Betriebsparameter
empfangen, die die Zustände
einer oder mehrerer Turbinenkomponenten anzeigen – wie beispielsweise
des Rotors und des Gehäuses – und diese
Betriebsparameter als Eingaben in ein neuronales Netzwerkmodell
verwenden, das wiederum in der Lage ist, die Ausdehnungsraten dieser
Komponenten zu modellieren und vorherzusagen. Dementsprechend kann
die Vorhersage der Ausdehnungsraten es einem Turbinen-Steuerungssystem
ermöglichen,
auf geeignete Weise zu reagieren, um die Turbine in ihrem leistungsfähigsten
Zustand zu betreiben. Zum Beispiel kann eine Turbine mit kürzeren Belastungszeiten
und längeren
Hochlast-Betriebszeiten betrieben werden, ohne ein unangemessenes Risiko
einzugehen, dass eine Betriebsstörung
der Turbine als Folge der Reibung von Komponenten auftritt. Verschiedene
unten näher
beschriebene Ausgaben des neuronalen Netzwerkmodells, wie beispielsweise
die Gehäuseausdehnung,
die Rotorausdehnung und/oder die differenzielle Ausdehnung, können als
Eingabeparameter für
das oben beschriebene modellprädiktive
Steuerungssystem fungieren.
-
4 zeigt
ein Blockdiagramm eines beispielhaften Controllers 400,
der zur Implementierung eines beispielhaften neuronalen Netzwerkmodells gemäß einer
Ausführungsform
der Erfindung verwendet wird. Bei dem Controller 400 kann
es sich um den Controller 36 (oben mit Bezug auf die 1–3 beschrieben)
oder um eine von dessen Komponenten handeln, oder der Controller
kann alternativ ein anderer Controller sein, der einige oder alle
der oben mit Bezug auf die 1–3 und/oder 4–9 unten
beschriebenen Funktionen ausführt.
Der Controller 400 kann einen Speicher 402 enthalten,
der programmierte Logik 404 (z. B. Software) und eventuell
auch Daten 406 speichert, wie beispielsweise erfasste Betriebsparameter,
Modellrepräsentationen,
Kostenfunktionen, Trainingsdaten oder Ähnliches. Der Speicher 402 kann
auch ein Betriebssystem 408 enthalten. Ein Prozessor 410 kann
das Betriebssystem 408 zur Ausführung der programmierten Logik 404 benutzen
und während
er dies tut auch die Daten 406 verwenden. Ein Datenbus 412 kann
für die
Kommunikation zwischen dem Speicher 402 und dem Prozessor 410 sorgen.
Benutzer können
mit dem Controller 400 über
eine oder mehrere Benutzerschnittstellenvorrichtungen 414 in Verbindung
treten, wie beispielsweise eine Tastatur, eine Maus, ein Bedienungsfeld
oder beliebige andere Vorrichtungen, die in der Lage sind, Daten
zu und von dem Controller 400 zu übermitteln. Der Controller 400 kann
durch eine E/A-Schnittstelle 416 mit
der Dampfturbine 18 und/oder der Gasturbine 16 in
Verbindung stehen. Die E/A-Schnittstelle 416 kann mit den
Turbinen, Turbinenkomponenten oder anderen Komponenten des Kraftwerks
durch die E/A-Schnittstelle kommunizieren, die wiederum mit den
Kommunikationsleitungen kommunizieren kann, zum Beispiel mit den
Kommunikationsleitungen 44, 46, 48 und 52 zur
Kommunikation mit der Gasturbine 16 und der Dampfturbine 18.
Genauer gesagt können
ein oder mehrere Controller 400 die Ausführung der
neuronalen Netzwerkmodellierung übernehmen
und beispielsweise Betriebsparameter ermitteln, die von dem oder
den Turbinensensor(en) stammen können, die
Parameter als Eingaben in das neuronale Netzwerkmodell verwenden,
die Ausdehnung einer oder mehrerer Turbinenkomponente(n) modellieren,
eine zumindest teilweise auf der Ausdehnung basierende Steue rungshandlung
erzeugen und das neuronale Netzwerkmodell trainieren. Außerdem können der oder
die Controller 400 andere Modellierungswerkzeuge und die
Steuerungslogik – wie
sie in Turbinensteuerungssystemen bekannt sind – ausführen bzw. implementieren. Die
hier beschriebenen neuronalen Netzwerkmodelle können darüber hinaus eine Komponente
eines größeren Steuerungssystems
sein, das andere Steuerungslogik enthält, beispielsweise andere Modellierungswerkzeuge
wie die oben offenbarte prädiktive
Modelsteuerung. In der dargestellten Ausführungsform kann der Controller 400 in
Bezug auf die Turbine 18 entfernt angeordnet sein; er kann sich
aber auch an demselben Ort mit der Turbine 18 befinden
oder sogar in diese integriert sein. Der Controller 400 und
die durch diesen implementierte programmierte Logik 404 können Software,
Hardware, Firmware oder eine beliebige Kombination von diesen enthalten,
die dafür
konfiguriert sein kann, auf eine beliebige hier beschriebene Weise
zu funktionieren. Es sollte auch anerkannt werden, dass mehrere Controller 400 verwendet
werden können,
wodurch verschiedene hier beschriebene Eigenschaften durch einen
oder mehrere verschiedene Controller 400 ausgeführt werden
können.
-
5 ist
ein Querschnittsdiagramm einer beispielhaften Turbine 500,
die mit einem Controller, wie beispielsweise dem Controller 400 in 4,
gemäß einer
Ausführungsform
der Erfindung verwendet werden kann. Die Turbine 500, auf
die hier Bezug genommen wird, kann eine Dampfturbine 18 sein,
wie die mit Bezug auf 1 oben näher beschriebene. Es wird jedoch
auch anerkannt, dass eine Gasturbine, wie beispielsweise die Gasturbine 16,
alternativ auch in Übereinstimmung
mit einem Controller, beispielsweise 400, in einer Ausführungsform
der Erfindung verwendet werden kann. Wie in 5 gezeigt, kann
die Turbine 500 ein Turbinengehäuse 502 umfassen.
Das Turbinen gehäuse 502 kann
wesentliche Teile der Turbine 500 umschließen wie
beispielsweise einen Turbinenabschnitt 504 der Turbine 500.
Der Turbinenabschnitt 504 kann eine Welle 506 und
eine Vielzahl von Gruppen rotierender und stationärer Turbinenschaufeln
umfassen. Im Betrieb können
die Heißgase
aus einer Brennkammer, beispielsweise der oben mit Bezug auf 1 beschriebenen
Brennkammer 14, von den stationären Turbinenschaufeln gelenkt
werden, die auch als Stator- oder Leitschaufeln 508, 510, 512 bezeichnet
werden, und können die
rotierenden Turbinenschaufeln bzw. Rotorschaufeln 514, 516, 518 antreiben.
Die Leitschaufeln 508, 510, 512 können an
der Innenoberfläche
des Turbinengehäuses 502 befestigt
sein und sich nach innen in die Turbine 500 erstrecken.
Außerdem
können
die Welle 506 und die Rotorschaufeln 514, 516, 518 zusammengenommen
als eine Rotor-Baugruppe bezeichnet werden. Die Turbine 500 aus 5 zeigt drei
Gruppen von Leit- und Rotorschaufeln. Von Fachleuten wird jedoch
anerkannt, dass eine beliebige Anzahl Gruppen von Leit- und Rotorschaufeln
in einer Turbine 500 vorhanden sein kann, die gemäß einem
Gesichtspunkt der Erfindung genutzt wird.
-
Es
wird weiter anerkannt werden, dass jede Gruppe von Leit- und Rotorschaufeln
als eine Stufe der Turbine 500 bezeichnet werden kann.
Beispielsweise können,
wie in 5 gezeigt, die erste Leitschaufel 508 und
die erste Rotorschaufel 514 als die erste Stufe der Turbine 500 bezeichnet
werden; die zweite Leitschaufel 510 und die zweite Rotorschaufel 516 können als
die zweite Stufe der Turbine 500 bezeichnet werden und
die dritte Leitschaufel 512 und die dritte Rotorschaufel 518 können als
die dritte Stufe der Turbine 500 bezeichnet werden. Eine
Turbine 500, die gemäß einer
Ausführungsform
der Erfindung genutzt wird, kann eine beliebige Anzahl von Stufen umfassen.
-
Es
versteht sich außerdem,
dass in einigen Ausführungsformen
die Rotorschaufeln 514, 516, 518 eventuell
als „Schaufeln" (buckets) bezeichnet werden.
Der Begriff „Schaufel" kann alternativ
auch benutzt werden, um den freiliegenden Teil einer Schaufel zu
beschreiben, der sich von der Welle 506 erstreckt, wie
auch den Teil der Schaufel, der sich in die Welle 506 erstreckt.
In einem solchen Fall kann der Begriff „Rotorschaufel" verwendet werden,
um den freiliegenden Teil der Schaufel zu beschreiben. Im Rahmen
dieser Offenbarung kann der Begriff „Schaufel" (bucket) zur Bezeichnung einer gesamtem
Schaufel mit sowohl dem freiliegenden Schaufelteil als auch dem
sich in die Welle 506 erstreckenden Schaufelteil bzw. dem
Schaufelschaft dienen. Der Begriff „Rotorschaufel" kann als Bezeichnung
für den
freiliegenden Teil einer Schaufel verwendet werden. "Schaufelspitze" und „Rotorschaufelspitze" können als
austauschbare Begriffe verwendet werden, die sich auf dieselbe Komponente
beziehen.
-
Der
Betrieb der Turbine kann von mehreren Sensoren gemessen werden,
die verschiedene beobachtbare Zustände der Turbine und der sie
umgebenden Umgebung erkennen. In vielen Fällen messen mehrere redundante
Sensoren möglicherweise denselben
gemessenen Zustand. Zum Beispiel können ein oder mehrere Sensoren
in Verbindung mit Turbinenkomponenten stehen, beispielsweise dem Turbinengehäuse 502,
und deren Temperaturen überwachen.
In ähnlicher
Weise können
Temperatursensoren die Umgebungstemperatur um die Turbine, die Verdichterauslasstemperatur,
die Turbinenabgastemperatur oder andere zugehörige Temperaturmessungen des
Gasstroms durch eine Gasturbine oder andere in der Technik bekannte
Turbinenparameter überwachen.
Der Begriff „Parameter" bezieht sich hier
auf Elemente, die dazu verwendet werden können, die Betriebsbedingungen
der Turbine zu definieren, beispielsweise Temperaturen, Drücke und
Gasströme
an definierten Orten in der Turbine. Die hier beschriebenen Sensoren
können
mit einer oder mehreren Komponenten der Turbine 500 in
Verbindung stehen, wie in der Technik bekannt ist. Zum Beispiel können in
einer Dampfturbine Druck- und Temperatursensoren am Einlass- und
am Auslasspunkt der Turbine 500 integriert sein, um die
Einlass- und Auslass-Dampfzustände
zu messen. In einigen beispielhaften Turbinenanwendungen wie beispielsweise Dampfturbinen
können
ein oder mehrere zusätzliche Sensoren
zur direkten Messung der Ausdehnung der Metallkomponenten des Rotors
und/oder des Gehäuses
entweder am Einlass, am Auslass oder an beiden integriert sein.
In jedem Fall können
einige oder alle Sensoren mit dem Controller, beispielsweise dem Controller 400,
durch Kommunikationsleitungen oder eine beliebige andere Vorrichtung
oder ein beliebiges anderes Verfahren in Verbindung stehen.
-
6 zeigt
eine beispielhafte Ausführungsform
eines neuronalen Netzwerkmodells 600, wie es hier beschrieben
wird und wie es durch den Controller gemäß den hier beschriebenen Ausführungsformen
der Erfindung ausgeführt
werden kann. Das neuronale Netzwerkmodell 600 kann ein
beliebiger Typ eines in der Technik bekannten künstlichen neuronalen Netzwerkmodells
sein, zum Beispiel ein vorwärts
verkettetes neuronales Netzwerk (feedforward neural network), ein
Einschicht-Perzeptron, ein Mehrschicht-Perzeptron, ein Radiale-Basisfunktionen-Netzwerk
(radial basis function network, RBFN), ein rekursives neuronales
Netzwerk, ein modulares neuronales Netzwerk oder etwas Ähnliches
in der Technik Bekanntes. Das neuronale Netzwerk 600 kann
einen oder mehrere Knoten oder Gruppen von Knoten umfassen – wie das
Netzwerk des menschlichen Gehirns. Allgemein gesagt, ist das neuronale Netzwerk 600 ein
Schätzer,
Modellierer oder Vorhersager, der dafür ausgelegt und trainiert werden
kann, eine ausgewählte
Spanne von Eingabesignalen oder Signalen aufzuzeichnen, um einen
oder mehrere gewünschte
Ausgabe-Parameter
zu erzeugen, die dem oder den Eingabesignal(en) entsprechend variieren. In
Beispiel-Ausführungsformen,
die hier weiterführend
beschrieben werden, kann mehr als ein neuronales Netzwerkmodell 600 vorhanden
sein, von denen jedes zur Modellierung oder Vorhersage eines bestimmtem
Ausgabe-Parameters dient, den man für die Modellierung der in einer
Turbine auftretenden differenziellen Ausdehnung kennen möchte. Zum Beispiel
können
zwei neuronale Netzwerkmodelle 600 vorhanden sein, wobei
das erste neuronale Netzwerkmodell 600 dafür konfiguriert
ist, die Ausdehnung des Gehäuses
zu modellieren oder vorherzusagen, und ein zweites neuronales Netzwerkmodell 600 dafür konfiguriert
ist, die Ausdehnung der Rotor-Baugruppe zu modellieren oder vorherzusagen. Alternativ
wird anerkannt, dass ein einzelnes neuronales Netzwerk 600 dafür konfiguriert
sein kann, mehrere Eingaben aufzunehmen, um die differenzielle Ausdehnung
direkt als Ausgabe des einzelnen neuronalen Netzwerks 600 zu
modellieren oder vorherzusagen.
-
Genauer
gesagt, kann in einer Ausführungsform
jedes neuronale Netzwerkmodell 600 mindestens drei Gruppen
von Neuronen oder Knoten in einer Eingabe-Neuronenschicht 602,
mindestens einer versteckten Neuronenschicht 604 und einer
Ausgabe-Neuronenschicht 606 umfassen. Jede dieser Schichten
kann hier ebenso als „Neuron" bezeichnet werden.
Die Eingabe-Neuronenschicht 602 kann als Eingaben zum Beispiel
die Gehäusetemperatur,
gemessen von dem oder den oben erwähnten Sensor(en), und/oder
modellierte Parameter annehmen, um die Ausdehnung des Rotors zu
ermitteln. Es wird anerkannt, dass einige Parameter, wie es mit
Bezug auf 8 unten näher beschrieben wird, e ventuell praktischerweise
nicht in einer Turbinenumgebung modelliert werden und besser mithilfe
eines mathematischen Modells vorhergesagt oder modelliert werden.
Dementsprechend nehmen die hier beschriebenen neuronalen Netzwerkmodelle 600 eventuell
als Eingaben Betriebsparameter, die direkt gemessen werden können, und/oder
modellierte Parameter, die Betriebsparameter repräsentieren,
deren direkte Messung unmöglich
oder unpraktisch ist. Die Eingaben können wahlweise normalisiert
oder numerisch skaliert werden, wie es in der Technik bekannt ist.
-
In
einer beispielhaften Ausführungsform kann
die versteckte Neuronenschicht 604 für die Implementierung von Feedforward-Logik
konfiguriert sein, wodurch die Signale berechnet und „vorwärts" zum nächsten Knoten
eingegeben werden, ohne eine Rückwärts-Implementierung
oder seitliche Kommunikation zwischen den Knoten. Die Knoten der versteckten
Neuronenschicht 604 können
aus einer oder mehreren Gleichungen bestehen, wie sie in der Technik
bekannt sind. Bestimmte in 6 gezeigte Beispiele
stellen eine Reihe von Summationsfunktionen dar, die die Vektoreingaben
der Eingabeschicht-Einspeisung zu einer hyperbolischen Tangentenfunktion
(z. B. y = tanh(u)) summieren. Es wird jedoch anerkannt, dass auch
andere Gleichungen verwendet werden können, die zur Lösung für neuronale
Netzwerkschicht-Parameter bekannt sind. In alternativen Ausführungsformen
kann die versteckte Neuronenschicht 604 des neuronalen
Netzwerks oder der Netzwerke als ein rekursives Netzwerk konfiguriert
sein, das zusätzliche
Feedback-Verbindungen zwischen Neuronenschichten und/oder seitliche Feedback-Verbindungen zwischen
Neuronen innerhalb einer einzigen Schicht aufweist.
-
Die
Resultierenden der durch die versteckte Neuronenschicht 604 vorgenommenen
Operationen werden als Eingaben in die Ausgabe-Neuronenschicht 606 eingespeist.
Die Ausgabe-Neuronenschicht
kann eine oder mehrere resultierende Ausgaben enthalten. Die Ausgaben
können
dann von einer Summationsfunktion summiert werden, um die gewünschte Ausgabe
zu liefern, zum Beispiel die Ausdehnung eines oder mehrerer Rotoren,
die Ausdehnung des Turbinengehäuses
oder die differenzielle Ausdehnung des Rotors im Vergleich zum Turbinengehäuse. Die
Ausgaben der Ausgabe-Neuronenschicht 606 können ferner
wahlweise denormalisiert oder numerisch skaliert werden, wie in
der Technik bekannt ist. In einer beispielhaften Ausführungsform, weiterführend dargestellt
und beschrieben in 8, kann ein neuronales Netzwerkmodell
die Ausdehnung des Gehäuses
und ein anderes neuronales Netzwerkmodell die Ausdehnung des Rotors
vorhersagen. In dieser Ausführungsform
werden die Ausgaben zur Gehäuse-
und Rotorausdehnung verglichen, üblicherweise
mittels einer Additions- oder Subtraktionsfunktion, um die differenzielle
Ausdehnung zu ermitteln. Die differenzielle Ausdehnung kann dann
zumindest teilweise dazu verwendet werden, eine Steuerungshandlung
zu erzeugen oder eine Operation hinsichtlich anderer Steuerungshandlungen
während des
Turbinenbetriebs durchzuführen.
-
Zusätzlich kann
in einem Beispiel die Ausgabe-Neuronenschicht 606 als ein
Rückkopplungssignal 610,
als eine dritte Eingabe, zur Eingabe-Neuronenschicht zurückgeführt werden.
Während 6 ein
beispielhaftes einfaches Rückkopplungssignal 610 darstellt,
das direkt in die Eingabe-Neuronenschicht 602 eingespeist
wird, kann das Rückkopplungssignal 610 wahlweise
anderen Operationen unterworfen werden. Zum Beispiel kann das Rückkopplungssignal 610 wahlweise
durch einen Unit Delay geleitet werden, bevor es als eine Eingabe
in die Eingabe-Neuronenschicht eingespeist wird 602. Zusätzlich kann
wahlweise eine Bias (Vorspannung) mit einer oder mehreren der Schichten
des neuronalen Netzwerks 600 gekoppelt werden, um die Anpassung entweder
der Gewichtung oder der internen Parametrisierung der Schichte(en)
zu ermöglichen.
Die Bias kann zum Beispiel eine Stromversorgung sein, die eine stabile,
variable und ermittelbare Energiequelle bietet, die das Anpassen
der Gewichtungsfunktionen und/oder der internen Parametrisierungen
der verschiedenen versteckten Schichten ermöglicht.
-
Der
Entwurf (auch als „Selektion" bezeichnet) des
neuronalen Netzwerkmodells 600, eingeschlossen die Eingabe-Neuronenschicht 602,
die Zuordnung der gemessenen und/oder modellierten Betriebsparameter
zu der Eingabe-Neuronenschicht 602, jede versteckte Neuronenschicht 604 und
die Ausgabe-Neuronenschicht 606, kann mithilfe von Berechnungs-
und Modellierungs-Softwareanwendungen wie beispielsweise MATLAB
von The MathWorks, Inc. aus Natick, MA, oder Ähnlichen konstruiert werden.
Die Berechnungs- und Modellierungs-Softwareanwendung kann eine Grafikschnittstelle
für das
Erstellen, Testen und/oder Training jedes neuronalen Netzwerkmodells 600 vor
der Implementierung in den Controller 400 gemäß Ausführungsformen
der Erfindung bieten.
-
7 zeigt
ein Beispiel-Verfahren gemäß einer
Ausführungsform
der Erfindung. Es wird ein Beispiel-Verfahren 700 des grundlegenden
Betriebs eines neuronalen Netzwerkmodells gezeigt, das von dem Controller 400 ausgeführt werden
und zur Modellierung der Ausdehnung von Turbinenkomponenten und
der Vorhersage der differenziellen Ausdehnung von Turbinenkompo nenten
während
des Betriebs einer Turbine, wie zum Beispiel der Turbine 500,
verwendet werden kann.
-
Bei
Funktionsblock 702 kann der Controller 400 einen
oder mehrere Betriebsparameter empfangen, die die Betriebszustände der
Turbine 500 anzeigen. Die gemessenen Betriebsparameter
können
unter anderem die Gehäusetemperatur,
die Umgebungstemperaturen, die Rotationsgeschwindigkeit der Turbine
sowie die Turbinendrücke
umfassen. Ebenso wird anerkannt, dass andere Parameter, die eventuell
nicht gemessen werden, auf der Grundlage anderer, gemessener Parameter
modelliert werden können.
Ferner können
auch einige der gemessenen Parameter modelliert werden, um die Genauigkeit
zu erhöhen
und mehr System-Redundanzen zu schaffen. In einer beispielhaften
Ausführungsform
kann die Rotortemperatur dadurch modelliert werden, dass die Dampftemperatur
an bestimmten Punkten während
des Turbinenbetriebs gemessen wird und die gemessenen Dampftemperaturen
als Eingaben für
ein Modell verwendet werden, das auf der Grundlage bekannter oder
abgeleiteter thermischer Modelle die Rotortemperatur vorhersagt.
-
Bei
Funktionsblock 704 können
die bei Funktionsblock 702 gemessenen und/oder modellierten Betriebsparameter
als Eingaben in ein oder mehrere neuronale Netzwerkmodelle verwendet
werden. Bei Funktionsblock 706 kann das neuronale Netzwerkmodell
die Ausdehnung von einer oder mehreren Turbinenkomponenten gemäß der Beschreibung
aus 6 oben und der nachfolgenden 8 modellieren.
Die differenzielle Ausdehnung kann zum Beispiel die Ausdehnung des
Turbinengehäuses
mit der Ausdehnung des Rotors vergleichen und im Allgemeinen ausgedrückt werden
als: Differenzielle Ausdehnung = Rotorausdehnung – Gehäuseausdehnung.
Es wird anerkannt, dass in anderen Ausfüh rungsformen die differenzielle
Ausdehnung zum Vergleich der Ausdehnung zwischen anderen in der
Technik bekannten Turbinenkomponenten modelliert werden kann. Während 7 allgemein
eine Ausführungsform
im Betrieb darstellt, wird anerkannt, dass das neuronale Netzwerkmodell
selektiert (oder entworfen) und anschließend trainiert werden muss,
bevor während des
Betriebs Eingaben gemacht werden. Beispielhafte Selektions- und
Trainingsprozesse für
neuronale Netzwerke werden unten mit Bezug auf 9 beschrieben.
-
Bei
Funktionsblock 708 kann der Controller 400 eine
Steuerungshandlung ausführen,
die zumindest zum Teil auf der modellierten Ausdehnung basiert,
die bei Funktionsblock 706 ermittelt wurde. Die Steuerungshandlung
kann dazu dienen, den Betrieb der Turbine durch in der Technik bekannte
Mittel anzupassen, wie beispielsweise durch Einstellung der Ventile
oder der Belastungsrate. Die Steuerungshandlung kann zum Beispiel
ein Signal erzeugen, um die Geschwindigkeit der Turbine zu erhöhen, wenn die
modellierte differenzielle Ausdehnung unterhalb einer bestimmten
vordefinierten Schwelle liegt, und die Geschwindigkeit der Turbine
herabsetzen, wenn die modellierte differenzielle Ausdehnung oberhalb einer
bestimmten vordefinierten Schwelle liegt. Es wird anerkannt, dass
die vordefinierten Schwellenwerte hinsichtlich der Größe und dem
beabsichtigten Betrieb der Turbine spezifisch sind. Daher können auf
der Grundlage der besonderen Turbinenanwendung Werte für diese
beispielhaften vordefinierten Schwellen ermittelt werden. Alternativ
kann die Steuerungshandlung dazu dienen, den Betrieb der Turbine
zu beenden, einen Alarm auszulösen
oder eine Benutzerbenachrichtigung zu übermitteln. Die Steuerungshandlung
kann ferner andere Gesichtspunkte des Turbinenbetriebs berücksichtigen,
wie beispielsweise andere Betriebspa rameter, die aktuelle Betriebsgeschwindigkeit,
die Belastungsstufe der Turbine und Ähnliches. Zusätzlich kann
der Controller 400 über
bestimmte Einstellpunkte oder Schwellen verfügen, die Bereiche kennzeichnen,
in denen die differenzielle Ausdehnung liegen darf, bevor sie eine Steuerungshandlung
erzeugt, um entweder den Turbinenbetrieb oder die Ausdehnung der
Turbinenkomponenten zu ändern.
Weiter wird anerkannt, dass die modellierte Ausgabe von Funktionsblock 706 als
eine Eingabe für
das modellprädiktive
Steuerungssystem fungieren kann, wie es oben mit Bezug auf die 1–3 näher beschrieben
wird, und dass die Steuerungshandlung bei Funktionsblock 708 als
Reaktion auf die Steuerungshandlungen des modellprädiktiven
Steuerungssystems erfolgen kann.
-
8 zeigt
ein beispielhaftes funktionelles Verfahren 800, durch das
eine von dem Controller 400 ausgeführte Ausführungsform arbeiten kann, um die
differenzielle Ausdehnung von Turbinenkomponenten zu modellieren
oder vorherzusagen. Bei der Eingabe 802 und der Eingabe 804,
können
die Abdampftemperatur und entsprechend die Hauptdampftemperatur
gemessen werden. Es kann erforderlich sein, bestimmte Parameter
zu modellieren anstatt sie direkt zu messen, da bei einigen Beispielen
Messwerte nicht direkt zu erlangen sind. Zum Beispiel kann es in
einer Dampfturbine schwierig oder unpraktisch sein, die Temperatur
der rotierenden Komponenten und der Innenoberflächen zu messen. Dementsprechend
können
andere, direkt messbare Parameter wie beispielsweise die Dampftemperatur auf
ein oder mehrere Modelle angewendet werden, um den gewünschten
Parameter dann zu schätzen. Bei
den Modellen kann es sich um vereinfachte, eindimensionale, kompakte
(lumped) Modelle (auch als kompakte (lumped) Komponenten-Modelle
bekannt) handeln. Beispielhafte kompakte Komponenten-Modelle können auch
als algebrai sche Gleichungen oder Differenzialgleichungen bezeichnet
werden. Alternativ können
die Parametermodelle durch eine computerisierte Sammlung algebraischer
oder Finite-Differenzen-Gleichungen
realisiert werden.
-
Die
Blöcke 806 und 808 repräsentieren
vereinfachte Modelle in dieser beispielhaften Ausführungsform.
Block 806 stellt ein thermisches Gehäusemodell dar, bei dem die
Abdampftemperatur-Eingabe 802 und
die Hauptdampftemperatur-Eingabe 804 als Eingaben in das
thermische Gehäusemodell geliefert
werden. Das thermische Gehäusemodell kann
die Innenoberflächen-Temperatur
des Außengehäuses und
die Gehäusetemperatur
des Abgastrakts messen, die als Ausgaben 810 und entsprechend 812 angegeben
werden. In gleicher Weise kann bei 808, ein thermisches
Modell des Rotors den Hauptdampf als Eingabe 804 nehmen
und die Schaufeltemperatur modellieren, wie durch die Eingabe 814 gezeigt
wird. Es wird anerkannt, dass 8 lediglich
eine beispielhafte Ausführungsform darstellt,
und dass unter Verwendung anderer Eingaben andere Komponenten modelliert
werden können. Zum
Beispiel könnte
eine alternative Ausführungsform
die Hauptdampftemperatur als Eingabe verwenden, oder die Hauptdampf-
und die Abdampftemperatur, und durch ein neuronales Netzwerkmodell
die Gehäuseausdehnung
und die Rotorausdehnung einzeln modellieren, oder aber die differenzielle
Ausdehnung direkt modellieren.
-
Die
Blöcke 816 und 818 zeigen
zwei neuronale Netzwerkmodelle, die zur Modellierung der Gehäuseausdehnung
und entsprechend der Rotorausdehnung verwendet werden können, wie
es mit Bezug auf 6 beschrieben wird. Nochmals:
Es wird anerkannt, dass die neuronalen Netzwerkmodelle, wie sie
beispielsweise unter Block 816 und 818 in dieser
Figur gezeigt werden, selektiert, entworfen und trainiert werden
müssen.
Selektion und Training werden unten mit Bezug auf 9 ausführlicher
beschrieben.
-
Die
Ausgaben der neuronalen Netzwerkmodelle, die in diesem Beispiel
durch die Ausgaben 820 und 822 dargestellt sein
könnten,
können
dann verglichen werden. Dazu wird ein Vergleicher oder eine beliebige ähnliche
Operation benutzt, um die Differenzen zwischen den Ausgaben zu ermitteln
(gezeigt durch den Vergleicher 824). Der Vergleich und/oder die
Ermittlung der Differenzen zwischen der Gehäuseausdehnungs-Ausgabe 820 und
der Rotorausdehnungs-Ausgabe 822 hat die differenzielle
Ausdehnung der Turbine zum Ergebnis – insbesondere der Vergleich
des axialen Spalts der Turbinenschaufeln im Verhältnis zu dem Turbinengehäuse, beim
Betrieb in der dann existierenden Umgebung. Die Differenzielle-Ausdehnungs-Ausgabe
kann im Zeitablauf modelliert und die Ergebnisse können im
Zeitablauf analysiert werden, um die Auswirkungen der aktuellen und/oder
historischen Betriebsbedingungen auf die Komponenten der Turbine
zu ermitteln. Zum Beispiel kann es bei bestimmten Betriebszuständen, beispielsweise
Kaltstarts, von Vorteil sein, die differenzielle Ausdehnung im Zeitablauf,
während
der Beaufschlagung der Turbine, zu modellieren (oder vorherzusagen),
um ein besseres Verständnis
der Beschränkungen
der Komponenten zu gewinnen. Die Modellierung der differenziellen
Ausdehnung bietet außerdem
ein vollständigeres
Bild der Zustände
der Turbinenkomponenten während
unterschiedlicher Betriebszustände,
was es einem Bediener und/oder Steuerungssystem ermöglicht,
die Turbine in ihrem leistungsfähigsten
Zustand zu betreiben und gleichzeitig das Risiko eines Komponentenversagens
aufgrund von Reibung oder Ähnlichem
zu vermeiden.
-
9 zeigt
ein Beispiel-Verfahren 900, durch das eine Ausführungsform
der Erfindung arbeiten und jedes neuronale Netzwerkmodell 600 für die Implementierung
trainieren kann, wie es mit Bezug auf die 6–8 beschrieben
wird. Das neuronale Netzwerkmodell 600 kann trainiert werden,
um die beste von der versteckten Neuronenschicht 604 ausgeführte repräsentative
Funktion (oder Funktionen) und die beste Knotengewichtung zur Erzeugung
einer relativ genauen Ausgabe als Reaktion auf Gemessene-Betriebsparameter-Eingabesignale
zu ermitteln. Ein Lernalgorithmus oder -algorithmen können während des
Trainings eingesetzt werden, um die geeigneten Gewichtungsfaktoren
für einen
oder mehrere Knoten des neuronalen Netzwerks zu erzeugen. Der Lernalgorithmus
kann ferner dazu verwendet werden, um die geeigneten Bias-Signale
zu ermitteln, mit denen eine oder mehrere Netzwerkschichten beaufschlagt
werden sollen. Der Lernalgorithmus kann auf iterative Weise ausgeführt werden, bis
der Fehlerfaktor beim Vergleich der Ausgabe des neuronalen Netzwerks
mit bekannten, korrekten Beobachtungen oder Trainingsdaten minimiert
ist oder konvergiert. Dieser Prozess kann auch als Optimierung des
neuronalen Netzwerkmodells 600 bezeichnet werden. Als Beispiele
für während der
Optimierung ausgeführte
Lernalgorithmen können
dienen: ein Mittlererquadratischer-Fehler-Algorithmus, ein Backpropagation-Algorithmus
(Rückwärtspropagierungsalgorithmus),
ein Levenberg-Marquardt-Algorithmus
oder andere statistische Verfahren, die in der Technik bekannte
Fehlerfunktionen nutzen.
-
Zuerst
werden bekannte Werte der Turbinenkomponenten-Ausdehnung abgerufen, um Trainings- oder
Zieldaten zu liefern, gegen die das neuronale Netzwerkmodell 600 während des
Trainings optimiert wird, wie bei Funktionsblock 902 gezeigt.
Wie bei Funktionsblock 702 in 7 werden
Betriebsparameter der Turbine bei Funktionsblock 904 gemessen oder
modelliert und bei Funktionsblock 906 als Eingaben für das neuronale
Netzwerkmodell verwendet. An den Eingaben aus Funktionsblock 906 arbeiten die
Funktionen der versteckten Neuronenschicht, wie mit Bezug auf 6 oben
beschrieben, um bei Funktionsblock 908 Ausgaben zu ermitteln,
wie die Rotorausdehnung, die Gehäuseausdehnung
oder die differenzielle Ausdehnung. Der Funktionsblock 910 sorgt
für den
Vergleich der modellierten Ausdehnung aus Funktionsblock 908 mit
der bekannten Turbinenkomponenten-Ausdehnung, die bei Funktionsblock 902 abgerufen
wurde. Der Vergleich kann durch einen Trainingsalgorithmus durchgeführt werden,
der eine Fehlerfunktionsoperation an der Ausgabe im Vergleich mit
den bekannten Daten ausführt,
wie oben bereits erörtert.
Ist der bei Funktionsblock 910 ermittelte Fehlerterm ausreichend
minimiert, um die Konvergenz der modellierten Ausgaben mit den bekannten
Ausgaben zu beweisen, kann das neuronale Netzwerkmodell als trainiert
angesehen werden, und es sind keine weiteren Anpassungen der Gewichtung und
der Parameter erforderlich, wie bei Funktionsblock 912 dargestellt.
Zeigt jedoch der bei Funktionsblock 910 ermittelte Fehlerterm
keine ausreichende Konvergenz, kann die Gewichtung von einem oder mehreren
Parametern oder einer oder mehrerer versteckter Schichten angepasst
werden, wie bei Funktionsblock 914 gezeigt. Nach der Anpassung
der Eingabe-Neuronenschicht und/oder der versteckten Neuronenschicht
wird das neuronale Netzwerkmodell erneut ausgeführt, wie bei Funktionsblock 908, um
Modell-Ausdehnungs-Ausgaben zu erzeugen. Die bei den Funktionsblöcken 908, 910 und 914 dargestellten
Elemente werden iterativ wiederholt, wobei geringfügige Anpassungen
der Gewichtung und der versteckten Neuronenschichten vorgenommen
werden, bis die bei Funktionsblock 910 durchgeführten Ermittlungen
eine zufriedenstellende Konvergenz zwischen den model lierten Ausdehnungs-Ausgaben und
den bekannten Ausdehnungsdaten zeigen. Es wird ferner anerkannt,
dass zusätzlich
oder alternativ Bias-Signale mit denen einer oder mehrere Knoten einer
beliebigen Netzwerkschicht beaufschlagt wurden, angepasst werden
können,
wie bei den bei Funktionsblock 914 vorgenommenen Anpassungen.
-
Die
hier verwendete Terminologie soll beschreibend, nicht einschränkend sein.
Hier offenbarte strukturelle und funktionelle Details sollen nicht
als einschränkend
verstanden werden, sondern lediglich als eine Basis für die Ansprüche und
als eine repräsentative
Basis für
das Lehren von Beispiel-Ausführungsformen
der Erfindung. Alle Modifikationen oder Variationen der gezeigten
modellprädiktiven
Steuerungssysteme und -verfahren sowie derartige weitere Anwendung
der hier gezeigten Prinzipien werden als zum Anwendungsbereich der
Erfindung gehörend angesehen.
-
Die
beispielhaften Ausführungsformen
beziehen sich auf Blockdiagramme von Systemen, Verfahren, Geräten und
Computerprogrammprodukten gemäß zumindest
einer hier beschriebenen Ausführungsform.
Es versteht sich, dass jeder Block der Blockdiagramme sowie Kombinationen
von Blöcken in
den Blockdiagrammen zumindest teilweise durch Computerprogrammanweisungen
implementiert werden können.
Diese Computerprogrammanweisungen können auf einen Universalcomputer,
einen Spezialcomputer, einen hardwarebasierten Spezialcomputer oder
eine andere programmierbare Datenverarbeitungsvorrichtung zur Herstellung
einer Maschine geladen werden, sodass die Anweisungen die auf dem Computer
oder der anderen programmierbaren Datenverarbeitungsvorrichtung
ausgeführt
werden, Mittel zur Implementierung der Funktionalität jedes Blocks
der Blockdiagramme oder von Kombinationen von Blöcken in den erörterten
Blockdiagrammen erzeugen.
-
Diese
Computerprogrammanweisungen können
auch in einem computerlesbaren Speicher gespeichert sein, der einen
Computer oder eine andere programmierbare Datenverarbeitungsvorrichtung
so steuern kann, dass sie auf eine bestimmte Weise funktioniert,
sodass die in dem computerlesbaren Speicher gespeicherten Anweisungen
ein Produkt samt der Anweisungsmittel herstellen, die die in dem
Block oder den Blöcken
spezifizierte Funktion implementieren. Die Computerprogrammanweisungen
können
auch auf einen Computer oder eine andere programmierbare Datenverarbeitungsvorrichtung
geladen werden, um eine Reihe von auf dem Computer oder der anderen
programmierbaren Datenverarbeitungsvorrichtung durchzuführenden
Betriebsschritten zu bewirken, um einen computerimplementierten
Prozess zu erzeugen, sodass die Anweisungen, die auf dem Computer
oder der anderen programmierbaren Datenverarbeitungsvorrichtung ausgeführt werden,
Elemente für
die Implementierung der in dem Block oder den Blöcken spezifizierten Funktionen
zur Verfügung
stellen.
-
Die
hier beschriebenen Systeme und Verfahren können durch ein Anwendungsprogramm
implementiert werden, das auf einem Betriebssystem eines Computers
läuft.
Sie können
auch mit anderen Computersystemkonfigurationen praktiziert werden, darunter
Handheld-Vorrichtungen, Multiprozessor-Systeme, mikroprozessorbasierte
oder programmierbare Unterhaltungselektronik, Mini-Computer, Großrechner
etc.
-
Anwendungssysteme,
die Komponenten der hier beschriebenen Systeme und Verfahren sind, können Routinen,
Programme, Kornpo nenten, Datenstrukturen etc. enthalten, die bestimmte
abstrakte Datentypen implementieren und bestimmte Aufgaben oder
Handlungen durchführen.
In einer verteilten Rechenumgebung kann sich das Anwendungsprogramm
(ganz oder zum Teil) in einem lokalen (Arbeits)-Speicher (memory)
oder in einem anderen Datenspeicher (storage) befinden. Zusätzlich oder
alternativ kann sich das Anwendungsprogramm (ganz oder zum Teil)
in einem entfernten (Arbeits)-Speicher oder in einem Datenspeicher
befinden, um Umstände
zu ermöglichen,
in denen Aufgaben durch entfernte Verarbeitungsvorrichtungen erledigt
werden, die durch ein Kommunikations-Netzwerk verbunden sind.
-
Dementsprechend
wird durch das Vorsehen von Systemen und Verfahren, wie sie hier
beschrieben werden, eine flexiblere Steuerung und ein größerer Wirkungsgrad
des Turbinen- und Anlagenbetriebs ermöglicht. Das Vorsehen eines
neuronalen Netzwerks zur Modellierung und damit zur Vorhersage der differenziellen
Ausdehnung von Turbinenkomponenten bei laufendem Betrieb ermöglicht ferner
so schnell wie möglich
einen Betrieb der Turbine in ihrem leistungsfähigsten Zustand, indem die
Be- oder Entlastungsraten
der Turbine beim Anfahren bis an ihre Grenzwerte getrieben werden,
während
der Betrieb gleichzeitig innerhalb vorbestimmter Grenzen und sicherer
Betriebsbereiche stattfindet. Außerdem kann das neuronale Netzwerkmodell
auch nur eine einzelne Komponente in dem größeren Online-Optimierer sein,
die in Echtzeit eine modellprädiktive
Optimierung der Anfahr- und Betriebsprofile einer Turbine oder einer
Turbine in einem Gas-und-Dampf-Kombikraftwerk durchführt.
-
Es
sollte ersichtlich sein, dass das Vorangehende sich auf verschiedene
Ausführungsformen
der Erfindung bezieht, und dass Fachleute daran zahlreiche Änderungen
und Modifikationen vor nehmen könnten,
ohne von dem allgemeinen Anwendungsbereich abzuweichen, wie er durch
die nachfolgenden Patentansprüche
definiert wird.
-
Ausführungsformen
der Erfindung können Verfahren
und Systeme zur Regelung der Spaltbreiten in einer Turbine 500 umfassen.
In einer Ausführungsform,
kann ein Verfahren die Anwendung 704 zumindest eines Betriebsparameters
als Eingabe in zumindest ein neuronales Netzwerkmodell 600,
die Modellierung 706 einer thermischen Ausdehnung zumindest
einer Turbinenkomponente durch das neuronale Netzwerkmodell 600 sowie
die Ausführung 708 einer
Steuerungshandlung umfassen, die zumindest teilweise auf der modellierten
thermischen Ausdehnung der Turbinenkomponente(n) basiert. Ein beispielhaftes
System kann einen Controller 400 umfassen, der dazu dient,
die Betriebsparameter zu ermitteln 702 und diese als Eingaben
in das neuronale Netzwerkmodell 600 anzuwenden 704,
die thermische Ausdehnung durch das neuronale Netzwerkmodell 600 zu
modellieren 706 und eine Steuerungshandlung auszuführen 708,
die zumindest teilweise auf der modellierten thermischen Ausdehnung
basiert.
-
- 10
- System
- 12
- Gas-und-Dampf-Kombikraftwerk
- 14
- Abhitzedampferzeuger
- 16
- Gasturbine
- 18
- Dampfturbine
- 20
- System
- 22
- Hochdruckabschnitt
- 24
- Mitteldruckabschnitt
- 26
- Niederdruckabschnitt
- 28
- elektrische
Generatoren
- 30
- Block
- 32
- Transformator
- 34
- Kondensator
- 36
- Controller
- 42
- Kommunikationsleitung
- 44
- Kommunikationsleitung
- 46
- Kommunikationsleitung
- 48
- Kommunikationsleitung
- 52
- Kommunikationsleitung
- 54
- Kommunikationsleitung
- 56
- Kommunikationsleitung
- 58
- Kommunikationsleitung
- 62
- Controller
- 64
- Funktionsblock
- 66
- Funktionsblock
- 68
- Funktionsblock
- 72
- Funktionsblock
- 74
- Funktionsblock
- 76
- Funktionsblock
- 102
- Funktionsblock
- 104
- Funktionsblock
- 106
- Funktionsblock
- 108
- Funktionsblock
- 112
- Funktionsblock
- 114
- Funktionsblock
- 116
- Funktionsblock
- 118
- Funktionsblock
- 122
- Funktionsblock
- 124
- Funktionsblock
- 128
- Funktionsblock
- 132
- Funktionsblock
- 134
- Funktionsblock
- 136
- Funktionsblock
- 400
- Controller
- 402
- Speicher
- 404
- programmierte
Logik
- 406
- Daten
- 408
- Betriebssystem
- 410
- Prozessor
- 412
- Datenbus
- 414
- Benutzerschnittstellengerät
- 416
- E/A-Schnittstelle
- 500
- Turbine
- 502
- Turbinengehäuse
- 504
- Turbinenabschnitt
- 506
- Welle
- 508
- Leitschaufel
- 510
- Leitschaufel
- 512
- Leitschaufel
- 514
- Rotorschaufel
- 516
- Rotorschaufel
- 518
- Rotorschaufel
- 600
- neuronales
Netzwerkmodell
- 602
- Eingabe-Neuronenschicht
- 604
- versteckte
Neuronenschicht
- 606
- Ausgabe-Neuronenschicht
- 608
- Ausgabe
- 610
- Feedback-Signal
- 700
- Verfahren
- 702
- Funktionsblock
- 704
- Funktionsblock
- 706
- Funktionsblock
- 708
- Funktionsblock
- 800
- Verfahren
- 802
- Eingabe
- 804
- Eingabe
- 806
- Funktionsblock
- 808
- Funktionsblock
- 810
- Ausgabe
- 812
- Ausgabe
- 814
- Ausgabe
- 816
- Funktionsblock
- 818
- Funktionsblock
- 820
- Ausgabe
- 822
- Ausgabe
- 824
- Vergleicher
- 900
- Verfahren
- 902
- Funktionsblock
- 904
- Funktionsblock
- 906
- Funktionsblock
- 908
- Funktionsblock
- 910
- Funktionsblock
- 912
- Funktionsblock
- 914
- Funktionsblock