DE102008055593A1

DE102008055593A1 - Verfahren und Systeme zur neuronalen Netzwerkmodellierung von Turbinenkomponenten

Info

Publication number: DE102008055593A1
Application number: DE102008055593A
Authority: DE
Inventors: Karl Dean Minto; Jianbo Zhang; Erhan Karaca
Original assignee: General Electric Co
Current assignee: General Electric Co
Priority date: 2008-01-08
Filing date: 2008-12-29
Publication date: 2009-07-09
Also published as: JP2009162231A; RU2008152896A; US20100100248A1; FR2926107A1; RU2482307C2; US8065022B2

Abstract

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.

Description

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

Claims

Verfahren zur Regelung der Spaltbreite in einer Turbine (500), wobei das Verfahren umfasst: die Anwendung (704) zumindest eines Betriebsparameters als Eingabe in zumindest ein neuronales Netzwerkmodell (600); die Modellierung (706) der thermischen Expansion zumindest einer Turbinenkomponente durch das zumindest eine neuronale Netzwerkmodell (600) und die Implementierung (708) einer Steuerungshandlung, die zumindest zum Teil auf der modellierten thermischen Ausdehnung der zumindest einen Turbinenkomponente basiert.
Verfahren nach Anspruch 1, ferner umfassend: die Ermittlung (702) einer zur Turbine (500) zugehörigen Außengehäusetemperatur und die Ermittlung (702) einer zur Turbine (500) zugehörigen Rotortemperatur, wobei der zumindest eine Betriebsparameter die Außengehäusetemperatur und die Rotortemperatur umfasst.
Verfahren nach Anspruch 2, wobei die Ermittlung (702) der Außengehäusetemperatur die Messung der Außengehäusetemperatur umfasst.
Verfahren nach Anspruch 2, wobei die Ermittlung (702) der Rotortemperatur die Modellierung der Rotortemperatur umfasst.
Verfahren nach Anspruch 4, wobei die Ermittlung (702) der Rotortemperatur umfasst: das Erlangen (804) der Dampftemperatur von zumindest einem Punkt in der Turbine; das Anwenden (808) der Dampftemperatur auf ein thermisches Rotormodel und die Modellierung (814) eines Rotortemperatur-Parameters durch das thermische Rotormodell.
Verfahren nach Anspruch 1, wobei die Modellierung (706) der thermischen Ausdehnung zumindest einer Turbinenkomponente durch das zumindest eine neuronale Netzwerkmodell (600) umfasst: die Modellierung (820) der thermischen Ausdehnung eines zur Turbine gehörenden Gehäuses und die Modellierung (822) der thermischen Ausdehnung eines der Turbine zugehörigen Rotors.
Verfahren nach Anspruch 6, ferner die Ermittlung (824) einer differenziellen Ausdehnung umfassend, die zumindest zum Teil auf der Differenz zwischen der modellierten thermischen Ausdehnung des Rotors und der modellierten thermischen Ausdehnung des Gehäuses basiert.
Verfahren nach Anspruch 1, ferner die Anwendung der modellierten thermischen Ausdehnung der zumindest einen Turbinenkomponente als eine Feedback-Eingabe (610) in das zumindest eine neuronale Netzwerkmodell (600) umfassend.
Verfahren nach Anspruch 1, wobei die Implementierung (708) der Steuerungshandlung zumindest eine der folgenden Handlungen umfasst: Anhalten des Betriebs der Turbine (500), Anpassen des Betriebs der Turbine (500), Auslösen eines Alarms, Senden einer Benachrichtigungsmeldung oder Änderung der Spaltbreite der Turbine (500).
Verfahren nach Anspruch 1, wobei die Implementierung (708) der Steuerungshandlung umfasst, die modellierte thermische Ausdehnung der zumindest einen Turbinenkomponente als eine Eingabe in ein prädiktives Modell zur Steuerung eines Kraftwerks (12) anzuwenden, von dem die Turbine (600) ein Teil ist.