DE19904974A1

DE19904974A1 - Verfahren zum Betreiben eines Dampferzeugers unter Einsatz eines Freilastrechners

Info

Publication number: DE19904974A1
Application number: DE1999104974
Authority: DE
Inventors: Ralf Otte; Michael Janto; Gerd Rappenecker; Armin Gasch
Original assignee: ABB Patent GmbH
Current assignee: ABB Patent GmbH
Priority date: 1999-02-06
Filing date: 1999-02-06
Publication date: 2000-08-10

Abstract

Die Erfindung bezieht sich auf ein Verfahren zum Betreiben eines Dampferzeugers einer Kraftwerksanlage unter Einsatz eines Freilastrechners, der ein dynamisches Modell des Dampferzeugers zur vorausschauenden Einstellung optimaler Führungsgrößen für die Steuerung des Dampferzeugerprozesses enthält. Dabei wird das dynamische Modell des lernfähigen Systems mittels neuronaler Netze (3 bis 3n) realisiert. Mittels dieses Modells werden nach einer Lernphase unter Berücksichtigung aktueller Prozeßdaten (2 bis 2n) Prognosedaten (4 bis 4n) für einen künftigen Zeitpunkt ermittelt und zu erwartende Materialspannungen (sigma(t¶0+1¶)) berechnet. Mittels eines übergeordneten Optimierungsverfahrens wird der Lastgradient im dynamischen Modell schrittweise erhöht, bis die prognostizierten Materialspannungen (sigma(t¶0+1¶)) an der Grenze der zulässigen Materialspannung (sigma¶critical¶) wenigstens einer Dampferzeugerkomponente (1 bis 1n) liegen. Der so ermittelte optimale Lastgradient (dP¶Heat¶/dt¶max¶) wird für weitere Verfahrensschritte ausgegeben.

Description

Die Erfindung bezieht sich auf ein Verfahren zum Betreiben eines Dampferzeugers einer Kraftwerksanlage unter Einsatz eines Freilastrechners, der ein dynamisches Modell des Dampferzeugers zur vorausschauenden Einstellung optimaler Führungs größen für die Steuerung des Dampferzeugerprozesses enthält.

Solche Verfahren werden insbesondere zum Verkürzen von Anfahrvorgängen von Dampferzeugern eingesetzt, wobei Führungsgrößen zur Steuerung des Prozesses vorausschauend und dynamisch so eingestellt werden, daß in der Nähe der zulässi gen material- und prozeßbedingten Lastgrenzen von kritischen dickwandigen Bau teilen gearbeitet wird.

Bekannt sind sogenannte Modellverfahren, bei denen mit einem parallel zum Prozeß betriebenen mathematischen Modell des Prozesses zur Ermittlung und Korrektur von Führungsgrößen gearbeitet wird. Solche Verfahren können sowohl linear als auch nichtlinear sein und eine prädiktive Ermittlung und Vorgabe der Führungsgrößen er möglichen. Solche Verfahren sind insbesondere beschrieben in G. Kallina, "Voraus schauender Freilastrechner für das optimale Anfahren von Dampferzeugern", VGB Kraftwerkstechnik 75 (1995), Heft 7, Seiten 578 bis 582. Auch in DE 31 33 222 C2 ist ein solches Modellverfahren beschrieben. Ein weiteres Verfahren mit Vorausberech nung des gesamten Spannungszustandes ist in DE 34 01 948 A1 beschrieben.

Auf mathematischen Verfahren beruhende Vorgehensweisen bedingen einen gro ßen Inbetriebnahmeaufwand. Eine Feinabstimmung der Parameter kann erst vor Ort vorgenommen werden; das gleiche gilt auch für zusätzliche Parameter, die für die jeweilige Anlage relevant sind, und für die jeweilige dynamische Verkopplung.

Auf mathematischen Modellen beruhende Anfahrsteuerungen können ferner auf grund der vorgegebenen Parametrisierung nicht auf beispielsweise durch Verschleiß bedingte langsame Veränderungen der Anlageneigenschaften reagieren. Dies führt zu einer Zunahme des Schätzfehlers. Eine optimale Fahrweise mit minimalen Feh lern kann nur erreicht werden, wenn in regelmäßigen Zeitabständen im Offline- Betrieb ein Tuning der Anlagenparameter vorgenommen wird.

Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zum Betreiben eines Dampferzeugers unter Einsatz eines Freilastrechners anzugeben, das eine verein fachte Inbetriebnahme und eine Online-Adaption ermöglicht.

Diese Aufgabe wird durch ein Verfahren zum Betreiben eines Dampferzeugers einer Kraftwerksanlage unter Einsatz eines Freilastrechners mit den im Anspruch 1 ange gebenen Merkmalen gelöst.

Das Verfahren arbeitet unter Verwendung Neuronaler Netze, beispielsweise dreischichtige RBF-Netzwerken mit n Neuronen, die an Hand bereits vorhandener Prozeßdaten trainiert werden. Insbesondere wird in der Trainingsphase der Zu sammenhang zwischen Lastgradient und Materialspannung für ausgewählte Pro zeßzustände gelernt. Die dafür notwendigen Trainingsdaten werden automatisch den vorhandenen Prozeßhistorien entnommen. Ein wesentlicher Vorteil eines Neu romodells liegt in der Fähigkeit, bei Veränderungen in Anlageneigenschaften sich automatisch an diese anzupassen. Durch eine periodische Abstimmung des Modells mit dem Anlagenzustand, wobei ein erneutes Trainieren mit aktuellen Datensätzen erfolgt, ist eine präzise Prädiktion gewährleistet, die sowohl für die Regelung als auch für die Ofiline-Auswertung verwendet werden kann. Durch hohe Adaptionsfä higkeit kann sich das Modell an Störungen und langsame Veränderungen innerhalb der Anlage anpassen. Durch den Einsatz Neuronaler Netze für das Prozeßmodell läßt sich der Engineering- und Inbetriebeaufwand erheblich reduzieren, da das Netz selbständig in der Lage ist, das Modell zu bilden. Die notwendige Parametrierung des Neuromodells, wie Anzahl Neuronen und Anzahl Schichten, wird durch entspre chende Lernverfahren, wie z. B. neuron pruning, automatisch festgelegt. Lediglich die Auswahl und Zusammenstellung der relevanten Datensätze bleiben als Engi neeringaufwand übrig.

Zur Ermittlung eines maximal zulässigen Lastgradienten ist ein übergeordnetes Op timierungsverfahren vorgesehen, das im Modell den Lastgradienten solange erhöht, bis die prognostizierten Materialspannungen an der Grenze der zulässigen Material spannungen der Komponenten liegen. Da das Verfahren echtzeitfähig ist, kann es im laufenden Betrieb einer Anlage, insbesondere zur Anfahroptimierung eingesetzt werden.

Eine weitere Beschreibung der Erfindung erfolgt nachstehend anhand eines in der Zeichnung dargestellten Ausführungsbeispiels.

Fig. 1 zeigt Neuronale Netze 3 bis 3n zur Nachbildung einzelner Dampferzeuger komponenten 1 bis 1n. Solchen Komponenten 1 bis 1n zugeordnete und erfaßte Prozeßdaten, wie Dampftemperatur T_medium, Stellgrößen x, y, Dampfdruck p_medium, Dampfmassenstrom _medium und Wärmeleistung P_Heat sind zu Trainingssätzen 2 bis 2n zusammengefaßt und jeweils den Netzen 3 bis 3n zugeführt.

In einer Lernphase werden den Netzen 3 bis 3n aus vorausgegangenen Meßwert erfassungen bekannte Daten zugeführt. Im Anschluß an die Lernphase sind die Net ze 3 bis 3n in der Lage, nach Eingabe von Datensätzen 2 bis 2n, die zu einem aktu ellen Zeitpunkt t₀ erfaßt wurden, sowie eines aktuellen Lastgradienten (load gradient) dP_Heat/dt zum Zeitpunkt t₀ jeweils entsprechende Vorhersagedatensätze 4 bis 4n für einen Zeitpunkt t₀₊₁, t₀₊₂, . . . t_0+n auszugeben. Die Abstände t₀ und t₀₊₁ entsprechen da bei sinnvollen Abtastintervallen des Prozesses.

Auf der Basis der Vorhersagedatensätze 4 bis 4n und gespeicherter Materialpara meter (materials parameters) 6 bis 6n werden in Berechnungseinheiten 5 bis 5n Materialspannungen σ(t₀₊₁) errechnet, die in den jeweiligen Komponenten 1 bis 1n erwartet werden. Durch Vergleich an Vergleichsstellen 7 bis 7n mit zugehörigen kriti schen Wärmespannungen σ_critical werden je Komponente 1 bis in Abstandswerte Δσ ermittelt. Mittels eines Auswahlgliedes 8 wird der kleinste Abstandswert Δσ er mittelt und ausgegeben.

Mit Hilfe einer Entscheidungsstelle 9, in der geprüft wird, ob der Abstandswert Δσ positiv ist, und mit Hilfe einer Optimierungsstufe 10 wird der Lastgradient dP_Heat/dt so lange schrittweise erhöht, bis die vom Modell prognostizierten Materialspannungen an der Grenze der zulässigen Materialspannung wenigstens einer der Komponenten liegen. Der so optimierte Lastgradient wird als maximal erlaubter Lastgradient dP_Heat/dt_max ausgegeben und somit einem Gesamtsystem zur Prozeßsteuerung zur Verfügung gestellt.

Claims

1. Verfahren zum Betreiben eines Dampferzeugers einer Kraftwerksanlage unter Einsatz eines Freilastrechners, der ein dynamisches Modell des Dampferzeu gers zur vorausschauenden Einstellung optimaler Führungsgrößen für die Steuerung des Dampferzeugerprozesses enthält, dadurch gekennzeichnet, daß

a) das dynamische Modell mittels mehrerer Neuronaler Netze (3 bis 3n) reali siert wird, die jeweils einzelne Dampferzeugerkomponenten (1 bis 1n) nach bilden und anhand bereits ermittelter Prozeßdaten trainiert werden, wofür bekannte und relevante Prozeßdaten (2 bis 2n, wie Dampftemperaturen, Stellgrößen, Dampfdrücke, Dampfmassenströme, und Wärmeleistungen) markanter Prozeßzustände zu Trainingssätzen zusammengefaßt und dem jeweiligen Neuronalen Netz (3 bis 3n) in einer Lernphase zugeführt werden,
b) auf der Basis des so erlernten dynamischen Modells und unter Berücksichti gung der Prozeßdaten einer aktuellen Prozeßsituation (im Zeitpunkt t₀) sowie des vorausgegangenen Prozeßverlaufs und des aktuellen Lastgradienten (dP_Heat/dt) entsprechende Prognosedaten (4 bis 4n) je Komponente (1 bis 1n) für einen definierten nächsten Zeitpunkt (z. B. t₀₊₁) ermittelt werden,
c) auf der Basis der Prognosewerte (4 bis 4n) sowie gespeicherter Materialpa rameter (6 bis 6n) eine Berechnung zu erwartender Materialspannungen (σ(t₀₊₁)) durchgeführt wird,
d) mittels eines übergeordneten Optimierungsverfahrens im dynamischen Mo dell der Lastgradient so lange schrittweise erhöht wird, bis die prognostizier ten Materialspannungen (σ(t₀₊₁) an der Grenze der zulässigen Material spannungen (σ_critical) wenigstens einer Dampferzeugerkomponente (1 bis 1n) liegen und
e) der so ermittelte optimale, maximal erlaubte Lastgradient (dP_Heat/dt_max) für weitere Verfahrensschritte ausgegeben und/oder für eine Anfahroptimierung verwendet wird.