WO2017108405A1 - Verfahren und softsensor zum ermitteln einer leistung eines energieerzeugers - Google Patents

Verfahren und softsensor zum ermitteln einer leistung eines energieerzeugers Download PDF

Info

Publication number
WO2017108405A1
WO2017108405A1 PCT/EP2016/080072 EP2016080072W WO2017108405A1 WO 2017108405 A1 WO2017108405 A1 WO 2017108405A1 EP 2016080072 W EP2016080072 W EP 2016080072W WO 2017108405 A1 WO2017108405 A1 WO 2017108405A1
Authority
WO
WIPO (PCT)
Prior art keywords
power
power value
generator
energy
soft sensor
Prior art date
Application number
PCT/EP2016/080072
Other languages
English (en)
French (fr)
Inventor
Hans-Gerd Brummel
Kai Heesche
Alexander Hentschel
Volkmar Sterzing
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to KR1020187020015A priority Critical patent/KR102183563B1/ko
Priority to US16/063,330 priority patent/US20180364653A1/en
Priority to EP16816600.7A priority patent/EP3360015A1/de
Publication of WO2017108405A1 publication Critical patent/WO2017108405A1/de

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Definitions

  • the invention relates to a method and a soft sensor for determining a power of a first power generator, which is coupled to a second power generator.
  • Contemporary power generation plants often include a plurality of mechanically and / or electrically coupled to each other energy generators that generate or convert energy from other types of energy.
  • Examples of such hybrid systems are gas turbines, which are operated to increase their efficiency in combination with steam turbines, which use the waste heat of the gas turbine via a heat exchanger.
  • Other examples are motor vehicles with hybrid drive.
  • a power generated by a gas turbine can no longer be measured separately as soon as a steam turbine acting on the same shaft itself provides a power contribution.
  • the power specifically generated by the gas turbine, or generally by a first energy generator is an important operating parameter, the knowledge of which can contribute significantly to optimum operation of the gas turbine or of the first energy generator.
  • soft sensors are often used, which determine the specific power of the gas turbine by means of a data-driven model from other operating data.
  • Such a soft sensor may be implemented using a neural network, for example, the learning based on ge ⁇ accumulated operating data an image of measurable operating and environmental parameters on the power output from the gas turbine performance in a training phase.
  • a training phase is generally based on operating data recorded on a single-shaft turbine in pure gas turbine operation, that is to say with an idling steam turbine, or on a multi-shaft turbine.
  • Such a pure gas turbine operation is often referred to as a "simple cycle”.
  • This object is achieved by a method having the Merkma ⁇ len of claim 1, by a soft sensor with the features of claim 11, by a computer program product with the features of claim 12 and by a computer-readable storage medium having the features of patent claim 13th
  • a first soft sensor For determining a power output from a first power generator, wherein the first power generator with a second power generator is coupled, a first soft sensor is queried, which is trained to determine a single-operation power value of the first power generator.
  • Energy generators for generating mechanical energy, electrical energy, magnetic energy and / or thermal energy such as, for example, turbines, generators, motors, solar modules, etc., or mixed forms thereof may be provided as the first and second energy generator.
  • the first energy generator can preferably be coupled mechanically, electrically, magnetically and / or by mixed forms with the second energy generator. In an operation combining the first and second power generators, a single-operation power value determined by the first soft-sensor for the first power generator is read.
  • a first power value for the first energy generator and a second power value for the second energy generator are determined by a second soft sensor.
  • a total output of the energy producers is determined.
  • the first or second power value can be determined in particular as absolute or relative to the second or first power value or relative to the overall power.
  • the second soft sensor is trained in such a way that a one ⁇ zelabweichung between the individual operating-power value and the first power value and a total deviation between the total power and a combination of the first and second power value is reduced, preferably minimized.
  • the first power value is output.
  • traction may mean, in particular, that a mapping of input parameters of the soft sensors to one or more target variables is optimized according to predefinable criteria during a training phase.
  • a soft sensor For performing the method according to the invention a soft sensor, a computer program product and a computer-readable storage medium ⁇ are provided.
  • the inventive method or the soft sensor according to the invention for example, by one or more processors, application-specific integrated circuits
  • ASIC application specific integrated circuit
  • DSP digital signal processors
  • FPGA Field Programmable Gate Arrays
  • the output from the first energy producer in the combined operation power can be determined much more accurately than by a Single mode only trai ⁇ ned soft sensor.
  • the individual deviation and a first part of the total deviation can be assigned to the first energy generator and a remaining part of the total deviation to the second energy generator.
  • the second soft sensor may then be trained such that the associated deviations, i. the individual deviation and the first and second part of the total deviation energy-specific reduced, preferably minimized.
  • the total deviation in a predetermined ratio can be divided into the first part and the remaining part.
  • the predetermined ratio can essentially correspond to a power ratio between the first power generator and the second power generator.
  • a gas turbine with a steam turbine can be given as a ratio, for example, a value of about 2: 1, which typically corresponds to the power ratio.
  • Such a ratio is often previously known and often has only a slight variation.
  • the single-operation power value and / or the first power value can be determined on the basis of operating data of the first energy generator and / or the second power value on the basis of operating data of the second energy generator.
  • the operating data may include, among others, default values, control data and / or measurement data.
  • the first and / or the second soft sensor can be implemented by means of a data-driven trainable regressor and / or by means of a neural network.
  • the first power value can be determined by means of a first neural subnet assigned to the first power generator, the second power value by means of a second neural subnet assigned to the second power generator, and the total deviation and the individual deviation by means of a further neural training layer.
  • the first or second neural subnetwork can comprise or form an energy generator-specific neural model of the first or second energy generator in the course of the training. In this way, energy producer-specific data can generally be better recorded and / or determined.
  • neural parameters and / or neural weights of the trained first neural subnetwork may be specified. extracted and transferred to a third soft-sensor.
  • a third soft-sensor In this way, an accuracy of a third, external soft sensor in determining the output from the first power generator performance can be significantly improved.
  • a third soft sensor modified in this way can often be used in conventional systems without any further changes.
  • the second soft sensor can be retrained regularly and / or continuously trained in the combined operation. This can preferably be done by autonomous training ⁇ ningshabilit.
  • a first power of the first power generator can be measured and compared with the first power value and / or a second power of the second power generator can be measured and compared with the second power value.
  • a deviation signal can then be output.
  • a monitoring function can be implemented by the second soft sensor is trained on an intact plant and in case of deviations of a ermit ⁇ telten power value from a measured power, for example, it is concluded that a malfunction, and an error signal is given off.
  • FIG. 1 shows a first soft sensor and a power generator operated in a single operating mode
  • FIG. 2 shows a power generation plant with a fiction, modern ⁇ , second soft sensor and combined powered energy producers and Figure 3 shows the second soft sensor in more detail.
  • the first power generator GT may be, for example, a power generator for generating mechanical energy, electrical energy, magnetic energy and / or heat energy, such When ⁇ play a turbine, a generator, a motor, a solar module or a mixed form thereof.
  • a gas turbine GT is be ⁇ seeks first energy producer.
  • the first energy generator GT is operated in the operating phase described in FIG. 1 for training the first soft sensor S1 in a single operating mode.
  • the first Energy generator GT may in this case a gas turbine, the anläge in a single-shaft in the pure gas turbine operation (simple cycle), that is, uncoupled or no load conditions Revolving steam turbine is operated, or a gas turbine in a Mehrwellenanla ⁇ ge be.
  • the first soft sensor Sl is implemented in the presentskysbei ⁇ game by an adaptive neural network having an input layer Sil for reading in the single operation ⁇ data EBDG, one or more hidden layers S1H and an output layer SIO for outputting an individual farm power value EL.
  • the input layer Sil and the output layer SlO are respectively coupled to the hidden layers S1H.
  • the first soft sensor Sl is trained in a particular mode of operation of the f ⁇ th power generator GT on the most accurate determination of the individual operating power value EL for the first Energyer ⁇ producers GT.
  • the operating data are Einzelbe- EBDG of the first power generator GT is captured and Sl ⁇ fed into the input layer Sil the first soft sensor. From the individual operating data EBDG, a single-operation power value EL of the first energy generator GT is determined by their propagation through the hidden layers S1H to the output layer S10.
  • a single power ELM of the first power generator GT is measured in the individual operating mode, transmitted to the first soft ⁇ sensor Sl and compared there with the determined by the first soft sensor Sl single-operation power value EL. Since ⁇ up based the first soft sensor Sl is trained in such a way that a deviation between the single operating power value EL, and the measured single power ELM, for example, an amount of a difference EL ELM, in single operation mode with regard to a minimizing objective MIN is minimized. This training can be done for example by back propagation training.
  • FIG. 2 shows a schematic diagram of a power generation plant A with a plurality of energy generators operated in combination.
  • the power generation plant A may be, for example, a power plant or a hybrid drive of a motor vehicle.
  • the energy generation system A comprises a single-shaft system with a gas turbine GT as the first energy generator and a steam turbine DT as the second energy generator.
  • the gas turbine GT and the steam turbine DT mechanically coupled ⁇ coupled, insofar as they act on a common wave W.
  • the gas turbine GT and the steam turbine DT are operated in combination, that is, both energy generators DT and GT deliver power to the common shaft W.
  • Such combined or combined operation is often referred to as “combined cycle” or combined cycle operation (CCGT: gas and steam). This is usually a productive or regular operation of such a power plant A.
  • CCGT combined cycle operation
  • the gas turbine GT may be a gas turbine described in connection with FIG. 1 in the single mode of operation, or a gas turbine of the same or a similar type.
  • the steam turbine DT uses for operation waste heat of the gas turbine GT via a heat exchanger, so as to increase efficiency or efficiency of the power generation plant A.
  • gas turbine GT gas turbine GT
  • steam turbine DT other energy generators for generating mechanical energy, electrical energy, magnetic energy, thermal energy, etc. may be provided, such as turbines, generators, motors, solar modules, etc., or mixed forms thereof.
  • the gas turbine GT and the steam turbine DT give about the same shaft ge ⁇ my W power to a current generator G on, the mechanical energy of the shaft W receives and converts them into electrical ⁇ specific energy.
  • these can also be coupled electrically and / or magnetically. Due to this coupling, the individual outputs of the energy generators GT and DT are not directly determinable.
  • the power generation plant A has for its control via a plant controller AS, the one or more processors PROC for performing all the steps of the Anlagensteue ⁇ tion AS has.
  • the system controller AS is coupled to the power generators GT and DT and to the power generator G.
  • Control system SD transmits control data SDG to gas turbine GT as well as for controlling steam turbine DT control data SDD to steam turbine DT for controlling gas turbine GT.
  • This control is performed depending on operational data BDG of the gas turbine GT as well as a function of operating data BDD of the steam turbine DT so that their operational management is optimized in terms of efficiency for example, wear and / or harmful ⁇ output material.
  • the operating data BDG and BDD can be, for example physi ⁇ cal, control engineering and / or design-related operation ⁇ sizes or characteristics of the power generator GT or DT, and for example, a burning current mass flow guide vane, an operating temperature, an exhaust temperature, vibration, pressure, ambient conditions or other default values, control parameters, control data and / or measured values.
  • the system control unit AS at least partially reads the operating data BDG from the gas turbine GT and the operating data BDD at least partially from the steam turbine DT.
  • the control data and the SDG Be ⁇ operating data BDD may include the control data SDD at least partially the OPERATING ⁇ th BDG.
  • a total power GL of the combined power generators GT and DT is measured at the power generator G and transmitted to the system controller AS.
  • the system controller AS has the first soft sensor S1 described in connection with FIG. This was previously - as also described in connection with Figure 1 - for determining a single-operation power value EL based on operating data of the gas turbine GT in a single operating mode or training based on operating data of a gas turbine of the same or similar type.
  • the current operating data BDG of the gas turbine GT are transmitted to the first soft-sensor S1.
  • the first soft-sensor Sl determines from the transmitted operating data BDG of the combined operating mode a current single-operation power value EL.
  • the single-operation power value EL is then transmitted from the first soft-sensor Sl to a second soft-sensor S2 coupled thereto.
  • the second soft sensor S2 is implemented in the present embodiment by an adaptive neural network, which is trained in the combined operation of the power generator GT and DT to determine power values LI and L2 for Einzelleis ⁇ tions of the power generators GT and DT.
  • LI is a first power value for the individual power of the gas turbine GT in the combined operating mode
  • L2 a second power value for the individual power of the steam turbine DT in the combined operating mode.
  • the second soft sensor S2 For determining the power values LI and L2 are current through the second sensor S2 Soft operating data BDG and BDD so-as a current single-mode power value, and a EL ak ⁇ TULLE measured total power GL read.
  • the second soft sensor S2 determines the first power value LI on the basis of the operating data BDG and the second power value L2 on the basis of the operating data BDD.
  • the second soft sensor S2 is trained with regard to a minimization target MIN in such a way that a single deviation L1-EL and a total deviation L1 + L2-GL are minimized.
  • the second soft sensor S2 can be continuously trained in combined operation and / or be nachtrainiert regularly.
  • the determined power values LI and L2 are transmitted from the second soft sensor S2 to a turbine controller CTL of the system controller AS coupled to the second soft sensor S2.
  • the turbine controller CTL is used to control the gas turbine GT and the steam turbine DT.
  • the door ⁇ termen facedung CTL determined based on the performance levels LI and L2 and using operational data BDG and BDD a current operating state of the turbine DT and GT.
  • the turbine control CTL determines the opti mized ⁇ control data SDG and SDD for the optimized management of the turbine GT and DT, for example, in terms of efficiency, wear and / or emissions.
  • the control data SDG and SDD are accordingly transmitted to the turbines GT and DT for the above purposes.
  • the second soft sensor S2 transmits the power values LI and L2 to a monitoring module MON of the system controller AS.
  • the monitoring module MON is coupled to the second soft sensor S2 and to the turbine control CTL and serves to monitor the gas turbine GT and the steam turbine DT.
  • the monitoring module compares the transmitted power values LI and / or L2 with predetermined and / or measured individual powers of the gas turbine GT or steam turbine DT. In ei ⁇ ner deviation of the compared sizes can be concluded that a malfunction of the power generation plant A with the proviso that the first and / or second soft sensor has been trained on an intact plant.
  • FIG. 3 illustrates the second soft sensor S2 in more detail.
  • the second soft sensor S2 comprises a first neural sub ⁇ network S2G for modeling the gas turbine GT and for determining the first power value LI based on Operating data BDG.
  • the first neural sub-network S2G has an input layer S2GI for reading the operating data BDG, one or more hidden layers S2GH and an output layer S2GO for outputting the first power value LI.
  • the input layer S2GI and the output layer S2GO are each coupled to the one or more hidden layers S2GH.
  • the operating data BDG be ⁇ and fed to the input layer S2GI over the one or more hidden layers to the output layer S2GH S2GO propagated, which outputs the first Leis ⁇ tung value LI.
  • the second soft sensor S2 also includes a second neural network portion S2D to the modeling of the steam turbine DT and for determining the second power value L2 based on the operation data ⁇ BDD.
  • the second neural sub-network comprises an input layer S2D S2DI for reading the operating data of BDD, one or more hidden layers and an output S2DH ⁇ layer S2DO for outputting the second power value L2.
  • the input layer and the output layer S2DI S2DO are sorted ⁇ wells coupled to the one or more hidden layers S2DH.
  • the operating data BDD be fed into the input layer S2DI and propagating one or more ver ⁇ covered S2DH layers to the output layer S2DO that outputs the second power value L2.
  • the second soft sensor S2 furthermore has an energy-generating neural training layer S2GD, which is coupled both to the first neural sub-network S2G and to the second neural sub-network S2D.
  • the first neural network S2G part, the second neural network portion S2D and / or the training S2GD layer may be implemented by a plurality of respectively to ⁇ drop weights initialized neural networks or neural layers.
  • the output signals of the sub-networks S2G and S2D and / or of the training layer S2GD ⁇ the then each formed by averaging the outputs of the respective plurality of neural networks or neural layers.
  • the training layer S2GD be ⁇ value supplied to the individual operating-in EL from the first soft sensor Sl and the measured total power ⁇ GL of the current generator G. Furthermore, the determined first power value LI from the first neural subsystem S2G and the second determined power value L2 from the second neural subsystem S2D are transmitted to the training layer S2GD. From the transmitted data GL, EL, LI and L2, the training layer S2GD determines a total deviation DELG between the total power GL and a sum of the first
  • the total deviation DELG is divided by the training layer S2GD in a predetermined ratio into a first part DELG1 and a remaining part DELG2.
  • For splitting the total deviation DELG is given with
  • the first part DELG1 is allocated together with the individual deviation DEL1 specifically, the gas turbine GT, while the remaining part of the steam turbine DELG2 DT is supplied ⁇ assigns specific.
  • the ratio WG: WD of the weight WG assigned to the gas turbine GT to the weight WD assigned to the steam turbine DT is preferably specified according to a power ratio of the gas turbine GT to the steam turbine DT.
  • the default one the Leis ⁇ mance ratio corresponding weights ratio to a certain extent reflects a respective influence of turbine models and the modeling errors on the performance determination resist and thus has a stabilizing effect on the training.
  • the ⁇ ses ratio usually is already known and has in operation often only a slight variation on.
  • the second part DELG2 of the total deviation DELG is called
  • This training can preferably be done by backpropagation training.
  • the first part of the total deviation DELGl DELG is defined before combination was ⁇ ner back propagation with the individual deviation DEL1 and the combination, for example, the mean
  • the trained neural subnetworks S2G and S2D then each comprise an energy generator-specific neuronal model of the gas turbines GT or of the steam turbine DT for determining the respective power value LI or L2.
  • the prognosis of the first neural subnetwork S2G is to some extent "pulled" in the direction of a single-operation prognosis.
  • undesired propagation of model errors of the second neural subsystem S2D into the neural model of the gas turbine GT in the first neural subsystem S2G can be effectively damped or reduced.
  • the weighting of the deviation measures DELG, DEL1, DELG1 and DELG2 can to some extent be used to determine to what extent the neural submodel of the gas turbine GT in the first neural subsystem S2G may deviate from the first softness sensor S1.
  • this weighting it is possible on the one hand for the first neural subnetwork S2G to deviate from the previously trained first softstool S1 and, nevertheless, for an undesired propagation of model errors of the second neural subnetwork S2D into the first neural subnetwork S2G to be effectively attenuated.
  • a soft sensor which has been trained according to the invention can determine a considerably more accurate power value for the individual power of the gas turbine GT from the operating data BDG in combined operation than a soft sensor trained in single operation, here S1. Because typically it ⁇ considerably more operating data or measured data are available for the combined gas and steam power available and the power range of a combined operation GroE SSSR and is more practical than a single operation can be in this way gas turbine models or generally Energyer ⁇ zeugermodelle with higher accuracy and create wider range ⁇ than with known soft sensors. This reduces the previous difficulty of acquiring a sufficient number of operating data in individual operation or finding energy generators with a comparable operating pattern in multi-shaft systems. Due to the additional training phase in combined operation, ie also in productive operation, the single-run trai ⁇ nated gas turbine model can usually be refined significantly.
  • neural weights of the first neurona ⁇ len subnetwork S2G can be specifically extracted and transferred to a best ⁇ Henden, third soft sensor. In this way, the accuracy of existing soft sensors can be significantly improved.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Engine Equipment That Uses Special Cycles (AREA)
  • Control Of Turbines (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

Zum Ermitteln einer von einem ersten Energieerzeuger (GT) abgegebenen Leistung, wobei der erste Energieerzeuger (GT) mit einem zweiten Energieerzeuger (DT) gekoppelt ist, wird ein erster Softsensor (S1) abgefragt, der zum Ermitteln eines Einzelbetrieb-Leistungswerts (EL) des ersten Energieerzeugers (GT) trainiert ist. In einem den ersten und den zweiten Energieerzeuger (GT, DT) kombinierenden Betrieb wird dabei ein durch den ersten Softsensor (S1) für den ersten Energieerzeuger (GT) ermittelter Einzelbetrieb-Leistungswert (EL) eingelesen. Weiterhin wird durch einen zweiten Softsensor (S2) ein erster Leistungswert (L1) für den ersten Energieerzeuger (GT) sowie ein zweiter Leistungswert (L2) für den zweiten Energieerzeuger (DT) ermittelt. Darüber hinaus wird eine Gesamtleistung (GL) der Energieerzeuger (GT, DT) ermittelt. Erfindungsgemäß wird der zweite Softsensor (S2) derart trainiert, dass eine Einzelabweichung (DEL1) zwischen dem Einzelbetrieb-Leistungswert (EL) und dem ersten Leistungswert (L1) sowie eine Gesamtabweichung (DELG) zwischen der Gesamtleistung (GL) und einer Kombination des ersten und zweiten Leistungswerts (L1, L2) reduziert werden. Der erste Leistungswert (L1) wird ausgegeben.

Description

Beschreibung
Verfahren und Softsensor zum Ermitteln einer Leistung eines Energieerzeugers
Die Erfindung betrifft ein Verfahren und einen Softsensor zum Ermitteln einer Leistung eines ersten Energieerzeugers, der mit einem zweiten Energieerzeuger gekoppelt ist. Zeitgemäße Energieerzeugungsanlagen umfassen häufig mehrere mechanisch und/oder elektrisch miteinander gekoppelte Energieerzeuger, die Energie aus anderen Energiearten erzeugen bzw. umwandeln. Beispiele für solche Hybridanlagen sind Gasturbinen, die zur Steigerung ihrer Effizienz in Kombination mit Dampfturbinen betrieben werden, die die Abwärme der Gasturbinen über einen Wärmetauscher nutzen. Weitere Beispiele sind Kraftfahrzeuge mit Hybridantrieb.
Häufig sind unterschiedliche Energieerzeuger, wie z.B. Gas- und Dampfturbinen mechanisch miteinander gekoppelt, indem sie über eine gemeinsame mechanische Welle auf denselben Genera¬ tor wirken. Solche Anlagen werden häufig auch als Einwellenanlagen bezeichnet. Anlagen, bei denen verschiedene Energie¬ erzeuger jeweils über einen eigenen Generator verfügen werden dementsprechend auch als Mehrwellenanlagen bezeichnet.
Im Unterschied zu Mehrwellenanlagen kann bei Einwellenanlagen eine zum Beispiel von einer Gasturbine erzeugte Leistung nicht mehr separat gemessen werden, sobald eine auf dieselbe Welle einwirkende Dampfturbine selbst einen Leistungsbeitrag liefert. Die von der Gasturbine, oder allgemein von einem ersten Energieerzeuger spezifisch erzeugte Leistung ist jedoch ein wichtiger Betriebsparameter, dessen Kenntnis in wesentlicher Weise zu einer optimalen Betriebsführung der Gas- turbine beziehungsweise des ersten Energieerzeugers beitragen kann . Um die spezifische Leistung z. B. einer Gasturbine im kombi¬ nierten Betrieb mit einer Dampfturbine einer Einwellenanlage bestimmen zu können, werden häufig sogenannte Softsensoren eingesetzt, die die spezifische Leistung der Gasturbine mit- tels eines datengetriebenen Modells aus anderen Betriebsdaten ermitteln. Ein solcher Softsensor kann z.B. mittels eines neuronalen Netzes implementiert werden, das auf Basis von ge¬ sammelten Betriebsdaten eine Abbildung von messbaren Betriebs- und Umgebungsparametern auf die von der Gasturbine abgegebene Leistung in einer Trainingsphase lernt. Eine der¬ artige Trainingsphase basiert in der Regel auf Betriebsdaten, die auf einer Einwellenanlage im reinen Gasturbinenbetrieb, das heißt mit leerlaufender Dampfturbine, oder auf einer Mehrwellenanlage erfasst wurden. Ein solcher reiner Gasturbi- nenbetrieb wird häufig auch als „Simple Cycle" bezeichnet.
Die auf solchen Betriebsbedingungen basierenden Betriebsdaten decken jedoch in der Regel nicht den vollständigen Betriebsparameterraum einer Einwellenanlage im kombinierten Betrieb ab, zumal auch die leerlaufende Dampfturbine auf die Gastur- bine rückwirken kann. Darüber hinaus sind Betriebsdaten typengleicher Turbinen aufgrund von Serienstreuungen und Standortunterschieden nur bedingt übertragbar.
Es ist Aufgabe der vorliegenden Erfindung, ein Verfahren und einen Softsensor zum Ermitteln einer Leistung eines ersten Energieerzeugers, der mit einem zweiten Energieerzeuger gekoppelt ist, zu schaffen, die eine genauere und/oder flexib¬ lere Leistungsermittlung erlauben. Gelöst wird diese Aufgabe durch ein Verfahren mit den Merkma¬ len des Patentanspruchs 1, durch einen Softsensor mit den Merkmalen des Patentanspruchs 11, durch ein Computerprogrammprodukt mit den Merkmalen des Patentanspruchs 12 sowie durch ein computerlesbares Speichermedium mit den Merkmalen des Pa- tentanspruchs 13.
Zum Ermitteln einer von einem ersten Energieerzeuger abgegebenen Leistung, wobei der erste Energieerzeuger mit einem zweiten Energieerzeuger gekoppelt ist, wird ein erster Soft- sensor abgefragt, der zum Ermitteln eines Einzelbetrieb- Leistungswerts des ersten Energieerzeugers trainiert ist. Als erster und zweiter Energieerzeuger können hierbei z.B. Ener- gieerzeuger zum Erzeugen von mechanischer Energie, elektrischer Energie, magnetischer Energie und/oder Wärmeenergie vorgesehen sein, wie beispielsweise Turbinen, Generatoren, Motoren, Solarmodule etc. oder Mischformen davon. Der erste Energieerzeuger kann dabei vorzugsweise mechanisch, elekt- risch, magnetisch und/oder durch Mischformen mit dem zweiten Energieerzeuger gekoppelt sein. In einem den ersten und den zweiten Energieerzeuger kombinierenden Betrieb wird ein durch den ersten Softsensor für den ersten Energieerzeuger ermittelter Einzelbetrieb-Leistungswert eingelesen. Weiterhin wird durch einen zweiten Softsensor ein erster Leistungswert für den ersten Energieerzeuger sowie ein zweiter Leistungswert für den zweiten Energieerzeuger ermittelt. Darüber hinaus wird eine Gesamtleistung der Energieerzeuger ermittelt. Der erste bzw. zweite Leistungswert kann hierbei insbesondere ab- solut oder relativ zum zweiten bzw. ersten Leistungswert oder relativ zur Gesamtleistung ermittelt werden. Erfindungsgemäß wird der zweite Softsensor derart trainiert, dass eine Ein¬ zelabweichung zwischen dem Einzelbetrieb-Leistungswert und dem ersten Leistungswert sowie eine Gesamtabweichung zwischen der Gesamtleistung und einer Kombination des ersten und zweiten Leistungswerts reduziert, vorzugsweise minimiert werden. Der erste Leistungswert wird ausgegeben. Unter einem Trai¬ ning kann im Zusammenhang mit den Softsensoren insbesondere verstanden werden, dass eine Abbildung von Eingangsparametern der Softsensoren auf eine oder mehrere Zielgrößen nach vorgebbaren Kriterien während einer Trainingsphase optimiert wird .
Zur Durchführung des erfindungsgemäßen Verfahrens sind ein Softsensor, ein Computerprogrammprodukt sowie ein computer¬ lesbares Speichermedium vorgesehen. Das erfindungsgemäße Verfahren bzw. der erfindungsgemäße Softsensor kann beispielsweise durch einen oder mehrere Prozessoren, anwendungsspezifische integrierte Schaltungen
(ASIC) , digitale Signalprozessoren (DSP) und/oder sogenannte „Field Programmable Gate Arrays" (FPGA) ausgeführt bzw. im¬ plementiert werden.
Mittels der Erfindung kann die vom ersten Energieerzeuger im kombinierten Betrieb abgegebene Leistung erheblich genauer ermittelt werden, als durch einen nur im Einzelbetrieb trai¬ nierten Softsensor. Insbesondere wird durch die Berücksichti¬ gung sowohl der Einzelabweichung als auch der Gesamtabweichung beim Training des zweiten Softsensors eine Prognose für den ersten Leistungswert gewissermaßen in Richtung einer Ein- zelbetriebsprognose „gezogen". Damit kann eine unerwünschte Propagation von Modellfehlern zwischen Softsensor-Modellen für den ersten und für den zweiten Energieerzeuger auf effektive Weise gedämpft bzw. verringert werden. Vorteilhafte Ausführungsformen und Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben.
Nach einer vorteilhaften Ausführungsform der Erfindung kann die Einzelabweichung und ein erster Teil der Gesamtabweichung dem ersten Energieerzeuger sowie ein verbleibender Teil der Gesamtabweichung dem zweiten Energieerzeuger zugeordnet werden. Der zweite Softsensor kann dann derart trainiert werden, dass die zugeordneten Abweichungen, d.h. die Einzelabweichung sowie der erste und zweite Teil der Gesamtabweichung energie- erzeugerspezifisch reduziert, vorzugsweise minimiert werden.
Insbesondere kann die Gesamtabweichung in einem vorgegebenen Verhältnis in den ersten Teil und den verbleibenden Teil aufgeteilt werden.
Das vorgegebene Verhältnis kann dabei im Wesentlichen einem Leistungsverhältnis zwischen dem ersten Energieerzeuger und dem zweiten Energieerzeuger entsprechen. Im gekoppelten Be- trieb einer Gasturbine mit einer Dampfturbine (Einwellen¬ betrieb) kann als Verhältnis z.B. ein Wert von ungefähr 2:1 vorgegeben werden, was typischerweise dem Leistungsverhältnis entspricht. Ein solches Verhältnis ist häufig vorbekannt und weist oft nur eine geringe Variation auf.
Durch die vorstehend beschriebenen Varianten der Zuordnung und Aufteilung der Abweichungen kann eine unerwünschte Propa- gation von Modellfehlern zwischen Softsensor-Modellen für den ersten und für den zweiten Energieerzeuger weiter verringert werden .
Vorteilhafterweise kann der Einzelbetrieb-Leistungswert und/oder der erste Leistungswert anhand von Betriebsdaten des ersten Energieerzeugers und/oder der zweite Leistungswert an¬ hand von Betriebsdaten des zweiten Energieerzeugers ermittelt werden. Die Betriebsdaten können hierbei unter Anderem Vorgabewerte, Steuerdaten und/oder Messdaten umfassen. Nach einer vorteilhaften Ausführungsform der Erfindung können der erste und/oder der zweite Softsensor mittels eines datengetrieben trainierbaren Regressors und/oder mittels eines neuronalen Netzes implementiert sein. Weiterhin können der erste Leistungswert mittels eines dem ersten Energieerzeuger zugeordneten, ersten neuronalen Teilnetzes, der zweite Leistungswert mittels eines dem zweiten Energieerzeuger zugeordneten, zweiten neuronalen Teilnetzes und die Gesamtabweichung sowie die Einzelabweichung mittels einer weiteren neuronalen Trainingsschicht ermittelt werden. Das erste bzw. zweite neuronale Teilnetz kann dabei ein ener- gieerzeugerspezifisches neuronales Modell des ersten bzw. zweiten Energieerzeugers umfassen oder im Laufe des Trainings bilden. Auf diese Weise können energieerzeugerspezifische Da- ten in der Regel besser erfasst und/oder ermittelt werden.
Insbesondere können neuronale Parameter und/oder neuronale Gewichte des trainierten ersten neuronalen Teilnetzes spezi- fisch extrahiert und auf einen dritten Softsensor übertragen werden. Auf diese Weise kann eine Genauigkeit eines dritten, externen Softsensors beim Ermitteln der vom ersten Energieerzeuger abgegebenen Leistung erheblich verbessert werden. Ein auf diese Weise modifizierter dritter Softsensor kann zudem häufig in herkömmlichen Systemen ohne weitere Änderungen verwendet werden.
Vorteilhafterweise kann der zweite Softsensor im kombinieren- den Betrieb regelmäßig nachtrainiert und/oder fortlaufend trainiert werden. Dies kann vorzugsweise durch autonome Trai¬ ningsverfahren erfolgen.
Nach einer vorteilhaften Weiterbildung der Erfindung kann ei- ne erste Leistung des ersten Energieerzeugers gemessen und mit dem ersten Leistungswert verglichen werden und/oder eine zweite Leistung des zweiten Energieerzeugers gemessen und mit dem zweiten Leistungswert verglichen werden. Abhängig vom Vergleichsergebnis kann dann ein Abweichungssignal ausgegeben werden. Auf diese Weise kann eine Überwachungsfunktion implementiert werden, indem der zweite Softsensor auf einer intakten Anlage trainiert wird und bei Abweichungen eines ermit¬ telten Leistungswerts von einer gemessenen Leistung z.B. auf eine Fehlfunktion geschlossen wird und ein Fehlersignal aus- gegeben wird.
Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der Zeichnung näher erläutert. Dabei zeigen jeweils im sche- matischer Darstellung:
Figur 1 einen ersten Softsensor und einen in einem Einzelbetriebsmodus betriebenen Energieerzeuger,
Figur 2 eine Energieerzeugungsanlage mit einem erfindungs¬ gemäßen, zweiten Softsensor und mit kombiniert betriebenen Energieerzeugern und Figur 3 den zweiten Softsensor in detaillierterer Darstellung .
Figur 1 zeigt in schematischer Darstellung einen ersten Soft- sensor Sl zum Ermitteln eines Einzelbetrieb-Leistungswerts EL für eine Leistung eines ersten Energieerzeugers GT im Einzel¬ betrieb. Der Einzelbetrieb-Leistungswert EL wird hierbei aus Einzelbetriebsdaten EBDG des ersten Energieerzeugers GT ermittelt. Die Einzelbetriebsdaten EBDG können hierbei physika- lische, regelungstechnische und/oder bauartbedingte Betriebs¬ größen, Eigenschaften, Vorgabewerte, Steuerdaten und/oder Messwerte des ersten Energieerzeugers GT umfassen. Der erste Energieerzeuger GT kann beispielsweise ein Energieerzeuger zum Erzeugen von mechanischer Energie, elektrischer Energie, magnetischer Energie und/oder Wärmeenergie sein, wie zum Bei¬ spiel eine Turbine, ein Generator, ein Motor, ein Solarmodul oder eine Mischform davon. Im vorliegenden Ausführungsbeispiel wird als erster Energieerzeuger eine Gasturbine GT be¬ trachtet .
Der erste Energieerzeuger GT wird in der in Figur 1 beschriebenen Betriebsphase zum Training des ersten Softsensors Sl in einem Einzelbetriebsmodus betrieben. Der erste Energieerzeu¬ ger GT kann hierbei eine Gasturbine, die in einer Einwellen- anläge im reinen Gasturbinenbetrieb (Simple Cycle) , das heißt mit abgekoppelter oder leistungslos mitlaufender Dampfturbine betrieben wird, oder eine Gasturbine in einer Mehrwellenanla¬ ge sein. Der erste Softsensor Sl ist im vorliegenden Ausführungsbei¬ spiel durch ein lernfähiges neuronales Netz implementiert, das eine Eingabeschicht Sil zum Einlesen der Einzelbetriebs¬ daten EBDG, eine oder mehrere verdeckte Schichten S1H sowie eine Ausgabeschicht SlO zum Ausgeben eines Einzelbetrieb- Leistungswerts EL aufweist. Die Eingabeschicht Sil und die Ausgabeschicht SlO sind jeweils an die verdeckten Schichten S1H gekoppelt. Der erste Softsensor Sl wird im Einzelbetriebsmodus des ers¬ ten Energieerzeugers GT auf eine möglichst genaue Ermittlung des Einzelbetrieb-Leistungswerts EL für den ersten Energieer¬ zeuger GT trainiert. Zu diesem Zweck werden die Einzelbe- triebsdaten EBDG des ersten Energieerzeugers GT erfasst und in die Eingabeschicht Sil des ersten Softsensors Sl einge¬ speist. Aus den Einzelbetriebsdaten EBDG wird durch deren Propagation über die verdeckten Schichten S1H zur Ausgabeschicht S10 ein Einzelbetrieb-Leistungswert EL des ersten Energieerzeugers GT ermittelt.
Weiterhin wird eine Einzelleistung ELM des ersten Energieerzeugers GT im Einzelbetriebsmodus gemessen, zum ersten Soft¬ sensor Sl übermittelt und dort mit dem vom ersten Softsensor Sl ermittelten Einzelbetrieb-Leistungswert EL verglichen. Da¬ rauf basierend wird der erste Softsensor Sl derart trainiert, dass eine Abweichung zwischen dem Einzelbetrieb-Leistungswert EL und der gemessenen Einzelleistung ELM, zum Beispiel ein Betrag einer Differenz EL-ELM, im Einzelbetriebsmodus hin- sichtlich eines Minimierungsziels MIN minimiert wird. Dieses Training kann zum Beispiel durch Backpropagation-Training erfolgen .
Nach ausreichendem Training kann der trainierte erste Soft- sensor Sl aus den Einzelbetriebsdaten EBDG einen Einzelbetrieb-Leistungswert EL auch ohne Rückgriff auf eine gemessene Einzelleistung ELM in der Regel mit hoher Genauigkeit ermitteln . Figur 2 zeigt eine Energieerzeugungsanlage A mit mehreren, kombiniert betriebenen Energieerzeugern in schematischer Darstellung. Die Energieerzeugungsanlage A kann zum Beispiel ein Kraftwerk oder ein Hybridantrieb eines Kraftfahrzeugs sein. Im vorliegenden Ausführungsbeispiel umfasst die Energieerzeu- gungsanlage A eine Einwellenanlage mit einer Gasturbine GT als erstem Energieerzeuger und einer Dampfturbine DT als zweitem Energieerzeuger. In der Einwellenanlage sind die Gas- turbine GT und die Dampfturbine DT mechanisch miteinander ge¬ koppelt, insofern sie auf eine gemeinsame Welle W einwirken.
In dem in Figur 2 beschriebenen Betriebsmodus werden die Gas- turbine GT und die Dampfturbine DT kombiniert betrieben, das heißt beide Energieerzeuger DT und GT geben Leistung auf die gemeinsame Welle W ab. Ein solcher kombinierter oder kombinierender Betrieb wird häufig auch als "Combined Cycle" oder GuD-Betrieb (GuD: Gas und Dampf) bezeichnet. Dies ist in der Regel ein Produktiv- oder Regelbetrieb einer solchen Energieerzeugungsanlage A.
Die Gasturbine GT kann eine im Zusammenhang mit Figur 1 im Einzelbetriebsmodus beschriebene Gasturbine sein, oder eine Gasturbine des gleichen oder eines ähnlichen Typs.
Die Dampfturbine DT nutzt zum Betrieb Abwärme der Gasturbine GT über einen Wärmetauscher, um so eine Effizienz oder einen Wirkungsgrad der Energieerzeugungsanlage A zu erhöhen.
Alternativ oder zusätzlich zur Gasturbine GT und zur Dampfturbine DT können auch andere Energieerzeuger zum Erzeugen von mechanischer Energie, elektrischer Energie, magnetischer Energie, Wärmeenergie etc. vorgesehen sein, wie zum Beispiel Turbinen, Generatoren, Motoren, Solarmodule usw. oder Mischformen davon.
Die Gasturbine GT und die Dampfturbine DT geben über die ge¬ meinsame Welle W Leistung auf einen Stromgenerator G ab, der mechanische Energie von der Welle W aufnimmt und in elektri¬ sche Energie umsetzt. Alternativ oder zusätzlich zur mechanischen Kopplung der Energieerzeuger GT und DT können diese auch elektrisch und/oder magnetisch gekoppelt sein. Aufgrund dieser Kopplung sind die abgegebenen Einzelleistungen der Energieerzeuger GT und DT nicht direkt bestimmbar.
Die Energieerzeugungsanlage A verfügt zu ihrer Steuerung über eine Anlagensteuerung AS, die einen oder mehrere Prozessoren PROC zum Ausführen aller Verfahrensschritte der Anlagensteue¬ rung AS aufweist. Die Anlagensteuerung AS ist mit den Energieerzeugern GT und DT sowie mit dem Stromgenerator G gekoppelt.
Durch die Anlagensteuerung AS werden zum Steuern der Gasturbine GT Steuerdaten SDG zur Gasturbine GT sowie zum Steuern der Dampfturbine DT Steuerdaten SDD zur Dampfturbine DT übermittelt. Diese Steuerung erfolgt abhängig von Betriebsdaten BDG der Gasturbine GT sowie abhängig von Betriebsdaten BDD der Dampfturbine DT, so dass deren Betriebsführung zum Beispiel hinsichtlich Wirkungsgrad, Verschleiß und/oder Schad¬ stoffausstoß optimiert wird. Die Betriebsdaten BDG und BDD können zum Beispiel physikali¬ sche, regelungstechnische und/oder bauartbedingte Betriebs¬ größen oder Eigenschaften der Energieerzeuger GT beziehungsweise DT sein, und zum Beispiel einen Brennstrommassenstrom, Leitschaufelstellungen, eine Betriebstemperatur, eine Abgas- temperatur, Vibrationen, Druck, Umgebungsbedingungen oder andere Vorgabewerte, Steuerparameter, Steuerdaten und/oder Messwerte betreffen. Durch die Anlagensteuerung AS werden die Betriebsdaten BDG zumindest teilweise von der Gasturbine GT und die Betriebsdaten BDD zumindest teilweise von der Dampf- turbine DT eingelesen. Darüber hinaus können die Betriebsda¬ ten BDG insbesondere auch die Steuerdaten SDG und die Be¬ triebsdaten BDD die Steuerdaten SDD zumindest teilweise umfassen . Weiterhin wird eine Gesamtleistung GL der kombiniert betriebenen Energieerzeuger GT und DT am Stromgenerator G gemessen und zur Anlagensteuerung AS übermittelt.
Die Anlagensteuerung AS verfügt über den im Zusammenhang mit Figur 1 beschriebenen ersten Softsensor Sl. Dieser wurde vorab - wie ebenfalls im Zusammenhang mit Figur 1 beschrieben - zum Ermitteln eines Einzelbetrieb-Leistungswerts EL anhand von Betriebsdaten der Gasturbine GT in einem Einzelbetriebs- modus oder anhand von Betriebsdaten einer Gasturbine gleichen oder ähnlichen Typs trainiert.
In dem durch Figur 2 veranschaulichten, kombinierten Betrieb werden zum ersten Softsensor Sl die aktuellen Betriebsdaten BDG der Gasturbine GT übermittelt. Der erste Softsensor Sl ermittelt dann aus den übermittelten Betriebsdaten BDG des kombinierten Betriebsmodus einen aktuellen Einzelbetrieb- Leistungswert EL. Der Einzelbetrieb-Leistungswert EL wird an- schließend vom ersten Softsensor Sl zu einem an diesem angekoppelten, zweiten Softsensor S2 übermittelt.
Der zweite Softsensor S2 ist im vorliegenden Ausführungsbeispiel durch ein lernfähiges neuronales Netz implementiert, das im kombinierten Betrieb der Energieerzeuger GT und DT darauf trainiert wird, Leistungswerte LI und L2 für Einzelleis¬ tungen der Energieerzeuger GT und DT zu ermitteln. LI ist hierbei ein erster Leistungswert für die Einzelleistung der Gasturbine GT im kombinierten Betriebsmodus und L2 ein zwei- ten Leistungswert für die Einzelleistung der Dampfturbine DT im kombinierten Betriebsmodus .
Zum Ermitteln der Leistungswerte LI und L2 werden durch den zweiten Softsensor S2 aktuelle Betriebsdaten BDG und BDD so- wie ein aktueller Einzelbetrieb-Leistungswert EL und eine ak¬ tuell gemessene Gesamtleistung GL eingelesen. Durch den zweiten Softsensor S2 werden dann anhand der Betriebsdaten BDG der erste Leistungswert LI und anhand der Betriebsdaten BDD der zweite Leistungswert L2 ermittelt. Hierbei wird der zwei- te Softsensor S2 hinsichtlich eines Minimierungsziels MIN derart trainiert, dass eine Einzelabweichung Ll-EL sowie eine Gesamtabweichung L1+L2-GL minimiert werden. Vorzugsweise kann der zweite Softsensor S2 im kombinierten Betrieb fortlaufend trainiert und/oder regelmäßig nachtrainiert werden. Die er- mittelten Leistungswerte LI und L2 werden vom zweiten Softsensor S2 zu einer mit dem zweiten Softsensor S2 gekoppelten Turbinensteuerung CTL der Anlagensteuerung AS übermittelt. Die Turbinensteuerung CTL dient zum Steuern der Gasturbine GT sowie der Dampfturbine DT. Zu diesem Zweck ermittelt die Tur¬ binensteuerung CTL anhand der Leistungswerte LI und L2 sowie anhand der Betriebsdaten BDG und BDD einen aktuellen Be- triebszustand der Turbinen DT und GT . Abhängig von diesem Betriebszustand ermittelt die Turbinensteuerung CTL die opti¬ mierten Steuerdaten SDG und SDD zur optimierten Betriebsführung der Turbinen GT und DT, zum Beispiel hinsichtlich Wirkungsgrad, Verschleiß und/oder Schadstoffausstoß. Die Steuer- daten SDG und SDD werden dementsprechend zu den Turbinen GT und DT zu den vorstehenden Zwecken übermittelt.
Gemäß einer Weiterbildung der Erfindung übermittelt der zweite Softsensor S2 die Leistungswerte LI und L2 zu einem Über- wachungsmodul MON der Anlagensteuerung AS. Das Überwachungs¬ modul MON ist an den zweiten Softsensor S2 sowie an die Turbinensteuerung CTL gekoppelt und dient zum Überwachen der Gasturbine GT und der Dampfturbine DT. Zu diesem Zweck ver¬ gleicht das Überwachungsmodul die übermittelten Leistungswer- te LI und/oder L2 mit vorgegebenen und/oder gemessenen Einzelleistungen der Gasturbine GT bzw. Dampfturbine DT. Bei ei¬ ner Abweichung der verglichenen Größen kann unter der Voraussetzung, dass der erste und/oder der zweite Softsensor auf einer intakten Anlage trainiert wurde, auf eine Fehlfunktion der Energieerzeugungsanlage A geschlossen werden. Zum Signa¬ lisieren der Fehlfunktion übermittelt das Überwachungsmodul MON ein Fehlersignal FS zur Turbinensteuerung CTL, die infolgedessen geeignete Steuermaßnahmen veranlasst. Figur 3 veranschaulicht den zweiten Softsensor S2 in detaillierterer Darstellung. Hierbei bezeichnen die Bezugszeichen S2, BDG, BDD, LI, L2, EL sowie GL dieselben Objekte wie in Figur 2. Der zweite Softsensor S2 umfasst ein erstes neuronales Teil¬ netz S2G zur Modellierung der Gasturbine GT und zum Ermitteln des ersten Leistungswerts LI anhand der Betriebsdaten BDG. Das erste neuronale Teilnetz S2G weist eine Eingabeschicht S2GI zum Einlesen der Betriebsdaten BDG, eine oder mehrere verdeckte Schichten S2GH sowie eine Ausgabeschicht S2GO zum Ausgeben des ersten Leistungswerts LI auf. Die Eingabeschicht S2GI und die Ausgabeschicht S2GO sind hierbei jeweils an die eine oder mehreren verdeckten Schichten S2GH gekoppelt. Die Betriebsdaten BDG werden in die Eingabeschicht S2GI einge¬ speist und über die eine oder mehreren verdeckten Schichten S2GH zur Ausgabeschicht S2GO propagiert, die den ersten Leis¬ tungswert LI ausgibt.
Der zweite Softsensor S2 weist weiterhin ein zweites neuronales Teilnetz S2D zur Modellierung der Dampfturbine DT und zum Ermitteln des zweiten Leistungswerts L2 anhand der Betriebs¬ daten BDD auf. Das zweite neuronale Teilnetz S2D umfasst eine Eingabeschicht S2DI zum Einlesen der Betriebsdaten BDD, eine oder mehrere verdeckte Schichten S2DH sowie eine Ausgabe¬ schicht S2DO zum Ausgeben des zweiten Leistungswerts L2 auf. Die Eingabeschicht S2DI und die Ausgabeschicht S2DO sind je¬ weils mit der einen oder den mehreren verdeckten Schichten S2DH gekoppelt. Die Betriebsdaten BDD werden in die Eingabeschicht S2DI eingespeist und über die eine oder mehreren ver¬ deckten Schichten S2DH zur Ausgabeschicht S2DO propagiert, die den zweiten Leistungswert L2 ausgibt. Der zweite Softsensor S2 verfügt weiterhin über eine energie- erzeugerübergreifende neuronale Trainingsschicht S2GD, die sowohl mit dem ersten neuronalen Teilnetz S2G als auch mit dem zweiten neuronalen Teilnetz S2D gekoppelt ist. Alternativ oder zusätzlich können das erste neuronale Teilnetz S2G, das zweite neuronale Teilnetz S2D und/oder die Trainingsschicht S2GD durch eine Vielzahl von jeweils mit Zu¬ fallsgewichten initialisierten neuronalen Netzen oder neuronalen Schichten implementiert werden. Die Ausgabesignale der Teilnetze S2G und S2D und/oder der Trainingsschicht S2GD wer¬ den dann jeweils durch Mittelung der Ausgaben der jeweiligen Vielzahl der neuronalen Netze oder neuronalen Schichten gebildet . Der Trainingsschicht S2GD werden der Einzelbetrieb-Leistungs¬ wert EL vom ersten Softsensor Sl sowie die gemessene Gesamt¬ leistung GL des Stromgenerators G zugeführt. Weiterhin wird der ermittelte erste Leistungswert LI vom ersten neuronalen Teilnetz S2G sowie der zweite ermittelte Leistungswert L2 vom zweiten neuronalen Teilnetz S2D zur Trainingsschicht S2GD übermittelt. Aus den übermitteln Daten GL, EL, LI und L2 ermittelt die Trainingsschicht S2GD eine Gesamtabweichung DELG zwischen der Gesamtleistung GL und einer Summe des ersten
Leistungswertes LI und des zweiten Leitungswerts L2 sowie ei¬ ne Einzelabweichung DEL1 zwischen dem Einzelbetrieb- Leistungswert EL und dem ersten Leistungswert LI. Im vorlie¬ genden Ausführungsbeispiel gilt also für die Gesamtabweichung DELG=L1+L2-GL und für die Einzelabweichung DEL1=L1 -EL .
Die Gesamtabweichung DELG wird durch die Trainingsschicht S2GD in einem vorgegebenen Verhältnis in einen ersten Teil DELG1 und in einen verbleibenden Teil DELG2 aufgeteilt. Zur Aufteilung wird die Gesamtabweichung DELG mit vorgegebenen
Gewichten WG und WD multipliziert, deren Summe 1 ergibt. Für den ersten Teil DELG1 der Gesamtabweichung DELG gilt also DELG1=DELG · WG und für den verbleibenden Teil DELG2 der Gesamtabweichung DELG gilt DELG2=DELG · WD .
Der erste Teil DELG1 wird zusammen mit der Einzelabweichung DEL1 spezifisch der Gasturbine GT zugeordnet, während der verbleibende Teil DELG2 spezifisch der Dampfturbine DT zuge¬ ordnet wird. Das Verhältnis WG:WD des der Gasturbine GT zu- geordneten Gewichts WG zum der Dampfturbine DT zugeordneten Gewicht WD wird vorzugsweise gemäß einem Leistungsverhältnis der Gasturbine GT zur Dampfturbine DT vorgegeben. Typischerweise kann für einen Einwellenbetrieb einer Gasturbine mit einer Dampfturbine ein Verhältnis WG:WD=2:1, das heißt WG=2/3 und WD=l/3 vorgegeben werden. Die Vorgabe eines dem Leis¬ tungsverhältnis entsprechenden Gewichteverhältnisses spiegelt gewissermaßen einen jeweiligen Einfluss der Turbinenmodelle und von deren Modellfehlern auf die Leistungsermittlung wider und wirkt so auf das Training stabilisierend. Zudem ist die¬ ses Verhältnis in der Regel vorbekannt und weist im Betrieb häufig nur eine geringe Variation auf. Der zweite Teil DELG2 der Gesamtabweichung DELG wird als
Prognosefehler des zweiten Neuronalen Teilnetzes S2D für den zweiten Leistungswert L2 in das zweite neuronale Teilnetz S2D eingespeist, um dieses energieerzeugerspezifisch dazu zu trainieren, diesen Prognosefehler zu minimieren. Dieses Trai- ning kann vorzugsweise durch Backpropagation-Training erfolgen .
Der erste Teil DELGl der Gesamtabweichung DELG wird vor sei¬ ner Rückwärtspropagation mit der Einzelabweichung DEL1 kombi- niert und die Kombination, zum Beispiel der Mittelwert
(DELG1+DEL1 ) /2 als Prognosefehler des ersten neuronalen Teilnetzes S2G für den ersten Leistungswert LI in das erste neuronale Teilnetz S2G eingespeist. Letzteres wird damit energieerzeugerspezifisch dazu trainiert, zum Beispiel durch Backpropagation-Training, diesen Prognosefehler zu minimieren .
Die trainierten neuronalen Teilnetze S2G und S2D umfassen dann jeweils ein energieerzeugerspezifisches neuronales Mo- dell der Gastrubine GT bzw. der Dampfturbine DT zum Ermitteln des jeweiligen Leistungswert LI bzw. L2.
Durch die Zumischung der Einzelabweichung DEL1 zum ersten Teil DELGl der Gesamtabweichung DELG wird die Prognose des ersten neuronalen Teilnetzes S2G gewissermaßen in die Richtung einer Einzelbetriebsprognose "gezogen". Damit kann eine unerwünschte Propagation von Modellfehlern des zweiten neuronalen Teilnetzes S2D in das neuronale Modell der Gasturbine GT im ersten neuronalen Teilnetz S2G effektiv gedämpft bezie- hungsweise verringert werden.
Durch das Training werden sowohl der Prognosefehler für die Gesamtleistung GL als auch der Prognosefehler für die Gastur- binenleistung minimiert. Hierbei kann über die Gewichtung der Abweichungsmaße DELG, DEL1, DELG1 und DELG2 gewissermaßen eingestellt werden, inwieweit das neuronale Teilmodell der Gasturbine GT im ersten neuronalen Teilnetz S2G gegenüber dem ersten Softsensor Sl abweichen darf. Durch diese Gewichtung kann erreicht werden, dass zum einen das erste neuronale Teilnetz S2G vom vorab trainierten ersten Softsensor Sl abweichen kann und trotzdem eine unerwünschte Propagation von Modellfehlern des zweiten neuronalen Teilnetzes S2D in das erste neuronale Teilnetz S2G effektiv gedämpft wird.
Es lässt sich beobachten, dass ein erfindungsgemäß trainierter Softsensor, hier S2, einen erheblich genaueren Leistungswert für die Einzelleistung der Gasturbine GT aus den Be- triebsdaten BDG im kombinierten Betrieb ermitteln kann, als ein nur im Einzelbetrieb trainierter Softsensor, hier Sl. Da für den kombinierten Gas- und Dampfbetrieb typischerweise er¬ heblich mehr Betriebsdaten oder Messdaten zur Verfügung stehen und der Leistungsbereich eines kombinierten Betriebs grö- ßer und praxisnäher ist als ein Einzelbetrieb, lassen sich auf diese Weise Gasturbinenmodelle oder allgemein Energieer¬ zeugermodelle mit höherer Genauigkeit und breiterem Einsatz¬ bereich als mit bekannten Softsensoren erstellen. Dies reduziert die bisherige Schwierigkeit ausreichend viele Betriebs- daten im Einzelbetrieb zu erfassen oder Energieerzeuger mit vergleichbarem Betriebsmuster in Mehrwellenanlagen zu finden. Durch die zusätzliche Trainingsphase im kombinierten Betrieb, d.h. auch im Produktivbetrieb kann das im Einzelbetrieb trai¬ nierte Gasturbinenmodell in der Regel erheblich verfeinert werden.
Darüber hinaus können neuronale Gewichte des ersten neurona¬ len Teilnetzes S2G spezifisch extrahiert und auf einen beste¬ henden, dritten Softsensor übertragen werden. Auf diese Weise kann eine Genauigkeit bestehender Softsensoren erheblich verbessert werden.

Claims

Patentansprüche
1. Verfahren zum Ermitteln einer von einem ersten Energieerzeuger (GT) abgegebenen Leistung, wobei der erste Energieer- zeuger (GT) mit einem zweiten Energieerzeuger (DT) gekoppelt ist, wobei
a) ein zum Ermitteln eines Einzelbetrieb-Leistungswerts (EL) des ersten Energieerzeugers (GT) trainierter, erster Soft- sensor (Sl) abgefragt wird, und
b) in einem den ersten und den zweiten Energieerzeuger (GT, DT) kombinierenden Betrieb
- ein durch den ersten Softsensor (Sl) für den ersten Energieerzeuger (GT) ermittelter Einzelbetrieb- Leistungswert (EL) eingelesen wird,
- durch einen zweiten Softsensor (S2) ein erster Leistungswert (LI) für den ersten Energieerzeuger (GT) sowie ein zweiter Leistungswert (L2) für den zweiten Energieerzeuger (DT) ermittelt werden,
- eine Gesamtleistung (GL) der Energieerzeuger (GT, DT) ermittelt wird,
- der zweite Softsensor (S2) derart trainiert wird, dass eine Einzelabweichung (DEL1) zwischen dem Einzelbetrieb- Leistungswert (EL) und dem ersten Leistungswert (LI) sowie eine Gesamtabweichung (DELG) zwischen der Gesamtleistung (GL) und einer Kombination des ersten und zweiten Leistungswerts (LI, L2) reduziert werden, und
- der erste Leistungswert (LI) ausgegeben wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Einzelabweichung (DEL1) und ein erster Teil (DELG1) der Gesamtabweichung (DELG) dem ersten Energieerzeuger (GT) sowie ein verbleibender Teil (DELG2) der Gesamtabweichung (DELG) dem zweiten Energieerzeuger (DT) zugeordnet werden, und
dass der zweite Softsensor (S2) derart trainiert wird, dass die zugeordneten Abweichungen (DEL1, DELG1, DELG2) energieer- zeugerspezifisch reduziert werden.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die Gesamtabweichung (DELG) in einem vorgegebenen Verhältnis in den ersten Teil (DELG1) und den verbleibenden Teil (DELG2) aufgeteilt wird.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass das vorgegebene Verhältnis im Wesentlichen einem Leistungs¬ verhältnis zwischen dem ersten Energieerzeuger (GT) und dem zweiten Energieerzeuger (DT) entspricht.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Einzelbetrieb-Leistungswert (EL) und/oder der erste Leistungswert (LI) anhand von Betriebsda¬ ten (BDG) des ersten Energieerzeugers (GT) und/oder der zwei- te Leistungswert (L2) anhand von Betriebsdaten (BDD) des zweiten Energieerzeugers (DT) ermittelt wird.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der erste und/oder der zweite Softsensor (Sl, S2) mittels eines datengetrieben trainierbaren Regres- sors und/oder mittels eines neuronalen Netzes implementiert ist .
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der erste Leistungswert (LI) mittels ei¬ nes dem ersten Energieerzeuger (GT) zugeordneten, ersten neuronalen Teilnetzes (S2G) ,
der zweite Leistungswert (L2) mittels eines dem zweiten Ener¬ gieerzeuger (DT) zugeordneten, zweiten neuronalen Teilnetzes (S2D) und
die Gesamtabweichung (DELG) sowie die Einzelabweichung (DEL1) mittels einer weiteren neuronalen Trainingsschicht ermittelt werden .
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass neuronale Parameter des trainierten ersten neuronalen Teilnetzes (S2G) spezifisch extrahiert und
auf einen dritten Softsensor übertragen werden.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der zweite Softsensor (S2) im kombinie¬ renden Betrieb regelmäßig nachtrainiert oder fortlaufend trainiert wird.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine erste Leistung des ersten Energieerzeugers (GT) gemessen und mit dem ersten Leistungs- wert (LI) verglichen wird und/oder
eine zweite Leistung des zweiten Energieerzeugers (DT) gemes¬ sen und mit dem zweiten Leistungswert (L2) verglichen wird, und
dass abhängig vom Vergleichsergebnis ein Abweichungssignal (FS) ausgegeben wird.
11. Softsensor (S2) zum Ermitteln einer von einem ersten Energieerzeuger (GT) abgegebenen Leistung, eingerichtet zum Ausführen eines Verfahrens nach einem der vorhergehenden An- Sprüche.
12. Computerprogrammprodukt eingerichtet zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 10.
13. Computerlesbares Speichermedium mit einem Computerpro¬ grammprodukt nach Anspruch 12.
PCT/EP2016/080072 2015-12-23 2016-12-07 Verfahren und softsensor zum ermitteln einer leistung eines energieerzeugers WO2017108405A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020187020015A KR102183563B1 (ko) 2015-12-23 2016-12-07 에너지 생산자의 전력을 결정하기 위한 방법 및 소프트 센서
US16/063,330 US20180364653A1 (en) 2015-12-23 2016-12-07 Method and soft sensor for determining a power of an energy producer
EP16816600.7A EP3360015A1 (de) 2015-12-23 2016-12-07 Verfahren und softsensor zum ermitteln einer leistung eines energieerzeugers

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102015226656.7 2015-12-23
DE102015226656.7A DE102015226656B4 (de) 2015-12-23 2015-12-23 Verfahren und Softsensor zum Ermitteln einer Leistung eines Energieerzeugers

Publications (1)

Publication Number Publication Date
WO2017108405A1 true WO2017108405A1 (de) 2017-06-29

Family

ID=57609845

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2016/080072 WO2017108405A1 (de) 2015-12-23 2016-12-07 Verfahren und softsensor zum ermitteln einer leistung eines energieerzeugers

Country Status (5)

Country Link
US (1) US20180364653A1 (de)
EP (1) EP3360015A1 (de)
KR (1) KR102183563B1 (de)
DE (1) DE102015226656B4 (de)
WO (1) WO2017108405A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3438567A1 (de) 2017-08-01 2019-02-06 Vaillant GmbH Softsensor zur identifikation und regelung oder steuerung eines wärmepumpensystems

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000003355A2 (de) * 1998-07-08 2000-01-20 Siemens Aktiengesellschaft Neuronales netz und verfahren und anordnung zum trainieren eines neuronalen netzes
WO2008080864A1 (de) * 2007-01-02 2008-07-10 Siemens Aktiengesellschaft Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2533942B2 (ja) * 1989-03-13 1996-09-11 株式会社日立製作所 知識抽出方法およびプロセス運転支援システム
US6678640B2 (en) * 1998-06-10 2004-01-13 Matsushita Electric Industrial Co., Ltd. Method and apparatus for parameter estimation, parameter estimation control and learning control
AU4733601A (en) * 2000-03-10 2001-09-24 Cyrano Sciences Inc Control for an industrial process using one or more multidimensional variables
US20080061045A1 (en) * 2006-09-11 2008-03-13 The Esab Group, Inc. Systems And Methods For Providing Paralleling Power Sources For Arc Cutting And Welding
US20120083933A1 (en) * 2010-09-30 2012-04-05 General Electric Company Method and system to predict power plant performance
DE102011003149A1 (de) * 2011-01-26 2012-07-26 Robert Bosch Gmbh Verfahren zum Einspeisen von Energie in ein Energienetz
EP2706422B1 (de) * 2012-09-11 2016-07-27 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Überwachung des Betriebs eines technischen Systems, insbesondere einer elektrischen Energieerzeugungsanlage
US9141915B2 (en) * 2013-01-30 2015-09-22 Siemens Aktiengesellschaft Method and apparatus for deriving diagnostic data about a technical system
JP6816949B2 (ja) * 2014-11-26 2021-01-20 ゼネラル・エレクトリック・カンパニイ 発電プラント発電ユニットの制御を強化するための方法
EP3360084A1 (de) * 2015-11-12 2018-08-15 Google LLC Erzeugung grösserer neuronaler netzwerke

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000003355A2 (de) * 1998-07-08 2000-01-20 Siemens Aktiengesellschaft Neuronales netz und verfahren und anordnung zum trainieren eines neuronalen netzes
WO2008080864A1 (de) * 2007-01-02 2008-07-10 Siemens Aktiengesellschaft Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FAHLMAN S E ET AL: "THE CASCADE-CORRELATION LEARNING ARCHITECTURE", ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS, XX, XX, 1 January 1989 (1989-01-01), pages 524 - 532, XP000674977 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3438567A1 (de) 2017-08-01 2019-02-06 Vaillant GmbH Softsensor zur identifikation und regelung oder steuerung eines wärmepumpensystems
DE102017117370A1 (de) 2017-08-01 2019-02-07 Vaillant Gmbh Softsensor zur Identifikation und Regelung oder Steuerung eines Wärmepumpensystems

Also Published As

Publication number Publication date
DE102015226656A1 (de) 2017-06-29
US20180364653A1 (en) 2018-12-20
DE102015226656B4 (de) 2019-10-10
KR20180094065A (ko) 2018-08-22
EP3360015A1 (de) 2018-08-15
KR102183563B1 (ko) 2020-11-26

Similar Documents

Publication Publication Date Title
DE102016116906A1 (de) Modell-basierte Charakterisierung der Druck/Last-Beziehung für die Laststeuerung eines Kraftwerks
DE10353672A1 (de) Verfahren zur Lastbegrenzung in Antriebssystemen
EP2867971B1 (de) Steuern einer mehrzahl von an einen gemeinsamen netzübergabepunkt angeschlossenen wechselrichtern
WO2014187828A1 (de) Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems
EP0988583A1 (de) System und verfahren zur diagnose von triebwerkszuständen
EP1736664B1 (de) Verfahren und Anordnung zum Vermessen einer Windenergieanlage
DE102017006191A1 (de) Verfahren zum Betreiben einer Windenergieanlage
DE102008011139A1 (de) Regler für einen Blatteinstellwinkel mindestens eines Rotorblatts einer Windenergieanlage
EP2082294B1 (de) Verfahren und vorrichtung zur identifikation einer verzögerungsbehafteten regelstrecke, regeleinrichtung und computerprogrammprodukt
WO2017108405A1 (de) Verfahren und softsensor zum ermitteln einer leistung eines energieerzeugers
DE102004026583B3 (de) Verfahren zur Optimierung von Kennfeldern
DE102005003916A1 (de) Überwachen der Funktionssicherheit einer Brennkraftmaschine
DE102015118129A1 (de) Verfahren zum Ermitteln der Leistungsaufnahme eines programmierbaren Logikbausteins
EP2198349A1 (de) Verfahren zum beschreiben eines verhaltens einer technischen einrichtung
DE102017110795A1 (de) Verfahren zur verbesserten Kalibrierung der Steuerung einer Brennkraftmaschine
DE102011075337A1 (de) Verfahren und Vorrichtung zur Ansteuerung einer Anlage
DE3541148C2 (de)
DE102015220405A1 (de) Verfahren und Vorrichtung zur Steuerung eines Kraftstoff-Einspritzsystems einer Brennkraftmaschine
Richwine et al. Validation of a second generation Type 3 generic wind model
DE102013106151A1 (de) Kaskadierung und Energiespeicher
AT522958A4 (de) Verfahren und System zum Kalibrieren einer Steuerung einer Maschine
DE4405350C2 (de) Verfahren zur Bestimmung des Frischdampfmassenstromes in der Frischdampfleitung eines Dampfkraftwerks
DE102021129204B4 (de) Verfahren zur Verbesserung von Messergebnissen einer Mehrzahl von einer physikalischen Größe messenden Sensoren
DE102021115103B3 (de) Verfahren, Vorrichtung, Fahrzeug und Computerprogramm zum Modellieren und Überwachen eines Aufheizverhaltens eines Fahrzeugbauteils
EP3422123B1 (de) Verfahren und anordnung zum rechnergestützten konfigurieren eines technischen systems

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16816600

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2016816600

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 20187020015

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 1020187020015

Country of ref document: KR