Full Text

Введение. Современное промышленное производство, как и обеспечение жизни современного общества, невозможны без использования электрической энергии. Опыт разработки электроэнергетических систем (ЭЭС) во всем мире показывает высокий спрос на использование в энергетике газотурбинных установок (ГТУ) малой и средней мощности [1-2]. Большое количество таких ГТУ производится в России на основе разработанных в нашей стране конвертированных авиационных двигателей [3], что стало возможным благодаря значительному отечественному опыту в разработке ГТУ для наземных применений, например, в Пермском крае такие ГТУ успешно производятся с начала 90-х гг. прошлого века. Сегодня ГТУ малой и средней мощности находят применение в городах и поселках, отдаленных и труднодоступных районах России для обеспечения электроэнергии и теплоснабжения. Для функционирования авиационных ГТУ в составе газотурбинной электростанций (ГТЭС) нужна система автоматического управления (САУ) ГТУ. Одним из ключевых назначений САУ ГТУ является обеспечение в соответствии с требованиями ГОСТ и отраслевых стандартов показателей качества вырабатываемой электроэнергии. И здесь наличествует проблема. Дело в том, что изначально такие САУ разрабатывались для авиационных ГТУ. После конвертирования таких ГТУ в наземные версии ГТУ требования к САУ ГТУ также изменяются, и такие САУ нужно синтезиовать и настраивать применительно к новым условиям эксплуатации, а при проведении испытаний желательно исследовать их поведение для возможно более широкого спектра условий работы газотурбинной электростанции. Это значительно увеличивает время и стоимость проведения испытаний. Ситуация усугубляется тем фактом, что влияние ЭЭС на разработку, тестирование и адаптацию САУ ГТУ в настоящее время учитывается недостаточно. Все это создает серьезные сложности в обеспечении требуемого качества вырабатываемой ГТЭС электроэнергии [4]. Разрешить проблему возможно за счет применения математического моделирования поведения ГТЭС в различных условиях эксплуатации для испыания алгоритмического обеспеченя САУ ГТУ. В статье рассматривается нейросетвая модель ЭЭС, позволяющяя гибко и эффективно настроиь САУ ГТУ при учете разнообразных возмущений электрической системы, имеющих место при эксплуатации ГТЭС. 1. Газотурбинные электростанции. Газотурбинные установки (ГТУ) представляют собой очень перспективные источники электрической энергии (рис.1). В данном случае речь идёт о небольших, мобильных модульных электростанциях на базе отечественных ГТУ с питанием газом. ГТУ конструктивно представляет собой устройство, которое объединяет в себе комплекс газовых турбин, а также электрический генератор, газовоздушный тракт, системы управления и множество добавочных приборов, куда включаются и пусковое устройство, и компрессор, и теплообменный аппарат или котёл-утилизатор, который используется для повышения температуры сетевой воды для промышленного снабжения [5]. Электрическая турбина и генератор являются составными ГТУ, которые располагаются в одном корпусе. Схема установки газовой турбины весьма проста: газ, который образуется при истощении топлива, начинает помогать вращению турбинных лопастей. Далее поток горячего газа приводит в действие лопатки электрической турбины, тем самым генерируя крутящий момент. Выходящие газы способствуют образованию пара, который соответственно образовался из воды в котле-утилизаторе. Именно при такой схеме польза газа в данной ситуации увеличивается вдвое. Топливо 1 2 3 4 Рис. 1. Кинематическая схема двухвальной ГТУ (1 - компрессор; 2 - камера сгорания; 3 - компрессорная турбина; 4 - свободная турбина) Основной тип электростанций сегодня - это электростанция комбинированного типа (рис. 2). Электростанция смешанного типа предполагает совокупность паровой и газовой турбины. Такие электростанции, базу которых составляют парогазовые конструкции, обладают весьма значительным коэффициентом полезного действия - 58 %, помимо этого они являются экологически чистыми и работают с выделением очень малого количества парниковых газов. Рис. 2. Принципиальная технологическая схема ГТС Электростанции комбинированного типа имеют отчетливое преимущество при работе на природном газе или жидком топливе. Газ не только приводит в действие основную турбину, но и поступает в специальный котел-утилизатор. Здесь он поднимает температуру водяного пара, и вследствие высокого давления паровая турбина функционирует и передает энергию другому генератору. Благодаря подобной схеме достигается значительная эффективность электростанции комбинированного типа на базе парогазовой установки [5, 6]. ГТУ применяют во многих отраслях промышленности: нефтеперерабатывающей, газодобывающей, металлургической, лесной и т.д. 2. Математические модели и их применения. Математические модели, а также основанный на них модельно-ориентированный подход являются мощным инструментом, так как дают возможность осуществлять проверки, отладку, регулировку, модификацию объекта (регулятора) в отсутствие прямой деятельности с настоящим объектом, что существенно увеличивает результативность, а также темпы введения в эксплуатацию. При этом математические модели необходимо получать (разрабатывать) во многих случаях с самого начала. Широкое распространение получили так называемые упрощенные или быстрорешаемые модели. Упрощенная модель состоит из уравнений, не являющихся «физическими», которые не являются уравнениями газовой динамики, термодинамики, механики. Точность такого вида моделей достигается за счет выбора входящих в уравнения переменных коэффициентов [7, 8]. Преимущества данного вида моделей заключаются в их простоте и скорости работы на оборудовании. В частности, эти модели позволяют производить расчеты в реальном времени или даже быстрее. Это позволяет использовать такие модели на полунатурных стендах, предназначенных для отработки, отладки, доводки, настройки САУ. К недостаткам таких моделей можно отнести их меньшую точность, ограниченный рабочий диапазон. В случае изменения характеристик какого-либо узла некоторые из быстрорешаемых моделей необходимо получать заново. В большинстве случаев быстрорешаемые модели получают на основе экспериментальных данных, а именно на основе переходных процессов, получаемых либо со сложной модели, либо с реального объекта. Один из способов получения быстрорешаемых моделей заключается в использовании искусственных нейронных сетей (ИНС) [9-14]. 3. Получение нейросетевой математической модели ГТЭС. Архитектура нейронной сети для математической модели ГТЭС. Для построения нейросетевых математических моделей ГТЭС [15-19] необходимо наличие репрезентативных экспериментальных данных и нейронной сети, архитектура которой позволит за приемлемый промежуток времени обучить ее на этих экспериментальных данных. В качестве базовой архитектуры нейронной сети был выбран многослойный персептрон, так как он хорошо себя зарекомендовал в задачах получения математических моделей газотурбинной установки [9-11] и является достаточно простым для понимания [13, 14]. Для обоснования архитектуры было проведено большое количество экспериментов, на основе анализа которых были выбраны архитектура и рекомендации по ее выбору. Именно такая архитектура в дальнейшем применялась для получения нейросетевых математических моделей энергосистемы различной конфигурации. На рис. 3, а, б показаны зависимости количества скрытых слоев, времени обучения и среднеквадратичной ошибки. а б в Рис. 3. Зависимости: времени обучения за 1000 итераций от количества скрытых слоев нейронной сети (а); среднеквадратичной ошибки от количества скрытых слоев (б); среднеквадратичной ошибки от глубины обратных связей (в) На основе полученных моделей, времени обучения и рекомендаций [13, 14] было принято решение использовать не менее двух скрытых слоев. Хотя для решения многих задач одного скрытого слоя достаточно, но практика работы с нейронными сетями [9-11] показала необходимость использования, как минимум, двух скрытых слоев. На рис. 3, в показана зависимость среднеквадратичной ошибки от глубины обратных связей (реккурентная нейронная сеть) при равном количестве итераций обучения. На основании анализа полученных данных и графиков (см. рис. 3) сделан вывод о целесообразности использования глубины обратных связей в диапазоне с 8 до 12 в связи с одинаковым значением ошибки. Так как разница в ошибке для выбранного диапазона незначительна, принято решение за базисную величину выбрать глубину обратных связей равной 10. Исходя из количества точек в экспериментальных данных (рис. 5), полученных ранее для обучения ИНС для получения математической модели ГТЭС, и зная количество скрытых слоев можно определить необходимое количество нейронов в скрытых слоях. Возьмем количество скрытых слоев, равное двум, и составим следующее уравнение: (1) где i - количество нейронов в входном слое; h1, h2 - количество нейронов в первом и втором скрытых слоях; o - количество нейронов в выходном слое; n - коэффициент соотношения количества настраиваемых параметров к количеству точек в экспериментальных данных; p - количество точек в экспериментальных данных. Из источников [13, 14] известно, что количество настраиваемых параметров должно быть в 2 - 5 раз меньше, чем количество примеров в обучающих данных, т.е. n = 2…5. Количество точек также известно и p = 5500 точек. Для удобства вычислений возьмем, что h1 = h2 и количество входов i = 3 (рис. 4) и o = 5 (рис. 4). В итоге уравнение (1) примет следующий вид: (2) где h - количество нейронов в скрытом слое. Для удобства примем n = 3, тогда получим следующее квадратное уравнение: (3) Решив квадратное уравнение, получим h = 39, т.е. по 39 нейронов в каждом из скрытых слоев. Стоит отметить, что при наличии обратных связей количество нейронов в скрытых слоях будет меняться. В итоге выбранная архитектура сети представляет из себя полносвязную нейронную сеть с обратными связями. Эксперименты для получения обучающей выборки. Для получения нейросетевой математической модели (рис. 4) было проведено пять экспериментов с набросом нагрузки с 1000 до 6000 кВт и пять экспериментов со сбросом нагрузки с 6000 до 1000 кВт, тем самым предполагается обучать нейросетевую модель двум наиболее характерным режимам эксплуатации ГТЭС. 1 1 8 5 Входной слой Выходной слой Скрытые слои GТ UF P nТК nСТ U I NG W 011 W 08n W 211 W 2m5 W 111 W 1nm 1 n 1 m W 1n1 W 11m Рис. 4. Архитектура нейронной сети ГТЭС, где nTK - скорость вращения турбокомпрессора; nCT - скорость вращения свободной турбины; U - напряжение синхронного генератора (СГ); I - ток СГ; NG - мощность СГ; GT - расход топлива; UF - напряжение обмотки возбуждения; P - активная мощность нагрузки сети; wabc - весовой коэффициент связи (a - индекс таблицы весов, b - номер нейрона в слое откуда идет связь, с - номер нейрона в слое, куда приходит связь). Необходимо добавить, что количество нейронов в обоих скрытых слоях равно 30 (n = m = 30) Все эксперименты проведены с использованием программно-моделирующего комплекса «КМЭС». Комплекс «КМЭС» используется на АО «ОДК-Авиадвигатель» для исследования режимов функционирования ГТЭС совместно с энергосистемой. К сожалению, быстродействия комплекса «КМЭС» недостаточно для полноформатных испытаний САУ. На рис. 5 и 6 показаны примеры экспериментальных данных, которые использовались для обучения искусственной нейронной сети. Рис. 5. Изменение активной мощности сети в обучающей выборке Рис .6. Изменение расхода топлива в обучающей выборке На рис. 7 и 8 показано сравнение экспериментальных и модельных данных для обучающей выборки наиболее важных переменных для энергосистемы. В табл. 1 показана мера адекватности текущей модели по критерию Тейла [20]. Время, с об/мин 1 2 Рис. 7. Сравнение частота вращения свободной турбины для обучающей выборки (1 - экспериментальная, 2 - модельная) Время, с В 1 2 Рис. 8. Сравнение действующего напряжения для обучающей выборки (1 - экспериментальная, 2 - модельная) Таблица 1 Меры адекватности модели ГТЭС по критерию Тейла Переменная Мера адекватности модели Действующее напряжение СГ 0,.05234 Частота вращения свободной турбины 0,0374 Проверка полученной нейросетевой математической модели газотурбинной электростанции в замкнутом контуре. Следующим этапом является проверка модели в замкнутом контуре при работающей системе управления на данных, которых не было в обучающей выборке (рис. 9, 10). В табл. 2 показаны полученные меры адекватности модели в замкнутом контуре. Рис. 9. Изменение скорости вращения свободной турбины в замкнутом контуре при сбросе и набросе мощности активно-индуктивной нагрузки (красная - экспериментальная, синяя - модельная) Рис. 10. Изменение действующего линейного напряжения синхронного генератора в замкнутом контуре при сбросе и набросе мощности активно-индуктивной нагрузки (красная - экспериментальная, синяя - модельная) Таблица 2 Меры адекватности модели ГТЭС по критерию Тейла Переменная Мера адекватности модели Действующее напряжение СГ 0,000608 Частота вращения свободной турбины 0,001014 Выводы. Полученная нейросетевая модель одновременно учитывает различные режимы функционирования ГТЭС и энергосистемы. Следовательно, такую модель можно считать многорежимной. В рамках данной работы рассмотрены наиболее характерные режимы работы ГТЭС. На следующем этапе работ предполагается увеличение количества таких режимов для получения всережимной модели, что даст возможность настроить систему управления, которая позволит получать приемлемые показатели качества выработки электроэнергии во всех эксплуатационных режимах. Стоит отметить, что адекватность любой модели всегда должна оцениваться только в рамках задачи, для решения которой она получена. Основная задача разработанной модели заключается в настройке системы управления ГТУ в режимах наброса (с 1000 до 6000 кВт) и сброса (с 6000 до 1000 кВт) нагрузки. Следующим этапом, который не рассматривается в рамках данной работы, является настройка параметров САУ для достижения лучших показателей качества выработки электроэнергии. В случае, если нейросетевая модель позволяет осуществить процедуру настройки параметров САУ, можно считать, что она адекватна и справляется с выполнением своей задачи.

About the authors

E. A Zaborovtsev

Perm National Research Polytechnic University

M. A Kolpakova

Perm National Research Polytechnic University

G. A Kilin

Perm National Research Polytechnic University

References

Statistics

Views

Abstract - 73

PDF (Russian) - 114

Refbacks

• There are currently no refbacks.