Nothing Special   »   [go: up one dir, main page]

DE102016116906A1 - Modell-basierte Charakterisierung der Druck/Last-Beziehung für die Laststeuerung eines Kraftwerks - Google Patents

Modell-basierte Charakterisierung der Druck/Last-Beziehung für die Laststeuerung eines Kraftwerks Download PDF

Info

Publication number
DE102016116906A1
DE102016116906A1 DE102016116906.4A DE102016116906A DE102016116906A1 DE 102016116906 A1 DE102016116906 A1 DE 102016116906A1 DE 102016116906 A DE102016116906 A DE 102016116906A DE 102016116906 A1 DE102016116906 A1 DE 102016116906A1
Authority
DE
Germany
Prior art keywords
power generation
model
turbine
steam
pressure
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
DE102016116906.4A
Other languages
English (en)
Inventor
Xu Cheng
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Emerson Process Management Power and Water Solutions Inc
Original Assignee
Emerson Process Management Power and Water Solutions Inc
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 Emerson Process Management Power and Water Solutions Inc filed Critical Emerson Process Management Power and Water Solutions Inc
Publication of DE102016116906A1 publication Critical patent/DE102016116906A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01K—STEAM ENGINE PLANTS; STEAM ACCUMULATORS; ENGINE PLANTS NOT OTHERWISE PROVIDED FOR; ENGINES USING SPECIAL WORKING FLUIDS OR CYCLES
    • F01K13/00—General layout or general methods of operation of complete plants
    • 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
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01K—STEAM ENGINE PLANTS; STEAM ACCUMULATORS; ENGINE PLANTS NOT OTHERWISE PROVIDED FOR; ENGINES USING SPECIAL WORKING FLUIDS OR CYCLES
    • F01K13/00—General layout or general methods of operation of complete plants
    • F01K13/02—Controlling, e.g. stopping or starting
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F22—STEAM GENERATION
    • F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
    • F22B35/00—Control systems for steam boilers
    • F22B35/18—Applications of computers to steam-boiler control
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Control Of Turbines (AREA)
  • Feedback Control In General (AREA)
  • Thermal Sciences (AREA)

Abstract

Ein Regelungssystem verwendet ein neuronales Vorwärtskopplungs-Netzwerkmodell zur Regelung eines Dampfturbinenstromerzeugungssystems im Gleitdruckbetrieb in einer effizienteren und genaueren Weise als ein Regelungsschema, das nur ein multivariates lineares Regressionsmodell oder eine vom Hersteller gelieferten Korrekturfunktion verwendet. Der Turbinendampfeinlassdruck eines Dampfturbinenstromerzeugungssystems im Gleitdrucksteuerungsmodus hat eine direkte eins-zu-eins-Beziehung zur elektrischen Energielast (Ausgabeleistung) des Dampfturbinenstromerzeugungssystems. Dieses neue Regelungssystem stellt eine genauere Darstellung des Dampfturbineneinlassdrucks bereit, so dass die Leistung, die von einem Kraftwerk erzeugt wird, näher an das Ziel gesteuert wird (Bedarf). Insbesondere stimmt die Vorhersage durch das neuronale Vorwärtskopplungs-Netzwerkmodell des Turbinendampfeinlassdrucks genauer dem tatsächlichen Turbinendampfeinlassdruck überein, wobei der Fehler sehr klein ist, wodurcheine bessere Regelung der elektrischen Energielast ermöglicht wird.

Description

  • TECHNISCHES GEBIET
  • Die vorliegende Erfindung bezieht sich im Allgemeinen auf die Regelung von Stromerzeugungsanlagen und insbesondere auf die Umsetzung einer modellbasierten Charakterisierung der Beziehung zwischen Turbinendampfeinlassdruck und elektrischer Energielast für Dampfturbinenstromerzeugungsprozesse und -systeme, die in einem Gleitdruckregelungsmodus betrieben werden.
  • HINTERGRUND
  • Eine Vielzahl von industriellen und nichtindustriellen Anwendungen verwenden Brennstoffkessel, die in der Regel durch das Verbrennen einer von verschiedenen Arten von Brennstoffen wie Kohle, Gas, Öl, Abfallmaterial, usw. chemische Energie in Wärmeenergie umwandeln. Eine beispielhafte Verwendung von Brennstoffverbrennungskesseln ist in Wärmekraftgeneratoren zu sehen, in denen Brennstoffverbrennungsofen Dampf von Wasser erzeugen, welches durch eine Anzahl von Rohren innerhalb eines Kessels fließt, wobei der erzeugte Dampf dann für den Betrieb einer oder mehrer Dampfturbinen zur Energieerzeugung verwendet wird. Die elektrische Energielast (oder Leistungsabgabe) einer Wärmekraftmaschine kann eine Funktion der Menge an in einem Kessel erzeugten Wärme sein, wobei die Wärmemenge beispielsweise direkt durch die Menge des verbrauchten (beispielsweise verbrannten) Kraftstoffs pro Stunde bestimmt werden kann.
  • In vielen Fällen umfassen die Stromerzeugungssysteme einen Kessel, welcher einen Ofen aufweist, welcher Kraftstoff verbrennt oder anderweitig verwendet, um Wärme zu erzeugen, die wiederum an Wasser übertragen wird. welches durch Leitungen oder Rohre in verschiedenen Abschnitten des Kessels fließt. Ein typisches Dampferzeugungssystem umfasst einen Kessel mit einem Überhitzabschnitt (mit einem oder mehren Teilabschnitten), in dem Dampf produziert wird um dann innerhalb einer ersten, typischerweise einer Hochdruckdampfturbine verwendet zu werden. Während die Effizienz eines thermischen Energieerzeugers stark von der Wärmeübertragungseffizienz der speziellen Ofen/Kessel Kombination abhängt, welche zur Verbrennung des Brennstoffs und zum Übertragen der Wärme auf den Dampf, welcher innerhalb des Überhitzabschnitts oder irgendeines weiteren Abschnitts(e) des Kessels fließt, verwendet wird, hängt diese Effizienz auch von der Steuertechnik ab, welche zum Steuern der Dampftemperatur im Überhitzabschnitt oder in irgendeinem weiteren Abschnitt(en) des Kessels verwendet wird. Um die Effizienz des Systems zu erhöhen, kann der Dampf, welcher aus der ersten Dampfturbine austritt, in einem Nachhitzabschnitt des Kessels wieder aufgeheizt werden, welcher einen oder mehrere Unterabschnitte umfassen kann, und der wiedererhitzte Dampf kann dann einer zweiten, typischerweise auf einem niedrigeren Druck arbeitenden Turbine zugeführt werden. Sowohl der Ofen/Kessel-Abschnitt des Stromversorgungssystems als auch der Turbinenabschnitt des Stromversorgungssystems müssen jedoch in koordinierter Weise gesteuert werden, um eine gewünschte Menge an Energie bereitzustellen.
  • Darüber hinaus werden die Dampfturbinen eines Kraftwerks in der Regel auf verschiedenen Pegeln und zu verschiedenen Zeiten betrieben, um unterschiedliche Mengen an Strom oder Energie aufgrund des variablen Energie- oder Lastbedarfs des Kraftwerks zu produzieren. Beispielsweise kann in vielen Fällen ein Kraftwerk in ein elektrisches Energieübertragungs- und Verteilungsnetz eingebunden sein, manchmal Stromnetz genannt, und stellt dem Stromnetz eine bestimmte Menge an Energie zur Verfügung. In diesem Fall wird ein Stromnetzmanager oder eine Kontrollbehörde (Einspeisung) typischerweise das Stromnetz verwalten, um die Spannungspegel an das Stromnetz konstant oder nahezu konstant zu halten (diese können innerhalb von Bemessungspegeln sein) und um eine konstante Einspeisung von Energie, gemäß der aktuellen Nachfrage nach Strom (Energie), die durch die Stromverbraucher an das Stromnetz gestellt wird, bereitzustellen. Natürlich plant der Netzmanager in der Regel zu bestimmten Tageszeiten eine höhere Nutzung und damit höhere Energieanforderungen als zu anderen Tageszeiten ein, und an bestimmten Tagen der Woche und des Jahres als an anderen, und kann eine oder mehrere Optimierungsroutinen ausführen, um die optimale Menge und Art der Energie zu bestimmen, die zu irgendeiner bestimmten Zeit von den verschiedenen Kraftwerken im Netz erzeugt werden muss, um den aktuellen oder erwarteten Anforderungen an Gesamtleistung im Stromnetz gerecht zu werden.
  • Als Teil dieses Prozesses sendet der Netzmanager typischerweise Energie- oder Lastbedarfsanforderungen (auch Lastbedarfssollwerte oder elektrische Lastsollwerte genannt) an jedes Kraftwerk, welches Strom an das Stromnetz liefert, wobei elektrische Energielastsollwerte die Energie bestimmen, welche jedes einzelne Kraftwerk dem Stromnetz zu einem bestimmten Zeitpunkt zu liefern hat. Um die Steuerung des Stromnetzes auf eine geeignete Weise durchzuführen, kann der Netzmanager natürlich zu jedem Zeitpunkt neue elektrische Energielastsollwerte für die verschiedenen an das Stromnetz gebundene Kraftwerke senden, um erwartete und/oder unerwartete Änderungen in der Energie zu berücksichtigen, welche dem Stromnetz zugeführt oder vom Stromnetz verbraucht wird. Der Netzmanager kann zum Beispiel den elektrischen Energielastsollwert für ein bestimmtes Kraftwerk als Reaktion auf erwartete oder unerwartete Änderungen des Strombedarfs (welche typischerweise während normalen Geschäftszeiten und an Wochentagen höher als in der Nacht oder am Wochenende sein kann) verändern. Genauso kann der Netzmanager den elektrischen Energielastsollwert für ein bestimmtes Kraftwerk als Reaktion auf eine erwartete oder unerwartete Reduzierung der Energiezufuhr an das Netz verändern, wie im Falle eines Ausfalls einer oder mehrerer Krafteinheiten eines bestimmten Kraftwerks, welche unerwarteterweise ausfallen oder aufgrund von normalen oder geplanten Wartungsarbeiten vom Netz getrennt werden.
  • Das Dampfturbinenenergieerzeugungsverfahren kann man sich als Verfahren mit zwei Hauptverfahrenseingangsgrößen vorstellen – Kraftstoff (Energie) und Turbinendrosselklappe – und zwei Hauptverfahrensausgabegrößen – elektrische Energielast (Megawatt oder MW) und Turbinendampfeinlassdruck. Für den Zweck der Erreichung eines hohen Wirkungsgrades werden viele Kraftwerke in einem gleitenden Druckmodus betrieben. Das heißt, der Turbinendampfeinlassdruck und die elektrische Energielast weisen an einem bestimmten Betriebspunkt eine direkte eins-zu-eins-Beziehung (beispielsweise der Bemessungsbedingung), so dass die Regelung des Turbinendampfeinlassdrucks als gleichwertig mit der Regelung der elektrischen Energielast betrachtet wird. Typischerweise kann die Beziehung durch eine Kurve dargestellt werden, wobei der Turbinendampfeinlassdruck konstant gehalten wird, wenn die elektrische Energielast unter 40% liegt, und allmählich zunimmt, wenn die elektrische Energielast über 40% steigt. Im Gleitdruckbetrieb wird die Turbinendrosselklappe am Einlass der Dampfturbine weit offen gehalten (beispielsweise 100% offen), während der Master-Kessel (Brennstoff) zum Regeln des Einlassdrucks (auch als Turbinendrosseldruck oder Turbinendampfeinlassdruck bezeichnet) auf den gewünschten elektrischen Energielastsollwert verwendet wird. Das Kraftwerk regelt den Turbinendampfeinlassdruck anstelle der elektrischen Energielast als primäre Ausgabegröße, denn obwohl das Kraftwerk den elektrischen Energielastsollwert so schnell und effizient wie möglich erreichen will, können schnelle und/oder willkürliche Bewegungen der elektrischen Energielast bewirken, dass die Dampfdruck-Variable aufgrund der eins-zu-eins-Beziehung wild und unkontrollierbar schwingt, wodurch ein Sicherheitsproblem entsteht. Die Regelung des Turbinendampfeinlassdrucks stellt eine zuverlässigere und stabilere Weise dar, mit der die elektrische Energielast geregelt wird, was als wichtiger als die Geschwindigkeit eingestuft wird, obwohl der Turbinendampfeinlassdruck als zweitbeste Auslassregelzielgröße im Verhältnis zur elektrischen Energielast betrachtet wird.
  • Im tatsächlichen Betrieb sendet die Leitstelle das elektrische Energielastbedarfssignal (zum Beispiel einen MW Zielsollwert) entweder manuell an das Kraftwerk oder durch Verbinden des Anforderungssignals durch einen Mechanismus der automatischen Generationskontrolle (AGC). Dieser elektrische Energielastsollwert wird in einen Turbinendampfeinlassdrucksollwert im verteilten Regelsystem umgewandelt, und das verteilte Regelungssystem regelt den Druck am Turbinendampfeinlass auf diesen Sollwert. Wenn das Verhältnis zwischen elektrischer Energielast (MW) und Turbinendampfeinlassdruck perfekt gestaltet ist, wird die tatsächliche elektrische Energielast zu ihrem Ziel geregelt werden.
  • Allerdings wird das eigentliche Verfahren nicht immer im Sollzustand oder in einem anderen bestimmten Zustand betrieben. Beispielsweise können Dampftemperatur und Turbinenauslassdruck deutlich von den Herstellerprojektwerten abweichen (d. h. vom Sollzustand). Um daher eine genaue Beziehung zwischen elektrischer Energielast und Turbinendampfeinlassdruck aufrecht zu erhalten, liefern Turbinenhersteller in der Regel Korrekturformeln/-kurven, welche verwendet werden können, um den Turbinendampfeinlassdrucksollwert zum Erreichen des elektrischen Energielastsollwert zu abzuändern. Diese Formeln sind in der Regel durch lineare und polynomische Gleichungen gekennzeichnet und werden meist experimentell bestimmt. Diese Korrekturformeln/-kurven werden jedoch zum Zeitpunkt der Herstellung und/oder Installation, basierend auf einem festen Satz von Daten, erhalten. Im Laufe der Zeit können sich die Verfahrenseigenschaften einer Einheit geringfügig ändern, und die Beziehung zwischen elektrischer Energielast und Turbinedampfeinlassdruck muss von Zeit zu Zeit neu kalibriert werden, eventuell an verschiedenen Betriebspunkten. Ein multivariates lineares Regressionsmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast ist in Echtzeit im Dampfturbinenenergieerzeugungsprozess verwendet worden, um diese Beziehung und die Weise, wie sich diese Beziehung im Laufe der Zeit verändert, besser aufzuzeichnen. Es funktioniert gut unter den meisten Bedingungen, aber unter bestimmten Bedingungen unterscheidet sich die tatsächliche elektrische Energielast vom elektrischen Energielastsollwert um mehr als 2 MW. Dieser Unterschied ergibt sich aus einer ungenauen Beziehung zwischen der elektrischen Energielast und dem Turbinendampfeinlassdruck, welche durch das multivariate lineare Regressionsverfahren erhalten wird.
  • ZUSAMMENFASSUNG DER ERFINDUNG
  • Das Regelungsschema verwendet ein neuronales Vorwärtskopplungs-Netzwerkmodell zur Regelung eines Dampfturbinenstromerzeugungs-Verfahrens und -Systems im Gleitdruckbetriebsmodus auf eine effizientere und präzisere Art und Weise als im Falle eines Regelungsschemas, welches nur ein multivariates lineares Regressionsmodell oder eine vom Hersteller gelieferten Korrekturfunktion verwendet. Der Turbinendampfeinlassdruck einer Dampfturbinenkraftanlage im Gleitdruckmodus weist eine direkte eins-zu-eins-Beziehung mit der elektrischen Energielast (Ausgabeleistung) des Dampfturbinenkraftsystems auf. Dieses neue Regelungsschema soll eine genauere Darstellung des Turbinendampfeinlassdrucks bereitstellen, so dass die von einem Kraftwerk erzeugte genauer an das Ziel geregelt wird (Bedarf). Insbesondere die Vorhersage durch das neuronale Vorwärtskopplungs-Netzwerkmodell des Turbinendampfeinlassdrucks stimmt mit dem eigentlichen Turbinendampfeinlassdruck genauer und mit sehr wenigen Fehlern überein und stellt dadurch eine bessere Regelung der elektrischen Energielast bereit. Auch kann dieses Regelungsschema auf andere Arten von Kraftwerken angewendet werden, die den Gleitdruckmodus verwenden. Darüber hinaus kann dieses Regelungsschema in Stromerzeugungssystemen angewendet werden, die eine Prozessvariable regeln, welche eine direkte eins-zu-eins-Beziehung mit der elektrischen Energielast Stromerzeugungssystems aufweisen. Als solches kann das Regelungsschema in Regelungssystemen verwendet werden, die Verfahren oder Anlagenhardware regeln, die eine Energieerzeugungs-Hardware umfassen.
  • In einem Fall umfasst das Stromerzeugungssystem mehrere miteinander verbundene oder zusammenhängende Stücke von Strom erzeugenden Einrichtungen, einschließlich einer Dampfturbinenenergie-Erzeugungseinheit, eine elektrische Energie-Erzeugungseinheit, ein Regelungssystem und ein neuronales neuronale Vorwärtskopplungs-Netzwerkmodell. Die -Dampfturbinenstrom-Erzeugungseinheit kann ein Turbinendampfeinlasssystem, eine Dampfturbine, welche mit dem Turbinendampfeinlasssystem gekoppelt ist, und einen Dampfauslass aufweisen. Außerdem kann die Dampfturbine mit Dampf aus dem Turbinendampfeinlasssystem betrieben werden. In diesem Fall werden die elektrische Energie-Erzeugungseinheit und die Dampfturbine miteinander verbunden sein, so dass die elektrische Energie-Erzeugungseinheit mechanisch mit der Dampfturbine gekoppelt ist, um eine elektrische Energielast basierend auf einer Bewegung der Dampfturbine zu erzeugen. Das Regelungssystem erzeugt ein Verfahrensregelsignal um den Druck im Turbinendampfeinlasssystem zu regeln, wodurch die von der elektrischen Energie-Erzeugungseinheit erzeugte elektrische Energielast geregelt wird. Das neuronale Vorwärtskopplungs-Netzwerkmodell modelliert die Beziehung zwischen Turbinendampfeinlassdruck und der elektrischen Energielast. Die Eingabe des neuronalen Vorwärtskopplungs-Netzwerkmodells umfasst einen elektrischen Energielastsollwert, um einen Turbinendampfeinlassdrucksollwert zu erzeugen, wobei der Drucksollwert ist mit einem Eingabesignal des nachgeschalteten Regelungssystems gekoppelt.
  • Falls gewünscht, enthält das Stromerzeugungssystem ferner ein Brennersystem, das einen Kraftstoff verbrennt um eine Dampfzufuhr zum Turbinendampfeinlasssystem zu erzeugen, und das Regelungssystem enthält eine Reglereingabe-Erzeugungseinheit und einen Regler, welcher wirkverbunden mit der Reglereingabe-Erzeugungseinheit ist. Ein Ausgabesignal des neuronalen Vorwärtskopplungs-Netzwerkmodells ist mit einem Eingabesignal der Reglereingabesignal-Erzeugungseinheit verbunden, und die Reglereingabesignal-Erzeugungseinheit erzeugt ein Reglereingabesignal für den Regler. Der Regler erzeugt das Prozessregelsignal zum Regeln des Brennersystems, um den Druck im Turbinendampfeinlasssystem als Reaktion auf das Reglereingabesignal zu regeln. Zusätzlich kann das Regeleingabesignal ein Reglerventileingabesignal für den Regler umfassen, um ein Turbinenventil zu steuern, um dadurch eine Eingabe von Dampf in das Turbinendampfeinlasssystem zu regeln. Das Reglerventileingabesignal kann einen Wert umfassen, der die Eingabe von Dampf in das Turbinendampfeinlasssystem maximiert, so dass das sich Stromerzeugungssystem in einem Gleitdruckmodus befindet.
  • Falls gewünscht, enthält das Stromerzeugungssystem weiterhin einen Nacherhitzer, welcher mit der Dampfturbinenenergie-Erzeugungseinheit wirkverbunden ist und einen Kondensator, welcher mit dem Dampfauslass der Dampfturbinenenergie-Erzeugungseinheit wirkverbunden ist. Der Nacherhitzer erhitzt Dampf aus der Dampfturbinenenergie-Erzeugungseinheit nach und führt den nacherhitzten Dampf zurück in den Niederdruckabschnitt der Dampfturbinenenergie-Erzeugungseinheit. Der Kondensator erhält Dampf aus der Dampfturbinenenergie-Erzeugungseinheit. In diesem Fall kann das neuronale Vorwärtskopplungs-Netzwerkmodell ein multivariables Eingabesignal umfassen, einschließlich des elektrischen Energielastsollwerts, einer Nachhitzdampf-Temperaturabweichung, einer Hauptdampftemperaturabweichung (am Turbineneinlass), einer Turbinendrossel-Druckabweichung, einer Kondensator-Gegendruckabweichung und einer Hilfsdampfströmung. Jede der Nachhitztemperaturabweichung, Turbinendampfeinlasstemperaturabweichung, Kondensator-Gegendruckabweichung und des Hilfsdampfstroms wirken sich auf die elektrische Energielast aus. Zusätzlich kann das neuronale Vorwärtskopplungs-Netzwerkmodell ein neuronales Netz umfassen mit einer verborgenen Schicht von Sigmoid-Typ Neuronen.
  • Falls gewünscht, kann das Stromerzeugungssystem eine Modellanpassungseinheit umfassen, welche ein Modell so anpasst, dass ein Drucksollwertregelungssystemausgabesignal erzeugt wird. In diesem Fall wird die Modellanpassungseinheit mit der elektrischen Energie-Erzeugungseinheit wirkverbunden, so dass ein Eingabesignal der Modellanpassungseinheit den elektrischen Energielastsollwert und die elektrische Energielast umfasst. Die Modellanpassungseinheit passt das Modell basierend auf einer Differenz zwischen dem elektrischen Energielastsollwert und der elektrischen Energielast. Darüber hinaus kann die Modellanpassungseinheit das Modell anpassen, wenn das Stromerzeugungssystem sich in einem stabilen Zustand befindet, und die Differenz zwischen dem elektrischen Energielastsollwert und der elektrischen Energie einen Schwellenwert überschreitet. Zusätzlich kann die Modellanpassungseinheit ein neues neuronales Vorwärtskopplungs-Netzwerkmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energie durch Verwendung von Prozessdaten vom Stromerzeugungssystem als Trainingsdaten trainieren. Die Modellanpassungseinheit kann auch ein multivariates lineares Regressionsmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast trainieren unter Verwendung der Trainingsdaten. Des Weiteren kann die Modellanpassungseinheit einen Effektivwertfehler für jeden des neuen neuronalen Vorwärtskopplungs-Netzwerkmodells und des multivariaten linearen Regressionsmodells durch Verwendung von Verfahrensdaten aus dem Stromerzeugungssystem als Testdaten berechnen. Die Modellanpassungseinheit kann auch einen Effektivwertfehler für jedes des neuronalen Vorwärtskopplungs-Netzwerkmodells, welches mit dem Regelungssystem wirkverbunden ist, ein früheres multivariates lineares Regressionsmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast, und ein Konstruktionsmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast durch Verwendung der Testdaten berechnen. Die Modellanpassungseinheit kann ein neues neuronale Vorwärtskopplungs-Netzwerkmodell oder ein multivariates lineares Regressionsmodell auswählen, welches den minimalen Effektivwertfehler aufweist. Ferner kann die Modellanpassungseinheit eines aus dem neuen neuronalen Vorwärtskopplungs-Netzwerkmodell, dem multivariaten linearen Regressionsmodell, dem multivariate Modell der linearen Regression, dem s neuronalen Vorwärtskopplungs-Netzwerkmodell, das mit dem Regelungssystem wirkverbunden ist, dem vorhergehenden multivariaten linearem Regressionsmodell und dem Konstruktionsmodell auswählen, welches den minimalen Effektivwertfehler aufweist. Die Modellanpassungseinheit ist dazu geeignet, das neuronale Vorwärtskopplungs-Netzwerkmodell, welches mit dem Regelungssystem wirkverbunden ist, zu wechseln, wenn das ausgewählte Modell das neue neuronale Vorwärtskopplungs-Netzwerkmodell, das neue multivariate lineare Regressionsmodell, das alte multivariate lineare Regressionsmodell oder das Konstruktionsmodell ist.
  • In einem anderen Beispiel umfasst ein Stromerzeugungssystem mehrere miteinander verbundene oder zusammenhängende Stromerzeugungseinrichtungen umfassend eine Dampfturbinenenergie-Erzeugungseinheit, eine elektrische Energie-Erzeugungseinheit, ein Regelungssystem und eine Modellanpassungseinheit. Die Dampfturbinenenergie-Erzeugungseinheit kann ein Turbinendampfeinlasssystem, eine Dampfturbine welche mit dem Turbinendampfeinlasssystem gekoppelt ist, und einen Dampfauslass. Außerdem kann die Dampfturbine mit Dampf aus dem Turbinendampfeinlasssystem betrieben werden. Die elektrische Energie-Erzeugungseinheit und die Dampfturbine sind miteinander verbunden, so dass die elektrische Energie-Erzeugungseinheit mechanisch mit der Dampfturbine gekoppelt ist, um eine elektrische Energielast basierend auf Bewegung der Dampfturbinen zu erzeugen. Das Regelungssystem erzeugt ein Prozessregelsignal, um den Druck im Turbinendampfeinlasssystem zu steuern, um dadurch die von der elektrischen Energie-Erzeugungseinheit erzeugte elektrische Energie zu steuern. In diesem Fall werden die Modellanpassungseinheit und die elektrische Energie-Erzeugungseinheit miteinander verbunden, so dass die Modellanpassungseinheit das neuronale Vorwärtskopplungs-Netzwerkmodell für eine Beziehung zwischen Turbinendampfeinlassdruck und elektrischer Energielast unter Verwendung von Prozessdaten aus dem Stromerzeugungssystem als Trainingsdaten anpasst. Das neuronale Vorwärtskopplungs-Netzwerkmodell kann eine Drucksollwertregelungssystemausgabe von einem elektrischen Energielastsollwert für das Regelungssystem erzeugen.
  • Falls gewünscht, ist die Modellanpassungseinheit mit der elektrischen Energie-Erzeugungseinheit wirkverbunden, so dass ein Eingabesignal der Modellanpassungseinheit den elektrischen Energielastsollwert und die elektrische Energielast umfasst. In diesem Fall kann die Modellanpassungseinheit Modelle basierend auf einer Differenz zwischen dem elektrischen Energielastsollwert und der elektrischen Energielast anpassen. In Ergänzung kann die Modellanpassungseinheit Modelle anpassen, wenn das Stromerzeugungssystem in einem stabilen Zustand betrieben wird, und die Differenz zwischen dem elektrischen Energielastsollwert und der elektrischen Energie einen Schwellenwert überschreitet. Darüber hinaus trainiert die Modellanpassungseinheit ein multivariates lineares Regressionsmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast mittels der Trainingsdaten und/oder berechnet einen Effektivwertfehler für jeden des neuronalen Vorwärtskopplungs-Netzwerkmodells und des multivariaten linearen Regressionsmodells mit Hilfe von Prozessdaten aus dem Stromerzeugungssystem als Testdaten. Die Modellanpassungseinheit kann eines vom neuronalem Vorwärtskopplungs-Netzwerkmodell und multivariatem linearen Regressionsmodell mit dem kleinsten Effektivwertfehler auswählen, so dass ein Eingabesignal des gewählten Modells einen elektrischen Energielastsollwert enthält zum Erzeugen einer Drucksollwertregelungssystemausgabe, wobei die Drucksollwertregelungssystemausgabe des ausgewählten Modells mit einem Eingabesignal des Regelungssystems gekoppelt ist. Weiterhin kann die Modellanpassungseinheit einen Effektivwertfehler für ein vorhergehendes neuronales Vorwärtskopplungs-Netzwerkmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast, ein vorhergehendes multivariates lineares Regressionsmodell der Beziehung zwischen Turbinendampfeinlassdruck und der elektrischen Energielast, und ein Konstruktionsmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast mittels der Testdaten berechnen. Die Modellanpassungseinheit kann eines des neuronalen Vorwärtskopplungs-Netzwerkmodells, des multivariaten linearen Regressionsmodells, des vorherigen neuronalen Vorwärtskopplungs-Netzwerkmodells, des vorherigen multivariaten linearen Regressionsmodells und des Konstruktionsmodell aufgrund des Effektivwertfehlers für jedes Modell mit dem kleinsten Effektivwertfehler auswählen, so dass ein Eingabesignal des ausgewählten Modells einen elektrischen Energielastsollwert umfasst, um eine Drucksollwertregelungssystemausgabe zu erzeugen und die Drucksollwertregelungssystemausgabe des ausgewählten Modells an ein Eingabesignal des Regelungssystems gekoppelt ist.
  • Falls gewünscht, enthält das Stromerzeugungssystem ferner ein Brennersystem, das einen Kraftstoff verbrennt um eine Dampfzufuhr zum Turbinendampfeinlasssystem zu erzeugen, und das Regelungssystem enthält eine Reglereingabe-Erzeugungseinheit und einen Regler, welcher mit der Reglereingabe-Erzeugungseinheit wirkverbunden ist. Ein Auslass des neuronalen Vorwärtskopplungs-Netzwerkmodells ist mit einem Eingang der Reglereingabesignal-Erzeugungseinheit verbunden, und die Reglereingabesignal-Erzeugungseinheit erzeugt ein Reglereingabesignal für den Regler. Der Regler erzeugt das Prozessregelsignal zum Regeln des Brennersystems, um den Druck im Turbinendampfeinlasssystem als Reaktion auf den Reglereingabesignal zu regeln. Zusätzlich kann das Regelungseingabesignal ein Reglerventileingabesignal für den Regler umfassen, um ein Turbinenventil zu steuern, um dadurch eine Eingabe von Dampf in das Turbinendampfeinlasssystem zu steuern. Das Reglerventileingabesignal kann einen Wert umfassen, der die Eingabe von Dampf in das Turbinendampfeinlasssystem maximiert, so dass das Stromerzeugungssystem sich in einem Gleitdruckmodus befindet.
  • Falls gewünscht, enthält das Stromerzeugungssystem weiterhin einen Nacherhitzer, welcher mit der Dampfturbinenenergie-Erzeugungseinheit wirkverbunden ist und einen Kondensator, welcher operativ mit dem Dampfauslass der Dampfturbinenenergie-Erzeugungseinheit gekoppelt ist. Der Nacherhitzer erhitzt Dampf aus der Dampfturbinenenergie-Erzeugungseinheit nach und führt den nacherhitzten Dampf zurück in die Dampfturbinenenergie-Erzeugungseinheit. Der Kondensator erhält Dampf aus der Dampfturbinenenergie-Erzeugungseinheit. In diesem Fall kann das neuronale Vorwärtskopplungs-Netzwerkmodell einen multivariablen Eingang umfassen, umfassend den elektrischen Energielastsollwert, eine Nachhitztemperaturabweichung, eine Turbinendampfeinlasstemperaturabweichung, eine Kondensatorgegendruckabweichung und eine Hilfsdampfströmung, wobei die Nachhitztemperaturabweichung, die Turbinendampfeinlasstemperaturabweichung, die Kondensator-Gegendruckabweichung und die Hilfsdampfströmung die elektrische Energielast beeinflussen. Zusätzlich kann das neuronale Vorwärtskopplungs-Netzwerkmodell ein neuronales Netz umfassen mit zumindest einer verborgenen Schicht von Sigmoid-Typ Neuronen.
  • In einem anderen Beispiel umfasst ein Verfahren zur Regelung eines Stromerzeugungsprozesses in einem Gleitdruckmodus, wobei der Stromerzeugungsprozess eine Dampfturbinenenergie-Erzeugungseinheit und eine elektrische Energie-Erzeugungseinheit aufweist, den Empfang eines Sollwerts, welcher eine gewünschte Energieausgabe der elektrischen Energie-Erzeugungseinheit anzeigt. Das Verfahren modelliert über ein neuronales Netzwerkmodell eine Beziehung zwischen einer Ausgabe der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb eines Turbinendampfeinlasssystems zur Dampfturbinenenergie-Erzeugungseinheit als Reaktion auf den Sollwert, welcher die gewünschte Ausgabeleistung zur Erzeugung einer vorhergesagten Drucksollwertregelungssystemausgabe angibt. Das Verfahren führt dann eine Regelroutine aus, die ein Regelsignal zur Steuerung des Betriebs der Dampfturbinenenergie-Erzeugungseinheit auf der Grundlage der vorhergesagten Drucksollwertregelungssystemausgabe bestimmt.
  • Falls gewünscht, kann der Stromerzeugungsprozess ein Brennersystem aufweisen, das einen Brennstoff verbrennt, um eine Dampfzufuhr zum Turbinendampfeinlasssystem zu erzeugen. In diesem Fall wird die Ausführung einer Regelroutine, die ein Regelsignal zur Steuerung des Betriebs der Dampfturbinenenergie-Erzeugungseinheit bestimmt, eine Regelroutine enthalten, die ein Regelsignal zur Regelung des Brennersystems umfasst, um dadurch den Druck im Turbinendampfeinlasssystem zu regeln. Die Ausführung der Regelroutine kann weiterhin eine Regelroutine umfassen, welche ein Ventilregelsignal zur Regelung des Betriebs eines Turbinenventils bestimmt, um die Einführung von Dampf im Turbinendampfeinlasssystem zu regeln. Das Ventilsteuersignal kann einen Wert umfassen, welcher die Ventilöffnung im Turbinendampfeinlasssystem maximiert, so dass sich das Stromerzeugungsverfahren im Gleitdruckbetrieb befindet.
  • Falls gewünscht, umfasst die Modellierung, über das neuronale Netzwerkmodell, der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems zur Dampfturbinenenergie-Erzeugungseinheit als Reaktion auf den Sollwert, welcher die gewünschte Energieausgabe enthält, ferner die Modellierung, über das neuronale Netzwerkmodell, der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems zur Dampfturbinenenergie-Erzeugungseinheit als Reaktion auf eine Abweichung der Nacherhitztemperatur, einer Dampfturbineneinlasstemperaturabweichung, einer Kondensatorgegendruckabweichung, und einer Hilfsdampfströmung.
  • Falls gewünscht, kann das Verfahren ferner die Messung einer elektrischen Energielastausgabe der elektrischen Energie-Erzeugungseinheit, und die Anpassung eines Modells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck am Turbineneingang basierend auf einer Differenz zwischen dem Sollwert, welcher die gewünschte Ausgabeleistung angibt, und der gemessenen Ausgabelast umfassen. In diesem Fall kann die Anpassung des Modells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystem die Anpassung des Modells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck am Turbineneingang umfassen, wenn der Stromerzeugungsprozess in einem stabilen Zustand arbeitet und die Differenz zwischen dem Sollwert der gewünschten Ausgabeleistung und der gemessenen abgegebenen elektrische Energie einen Grenzwert überschreitet. Zusätzlich kann das Anpassen des Modells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck im Turbineneinlasssystem das Training eines neuronalen Netzwerkmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck im Turbineneinlasssystem umfassen. Das Training eines neuronalen Netzwerkmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck im Turbineneinlasssystem kann das Training eines neuronalen Netzwerkmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck im Turbineneinlasssystem mittels Prozessdaten als Trainingsdaten vom Stromerzeugungsprozess umfassen. Die Anpassung des Modells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck im Turbineneinlasssystem kann ferner das Training eines multivariaten linearen Regressionsmodell der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck im Turbineneinlasssystem umfassen. Das Training eines multivariaten linearen Regressionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck im Turbineneinlasssystem kann das Training eines multivariaten linearen Regressionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck am das Turbinensystemeingang mittels Prozessdaten aus dem Kraftwerksprozess als Trainingdaten umfassen.
  • Falls gewünscht, kann das Verfahren das Bestimmen eines Effektivwertfehlers für jedes des neuronalen Netzwerkmodells und des multivariaten linearen Regressionsmodells umfassen. Das Bestimmen des Effektivwertfehlers für jedes des neuronalen Netzwerkmodells und des multivariaten linearen Regressionsmodells kann das Bestimmen des Effektivwertfehlers für jedes des neuronalen Netzwerkmodells und des multivariaten linearen Regressionsmodells mittels Prozessdaten aus dem Stromerzeugungsprozess als Testdaten umfassen. Zusätzlich kann das Verfahren das Bestimmen eines Effektivwertfehlers für jedes eines vorgehenden neuronalen Netzwerkmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck im Turbineneinlasssystem, eines vorgehenden multivariaten linearen Regressionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck im Turbineneinlasssystem und eines Konstruktionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck im Turbineneinlasssystem und das Auswählen eines von neuronalem Netzwerkmodell, multivariaten linearem Regressionsmodell, vorherigen neuronalem Netzwerkmodell, vorherigen multivariaten linearem Regressionsmodell und Konstruktionsmodell mit dem minimalen Effektivwertfehler für den Stromerzeugungsprozess umfassen. Die Ermittlung des Effektivwertfehlers für jedes des neuronalen Netzwerkmodells, des multivariaten linearen Regressionsmodells, des vorherigen neuronalen Netzwerkmodells, des vorherigen multivariaten linearen Regressionsmodells und des Konstruktionsmodells kann die Bestimmung des Effektivwertfehlers für jedes des neuronalen Netzwerkmodells, des multivariaten linearen Regressionsmodells, des vorherigen neuronalen Netzwerk-Modells, des vorherigen multivariaten linearen Regressionsmodells und des Konstruktionsmodells mittels Prozessdaten als Testdaten aus dem Energieerzeugungsprozess umfassen.
  • Falls gewünscht kann die Modellierung, über das neuronale Netzwerkmodell, der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck am Turbinensystemeingang zur Dampfturbinenenergie-Erzeugungseinheit das Implementieren eines neuronalen Vorwärtskopplungs-Netzwerkmodells umfassen, welches die Lastausgabe der elektrischen Energie-Erzeugungseinheit als Reaktion auf das vorhergesagte Sollwertregelungssystemausgabesignal modelliert, welches der Regelroutine zur Verfügung gestellt wird.
  • In einem weiteren Beispiel umfasst ein Verfahren zum Anpassen eines Modells für einen Dampfturbinenenergieerzeugungsprozess in einem Gleitdruckbetriebsmodus mit einer Dampfturbinenenergie-Erzeugungseinheit und einer elektrischen Energie-Erzeugungseinheit das Empfangen eines Sollwertes, welcher eine gewünschte Ausgabeleistung der elektrischen Energie-Erzeugungseinheit angibt. Das Verfahren führt eine -Regelroutine aus, die ein Regelsignal für die Regelung des Betriebs der Dampfturbinenenergie-Erzeugungseinheit basierend auf einer Drucksollwertregelungssystemausgabe, welches von einem ersten neuronalen Netzwerk-Modell einer Beziehung zwischen einer Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck am Turbinensystemeingang der Dampfturbinenenergie-Erzeugungseinheit als Reaktion auf den Sollwert, welcher die gewünschte Ausgabeleistung angibt, bestimmt, um die vorhergesagte Drucksollregelungssystemausgabe zu erzeugen, und misst eine tatsächliche Leistung der elektrischen Energie-Erzeugungseinheit als Reaktion auf den Sollwert, welcher eine gewünschte Ausgabeleistung der elektrischen Energie-Erzeugungseinheit während eines stationären Betriebs des Energieerzeugungsprozesses angibt. Das Verfahren kann dann ein zweites neuronales Netzwerkmodell der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck am Eingang der Dampfturbinenenergie-Erzeugungseinheit anpassen, wenn eine Differenz zwischen der tatsächlichen Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Sollwert einer gewünschten Ausgabeleistung der elektrischen Energie-Erzeugungseinheit größer als ein vorbestimmter Schwellenwert ist.
  • Falls gewünscht, kann das zweite neuronale Netzwerkmodell das Trainieren des zweiten neuronalen Netzwerkmodells mittels Prozessdaten vom Stromerzeugungsprozess als Trainingsdaten umfassen. In diesem Fall kann das Verfahren weiterhin das Trainieren eines ersten multivariaten lineares Regressionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck am Turbinensystemeingang der Dampfturbinenenergie-Erzeugungseinheit mittels der Trainingsdaten umfassen. Darüber hinaus kann das Verfahren das Berechnen eines Effektivwertfehlers für jedes des zweiten neuronalen Netzwerkmodells und des ersten multivariaten linearen Regressionsmodells mittels Prozessdaten von dem Stromerzeugungsprozess als Testdaten umfassen. Darüber hinaus kann das Verfahren das Auswählen eines vom zweiten neuronalen Netzwerkmodell und vom ersten multivariaten linearen Regressionsmodell mit dem minimalen Effektivwertfehler umfassen, und das Wirkverbinden des ausgewählten Modells mit einem Regelungssystem des Stromerzeugungsprozesses, um eine Drucksollwertregelungssystemausgabe zu erzeugen, wobei ein Eingang des gewählten Modells den Sollwert umfasst, welcher die gewünschte Ausgabeleistung der elektrischen Energie-Erzeugungseinheit angibt, und die Drucksollregelungssystemausgabe mit einem Eingang des Regelungssystems gekoppelt ist. Ferner kann das Verfahren für jedes des ersten neuronalen Netzwerkmodells, eines zweiten multivariaten linearen Regressionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck am Turbinendampfeintritt und eines Konstruktionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck am Turbinensystemeingang der Dampfturbinenenergie-Erzeugungseinheit einen Effektivwertfehler berechnen. Das Verfahren kann dann eines des ersten neuronalen Netzwerkmodells, des zweiten neuronalen Netzwerk-Modells, des ersten multivariaten linearen Regressionsmodells, des zweiten multivariaten linearen Regressionsmodells und des Konstruktionsmodells mit dem minimalen Effektivwertfehler auswählen, und das ausgewählte Modell mit einem Regelungssystem des Stromerzeugungsprozesses Wirkverbinden, um eine Drucksollregelungssystemausgabe zu erzeugen, wobei ein Eingabesignal des gewählten Modells den Sollwert enthält, welcher die gewünschte Ausgabeleistung der elektrischen Energie-Erzeugungseinheit angibt, und das Drucksollwertregelausgabesignal mit einem Eingangswert des Regelungssystems verbunden ist.
  • KURZE BESCHREIBUNG DER ZEICHNUNGEN
  • 1 zeigt ein Blockdiagramm eines Kraftwerks, einschließlich Dampfenergieerzeugungseinrichtungen;
  • 2 veranschaulicht ein Blockschaltbild eines geschlossenen Regelungssystems unter Verwendung von internen Modell-Steuerung und Anpassung um einen Prozesses zu steuern;
  • 3 stellt ein Blockdiagramm einer Regelroutine dar, die in dem Regelungssystem von 2 verwendet werden kann, um eine verbesserte Regelung eines Kraftwerks mit Dampfturbinenenergieerzeugungseinrichtungen zur Verfügung zu stellen;
  • 4 veranschaulicht ein Blockschaltbild einer Modell-Anpassungsroutine, die mit der Regelroutine von 3 verwendet werden kann um verbesserte Kurvenanpassungsverfahren zwischen Turbinendampfeinlassdruck und elektrischer Energielast zu erhalten;
  • 5 veranschaulicht ein mehrschichtiges neuronales Vorwärtskopplungsnetzwerkmodell, das mit der Regelroutine von 3 und/oder als Teil der Modellanpassungsroutine der 4 verwendet werden kann;
  • 6 veranschaulicht ein Beispiel einer vom Hersteller gelieferten Korrekturkurve einer Korrelation zwischen Turbinendrosseldruckabweichung und elektrische Energielastabweichung unter Bemessungsbedingung (Konstruktion);
  • 7 veranschaulicht ein Beispiel einer vom Hersteller gelieferten Korrekturkurve einer Korrelation zwischen Überhitzungstemperaturabweichung und die elektrische Energielast unter Bemessungsbedingung (Konstruktion);
  • 8 veranschaulicht ein Beispiel einer vom Hersteller gelieferten Korrekturkurve einer Korrelation zwischen Nachhitzdampftemperaturabweichung und elektrische Energielastabweichung unter Bemessungsbedingung (Konstruktion);
  • 9 veranschaulicht ein Beispiel einer vom Hersteller gelieferten Korrekturkurve einer Korrelation zwischen Auslassdampfdruck und elektrische Energielastabweichung unter Bemessungsbedingung (Konstruktion);
  • 10 veranschaulicht ein Beispiel einer Verschiebung in einer Kurve der Beziehung zwischen dem Drosseldruck und der elektrischen Energielast über die Zeit entsprechend den betrieblichen Anforderungen im Gleitdrucksteuerungsmodus;
  • 11 zeigt einen Vergleich des vorhergesagten Turbinendampfeinlassdrucks (Drosseldruck), wie aufgrund einer vom Hersteller gelieferten Korrekturfunktion bestimmt, und eines multivariaten linearen Regressionsmodells, wenn es sich auf den tatsächlichen Dampfdruck bezieht;
  • 12 veranschaulicht einen Vergleich des vorhergesagten Turbinendampfeinlassdrucks, welcher von einem neuronalen Netzwerkmodell bestimmt ist, welches sich auf den tatsächlichen Dampfdruck bezieht; und
  • 13 zeigt einen Vergleich der Anpassungsfehler des tatsächlichen Dampfdrucks für eine vom Hersteller gelieferten Korrekturfunktion, für ein multivariates lineares Regressionsmodell und für ein neuronales Netzwerk-Modell.
  • DETAILLIERTE BESCHREIBUNG
  • Mit Bezug auf 1, enthält ein auf einer Dampfturbine basierendes Stromerzeugungssystem und -verfahren 10, in dem die hierin genauer beschriebene Regelroutine verwendet werden kann, einen Satz von Dampfturbinenenergieerzeugungseinrichtungen 12 (beispielsweise ein Dampfturbinensystem oder eine Dampfturbinenenergie-Erzeugungseinheit), ein Dampfdrucksollwert-Modell-und-Anpassungseinheit 14 und einen Regler 16, der über ein Dampfturbinendrosselsteuerventil 18 den Betrieb sowohl der Dampfturbinenenergieerzeugungseinrichtung 12 als auch der Anpassungseinheit 14 steuert, um eine Ausgabelast zu erzeugen, auf der Basis eines Lastbedarfssignals 20 (MW), welches dem der Sollwert-Modell-und-Anpassungseinheit bereitgestellt wird. Die Sollwert-Modell-und-Anpassungseinheit 14 wiederum erzeugt ein Turbinendampfeinlasssollwertsignal 22 aufgrund des Lastbedarfssignals 20, welches dem Regler 16 bereitgestellt wird. Wie verstanden werden wird, kann die Dampfturbinen-Stromerzeugungsausrüstung 12 eine beliebige Anzahl von Sätzen von Stromerzeugungseinrichtungen umfassen, wie beispielsweise Kondensatoren 24, Dampfturbinen 26, 28 zur Erzeugung von Antriebskraft (Rotationskraft) aus Dampf, elektrische Generatoren 30, um die Antriebskraft in Strom umzusetzen, eine Wärmequelle wie einen Kessel 32 und Rohre und Kanäle sowie andere Geräte, welche das Verbinden der Kondensatoren 24, Dampfturbinen 26, 28 und des Kessel 32 ermöglichen. In diesem speziellen Beispiel umfassen die Dampfturbinen 26, 28 eine erste, normalerweise eine Hochdruck-Dampfturbine 26 und eine zweite, typischerweise Niederdruckdampfturbine 28. Der Dampf, der die erste Dampfturbine 26, verlässt kann in einem Nacherhitzer 34 nacherhitzt werden, welcher einen oder mehrere Unterabschnitte umfassen kann, und der nacherhitzte Dampf kann dann der zweiten Dampfturbine 28 zugeführt werden.
  • Wie verstanden werden wird, können die Einrichtungen, die sich stromaufwärts der Dampfturbinen 26, 28 befinden, als Turbinendampfeinlasseinrichtungen 36 verstanden werden (auch als Drosselventil bezeichnet) und Dampf kann von den Dampfturbinen 26, 28 zu einem oder mehreren Kondensatoren 24 über die Dampfaustrittseinrichtung 38 ausgestoßen werden. Ebenso wird es dem Fachmann auf diesem Gebiet verständlich sein, dass die Dampfturbinenenergieerzeugungseinrichtungen 12 verschiedene Ventile, Sprüher usw., umfassen können, die mit dem Regler 16 verbunden sein können, und durch den Regler 16 verwendet werden, um den Betrieb des Turbinendrosselventils 18, der Dampfturbinen 26, 28, des Nacherhitzers 34, des Kondensators 24 usw. zu steuern. Natürlich können auch Brennstoffstromregler (beispielsweise Gasventile oder Kohleförderer) für den Kessel 32 in einem solchen System mit dem Regler 16 verbunden und durch ihn gesteuert werden; somit ist der Kessel 32 eine variable Steuervorrichtung. Beispielsweise kann der Kessel 32 eine Verbrennungskammer umfassen, welche mit einem Brennstoffströmungssteuerventil gekoppelt ist, das vom Regler 16 gesteuert ist, um die Strömung von Brennstoff (beispielsweise Erdgas) in den Brennraum zu steuern, um die Ausgabeleistung der Dampfturbinen 26, 28 zu steuern.
  • Wie verstanden werden wird, kann der Regler 16 in einem beliebigen Typ von Prozess-Regler-Hardware und/oder Software implementiert werden. Insbesondere kann die Steuerung 16 hier konfiguriert oder programmiert werden um die Regelroutinen, -systeme oder -techniken in beliebiger Art und Weise zu implementieren. In einem Fall kann der Regler 16 einen Universal-Prozessor 40 und einen Speicher 42 umfassen, der darin ein oder mehrere Regelroutinen 44 speichert, als Regel- oder Programmiermodule, die durch den Prozessor 38 ausgeführt oder implementiert werden. Der Prozessor 38 kann dann die mehreren Regel- oder Programmiermodule 44 implementieren, sodass er ein spezifischer Prozessor wird, welcher in der hier ausgeführten Weise arbeitet, um die Regelung des Dampfturbinen-basierten Stromerzeugungssystem und -prozesses 10 zu implementieren. In einem anderen Fall kann der Prozessor 40 die Form einer anwendungsspezifischen integrierten Schaltung (ASIC) aufweisen, und ist mit den im Speicher 42 des ASIC gespeicherten Programmmodulen 44 programmiert, um die hierin beschriebenen Techniken zu implementieren.
  • In einem Standard-Regelungssystem für ein Dampfturbinen-basiertes Stromerzeugungssystem und -verfahren, wie die in 1 dargestellte Form, sind die Dampfventile der Dampfturbinenerzeugungseinrichtungen (z. B. die Turbinendrosselklappe 18) oft in einem weit geöffneten (vollständig offenen) Zustand durchgeführt oder versetzt, um Effizienzverluste in dem Dampfturbinenkreislauf zu minimieren. Dies wird als Gleitdruckbetrieb verstanden, wobei die Steuereinheit 16 diese Steuerventile nicht verwendet, um den Betrieb der Dampfturbine 26, 28 zu steuern, sondern um die Kraftstoffströmung in die Kesselverbrennungskammer zu regeln, um den Betrieb des Dampfturbinenzyklus zu regeln oder zu bewirken. Als Ergebnis neigt die Laststeuerung in vielen Kraftwerken zur Implementierung unter Verwendung von Regelsystemen, wobei eine Änderung in der elektrischen Energielastanforderung direkt an die Regler gesendet wird. Genauer gesagt bewirkt eine Änderung in der Lastanforderung der Regler 16, dass die Brennstoffzufuhr geregelt wird, um den Turbinendampfeinlassdruck auf einen gewünschten Sollwert (auch als Drosseldruck bezeichnet) zu steuern. Die Regler sind zunächst gemäß der Konstruktionsbedingung für die Dampfturbinen-basierte Stromerzeugungssysteme und -verfahren kalibriert, und in einem gegebenen Betriebspunkt (d. h. der Bemessungsbedingung) ist die Regelung des Drucks im Turbinendampfeinlass als gleichwertig mit der Regelung der elektrischen Energielast angesehen, aufgrund der eins-zu-eins-Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast.
  • Allerdings ist der eigentliche Prozess nicht immer in der Bemessungsbedingung (oder in einem anderen bestimmten Zustand), weil die Turbinendampfeintrittstemperatur und der Turbinenauslassdruck signifikant von den Berechnungsbedingungen abweichen. Um diesen Veränderungen gerecht zu werden, kann die Sollwert-Modell-und-Anpassungseinheit 14 zur Veränderung der anfänglichen Turbinendampfeinlassdruck/elektrische Energielast-Kurve (auch als ”Druck-MW-Kurve” bezeichnet), welche die Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast angibt, verwendet werden. Die Sollwert-Modell-und-Anpassungseinheit 14 kann die ursprüngliche Druck-MW-Kurve unter Verwendung einer Korrekturformel vom Turbinenhersteller (auch als Korrekturfunktion oder Kurve des Herstellers bezeichnet), eines multivariaten linearen Regressionsmodells oder eines neuronalen Netzwerk-Modells ändern. Insbesondere das neuronale Netzwerkmodell stellt typischerweise eine genauere Kurvenanpassungsmethode im Verhältnis zum aktuellen Druck-MW-Verhältnis dar als die vom Hersteller gelieferten Korrekturfunktionen oder das multivariate lineare Regressionsmodell. Mit einer dieser drei Techniken, leitet die Sollwert-Modell-und-Anpassungseinheit 14 den gewünschten Turbinendampfeinlassdrucksollwert 22 vom elektrischen Energielastsollwert 20 ab und liefert den Drucksollwert 22 an die Steuerung 16, die den Drucksollpunkt 22 verwendet, um die Brennkammer des Brenners 32 so zu steuern, dass der Dampfdruck am Turbinendampfeinlass 36 geregelt wird, und somit die elektrische Energielast.
  • Die Sollwert-Modell-und-Anpassungseinheit 14 überwacht die stationäre Differenz zwischen der tatsächlichen elektrischen Energielast (MW) 46 von dem(den) elektrischen Generator(en) 30 und dem elektrische Energielastbedarf 20 (zum Beispiel einen elektrischem Energielastsollwert). Der stationäre Zustand kann als Betriebspunkt betrachtet werden, wo die tatsächliche elektrische Energielast die gewünschte elektrische Energielast erreicht und für eine bestimmte Zeit auf einem konstanten Wert bleibt. Die stationäre Differenz zwischen der tatsächlichen elektrischen Energielast 46 und dem elektrischen Energielastsollwert 20 kann als Ausmaß verstanden werden, um welches sich die Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast geändert hat. Wenn die stationäre Differenz mehr als ein vordefinierter Schwellenwert ist, kann die Sollwert-Modell-und-Anpassungseinheit 14 ein neues Modell trainieren, testen und auswählen, um den gewünschten Turbinendampfeinlassdrucksollwert 22 für den Regler 16 berechnen, basierend auf dem elektrischen Energielastsollwert 20, basierend auf der Abweichung der Turbinendampfeintrittstemperatur 50 (auch als Überhitzungstemperatur bezeichnet), auf der Abweichung am Turbinendampfeinlass 36, auf der Abweichung der Nacherhitztemperatur 52 im Nacherhitzer 34, auf der Abweichung des Auslassdrucks (auch als Kondensator-Gegendruck bezeichnet) 54, auf der Abweichung am Kondensator 24, und auf dem Hilfsdampfstrom 48. Die Turbinendampfeintrittstemperatur 50, die Nacherhitztemperatur 52 und der Auslassdruck 54 können alle vom System 10 unter Verwendung von Sensoren gemessen werden, die dem Fachmann wohlbekannt sind. Der elektrische Energielastsollwert 20, die tatsächliche elektrische Energielast 46, die Abweichung der Turbinendampfeintrittstemperatur 50, die Abweichung der Nacherhitztemperatur 52, die Abweichung des Auslassdrucks 54 und die Hilfsdampfströmung 48 sind auch als Eingabesignale für das ausgewählte Modell vorgesehen, um den benötigten Turbinendampfeinlassdruck vorherzusagen, um den elektrischen Energielastsollwert 20 zu erfüllen und um den Turbinendampfeinlassdrucksollwert für den Regler 16 abzuleiten.
  • Die 2–4 zeigen eine Reihe von Sollwert-Modell- und -Regelungssystemen, -routinen, -systeme und -techniken, die verwendet werden können, um das auf Dampfturbinen basiertes Stromerzeugungssystem und -prozess 10 von 1 im Gleitdruckbetrieb zu regeln, in einer Weise, die eine bessere und genauere Kontrolle über die elektrische Energieausgabelast ermöglicht, indem es den elektrischen Energiesollwert betrifft als Reaktion auf die Regelung des Dampfdrucks am Turbinendampfeinlass 32. Ein Regelungssystem 100 in 2 stellt die allgemeine Form eines Sollwert-Modell-und-Regelungssystem dar. Insbesondere kann das Regelungssystem 100 von 2 eine Sollwert-Modell-und-Anpassungseinheit 102 (welche die Sollwert-Modell-und-Anpassungseinheit 14 von 1 sein kann), die ein Sollwertsignal R (s) erzeugt (zum Beispiel der Turbinendampfeinlassdrucksollwert 22). Das Sollwertsignal R (s) wirkt auf einen Regler 104 (welcher der Regler 16 von 1 sein kann), basierend auf einer Zielprozessvariable Y (s) (zum Beispiel die Lastanforderung 20) für einen Prozess 106 (welcher das auf Dampfturbinen basierte Stromerzeugungssystem und -verfahren 10 von 1 sein kann). Der Regler 104 erzeugt ein Regelsignal U (s) (zum Beispiel das Reglereingabesignal an ein Kraftstoffströmungssteuerventil des Kessels 32), das den Prozess 106 regelt. Insbesondere wird das Regelsignal U (s) eine oder mehrere Vorrichtungen innerhalb des Prozesses 106 steuern, um dadurch die Prozessvariable Y (s) zu regeln (zum Beispiel die tatsächliche elektrische Energielast). Eine Summationseinheit 108 bestimmt den Fehler D (s) zwischen der Prozessvariable Y (n) und der Zielprozessvariable Y (n) wie in die Sollwert-Modell-und-Anpassungseinheit 102 eingegeben. Der Fehler D (s), der eine Funktion eines Modellfehlers ist im Sollwert-Modell (und diesen darstellt), wird dann wieder der Sollwert-Modell-und-Anpassungseinheit 102 zugeführt.
  • Falls das Modell G (s) der Sollwert-Modell-und-Anpassungseinheit 102 eine genaue Darstellung der Beziehung zwischen dem Sollwert R (s) und der Prozessvariablen Y (s) ist, dann wird die Ausgabe von der Summationseinheit 108 D (s) gleich Null sein, und die Regelschleife in 2 reduziert sich einfach zu einem idealen offenen Regelungssystem. Da aber diese Situation sehr unwahrscheinlich ist, kann das Modell G (s) wie vorhin beschrieben angepasst werden, um die Beziehung zwischen Turbinendampfeinlassdruck und elektrische Energielast präziser darzustellen.
  • Die 3 zeigt ein Blockdiagramm eines neuen Lastregelungsschema 200. Die tatsächliche elektrische Energie (MW) 202, die von einem Dampfturbinen basierten Stromerzeugungssystem und -prozess ausgegeben wird, ist die Prozessvariable Y (s) in 2 (das heißt die geregelte Variable des Regelungsschemas), der Brennstoffeingabesollwert (SPFUEL) 204 (zum Beispiel ein Signal an ein Brennstoffstromsteuerventil des Kessels 32) ist die Reglerausgabe U (s) in 2, der Turbinendampfeinlassdrucksollwert (SPp) 206 ist der Sollwert R (s) in 2, und der elektrische Energielastsollwert (SPMW) 208 (das heißt, der Bedarf an elektrischer Energielast) ist die Zielprozessvariable Y (s) in 2. Wie verstanden werden wird, ist der Sollwert 208 der elektrischen Energie die gesamte MW (Leistung), welche von der oder den Turbinen (zum Beispiel die Turbinen 26, 28 in 1) erzeugt werden muss. In Einheiten mit mehreren Turbinen kann dieser Bedarf auf jede bekannte Art und Weise für eine kombinierte Turbinen-MW (Leistung) verteilt werden. Wie auch verstanden werden wird, ist die tatsächliche ausgegebene elektrische Last 202 die gemessene momentane Leistung der einen oder mehreren Dampfturbinen, welche am elektrischen Generator 30 gemessen werden kann. Das Regelungsschema 200 benutzt die gemessene momentane Leistung der einen oder mehreren Dampfturbinen 202 als Eingabesignal. Zusätzlich benutzt das Regelungsschema 200 den elektrischen Energielastsollwert 208 als Eingabesignal, zusammen mit dem Dampfhilfsstrom (AUX) 210, der Turbinendampfeinlasstemperaturkorrektur/Abweichung ((ΔTT) 212, der Nacherhitztemperaturkorrektur/Abweichung (ΔRT) 214 und der Auslassdruckkorrektur/Abweichung (ΔEP) 216.
  • Darüber hinaus enthält das Regelungsschema 200 von 3 ein Regelungssystem 218 mit einem Regler, der jede gewünschte Art von allgemeiner Steuerung (wie beispielsweise ein Modell-prädiktiver Regler, ein Proportional-Integral-Differential(PID)-Regler, usw.), und einem Modellsystem mit einer Sollwert-Modelleinheit 220, die ein prädiktives Modell der tatsächlichen elektrischen Energielast 202 implementiert. Die Sollwert-Modelleinheit 220 modelliert die Beziehung zwischen der tatsächlichen elektrischen Energielast 202 und dem Turbinendampfeinlassdruck, um einen Turbinendampfeingangsdrucksollwert 206 aufgrund des elektrischen Energielastsollwerts 208, des Hilfsdampfstroms (AUX) 210, der Turbinendampfeintrittstemperatur Korrektur/Abweichung 212, der Nachheiztemperatur-Korrektur/Abweichung 214 und der Auslassdruck-Korrektur/Abweichung 216. Somit wird das Modellsystem, und insbesondere die Sollwert-Modelleinheit 220 so betrieben, dass die elektrische Energielast des Dampfturbinenprozesses 222 als Reaktion auf Änderungen im Turbinendampfeinlassdruck vorhergesagt wird. In einem Beispiel ist der Turbinendampfeinlassdrucksollwert 206 eine Turbinendampfeinlassdruckabweichung (das heißt, die gewünschte Änderung des Turbinendampfeinlassdrucks, um die tatsächliche elektrische Energielast 202 anzupassen). Wie weiter unten erläutert, kann das in der Sollwert-Modelleinheit verwendete Modell 220 ein künstliches neuronales Netzwerk, eine multivariate lineare Regression, eine vom Hersteller gelieferten Korrekturfunktion oder andere gewünschte Techniken beinhalten.
  • Während des Betriebs kann das Regelungsschema 200 der 3 kontinuierlich die tatsächliche elektrische Energielast 202 (Block 224) überwachen, um zu bestimmen, ob sich der Betriebspunkt in einem stabilen Zustand befindet, wo die tatsächliche elektrische Energie 202 den elektrischen Energiesollwert (SPMW) 208 erreicht und für eine gegebene Zeit einen konstanten Wert beibehält. Falls das System sich in einem stabilen Zustand befindet, kann das Regelungssystem 100 kontinuierlich die steady-state Differenz zwischen der tatsächlichen Energielast 202 und dem Energielastsollwert 208 überwachen (Block 226). Unterschiede zwischen der tatsächlichen Last 202 und dem Sollwert 208 können auf eine Änderung im Prozess 222 hinweisen, wie zum Beispiel, wenn das ausgewählte Sollwert-Modell der Modelleinheit 220 die Beziehung zwischen der tatsächlichen elektrischen Last und dem Turbinendampfeinlassdruck nicht mehr genau modelliert. Daher, falls der Unterschied größer als ein vorgegebener Schwellenwert ist (zum Beispiel 1 MW oder eine andere akzeptierbare Abweichung), kann ein Sollwert-Modellanpassungsverfahren aktiviert werden (Block 222), um ein neues Sollwert-Modell zu trainieren, testen und auszuwählen, um den gewünschten Turbinendampfeinlassdrucksollwert 206 für das Regelungssystem 218, aufgrund des Lastsollwerts 208, des Dampfhilfsstroms 210, der Turbinendampfeinlasstemperaturkorrektur/-abweichung 212, der Nacherhitztemperaturkorrektur/-abweichung 214 und der Ausgabedruckkorrektur/-abweichung 216 zu berechnen. Andernfalls bleibt das Sollwert-Modell aktiv und das Regelungsschema 200 kann mit der Sammlung von Daten über elektrische Energielast, Turbinendampfeinlassdruck, Dampfhilfsstrom 210, Turbinendampfeinlasstemperaturkorrektur/-abweichung 212, Nacherhitztemperaturkorrektur/-abweichung 214, Ausgabedruckkorrektur/-abweichung 216 und andere Prozessregelungsdaten (Block 230) zum Trainieren und Testen von Modellen während des Modellanpassungsprozesses 228 fortfahren. In diesem Beispiel führt die Sollwert-Modelleinheit 220 den Modellanpassungsprozess 228 aus.
  • 4 zeigt ein Blockdiagramm einer beispielhaften neuen Modellanpassungsroutine 300. Die Modellanpassungsroutine 300 wird instanziiert, wenn die Differenz zwischen der tatsächlichen elektrischen Energielast 202 und dem elektrischen Energielastsollwert 208 größer als der vordefinierte Schwellwert ist, da ein solcher Unterschied bedeuten könnte, dass das gewählte Sollwert-Modell in der Sollmodelleinheit 220 nicht mehr genau die Beziehung zwischen der elektrischen Energielast und dem Turbinendampfeinlassdruck modellieren kann. Generell trainiert und testet das Schema der Modellanpassung 300 verschiedene Modelle, um festzustellen welches Modell am besten die Beziehung zwischen der tatsächlichen elektrischen Energielast als die Ausgabeprozessgröße und dem Turbinendampfeinlassdruck als Eingangsprozessvariable annähert/vorhersagt, und wählt dann dieses Modell aus, um den Turbinendampfeinlassdrucksollwert (SPP) für die Eingabe an das Regelungssystem 218 auf der Grundlage eines vorgegebenen elektrischen Energielastsollwerts (SPMW) 208 in dem Regelungsschema 200 zu erzeugen. Insbesondere trainiert und testet die Modellanpassungsroutine 300 neuronale Netzwerkmodelle zusätzlich zu den konventionelleren multivariaten linearen Regressionsmodellen und vom Hersteller gelieferten Korrekturfunktionen. Der Fachmann auf dem Gebiet wird verstehen, dass andere Modelle, entweder anstelle von oder zusätzlich zu dem multivariaten linearen Regressionsmodell verwendet werden können.
  • Beginnend beim Block 302, um die Modelle zu trainieren und zu testen, sammelt die Modellanpassungsroutine 300 Daten aus dem Prozess 222, die von der Datensammlung 230 des Regelungsschemas 200 genommen werden können. Die neu erworbenen Prozessdaten können kombiniert oder auf andere Weise zusammen mit älteren Prozessdaten gemischt werden, um einen neuen Datensatz zu bilden. Der kombinierte Datensatz kann in zwei Untergruppen unterteilt werden – eine Untermenge für das Trainieren neuer Modelle, und eine andere Teilmenge für das Testen der neuen und aktuellen Modelle, um das Modell zu identifizieren, das die Beziehung zwischen dem Turbinendampfeinlassdruck und der tatsächlichen elektrischen Energielast am besten annähert.
  • In den Blöcken 304 und 306 trainiert jeweils die Modellanpassungsroutine 300 ein neues multivariates lineares Regressionsmodell und ein neues neuronales Netzmodell, indem die Teilmenge der Prozessdaten für das Trainieren verwendet wird. Im Allgemeinen wird jedoch ein neues neuronales Netzwerkmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der tatsächlichen elektrischen Energielast als das genaueste (und daher das beste) angesehen, wie weiter unten gezeigt. Es gibt jedoch Situationen, in denen ein anderes Modell diese Beziehung genauer beschreiben kann, und daher einen besseren Turbinendampfeinlassdrucksollwert (SPP) für die Eingabe an das Regelungssystem 218 erzeugt. Als solche kann die Modellanpassungsroutine 300 nicht nur das neue neuronale Netzwerkmodell 306 trainieren, sondern auch das neue multivariate lineare Regressionsmodell 304. Zusätzlich testet die Modellanpassungsroutine 300 die Genauigkeit nicht nur des neuen neuronalen Netzwerkmodells und des neuen multivariaten linearen Regressionsmodells, sondern auch das aktuelle (vorgehende) neuronale Netzwerkmodell, das aktuelle (vorgehende) multivariate lineare Regressionsmodell und die vom Hersteller gelieferten Korrekturfunktionen.
  • Insbesondere unter Bezugnahme auf die Blöcke 308, 310, 312, 314, 316, werden jeweils das aktuelle multivariate lineare Regressionsmodell, die vom Hersteller gelieferten Korrekturfunktion, das aktuelle neuronale Netzwerkmodell, das neue multivariate lineare Regressionsmodell und das neue neuronale Netzwerkmodell mit der Teilmenge von Prozessdaten für den Test getestet. Während verschiedene Fehlerverfahren verwendet werden können, wird in diesem Beispiel ein Effektivwertfehler (RMSE) angewendet, in dem die Differenz zwischen einem von jedem Modell vorhergesagten Wert und dem tatsächlichen Messwert gemessen wird. Das Modell, das den minimalen Effektivwertfehler erzeugt, wird im Block 318 für die Sollwert-Modelleinheit 220 ausgewählt.
  • Wie bereits erwähnt, während ein neuronales Netzwerkmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der tatsächlichen elektrischen Energielast als genauer betrachtet wird als die vom Hersteller gelieferten Korrekturfunktion und die multivariate lineare Regressionsmodelle und vermutlich genauer als das aktuelle neuronale Netzwerkmodell aufgrund des Trainierens mit neueren Prozessdaten ist, gibt es Fälle, in denen eines der anderen Modellen einen niedrigeren RMSE hat. Beispielsweise kann die Teilmenge von Prozessdaten für das Training nicht den gesamten Bereich (Spektrum) im Betrieb des Verfahrens abdecken. Als solche werden die Prozessdaten für das Trainieren des neuen neuronalen Netzwerkmodells im Block 306 als unvollständig angesehen. Folglich wird das neue neuronale Netzwerkmodell nicht richtig trainiert, obwohl neuronale Netzwerkmodelle fast immer besser mit den Trainingsdaten übereinstimmen als das multivariate lineare Regressionsmodell und die vom Hersteller gelieferten Korrekturfunktion. Insbesondere ist ein neuronales Netzwerk fast immer besser als, zum Beispiel, das neue multivariate lineare Regressionsmodell, wenn dieses mit den gleichen Daten trainiert wird. Das heißt, das neuronale Netzwerk ist an die Trainingsdaten besser angepasst als das multivariate lineare Regressionsmodell. Jedoch ist das neue neuronale Netzwerk tatsächlich an die Trainingsdaten während des Trainings in Block 306 überangepasst, wenn die Trainingsdaten nicht genug Betriebszustände des Verfahrens decken. Dies kann nicht optimal sein, wenn das neue neuronale Netzwerkmodell zum Vorhersagen der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast verwendet wird, da die Trainings-Daten unvollständig sind, da sie nicht alle Betriebszustände des Prozesses abdecken. Als solches kann das neue neuronale Netzwerkmodell nicht notwendigerweise besser mit den Testdaten auskommen, wie im RMSE offenbart. Somit können das neue multivariate lineare Regressionsmodell, das aktuelle neuronale Netzwerkmodell, das aktuelle multivariate lineare Regressionsmodell und/oder die vom Hersteller gelieferten Korrekturfunktion einen niedrigeren RMSE aufweisen, als das neue neuronale Netzwerkmodell. Zum Beispiel, wenn der Prozess noch in der Nähe der Bemessungsbedingung ist und die Betriebspunkte der Einrichtungen nicht wesentlich abweichen, kann auch die vom Hersteller gelieferten Korrekturfunktion eine bessere Darstellung der Beziehung zwischen dem Turbinendampfeinlassdruck und der tatsächlichen elektrischen Energielast bereitstellen.
  • Die 5 zeigt eine Struktur eines beispielhaften mehrschichtigen neuronalen Netzwerkmodells 400, welches ein dreischichtiges künstliches neuronales Netz verwendet. Jedes Neuron im neuronalen Netzwerk ist ein künstlicher Knoten (auch als Recheneinheit bzw. Verarbeitungseinheit bezeichnet), der eine oder mehrere Eingaben empfängt, die Eingaben summiert und die Summe an eine Übertragungsfunktion übergibt, um ein Ausgangssignal zu erzeugen. Die Übertragungsfunktion (auch als Aktivierungsfunktion bezeichnet) verbessert oder vereinfacht das das Neuron enthaltende Netzwerk in Abhängigkeit von der Art der benutzten Übertragungsfunktion. Die Übertragungsfunktion eines Neurons kann beispielsweise eine Stufenfunktion, eine lineare Kombination (beispielsweise ist der Auslass die Summe der gewichteten Eingaben plus ein Bias) oder eine Sigmoidfunktion sein.
  • Jedes Neuron ist vorbelastet, und jede Verbindung (beispielsweise eine Eingabe in ein Neuron) ist gewichtet, wobei die Bias und Gewichte anpassungsfähig sind, so dass sie durch einen Lern-/Trainingsalgorithmus wie beispielsweise einen Backpropagation-Algorithmus verbessert werden können. Wenn beispielsweise das neuronale Netzwerkmodell 400 im Schritt 306 von 4 trainiert wird, wird der Wert des Ausgangssignals jedes Neurons mit dem tatsächlichen, korrekten Wert verglichen, um einen Fehler zu bestimmen, und der Fehler wird zurück durch das neuronale Netzwerk gespeist. Der Lernalgorithmus stellt die Gewichte der Verbindungen ein, um den Wert des Fehlers zu reduzieren, und nach einer ausreichenden Anzahl von Trainingszyklen wird sich das neuronale Netzwerk einem Zustand annähern, wo die Fehler ausreichend klein sind, so dass das neuronale Netzwerk als „trainiert” angesehen wird.
  • Wie die Richtungspfeile in 5 im Falle der Verbindungen gezeigt, ist das künstliche neuronale Netzwerk ein neuronales Vorwärtskopplungs-Netzwerk, d. h. jedes Neuron in einer Schicht hat gerichtete Verbindungen mit Neuronen einer folgenden Schicht. Daher, anders als bei anderen neuronalen Netzwerken (zum Beispiel rekurrierenden neuronalen Netzwerken), bewegen sich die Informationen in einem Vorwärtskopplungs-Neuronalnetzwerk nur in einer Richtung, von der Eingabeschicht zur Ausgabeschicht, ohne einen gerichteten Zyklus oder Ring innerhalb des Netzwerkes zu bilden.
  • Ein mehrschichtiges Vorwärtskopplungs-Neuronalnetzwerk kann benutzt werden, um sich an eine arbiträre und kontinuierliche nicht lineare Funktion anzupassen. Daher kann das mehrschichtige neuronale Vorwärtskopplungs-Netzwerkmodell 400 in 5 zum Darstellen eines dynamischen Prozesssystems verwendet werden, und insbesondere der Beziehung zwischen dem Turbineneinlassdampfdruck und der elektrischen Energielast. Obwohl im folgenden ein Beispiel eines dreischichtigen neuronalen Vorwärtskopplungs-Netzwerkmodells mit zwei verborgenen Schichten gezeigt wird, wird der Fachmann verstehen, dass neuronale Netzwerkmodelle mit mehr oder weniger Schichten, und insbesondere, mehr oder weniger verborgenen Schichten verwendet werden können. Wenn zum Beispiel eine zweischichtige Modellstruktur verwendet wird, wird die zweite Schicht die Ausgabeschicht mit einer linearen Übertragungsfunktion für jedes Neuron in der Ausgabeschicht. Ferner wird der Fachmann verstehen, dass neuronale Netzwerke verwendet werden können, die keine neuronale Vorwärtskopplungs-Netzwerke sind, und dass unterschiedliche Lerntechniken verwendet werden können.
  • Mit Bezug auf 5, umfasst das mehrschichtige neuronale Vorwärtskopplungs-Netzwerkmodell 400 eine Eingabeschicht 402 (die erste verborgene Schicht), eine verborgene Schicht 404 (die zweite verborgene Schicht) und eine Ausgabeschicht 406. Jede Schicht 402, 404, 406 kann eine Anzahl Neuronen 408–418 umfassen. Im Beispiel von 5 umfasst die erste (Eingabe-)Schicht 402 n Neuronen, die zweite (verborgene) Schicht 404 h Neuronen und die dritte (Ausgabe-)Schicht 406 p Neuronen. Die Neuronen der ersten (Eingabe-)Schicht 402 und der zweiten (verborgenen) Schicht 404 sind tangentiale hyperbolische Sigmoide, und die Neuronen der dritten Schicht (die Ausgabeschicht 406) sind linear. Demzufolge legt jedes Neuron 1-n und 1-h für die Neuronen 408–414 der ersten und zweiten Schicht eine Sigmoidübertragungsfunktion an, welche dargestellt ist durch:
    Figure DE102016116906A1_0002
    wobei x ist die Neuroneingabe. Jedes Neuron 1-p der Neuronen 416, 418 der dritten (Ausgabe-)Schicht legt eine lineare Übertragungsfunktion an.
  • Die Anzahl von Eingaben in der ersten (Eingabe-)Schicht 402 wird als m angenommen, und die Anzahl der Ausgaben des neuronalen Netzwerk entspricht der Anzahl Neuronen in der dritten (Ausgabe-)Schicht 406, i. e. h. Gewichte und Bias in der i-ten Schicht sind jeweils durch Wi and Bi dargestellt und die Ausgabe der i-ten Schicht ist als Zi angegeben. Auch hier sind die Gewichte Wi der Verbindungen und die Bias Bi der Neuronen anpassbar, sodass sie durch einen Lern-/Training-Algorithmus verbessert werden können, um die Gewichte und Bias während des Trainings inkrementell einzustellen, um den Fehler zwischen der Ausgabe aus dem Neuron und dem echten Wert allmählich zu reduzieren. Auf dieser Basis werden die Ausgangssignale für das künstliche neuronale Netzwerk für drei Schichten 402–406 berechnet wie folgt:
    Erste (Eingabe) Schicht 402:
    Figure DE102016116906A1_0003
    Figure DE102016116906A1_0004

    Zweite (verborgene) Schicht 404:
    Figure DE102016116906A1_0005
    Figure DE102016116906A1_0006

    Dritte (Ausgabe) Schicht 406:
    Figure DE102016116906A1_0007
    Figure DE102016116906A1_0008
  • Wie in 5 ersichtlich, werden die Eingaben U1–Um jedem Neuron in der ersten (Eingabe-)Schicht 402 mit entsprechenden Gewichten
    Figure DE102016116906A1_0009
    bereitgestellt. Entsprechende Bias
    Figure DE102016116906A1_0010
    werden jedem Neuron in der ersten (Eingabe-)Schicht 402 bereitgestellt. Jedes Neuron 1-n addiert die gewichteten Eingaben U1–Um und addiert das Bias
    Figure DE102016116906A1_0011
    gemäß der Gleichung für
    Figure DE102016116906A1_0012
    . Die gewichtete Summe (plus Bias) wird dann durch die Sigmoidübertragungsfunktion
    Figure DE102016116906A1_0013
    geführt, um eine Ausgabe
    Figure DE102016116906A1_0014
    zu erhalten. Die Ausgabe
    Figure DE102016116906A1_0015
    jedes Neurons 1-n ist als Eingabe für jedes Neuron 1-h in der zweiten (verborgenen) Schicht 404 gezeigt.
  • Die Eingaben (Verbindungen) zu jedem Neuron in der zweiten (verborgenen) Schicht 404 werden mit entsprechenden Gewichten
    Figure DE102016116906A1_0016
    gewichtet. Entsprechende Bias
    Figure DE102016116906A1_0017
    werden jedem Neuron in der zweiten (verborgenen) Schicht 404 bereitgestellt. Jedes Neuron 1-h addiert die gewichteten Eingaben
    Figure DE102016116906A1_0018
    und addiert das Bias
    Figure DE102016116906A1_0019
    gemäß der Gleichung für
    Figure DE102016116906A1_0020
    . Die gewichtete Summe (plus Bias) wird dann durch die Sigmoidübertragungsfunktion
    Figure DE102016116906A1_0021
    geführt, um eine Ausgabe zu erhalten. Die Ausgabe aus jedem Neuron 1-h wird als Eingabe zu jedem der Neuronen 1-p in der dritten (verborgenen) Schicht 404 gezeigt.
  • Die Eingaben (Verbindungen) zu jedem Neuron in der dritten (Ausgabe) Schicht 404 werden mit entsprechenden Gewichten
    Figure DE102016116906A1_0022
    gewichtet. Entsprechende Bias
    Figure DE102016116906A1_0023
    werden jedem Neuron in der dritten (Ausgabe) Schicht (406) bereitgestellt. Jedes Neuron 1-p addiert die gewichteten Eingaben
    Figure DE102016116906A1_0024
    und addiert das Bias
    Figure DE102016116906A1_0025
    gemäß der Gleichung für
    Figure DE102016116906A1_0026
    . Die gewichtete Summe (plus Bias) wird dann durch die lineare Übertragungsfunktion
    Figure DE102016116906A1_0027
    geführt, um eine Ausgabe Y1–Yp zu erzeugen. Auch hier fließt, da es sich um ein neuronales Vorwärtskopplungs-Netzwerk handelt, der Strom von Eingaben und Ausgaben in einer Richtung von der ersten (Eingabe-)Schicht 402 zur dritten (Ausgabe-)Schicht 406 durch die zweite (verborgene) Schicht 404.
  • Wie vorhin angedeutet, liefern Turbinenhersteller Korrekturformeln oder Kurven, um die Kurve elektrischer Energielast/Dampfdruck aufgrund von Daten zum Zeitpunkt der Herstellung und/oder Installation (auch Bemessungsbedingung oder Berechnungszustand) zu verändern. Die 6–9 zeigen Beispiele der vom Hersteller gelieferten Korrekturkurven der Korrelation zwischen verschiedenen Prozessvariablen (Turbinendampfeinlassdruck, Turbinendampfeinlasstemperatur, Nacherhitzdampftemperatur, Auslassdampfdruck) und der elektrischen Energielast der Turbine(n) unter Bemessungsbedingung. Insbesondere zeigen die 6–9 die Beziehung zwischen Abweichungen dieser Variablen und die prozentuale Korrektur der elektrischen Energielast der Turbine(n). Als solche können die Prozessvariablen der 6–9 dem Dampfhilfsstrom (AUX) 210), der Turbinendampfeinlasstemperatur-Korrektur/-Abweichung (ΔTT) 212, der Nacherhitztemperatur-Korrektur/-Abweichung (ΔRT) 214 und der Ausgabedruck-Korrektur/-Abweichung (ΔEP) 216 in 3 entsprechen. Die Prozessvariablen können an entsprechenden Stellen innerhalb des Stromerzeugungssystems gemessen werden. Der Turbinendampfeinlassdruck und die Turbinendampfeinlasstemperatur können zum Beispiel mittels Sensor(en) gemessen werden, welche auf den Turbineneinlasseinrichtungen 36 in 1 angeordnet sind. Genauso kann die Nacherhitzdampftemperatur mittels auf dem Nacherhitzer 34 angeordneten Sensoren gemessen werden und der Auslassdampfdruck kann mittels auf dem Kondensator 24 in 1 angeordneten Sensoren gemessen werden. Die elektrische Energielast kann mittels Sensoren auf dem Generator 30 gemessen werden.
  • Der Turbinendampfeinlassdruck, die Turbinendampfeinlasstemperatur, die Nacherhitzdampftemperatur, die Auslassdampfdruck können als Rohwerte bereitgestellt werden, wodurch die Abweichungen aufgrund der Vergleiche mit Konstruktionswerten (ideale Werte) unter Bemessungsbedingungen berechnet werden. Als Alternative können die Abweichungen an den Sensoren selbst berechnet werden.
  • Mit Bezug auf 6, ist die ideale Beziehung zwischen der Turbinendampfeinlassdruckabweichung und der Korrektur der elektrischen Energielast linear mit einer Null-zu-Null Korrektur, das heißt, dass, falls es keine Abweichung des Turbinendampfeinlassdruckes gibt, es auch keine Korrektur der elektrischen Energielast gibt.
  • Genauso gibt es, falls keine Korrektur der elektrischen Energielast notwendig ist, auch keine Notwendigkeit, den Turbinendampfeinlassdruck zu ändern (zum Beispiel mit einem neuen Sollwert). Die folgende Tabelle zeigt die Werte von 6 für den Turbinendampfeinlassdruck (in absoluten Pfund/Quadratzoll) und der elektrischen Energielastkorrektur (Prozent):
    Tabelle Berechnete Lastkorrektur (%)
    Drosseldruck (psia) Druckabweichung (psia)
    2290 –125 –5.15
    2315 –100 –4.12
    2340 –75 –3.09
    2365 –50 –2.06
    2390 –25 –1.03
    2415 0 0.00
    2440 25 1.03
    2465 50 2.06
    2490 75 3.09
    2515 100 4.12
    2540 125 5.15
  • Aufgrund dieser Tabelle, und der vom Hersteller gelieferten Korrekturkurve in 6, kann die Beziehung zwischen Turbinendampfeinlassdruck und elektrischer Energielast mit der folgenden linearen vom Hersteller bereitgestellten Korrekturfunktion ausgedrückt werden: MWCORR = 4.118802091 × 10–2 × ΔTP + 8.07434927 × 10–17 wobei MWCORR die Korrektur der elektrischen Last und ΔTP die Abweichung des Turbinendampfeinlassdrucks ist.
  • Mit Bezug auf 7, ist die ideale Beziehung zwischen der Turbinendampfeinlasstemperaturabweichung und der Korrektur der elektrischen Energielast praktisch linear mit einer Null-zu-Null Korrektur, sodass, falls es keine Abweichung der Temperatur gibt, auch keine Korrektur der elektrischen Energielast stattfindet. Die folgende Tabelle zeigt die Werte in 7 für die Turbinendampfeinlasstemperatur (Grad Fahrenheit), die Abweichung der Turbinendampfeinlasstemperatur (Grad Fahrenheit) und der elektrischen Energielastkorrektur (Prozent):
    Tabelle Berechnete Lastkorrektur (%)
    Drosseltemperatur (°F) Temperaturabweichung (°F)
    970 –30 0.26
    980 –20 0.16
    985 –15 0.12
    990 –10 0.08
    995 –5 0.04
    1000 0 0.00
    1005 5 –0.04
    1010 10 –0.07
    1015 15 –0.11
    1020 20 –0.14
    1030 30 –0.20
  • Aufgrund dieser Tabelle, und der vom Hersteller gelieferten Korrekturkurve in 7, kann die Beziehung zwischen der Drosseldampftemperatur und elektrischer Energielast durch die folgende quadratische polynomiale, vom Hersteller bereitgestellten Korrekturfunktion ausgedrückt werden: MWCORR = 3.2279474400 × 10–5 × ΔTT2 – 7.5806764350 × 10–3 × ΔTT + 2.7061686225 10–16
    wobei MWCORR die Lastkorrektur ist und ΔTT die Turbinendampfeinlasstemperaturabweichung ist.
  • Mit Bezug auf 8, ist die ideale Beziehung zwischen Nacherhitztemperaturabweichung und Korrektur der elektrischen Energielast linear mit einer Null-zu-Null Korrektur, sodass, falls es keine Abweichung der Nacherhitztemperatur gibt, es auch keine Korrektur der elektrische Energielast gibt. Genauso ist, falls keine Korrektur der elektrischen Energielast notwendig ist, auch eine Änderung der Nacherhitztemperatur nicht notwendig. Die folgende Tabelle zeigt die Werte von 8 für die Nacherhitztemperatur (Grad Fahrenheit), Nacherhitztemperaturabweichung (Grad Fahrenheit) und elektrische Energielastkorrektur (Prozent):
    Tabelle Berechnete Lastkorrektur (%)
    Drosseltemperatur (°F) Temperaturabweichung (°F)
    970 –30 –1.41
    980 –20 –0.94
    985 –15 –0.71
    990 –10 –0.47
    995 –5 –0.24
    1000 0 0.00
    1005 5 0.24
    1010 10 0.47
    1015 15 0.71
    1020 20 0.94
    1030 30 1.41
  • Aufgrund dieser Tabelle und der vom Hersteller gelieferten Kurve in 8, kann die Beziehung zwischen der Nacherhitztemperatur und der elektrischen Energielast durch die folgende lineare vom Hersteller bereitgestellten Korrekturfunktion ausgedrückt werden: MWCORR = 4.7144866112 × 10–2 × ΔRT wobei MWCORR die elektrische Energielastkorrektur ist und ART die Nacherhitztemperaturabweichung ist.
  • Mit Bezug auf 9, ist die ideale Beziehung zwischen der Auslassdruckabweichung und der Korrektur der elektrischen Energielast nicht linear mit einer Nichtnull-zu-Null Korrektur, so dass, falls es eine Abweichung im Auslassdruck von 2 HgA gibt, eine Korrektur der elektrischen Energielast stattfinden wird. Die folgende Tabelle zeigt die Werte der 9 für den Auslassdruck (Zoll Quecksilber, absolut), die Auslassdruckabweichung (Zoll Quecksilber, absolut) und die Energielastkorrektur (Prozent):
    Tabelle Berechnete Lastkorrektur (%)
    Auslassdruck (HgA) Auslassdruckabweichung (HgA)
    0.75 –1.25 0.5641
    1.00 –1.00 0.6110
    1.25 –0.75 0.6175
    1.50 –0.50 0.5273
    1.75 –0.25 0.3258
    2.00 –0.00 –0.0003
    2.25 0.25 –.03513
    2.50 0.50 –0.7740
    2.75 0.75 –1.2205
    3.00 1.00 –1.6776
    3.25 1.25 –2.1450
    3.50 1.50 –2.6349
    3.75 1.75 –3.1694
    4.00 2.00 –3.7758
    4.25 2.25 –4.4782
    4.50 2.50 –5.2876
    4.75 2.75 –6.1888
    5.00 3.00 –7.1249
    5.25 3.25 –7.9792
    5.50 3.50 –8.5543
    5.75 3.75 –8.5491
  • Aufgrund dieser Tabelle und der vom Hersteller bereitgestellten Korrekturkurve in 9, kann die Beziehung zwischen dem Auslassdruck und der elektrischen Energielast durch zwei polynomiale vom Hersteller gelieferte Korrekturfunktionen – eine Polynomiale siebter Ordnung für alle Werte von ΔEP (Auslassdruckabweichung) weniger als 1,8 oder mehr als 2,2, und eine quadratische Polynomiale für alle Werte von ΔEP (Auslassdruckabweichung) zwischen 1,8 und 2,2 – ausgedrückt werden: (< 1.8 oder > 2.2.): MWCORR = 1.4731964810–2 × ΔEP6 – 2.54188394 × 10–1 × ΔEP5 + 1.68473428 × ΔEP4 – 5.36131007 × ΔEP3 + 7.93422272 × ΔEP2 – 5.17916170 × ΔEP + 1.77192554 (1.8 bis 2.2): MWCORR = –1.92996710 × 10-1 × ΔEP2 – –6.84832910 × 10-1 × ΔEP + 2.14131652
  • Im Laufe der Zeit können sich die Prozesseigenschaften der Einheit geringfügig ändern, so dass die obigen vom Hersteller gelieferten Korrekturkurven und die entsprechenden Funktionen nicht mehr anwendbar oder repräsentativ für die Beziehungen zwischen den verschiedenen Prozessvariablen (d. h. Turbinendampfeinlassdruck, Dampfturbineneinlasstemperatur, Nacherhitzdampf-Temperatur, Auslassdampfdruck) und der elektrischen Energielast der Turbine(n) sind. Zum Beispiel veranschaulicht 10 eine Verschiebung in der Kurve der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast über die Zeit entsprechend den betrieblichen Anforderungen im Gleitdrucksteuerungsmodus. In diesem Beispiel wird das Dampfturbinendrosselventil 18 weit geöffnet gehalten (100%), während der Kessel 32 (Brennstoffeingang) verwendet wird, um den Turbinendampfeinlassdruck auf einen gewünschten Sollwert zu regeln, der eine Funktion der elektrischen Energielast ist. Da Turbinendampfeinlassdruck und elektrische Energielast eine direkte eins-zu-eins-Beziehung in einem gegebenen Betriebspunkt haben, wie aus
  • 6 ersichtlich ist, ist eine Turbinendampfeinlassdruckregelung äquivalent mit einer Regelung der elektrischen Energielast, wie durch die Kurve in 10 gezeigt. Wie aus 10 ersichtlich, wird der Turbinendampfeinlassdruck konstant gehalten, wenn die elektrische Energielast unter etwa 40–45% liegt, und der Turbinendampfeinlassdruck steigt allmählich, wenn die elektrische Energielast über 40–45% steigt. Dieser Teil der Kurve ist die Gleitdruckkurve, und kann nach links oder rechts bewegt werden, zur Kalibrierung, um Änderungen in der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energieabgabe über die Zeit zu veranschaulichen, wie durch die drei Linien dargestellt. Somit kann die Steigung der Gleitdruckkurve je nach Betriebsanforderungen leicht nach links oder rechts verschoben werden, und die Beziehung zwischen elektrischer Energielast und Turbinendampfeinlassdruck muss von Zeit zu Zeit neu kalibriert werden.
  • Ein Prototyp eines neuronalen Netzwerkmodells in Übereinstimmung mit der obigen Offenbarung wurde trainiert und verwendet, um die Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energiebelastung zu modellieren. Insbesondere benutzte das neuronale Netzwerkmodell ein dreischichtiges, neuronales Vorwärtskopplungs-Netzwerk (d. h. eine Eingangsschicht, eine verborgene Schicht und eine Ausgabeschicht, wobei Informationen nur in einer Richtung von der Eingabeschicht zur Ausgabeschicht durch die verborgene Schicht fließen), wo die verborgene Schicht aus sechs Neuronen vom Sigmoid-Typ besteht. Die repräsentativen Daten wurden von einem 450-MW Dampfturbinen-basierten Stromerzeugungssystem und -verfahren über einen Zeitraum von einem Jahr gewählt, wodurch eine ausreichende Menge an Trainingsdaten für das neuronale Netzwerkmodell bereitgestellt wurde, um eine ganze Reihe (Spektrum) an Betriebsituationen des Verfahrens abzudecken. Ein multivariables lineares Regressionsmodell wurde ebenfalls mit den gleichen Prozessdaten trainiert. Die Ergebnisse der Datenanpassung des neuronalen Netzwerkmodells wurden mit den Ergebnissen der Datenanpassung des multivariablen linearen Regressionsmodells und mit den vom Hersteller gelieferten Korrekturfunktionen verglichen, gemäß der Konstruktion des Dampfturbinen-basierten Stromerzeugungssystems und -prozesses. Die Ergebnisse der Datenanpassung sind in den 11–13 gezeigt.
  • In 11 wird der vorhergesagte Turbinendampfeinlassdruck gemäß der vom Hersteller gelieferten Korrekturfunktion 502 (mit rautenförmigen Plotpunkten gezeigt) und der vorhergesagte Turbinendampfeinlassdruck entsprechend dem multivariaten linearen Regressionsmodell 504 (kreisförmige Punkte) mit dem Ist-Turbinendampfeinlassdruck 506 verglichen (quadratische Plotpunkte). Wie zu sehen ist, stimmt die vom Hersteller gelieferte Korrekturfunktion nicht sehr gut mit den tatsächlichen Werten des Einlassdruckes überein, obwohl sie grob die Veränderungen des Turbinendampfeinlassdrucks verfolgt, wie durch die Veränderungen in der Steigung angegeben. Dennoch weicht die Prognose der vom Hersteller gelieferte Korrekturfunktion bezüglich des Turbinendampfeinlassdrucks erheblich vom tatsächlichen Turbinendampfeinlassdruck ab, was einen großen Anpassungsfehler zur Folge hat. Wenn beispielsweise der Turbinendampfeinlassdruck und die elektrische Energie eine direkte eins-zu-eins-Beziehung in einem bestimmten Betriebspunkt haben, kann man feststellen, dass der tatsächliche Turbinendampfeinlassdruck 506 und der von der vom Hersteller gelieferte Korrekturfunktion vorhergesagte Druck 502 sich um nicht weniger als 6 Prozentpunkte unterscheiden, was bedeutet, dass sich die elektrische Energieabgabe um nicht weniger als 6 Prozentpunkte unterscheidet. In einem 450-MW Turbinen-basierten Stromerzeugungssystem und -verfahren kann dies eine Differenz von bis zu 27 MW verursachen, was bedeutet, dass, wenn die elektrische Energielastforderung 418,5 MW beträgt (d. h. der elektrische Energielastsollwert (SPMW) ist 418,5 MW), wird der von der vom Hersteller gelieferten Korrekturfunktion vorhergesagte Turbinendampfeinlassdrucksollwert 502 nur 391,5 MW elektrischer Energielast zur Folge haben.
  • Auf der anderen Seite stimmen die Vorhersagen des multivariaten linearen Regressionsmodells ziemlich gut mit dem Ist-Turbinendampfeinlassdruck überein, was eine grobe Vorhersage des tatsächlichen Turbinendampfeinlassdruck durch das multivariate lineare Regressionsmodell bedeutet. Dennoch gibt es einige Unterschiede zwischen den multivariaten linearen Regressionsvorhersagen des Turbinendampfeinlassdrucks und dem Ist-Turbinendampfeinlassdruck, was zu einem statistisch signifikanten Anpassungsfehler führt. Auch hier kann man feststellen, dass, wenn Turbinendampfeinlassdruck und elektrische Energielast eine eins-zu-eins-Beziehung in einem Betriebspunkt aufweisen, der Ist-Turbinendampfeinlassdruck 506 und der vorhergesagte Druck des multivariaten linearen Regressionsmodells 504 sich um bis zu 0,5 Prozentpunkte unterscheiden, was bedeutet, dass die elektrische Energieabgabe um nicht weniger als 0,5 Prozentpunkte abweicht. In einem 450-MW-Turbinen-basierten Stromerzeugungssystem und -verfahren kann dies eine Differenz von bis zu etwa 2,25 MW bedingen, das heißt, wenn die elektrische Energielastanforderung 418,5 MW beträgt, wird der durch das multivariate lineare Regressionsmodell 504 vorhergesagte Turbinendampfeinlassdruck zu einer elektrischen Energielast von 416,25 MW führen, die noch nicht die Nachfrage nach elektrischer Energie erfüllt.
  • Bezugnehmend auf 12, wird der vorhergesagte Turbinendampfeinlassdruck nach dem neuronalen Vorwärtskopplungs-Netzwerkmodell 508 (kreisförmige Plotpunkte) mit dem tatsächlichen Turbinendampfeinlassdruck 506 verglichen (quadratische Plotpunkte). Wie zu sehen ist, stimmt das neuronale Vorwärtskopplungs-Netzmodell 508 mit dem tatsächlichen Turbinendampfeinlassdruck sehr gut überein, mit fast keinem erkennbaren Unterschied und einem vernachlässigbaren Anpassungsfehler. Somit wird dies in dem Beispiel eines 450 MW Turbinen-basierten Stromerzeugungssystem und -verfahrens zu praktisch keinem Unterschied führen, das heißt, wenn die elektrische Energielastanforderung 418,5 MW beträgt, ergibt sich aus dem vom Neuronalnetzwerkmodell vorhergesagten Turbinendampfeinlassdruck dank der Vorwärtskopplung eine fast nahezu identische 418,5 MW- hohe elektrische Energielast. Somit kann leicht beobachtet werden, dass das neuronale Vorwärtskopplungs-Netzwerkmodell den kleinsten Anpassungsfehler hat, wie beispielsweise Durchschnittsfehler, Effektivwert-Fehler (RMSE), maximale und minimale absolute Fehler.
  • Die Anpassungsfehler für jeden der vom Hersteller gelieferte Korrekturfunktion, des multivariaten linearen Regressionsmodells und des neuronalen Vorwärtskopplungs-Netzmodell sind in 13 aufgelistet. Wie darin zu sehen ist, sind die Anpassungsfehler für die vom Hersteller gelieferten Korrekturfunktion 510 bedeutend, im Bereich von etwa –2% bis 6% im Vergleich zum tatsächlichen Turbinendampfeinlassdruck (0% Fehler). Der Anpassungsfehler für das multivariate lineare Regressionsmodell 512 ist besser, aber immer noch statistisch signifikant, im Bereich von etwa + 0,5% bis –0,5% im Vergleich zum tatsächlichen Turbinendampfeinlassdruck. Auf der anderen Seite ist der Anpassungsfehler für das neuronale Vorwärtsnetzwerkmodell 514 fast null, und deutlich besser als der Anpassungsfehler für die vom Hersteller gelieferte Korrekturfunktion 510 und den Anpassungsfehler für das multivariate lineare Regressionsmodell 512. Die Zahlenvergleiche der Fehlerstatistiken im Datenbereich von 13 sind in der Tabelle unten angegeben:
    Regressionsmodell Konstruktionsmodell neuronales Netzwerkmodell
    Durchschnittl. Fehler 0.00274 –4.527 –0.0000435
    RMSE 0.342 0.875 0.0351
    Min. Absoluter Fehler 0.0302 2.536 0.003
    Max. Absoluter Fehler 0.539 5.914 0.093
  • Wie aus der Tabelle ersichtlich ist, wies das neuronale Vorwärtskopplugs-Netzwerkmodell einen durchschnittlichen Fehler auf, welcher deutlich kleiner war als im Falle des multivariaten linearen Regressionsmodells und der vom Hersteller bereitgestellten Korrekturfunktion. Insbesondere hatte das neuronale Vorwärtskopplungs-Netzwerkmodell einen durchschnittlichen Fehler, der 60-mal besser war als der am nächsten gelegene Durchschnittsfehler (d. h. das multivariate lineare Regressionsmodell). Genauso war der Effektivwertfehler für das neuronale Vorwärtskopplungs-Netzwerkmodell deutlich besser als das multivariate lineare Regressionsmodell und die vom Hersteller bereitgestellte Korrekturfunktion. Insbesondere hatte das Vorwärtskopplungs-Netzwerkmodell einen Effektivwertfehler, der 10-mal besser war als der am nächsten gelegene Effektivwertfehler (d. h. das multivariate lineare Regressionsmodell).
  • Bezüglich der Modellanpassungsroutine 300 in 4, würde ein Vergleich der Effektivwertfehler im Block 318 (zumindest was das neu trainierte multivariate lineare Regressionsmodell, das neu trainierte neuronale Vorwärtskopplungs-Netzwerkmodell und die vom Hersteller bereitgestellte Korrekturfunktion betrifft) die Auswahl des neu trainierten neuronalen Vorwärtskopplungs-Netzwerkmodell für die Sollwert-Modelleinheit 220 ergeben. Das wäre wahrscheinlich der Fall, da das neu trainierte Vorwärtskopplungs-Netzwerkmodell ein Jahr Trainingsdaten zur Verfügung hatte, es sei denn, dass aus irgendeinem Grund das vorher trainierte (d. h. das aktuelle) neuronale Netzwerkmodell und/oder das vorher trainierte (d. h. aktuelle) multivariate lineare Regressionsmodell einen kleineren RMSE aufweist.
  • Obwohl der oben aufgeführte Text eine detaillierte Beschreibung mehrerer unterschiedlicher Ausführungsformen der Erfindung angibt, muss festgestellt werden, dass das Gebiet der Erfindung vom Wortlaut der am Ende dieses Patents aufgeführten Ansprüche und deren Äquivalenten definiert werden kann. Die detaillierte Beschreibung soll nur als beispielhaft betrachtet werden und beschreibt nicht alle möglichen Ausführungsformen der Erfindung, da die Beschreibung aller möglichen Ausführungsformen impraktikabel, wenn nicht unmöglich ist. Es könnten mehrere alternative Ausführungsformen implementiert werden, entweder durch die aktuelle Technologie oder durch nach dem Anmeldedatum des Patents entwickelte Technologien, welche immer innerhalb der die Erfindung definierenden Ansprüche fallen. Daher können verschiedene Modifikationen und Änderungen der hier beschriebenen und illustrierten Techniken und Strukturen eingeführt werden, ohne den Geist und den Umfang der Erfindung zu verlassen. Daher ist zu beachten, dass die beschriebenen Verfahren und Einrichtungen nur illustrativ und nicht als den Umfangs der Erfindung limitierend zu verstehen sind.

Claims (46)

  1. Stromerzeugungssystem, umfassend: eine Dampfturbinenenergie-Erzeugungseinheit mit einem Turbinendampfeinlasssystem, einer Dampfturbine, welche mit dem Turbinendampfeinlasssystem gekoppelt ist und mit Dampf aus dem Turbinendampfeinlasssystem angetrieben wird, und einem Dampfauslass; eine elektrische Energie-Erzeugungseinheit, welche mechanisch mit der Dampfturbine gekoppelt ist und geeignet ist, eine elektrische Energielast basierend auf der Bewegung der Dampfturbine zu erzeugen; ein Regelungssystem, welches angepasst ist, um ein Prozessregelungssignal zu erzeugen, um einen Druck in dem Turbinendampfeinlasssystem zu regeln, um die durch die elektrische Energie-Erzeugungseinheit erzeugte elektrische Energielast zu regeln; und ein neuronales Vorwärtskopplungs-Netzwerkmodell einer Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast, welches mit dem Regelungssystem wirkverbunden ist, wobei eine Eingabe des neuronalen Vorwärtskopplungs-Netzwerkmodells einen elektrischen Energielastsollwert umfasst, um eine Drucksollwertregelungssystemausgabe zu erzeugen, und wobei die Drucksollwertregelungssystemausgabe mit einer Eingabe des Regelungssystems verbunden ist.
  2. Stromerzeugungssystem nach Anspruch 1, ferner umfassend eine Modellanpassungseinheit, die ein Modell so anpasst, das es eine Drucksollwertregelungssystemausgabe erzeugt.
  3. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 2, wobei die Modellanpassungseinheit mit der elektrischen Energie-Erzeugungseinheit wirkverbunden ist, wobei eine Eingabe der Modellanpassungseinheit den elektrischen Energielastsollwert und die elektrische Energielast umfasst und wobei die Modellanpassungseinheit das Modell basierend auf einer Differenz zwischen dem elektrischen Energielastsollwert und der elektrischen Energielast anpasst.
  4. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 3, wobei die Modellanpassungseinheit das Modell anpasst, wenn das Stromerzeugungssystem sich in einem stationären Zustand befindet, und die Differenz zwischen dem elektrischen Energielastsollwert und der elektrischen Energielast einen Schwellenwert überschreitet.
  5. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 2, wobei die Modellanpassungseinheit angepasst ist, ein neues neuronales Vorwärtskopplungs-Netzwerkmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast zu trainieren, unter Verwendung von Prozessdaten aus dem Stromerzeugungssystem als Trainingsdaten.
  6. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 5, wobei die Modellanpassungseinheit zum Trainieren eines multivariaten linearen Regressionsmodells der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast unter Verwendung der Trainingsdaten angepasst ist.
  7. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 6, wobei die Modellanpassungseinheit angepasst ist, einen Effektivwertfehler für jedes des neuen neuronalen Vorwärtskopplungs-Netzwerkmodells und des multivariaten linearen Regressionsmodells zu berechnen, unter Verwendung von Prozessdaten aus dem Stromerzeugungssystem als Testdaten.
  8. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 7, wobei die Modellanpassungseinheit angepasst ist, einen Effektivwertfehler für jedes des mit dem Regelungssystem wirkverbundenen neuronalen Vorwärtskopplungs-Netzwerkmodells, eines vorgehenden multivariaten linearen Regressionsmodells der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast, und eines Konstruktionsmodells der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast mittels der Testdaten zu berechnen.
  9. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 7, wobei die Modellanpassungseinheit zum Auswählen eines des neuen neuronalen Vorwärtskopplungs-Netzwerkmodells und des multivariaten linearen Regressionsmodells ausgebildet ist, wobei das Modell mit dem minimalen Effektivwertfehler für das Stromerzeugungssystem ausgewählt wird.
  10. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 8, wobei die Modellanpassungseinheit angepasst ist, eines des neuen neuronalen Vorwärtskopplungs-Netzwerkmodell, des multivariaten linearen Regressionsmodells, des mit dem Regelungssystem wirkverbundenen neuronalen Vorwärtskopplungs-Netzwerkmodells, des vorherigen multivariaten linearen Regressionsmodells und des Konstruktionsmodells basierend auf dem Effektivwertfehler auszuwählen, wobei das Modell mit dem minimalen Effektivwertfehler für das Stromerzeugungssystem ausgewählt wird.
  11. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 10, wobei die Modellanpassungseinheit zum Ersetzen des mit dem Regelungssystem wirkverbundenen neuronalen Vorwärtskopplungs-Netzwerkmodells angepasst ist, falls das ausgewählte Modell das neue neuronale Vorwärtskopplungs-Netzwerkmodell, das neue multivariate lineare Regressionsmodell, das vorgehende multivariate lineare Regressionsmodell oder das Konstruktionsmodell ist.
  12. Stromerzeugungssystem, umfassend: eine Dampfturbinenenergie-Erzeugungseinheit mit einem Turbinendampfeinlasssystem, einer Dampfturbine, welche mit dem Turbinendampfeinlasssystem gekoppelt ist und mit Dampf aus dem Turbinendampfeinlasssystem betrieben wird, und einem Dampfauslass; eine elektrische Energie-Erzeugungseinheit, welche mechanisch mit der Dampfturbine gekoppelt ist und angepasst ist, eine elektrische Energielast basierend auf der Bewegung der Dampfturbine zu erzeugen; ein Regelungssystem, welches angepasst ist, um ein Prozessregelungssignal zu erzeugen, um einen Druck in dem Turbinendampfeinlasssystem zu regeln, um die durch die elektrische Energie-Erzeugungseinheit erzeugte elektrische Energielast zu regeln; und eine Modellanpassungseinheit, welche mit der elektrischen Energie-Erzeugungseinheit wirkverbunden ist, um ein neuronales Vorwärtskopplungs-Netzwerkmodell einer Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast unter Verwendung von Prozessdaten aus dem Stromerzeugungssystem als Trainingsdaten anzupassen, wobei das neuronale Vorwärtskopplungs-Netzwerkmodell zum Erzeugen einer Drucksollwertregelungssystemausgabe aus einem elektrischen Energielastsollwert für das Regelungssystem ausgebildet ist.
  13. Stromerzeugungssystem nach Anspruch 12, wobei die Modellanpassungseinheit mit der elektrischen Energie-Erzeugungseinheit wirkverbunden ist, wobei eine Eingabe der Modellanpassungseinheit den elektrischen Energielastsollwert und die elektrische Energielast umfasst und wobei die Modellanpassungseinheit Modelle aufgrund einer Differenz zwischen dem elektrischen Energielastsollwert und der elektrischen Energielast anpasst.
  14. Stromerzeugungssystem nach einem der Ansprüche 12 oder 13, insbesondere nach Anspruch 13, wobei die Modellanpassungseinheit Modelle anpasst, wenn das Stromerzeugungssystem sich in einem stationären Zustand befindet und die Differenz zwischen dem elektrischen Energielastsollwert und der elektrischen Energielast einen Schwellenwert überschreitet.
  15. Stromerzeugungssystem nach einem der Ansprüche 12 bis 14, insbesondere nach Anspruch 12, wobei die Modellanpassungseinheit zum Trainieren eines multivariaten linearen Regressionsmodells der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast unter Verwendung der Trainingsdaten angepasst ist.
  16. Stromerzeugungssystem nach einem der Ansprüche 12 bis 15, insbesondere nach Anspruch 15, wobei die Modellanpassungseinheit zum Berechnen eines Effektivwertfehlers für jedes des neuronalen Vorwärtskopplungs-Netzwerkmodells und des multivariaten linearen Regressionsmodells unter Verwendung von Prozessdaten aus dem Stromerzeugungssystem angepasst ist.
  17. Stromerzeugungssystem nach einem der Ansprüche 12 bis 16, insbesondere nach Anspruch 16, wobei die Modellanpassungseinheit zum Auswählen eines des neuronalen Vorwärtskopplungs-Netzwerkmodells und des multivariaten linearen Regressionsmodells ausgebildet ist, wobei das Modell mit dem minimalen Effektivwertfehler für das Stromerzeugungssystem ausgewählt wird, um mit dem Regelungssystem wirkverbunden zu werden, und wobei eine Eingabe des gewählten Modells einen elektrischen Energielastsollwert zum Erzeugen einer Drucksollwertregelungssystemausgabe umfasst und wobei die Drucksollwertregelungssystemausgabe des ausgewählten Modells mit einer Eingabe des Regelungssystems verbunden ist.
  18. Stromerzeugungssystem nach einem der Ansprüche 12 bis 17, insbesondere nach Anspruch 16, wobei die Modellanpassungseinheit angepasst ist, einen Effektivwertfehler für ein vorheriges neuronales Vorwärtskopplungs-Netzwerkmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast, ein multivariates lineares Regressionsmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast und ein Konstruktionsmodell der Beziehung zwischen dem Turbinendampfeinlassdruck und der elektrischen Energielast unter Verwendung der Testdaten zu berechnen.
  19. Stromerzeugungssystem nach einem der Ansprüche 12 bis 18, insbesondere nach Anspruch 18, wobei die Modellanpassungseinheit angepasst ist, eines des neuronalen Vorwärtskopplungs-Netzwerkmodells, des multivariaten linearen Regressionsmodells, des vorgehenden neuronalen Vorwärtskopplungs-Netzwerkmodells, des vorherigen multivariaten linearen Regressionsmodells, und des Konstruktionsmodells basierend auf dem Effektivwertfehler für jedes Modell auszuwählen, wobei das Modell mit dem minimalen Effektivwertfehler für das Stromerzeugungssystem ausgewählt wird, um mit dem Regelungssystem wirkverbunden zu werden, und wobei eine Eingabe des gewählten Modells eine elektrische Energielast umfasst, um eine Drucksollwertregelungssystemausgabe zu erzeugen und die Drucksollwertregelungssystemausgabe des ausgewählten Modells mit einer Eingabe des Regelungssystems gekoppelt ist.
  20. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Ansprüchen 1 oder 12, ferner umfassend: ein Brennersystem, das einen Brennstoff verbrennt, um eine Dampfzufuhr zum Turbinendampfeinlasssystem zu erzeugen; wobei das Regelungssystem eine Reglereingabe-Erzeugungseinheit und einen Regler umfasst, welcher mit der Erzeugungseinheit wirkverbunden ist, wobei die Ausgabe des neuronalen Vorwärtskopplungs-Netzwerkmodells mit einer Eingabe der Reglereingabesignal-Erzeugungseinheit gekoppelt ist, und die Reglereingabe-Erzeugungseinheit zum Erzeugen eines Reglereingabesignals für den Regler angepasst ist, und der Regler zum Ausbilden eines Prozessregelungssignals angepasst ist, um das Brennersystem zu regeln, um dadurch den Druck im Turbinendampfeinlasssystem zu regeln, als Reaktion auf das Reglereingabesignal.
  21. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 20, wobei das Reglereingabesignal ein Reglerventileingabesignal für den Regler umfasst, um ein Turbinenventil zu regeln, wodurch ein Dampfstrom in das Turbinendampfeinlasssystem geregelt wird.
  22. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 21, wobei das Reglerventileingabesignal einen Wert aufweist, um die Ventilöffnung im Turbinendampfeinlasssystem zu maximieren, so dass sich das Stromerzeugungssystem in einem Gleitdruckmodus befindet.
  23. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Ansprüchen 1 oder 12, ferner umfassend: einen Nacherhitzer, welcher mit der Dampfturbinenenergie-Erzeugungseinheit wirkverbunden ist, um Dampf aus der Dampfturbinenenergie-Erzeugungseinheit nachzuerhitzen, und um den nacherhitzten Dampf wieder der Dampfturbinenenergie-Erzeugungseinheit bereitzustellen; und einen Kondensator, welcher mit dem Dampfauslass der Dampfturbinenenergie-Erzeugungseinheit wirkverbunden ist, um Dampf aus der Dampfturbinenenergie-Erzeugungseinheit aufzunehmen; wobei das neuronale Vorwärtskopplungs-Netzwerkmodell eine multivariable Eingabe umfasst, welche den elektrischen Energielastsollwert, eine Nacherhitztemperaturabweichung, eine Turbinendampfeinlasstemperaturabweichung, eine Kondensatorgegendruckabweichung, und einen Hilfsdampfstrom umfasst, wobei jede der Nacherhitztemperaturabweichung, der Turbinendampfeinlasstemperaturabweichung, der Kondensatorgegendruckabweichung, und des Hilfsdampfstroms auf die elektrische Energielast wirken.
  24. Stromerzeugungssystem nach einem der vorhergehenden Ansprüche, insbesondere nach Ansprüchen 1 oder 12, wobei das neuronale Vorwärtskopplungs-Netzwerkmodell ein neuronales Netzwerk umfasst, welches mindestens eine verborgene Schicht aus Neuronen vom Sigmoid-Typ umfasst.
  25. Verfahren zum Regeln eines Stromerzeugungsprozesses in einem Gleitdruckmodus, wobei der Stromerzeugungsprozess eine Dampfturbinenenergie-Erzeugungseinheit und eine elektrische -EnergieErzeugungseinheit aufweist, wobei das Verfahren umfasst: Empfangen eines Sollwerts, welcher eine gewünschte Ausgabeleistung der elektrischen Energie-Erzeugungseinheit anzeigt; Modellierung, über ein neuronales Netzwerkmodell, einer Beziehung zwischen einer Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Drosseldruck zur Dampfturbinenenergie-Erzeugungseinheit als Reaktion auf den Sollwert, der die gewünschte Ausgabeleistung anzeigt, um eine vorhergesagte Drucksollwertregelungssystemausgabe zu entwickeln; und Ausführen einer Regelroutine, die ein Regelsignal zur Regelung des Betriebs der Dampfturbinenenergie-Erzeugungseinheit basierend auf der vorhergesagten Drucksollwertregelungssystemausgabe bestimmt.
  26. Verfahren nach Anspruch 25, wobei der Stromerzeugungsprozess ferner ein Brennersystem umfasst, das einen Brennstoff verbrennt zur Dampfzufuhr an das Turbinendampfeinlasssystem, wobei das Ausführen einer Regelroutine, die ein Regelsignal zur Regelung des Betriebs der Dampfturbinenenergie-Erzeugungseinheit bestimmt, das Ausführen einer Regelroutine umfasst, die ein Regelsignal für die Regelung des Brennersystems bestimmt, um den Druck im Turbinendampfeinlasssystem zu regeln.
  27. Verfahren nach einem der Ansprüche 25 bis 26, insbesondere nach Anspruch 25, wobei das Ausführen der Regelroutine ferner das Ausführen einer Regelroutine umfasst, die ein Ventilregelsignal zur Regelung des Betriebs eines Turbinenventils bestimmt, um dadurch eine Eingabe von Dampf in das Turbinendampfeinlasssystem zu steuern.
  28. Verfahren nach einem der Ansprüche 25 bis 27, insbesondere nach Anspruch 27, wobei das Ventilregelsignal einen Wert aufweist, um die Ventilöffnung an das Turbinendampfeinlasssystem zu maximieren, so dass der Stromerzeugungsprozess im Gleitdruckbetrieb arbeitet.
  29. Verfahren nach einem der Ansprüche 25 bis 28, insbesondere nach Anspruch 25, wobei die Modellierung, über das neuronale Netzwerkmodell, der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck in einem Turbinendampfeinlasssystem zu der Dampfturbinenenergie-Erzeugungseinheit als Reaktion auf den Sollwert, der die gewünschten Ausgabeleistung angibt, eine weitere Modellierung über das neuronale Netzwerkmodell der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck in einem Turbinendampfeinlasssystem zu der Dampfturbinenenergie-Erzeugungseinheit als Reaktion auf eine Nacherhitztemperaturabweichung, eine Turbinendampfeinlasstemperaturabweichung, eine Gegendruckabweichung eines Kondensator und einen Hilfsdampfstrom umfasst.
  30. Verfahren nach einem der Ansprüche 25 bis 29, insbesondere nach Anspruch 25, ferner umfassend: Messen einer elektrischen Energielastausgabe der elektrischen Energie-Erzeugungseinheit; und Anpassen eines Modells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystem basierend auf einer Differenz zwischen dem Sollwert, der die gewünschten Ausgabeleistung angibt, und der gemessenen elektrischen Energielastausgabe.
  31. Verfahren nach einem der Ansprüche 25 bis 30, insbesondere nach Anspruch 30, wobei die Anpassung des Modells der Beziehung zwischen der Ausgabeleistung der elektrische Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems die Anpassung des Modells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems umfasst, falls das Energieerzeugungsverfahren in einem stationären Zustand betrieben wird und die Differenz zwischen dem Sollwert, der die gewünschte Ausgabeleistung angibt, und der gemessenen elektrischen Energielastausgabe einen Schwellenwert überschreitet.
  32. Verfahren nach einem der Ansprüche 25 bis 31, insbesondere nach Anspruch 30, wobei die Anpassung des Modells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems das Trainieren eines neuronalen Netzwerkmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems umfasst.
  33. Verfahren nach einem der Ansprüche 25 bis 32, insbesondere nach Anspruch 32, wobei das Trainieren eines neuronalen Netzwerkmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems das Trainieren eines neuronalen Netzwerkmodells der Beziehung zwischen der Ausgabeleistung der Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems mit Hilfe von Prozessdaten aus dem Stromerzeugungsprozess als Trainingsdaten umfasst.
  34. Verfahren nach einem der Ansprüche 25 bis 33, insbesondere nach Anspruch 32, wobei die Anpassung des Modells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems ferner das Trainieren eines multivariaten linearen Regressionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems umfasst.
  35. Verfahren nach einem der Ansprüche 25 bis 34, insbesondere nach Anspruch 34, wobei das Trainieren eines multivariaten linearen Regressionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems das Trainieren eines multivariaten linearen Regressionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbineneinlasssystems unter Verwendung von Prozessdaten aus dem Stromerzeugungsprozess als Trainingsdaten umfasst.
  36. Verfahren nach einem der Ansprüche 25 bis 35, insbesondere nach Anspruch 34, ferner umfassend das Bestimmen eines Effektivwertfehlers für jedes des neuronalen Netzwerkmodells und des multivariaten linearen Regressionsmodells.
  37. Verfahren nach einem der Ansprüche 25 bis 36, insbesondere nach Anspruch 36, wobei das Bestimmen des Effektivwertfehlers für jedes des neuronalen Netzwerkmodells und des multivariaten linearen Regressionsmodells das Bestimmen, für jedes des neuronalen Netzwerkmodells und des multivariaten linearen Regressionsmodells, des Effektivwertfehlers unter Verwendung von Prozessdaten aus dem Stromerzeugungsprozess als Testdaten umfasst.
  38. Verfahren nach einem der Ansprüche 25 bis 37, insbesondere nach Anspruch 36, ferner umfassend: Bestimmen eines Effektivwertfehlers für jeden eines vorgehenden neuronalen Netzwerkmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems, eines vorgehenden multivariaten linearen Regressionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems und eines Konstruktionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Dampfeinlasssystems; und Auswählen eines des neuronalen Netzwerkmodells, des multivariaten linearen Regressionsmodells, des vorherigen neuronalen Netzwerkmodells, des vorherigen multivariaten linearen Regressionsmodells und des Konstruktionsmodells mit dem minimalen Effektivwertfehler für den Stromerzeugungsprozess.
  39. Verfahren nach einem der Ansprüche 25 bis 38, insbesondere nach Anspruch 38, wobei das Bestimmen des Effektivwertfehlers für jedes des neuronalen Netzwerkmodells, des multivariaten linearen Regressionsmodells, des vorherigen neuronalen Netzwerkmodells, des vorherigen multivariaten linearen Regressionsmodells und des Konstruktionsmodells die Bestimmung des Effektivwertfehlers für jedes des neuronalen Netzwerkmodell, das multivariaten linearen Regressionsmodells, des vorherigen neuronalen Netzwerk-Modells, des vorherigen multivariaten linearen Regressionsmodells und des Konstruktionsmodells unter Verwendung von Prozessdaten aus dem Stromerzeugungsprozess als Testdaten umfasst.
  40. Verfahren nach einem der Ansprüche 25 bis 39, insbesondere nach Anspruch 25, wobei die Modellierung, über das neuronale Netzwerkmodell, der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb eines Turbinendampfeinlasssystems zu der Dampfturbinenenergie-Erzeugungseinheit das Implementieren eines neuronalen Vorwärtskopplungs-Netzwerkmodells umfasst, welches die Lastausgabe der elektrischen Energie-Erzeugungseinheit als Reaktion auf die vorhergesagte, der Regelroutine zur Verfügung gestellte Sollwertregelungssystemausgabe modelliert.
  41. Verfahren zur Anpassung eines Modells für einen Dampfturbinenstromerzeugungsprozess in einem Gleitdruckmodus, wobei der Stromerzeugungsprozess eine Dampfturbinenenergie-Erzeugungseinheit und eine elektrische Energie-Erzeugungseinheit umfasst, wobei das Verfahren umfasst: Empfangen eines Sollwerts, welcher eine gewünschte Ausgabeleistung der elektrischen Energie-Erzeugungseinheit anzeigt; Ausführen einer Regelroutine, die ein Regelsignal zur Verwendung bei der Regelung des Betriebs der Dampfturbinenenergie-Erzeugungseinheit basierend auf einer Drucksollwertregelungssystemausgabe bestimmt, welche durch ein erstes neuronales Netzwerk-Modell einer Beziehung zwischen einer Ausgabeleistung der elektrischen Energie-Erzeugungseinheit, und dem Druck innerhalb eines Turbinendampfeinlasssystems der Dampfturbinenenergie-Erzeugungseinheit vorhergesagt ist, in Reaktion auf den Sollwert, welcher die gewünschte Ausgabeleistung angibt, bezieht, zur Erzeugung der vorhergesagten Drucksollwertregelungssystemausgabe; Messen einer tatsächlichen Ausgabeleistung der elektrischen Energie-Erzeugungseinheit als Reaktion auf den Sollwert, welcher eine gewünschte Ausgabeleistung der elektrischen Energie-Erzeugungseinheit während eines stationären Betriebs des Stromerzeugungsprozesses angibt; und Anpassen eines zweiten neuronalen Netzwerkmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems der Dampfturbinenenergie-Erzeugungseinheit, wenn eine Differenz zwischen der tatsächlichen Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Sollwert einer gewünschten Ausgabeleistung der elektrischen Energie-Erzeugungseinheit einen vorbestimmten Schwellenwert überschreitet.
  42. Verfahren nach Anspruch 41, wobei das Anpassen des zweiten neuronalen Netzwerkmodells das Trainieren des zweiten neuronalen Netzwerkmodells umfasst.
  43. Verfahren nach einem der Ansprüche 41 bis 42, insbesondere nach Anspruch 42, ferner umfassend Trainieren eines ersten multivariaten linearen Regressionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems des Dampfturbinenenergie-Erzeugungseinheit, unter Verwendung der Trainingsdaten.
  44. Verfahren nach einem der Ansprüche 41 bis 43, insbesondere nach Anspruch 43, ferner umfassend das Berechnen eines Effektivwertfehlers für jeden des zweiten neuronalen Netzwerkmodells und des ersten multivariaten linearen Regressionsmodells unter Verwendung von Prozessdaten aus dem Stromerzeugungsprozess als Testdaten.
  45. Verfahren nach einem der Ansprüche 41 bis 44, insbesondere nach Anspruch 44, ferner umfassend: Auswählen eines des zweiten neuronalen Netzwerkmodells und des ersten multivariaten linearen Regressionsmodells mit dem minimalen Effektivwertfehler; und Wirkverbinden des ausgewählten Modells mit einem Regelungssystem des Stromerzeugungsprozesses, um eine Drucksollwertregelungssystemausgabe zu erzeugen, wobei eine Eingabe des gewählten Modells den Sollwert enthält, welcher die gewünschte Ausgabeleistung der elektrischen Energie-Erzeugungseinheit anzeigt und die Drucksollwertregelungssystemausgabe mit einer Eingabe des Regelungssystems verbunden ist; und/oder Berechnen eines Effektivwertfehlers, für jedes des ersten neuronalen Netzwerkmodells, eines zweiten multivariaten linearen Regressionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems der Dampfturbinenenergie-Erzeugungseinheit und eines Konstruktionsmodells der Beziehung zwischen der Ausgabeleistung der elektrischen Energie-Erzeugungseinheit und dem Druck innerhalb des Turbinendampfeinlasssystems der Dampfturbinenenergie-Erzeugungseinheit; Auswählen eines des ersten neuronalen Netzwerkmodells, des zweiten neuronalen Netzwerkmodells, des ersten multivariaten linearen Regressionsmodells, des zweiten multivariaten linearen Regressionsmodells und des Konstruktionsmodells mit dem minimalen Effektivwertfehler; und Wirkverbinden des ausgewählten Modells mit einem Regelungssystem des Stromerzeugungsprozesses, um eine Drucksollwertregelungssystemausgabe zu erzeugen, wobei einee Eingabe des gewählten Modells den Sollwert enthält, welcher die gewünschte Ausgabeleistung der elektrischen Energie-Erzeugungseinheit anzeigt, und die Drucksollwertregelungssystemausgabe mit einer Eingabe des Regelungssystems verbunden ist.
  46. Computer-lesbares Speichermedium, welches Instruktionen enthält, die mindestens einen Prozessor dazu veranlassen, ein Verfahren nach einem der Ansprüche 25 bis 45 zu implementieren, wenn die Instruktionen durch mindestens einen Prozessor ausgeführt werden.
DE102016116906.4A 2015-09-09 2016-09-09 Modell-basierte Charakterisierung der Druck/Last-Beziehung für die Laststeuerung eines Kraftwerks Pending DE102016116906A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/848,576 2015-09-09
US14/848,576 US10387775B2 (en) 2015-09-09 2015-09-09 Model-based characterization of pressure/load relationship for power plant load control

Publications (1)

Publication Number Publication Date
DE102016116906A1 true DE102016116906A1 (de) 2017-03-09

Family

ID=57045545

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102016116906.4A Pending DE102016116906A1 (de) 2015-09-09 2016-09-09 Modell-basierte Charakterisierung der Druck/Last-Beziehung für die Laststeuerung eines Kraftwerks

Country Status (6)

Country Link
US (1) US10387775B2 (de)
CN (1) CN106842909B (de)
CA (1) CA2940636A1 (de)
DE (1) DE102016116906A1 (de)
GB (1) GB2543144B (de)
PH (1) PH12016000300A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960143A (zh) * 2017-12-25 2019-07-02 上海电力建设启动调整试验所 火电机组的协调控制方法

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180187608A1 (en) * 2017-01-04 2018-07-05 General Electric Company Method for loop gain sizing of gas turbines
US10704427B2 (en) 2017-01-04 2020-07-07 General Electric Company Method to diagnose power plant degradation using efficiency models
US10746405B2 (en) * 2017-04-24 2020-08-18 Honeywell International Inc. Apparatus and method for using model training and adaptation to detect furnace flooding or other conditions
DE102017113926A1 (de) * 2017-06-23 2018-12-27 Rwe Power Aktiengesellschaft Verfahren zum Betrieb eines Kraftwerks
US10935940B2 (en) * 2017-08-03 2021-03-02 Johnson Controls Technology Company Building management system with augmented deep learning using combined regression and artificial neural network modeling
CN107992975A (zh) * 2017-12-14 2018-05-04 北京交通大学 一种融合历史数据和实时影响因素的精细化负荷预测方法
EP3511785A1 (de) * 2018-01-12 2019-07-17 Siemens Aktiengesellschaft Schätzung der daten eines industriellen prozesses
US11119454B2 (en) * 2018-03-30 2021-09-14 General Electric Company System and method for power generation control
EP3775502B1 (de) 2018-06-22 2022-04-13 Siemens Energy Global GmbH & Co. KG Verfahren zum betreiben einer kraftwerksanlage
CN109062052B (zh) * 2018-08-31 2021-05-18 湖北工业大学 基于扩张状态观测器的四旋翼无人机积分滑模控制方法
CN109634106B (zh) * 2018-12-14 2022-12-16 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种火电机组主蒸汽压力设定优化方法
CN109818377B (zh) * 2019-01-29 2019-08-27 山东科技大学 一种基于振幅变化的自动发电控制性能评估方法及系统
JP7268276B2 (ja) * 2019-02-18 2023-05-08 株式会社アース・テクノ・サポート バイナリー発電システム
JP7216566B2 (ja) * 2019-02-19 2023-02-01 日立造船株式会社 情報処理装置、情報処理方法、および情報処理プログラム
EP3751360A1 (de) * 2019-06-11 2020-12-16 Siemens Gamesa Renewable Energy A/S Verfahren zur computerimplementierten bestimmung eines strömungswiderstandskoeffizienten einer windturbine
KR102363444B1 (ko) * 2019-07-11 2022-02-16 두산중공업 주식회사 최적의 보일러 연소 모델 선정 장치 및 방법
CN110579966B (zh) * 2019-09-23 2022-02-01 南通大学 一种基于神经网络辨识参数的z轴陀螺仪控制方法
CN110471293B (zh) * 2019-09-23 2022-02-25 南通大学 一种估计时变角速度的z轴陀螺仪滑模控制方法
US11306705B2 (en) * 2019-10-04 2022-04-19 City University Of Hong Kong System and method for monitoring a device
CN111102559B (zh) * 2019-11-28 2022-08-23 中国大唐集团科学技术研究院有限公司火力发电技术研究院 一种基于双神经网络逆模型的屛式过热器汽温控制方法
CN111652418B (zh) * 2020-05-25 2022-04-12 西安西热节能技术有限公司 一种火电机组动态精细化复合参数滑压曲线生成方法
CN112000012B (zh) * 2020-08-14 2022-04-22 浙江浙能绍兴滨海热电有限责任公司 基于热电负荷条件的机组滑压控制优化方法及系统
CN112394651B (zh) * 2020-10-16 2021-10-08 华电电力科学研究院有限公司 一种火电机组减温水锅炉主控前馈方法
CN112947160B (zh) * 2021-01-28 2022-11-18 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种锅炉主控前馈控制方法
CN113565580A (zh) * 2021-07-08 2021-10-29 广东惠州天然气发电有限公司 一种分轴联合循环机组汽轮机负荷控制系统
CN114070802B (zh) * 2021-10-19 2024-11-26 国网河北省电力有限公司信息通信分公司 终端接入方式适配方法及终端设备
CN114962130B (zh) * 2022-04-13 2024-03-08 长沙光润电气科技有限公司 一种水电站通过水位自动控制发电机组工作的方法
CN115031956B (zh) * 2022-06-15 2023-02-17 河北工业大学 一种节流调节型汽轮机调速汽门特性图谱绘制方法
GB2627774A (en) * 2023-03-01 2024-09-04 Siemens Energy Global Gmbh & Co Kg Methods and system for optimizing scheduling of servicing events in turbine engines
WO2024243570A1 (en) * 2023-05-25 2024-11-28 Nuscale Power, Llc Integrated energy systems including techniques for achieving steam production for use in resource production
CN118760940B (zh) * 2024-04-29 2025-01-21 淮阴工学院 一种多点压力安全检测方法、装置及物联网系统

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2656637B2 (ja) 1989-11-22 1997-09-24 株式会社日立製作所 プロセス制御システム及び発電プラントプロセス制御システム
JPH07210208A (ja) 1994-01-12 1995-08-11 Hitachi Ltd 火力プラント制御におけるオートチューニング方法及びそれを利用した火力プラント制御装置
US6665651B2 (en) * 2001-07-18 2003-12-16 Colorado State University Research Foundation Control system and technique employing reinforcement learning having stability and learning phases
US8065022B2 (en) * 2005-09-06 2011-11-22 General Electric Company Methods and systems for neural network modeling of turbine components
US7756591B2 (en) 2006-04-25 2010-07-13 Pegasus Technologies, Inc. System for optimizing oxygen in a boiler
DE102007001025B4 (de) * 2007-01-02 2008-11-20 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
US20120048953A1 (en) * 2009-07-15 2012-03-01 Beihang University Temperature adjusting device and an intelligent temperature control method for a sand and dust environment testing system
US8499561B2 (en) * 2009-09-08 2013-08-06 General Electric Company Method and apparatus for controlling moisture separator reheaters
US8433450B2 (en) * 2009-09-11 2013-04-30 Emerson Process Management Power & Water Solutions, Inc. Optimized control of power plants having air cooled condensers
WO2011128313A1 (de) * 2010-04-14 2011-10-20 Siemens Aktiengesellschaft Verfahren zum rechnergestützten lernen eines rekurrenten neuronalen netzes zur modellierung eines dynamischen systems
CN102135760A (zh) * 2010-12-16 2011-07-27 天津工业大学 微网用神经网络能量协调控制器
CA2858631C (en) * 2011-12-19 2017-01-10 Alstom Technology Ltd. Control of the gas composition in a gas turbine power plant with flue gas recirculation
ES2644528T3 (es) * 2011-12-21 2017-11-29 Siemens Aktiengesellschaft Método para la determinación asistida por ordenador del uso de energía eléctrica producida por una central de generación de energía, particularmente una central de generación de energía renovable
WO2013142391A1 (en) * 2012-03-23 2013-09-26 Concentric Power, Inc. Systems and methods for power cogeneration
LT2856024T (lt) * 2012-05-04 2023-10-10 Enero Inventions Inc. Valdymo sistema, skirta garų srauto paskirstymui per elementus
CN103236718B (zh) * 2013-03-26 2014-12-31 东北大学 一种智能微网的源-网-荷自动控制系统及控制方法
US9734479B2 (en) 2014-02-20 2017-08-15 General Electric Company Method and system for optimization of combined cycle power plant
CN104537435B (zh) * 2014-12-18 2017-12-15 国家电网公司 基于用户侧经济性指标的分布式电源优化配置方法
CN104467023B (zh) * 2014-12-30 2016-08-24 哈尔滨工业大学 燃气轮机发电装置的控制方法及燃气轮机发电装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960143A (zh) * 2017-12-25 2019-07-02 上海电力建设启动调整试验所 火电机组的协调控制方法

Also Published As

Publication number Publication date
GB201614397D0 (en) 2016-10-05
GB2543144A (en) 2017-04-12
CA2940636A1 (en) 2017-03-09
PH12016000300B1 (en) 2018-04-23
US10387775B2 (en) 2019-08-20
PH12016000300A1 (en) 2018-04-23
US20170068886A1 (en) 2017-03-09
GB2543144B (en) 2021-07-21
CN106842909A (zh) 2017-06-13
CN106842909B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
DE102016116906A1 (de) Modell-basierte Charakterisierung der Druck/Last-Beziehung für die Laststeuerung eines Kraftwerks
DE102011052629B4 (de) Dynamische Einstellung einer dynamischen Matrixsteuerung von Dampftemperaturen
EP1267229B1 (de) Steuer- und Regelverfahren und Regeleinrichtung zum An- oder Abfahren einer verfahrenstechnischen Komponente eines technischen Prozesses
DE69518965T2 (de) Mehrgrössen-/nichtlineare Prozesssteuerung
DE102013111259A1 (de) Verfahren zum bestimmen und abstimmen von prozess- merkmalparametern unter verwendung eines simulationssystems
DE102005006008B4 (de) Verfahren und Vorrichtung zur Niveauregelung bei Dampfkesseln des Trommeltyps
DE112012005659B4 (de) Brennstoff-Zufuhrvorrichtung, Brennstoff-Strömungsratensteuereinheit und Gasturbinenkraftwerk
DE102015121754A1 (de) Modellbasierte Lastregelung eines Gas-und-Dampf-Kombikraftwerks
DE102007035976A1 (de) Dampftemperatursteuerung unter Verwendung eines integrierten Funktionsblocks
DE102011052728A1 (de) Dynamische Matrixsteuerung von Dampftemperatur mit Prävention des Einfließens von gesättigtem Dampf in den Überhitzer
DE102014205627B3 (de) Zustandsbeobachter für einen Dampferzeuger eines Dampfkraftwerks
DE102014205629B4 (de) Mehrgrößenzustandsregelung für einen Dampferzeuger eines Dampfkraftwerks
DE10142514B4 (de) Verfahren zum Feststellen eines Flammenrückschlags in einem Gasturbinensystem, sowie Gasturbinensystem
DE102011052624A1 (de) Dampftemperaturregelung mittels dynamischer Matrixsteuerung
DE102006050078A1 (de) Systeme und Methoden zur Steuerung eines Multibrennstoffdampferzeugungssystem
DE102014115726A1 (de) Dampftemperatursteuerung unter verwendung eines modellbasierten temperaturausgleichs
DE102016118414A1 (de) Vorsteuerung mit intermittierender Reinitialisierung auf Basis geschätzter Zustandsinformationen
DE102017117122A1 (de) Multi-Aufgaben Dampftemperatursteuerung
DE102008057730A1 (de) Verfahren zum Betreiben eines Systems zum Transport thermischer Energie über ein flüssiges Medium
CH653744A5 (de) Regelanordnung fuer eine aus einem mit konstant- oder gleitdruck betriebenen dampfkessel gespeiste dampfturbine.
WO2009080282A2 (de) Optimierung des betriebs eines kraftwerks
DE102019214548A1 (de) Steuervorrichtung und steuerverfahren
DE102019126293A1 (de) System und Verfahren zum Regeln des Betriebs eines Kessels
DE102016123185A1 (de) Maschinenspezifische kombinierte probalistische Steuerung bei der Gasturbinenabstimmung hinsichtlich der Leistungsausgabe- und Emissionsparameter mit Skalierungsfaktor, zugehörige Steuersysteme, Computerprogrammprodukte und Verfahren
DE2518353A1 (de) Regelsystem fuer energieerzeuger

Legal Events

Date Code Title Description
R012 Request for examination validly filed