energsecurityНадежность и безопасность энергетикиSafety and Reliability of Power Industry1999-55552542-2057ООО «НПО Энергобезопасность»10.24223/1999-5555-2024-17-1-12-18energsecurity-925Research ArticleПРОЕКТИРОВАНИЕ, ИССЛЕДОВАНИЯ, РАСЧЕТЫDESIGN, RESEARCH, CALCULATIONSНейронная сеть для прогнозирования режимов работы и расчета энергетических характеристик паротурбинных установокNeural network for predicting operating modes and calculating energy characteristics of steam turbine plantsГубаревА. Ю.GubarevA. Y.

443100, г. Самара, ул. Молодогвардейская, д. 244, Главный корпус

443100 Molodogvardeyskaya str., 244, Samara

gubarev_a_y@mail.ruФГБОУ ВО «Самарский государственный технический университет»РоссияSamara State Technical UniversityRussian Federation2024180520241711218Copyright © Губарев А.Ю., 20242024Губарев А.Ю.Gubarev A.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.sigma08.ru/jour/article/view/925

Описаны результаты работы над созданием нейронных сетей, вычисляющих технико-экономические показатели теплофикационной турбоустановки с паровой турбиной типа ПТ-60-130/13 при работе в широком диапазоне возможных режимов. В соответствии с поставленными задачами сформулированы рекомендации по подготовке обучающих выборок данных. Определены входные и выходные параметры конденсационного и теплофикационного режимов работы паровой турбины.Представлены результаты исследований по определению наиболее оптимальной архитектуры нейронных сетей для вычисления энергетических характеристик паровых турбоустановок теплофикационного типа ПТ-60-130/13. Сведены в таблицу результаты вычислений среднеквадратичных ошибок вычислений нейронных сетей от результатов расчетов, выполненных с помощью верифицированной компьютерной модели турбоустановки типа ПТ-60-130/13.Построены графики зависимости удельного расхода тепла на выработку электрической энергии от мощности турбоустановки типа ПТ-60-130/13 для конденсационного и теплофикационного режимов работы с помощью нейронных сетей. Сформулирован вывод о возможности использования нейронных сетей для разработки энергетических характеристик и нормативной документации по топливоиспользованию оборудования тепловых электрических станций.

The article describes the results of work on the creation of neural networks calculating the technical and economic parameters of all possible modes of operation of a thermal turbine unit with a steam turbine of type PT-60-130/13. In accordance with the objectives set, recommendations for the preparation of training data samples are formulated. The input and output parameters of the condensing and heating modes of operation of the steam turbine are determined. The results of research on determining the most optimal architecture of neural networks for calculating the energy characteristics of steam turbine plants of the heating type are presented. The results of calculations of the mean squared errors of neural network predictions from the results of calculations performed using a verified object-oriented model of a PT-60-130/13 turbine unit are tabulated.Graphs of the dependence of the specific heat consumption for the generation of electrical energy on the power of a PT-60-130/13 turbine unit for condensation and heating modes of operation using neural networks are plotted. The conclusion is formulated about the possibility of using neural networks for the development of energy characteristics and regulatory documentation on fuel use of equipment of thermal power plants.

нейросетевые технологиипаротурбинная установканейросетьэнергетические характеристикипаровая турбинатепловые электрические станцииneural network technologiessteam turbine plantneural networkenergy characteristicssteam turbinethermal power plantsReferencesГубарев А. Ю. Метод объектно-ориентированного моделирования паротурбинных установок, учитывающий изменение КПД турбин при переменных режимах работы. Надежность и безопасность энергетики 2023; 16(1): 34 – 40. https://doi.org/10.24223/1999-5555-2023-16-1-34-40Gubarev A. Y. Method of object-oriented modeling of steam turbine plants taking into account variations in turbine efficiency under variable operating modes. Safety and Reliability of Power Industry 2023; 16(1): 34 – 40. https://doi.org/10.24223/1999-5555-2023-16-1-34-40. (In Russ.)Flexibility assessment of a modified double-reheat Rankine cycle integrating a regenerative turbine during recuperative heater shutdown processes. S. Zhang, M. Liu, Y. Ma, J. Liu & J.Yan. Energy 2021: 121068.10.1016/j.energy.2021.121068.Flexibility assessment of a modified double-reheat Rankine cycle integrating a regenerative turbine during recuperative heater shutdown processes. S. Zhang, M. Liu, Y. Ma, J. Liu & J.Yan // Energy 2021: 121068.10.1016/j.energy.2021.121068.Разработка модели утилизационной газовой турбины. О. Ю. Нагорная, В. А. Горбунов, А. А. Павлов, П. А. Минеев. Вестник Ивановского государственного энергетического университета, (2022) (3): 5 – 12. DOI 10.17588/2072-2672.2022.3.005-012.Development of a model of a utilization gas turbine. O. Y. Nagornaya, V. A. Gorbunov, A. A. Pavlov, P. A. Mineev. Bulletin of the Ivanovo State Power Engineering University, (2022) (3): 5 – 12. DOI 10.17588/2072-2672.2022.3.005-012. (In Russ.)Improvement of marine steam turbine conventional exergy analysis by neural network application. Baressi Šegota S., Lorencin I., Anđelić N., Mrzljak V., & Car Z. Journal of Marine Science and Engineering, (2020) 8(11), 884. https://doi.org/10.3390/jmse8110884Improvement of marine steam turbine conventional exergy analysis by neural network application. Baressi Šegota S., Lorencin I., Anđelić N., Mrzljak V., & Car Z. Journal of Marine Science and Engineering, (2020) 8(11), 884. https://doi.org/10.3390/jmse8110884Ильичев В. Ю., Каширин Д. С. Создание модели идентификации газовых турбин с использованием искусственной нейронной сети. Заметки ученого 2023, 4: 191 – 195.Ilyichev V. Yu., Kashirin D. S. Creation of a gas turbine identification model using an artificial neural network. Notes of the scientist 2023, 4: 191 – 195. (In Russ.)Sensitivity analysis of combined cycle parameters on exergy, economic, and environmental of a power plant. M. A. Javadi, S. Hoseinzadeh, R. Ghasemiasl et al. J Therm Anal Calorim 139, 519 – 525 (2020). https://doi.org/10.1007/s10973-019-08399-ySensitivity analysis of combined cycle parameters on exergy, economic, and environmental of a power plant. M. A. Javadi, S. Hoseinzadeh, R. Ghasemiasl et al. J Therm Anal Calorim 139, 519 – 525 (2020). https:// doi.org/10.1007/s10973-019-08399-yApplication of a small deviation method in the study of the influence of external factors on gas turbine unit operation. A. Y. Gubarev, A. A. Kudinov, A. V. Eremin, & S. K. Ziganshina. (2020, December). In Journal of Physics: Conference Series (Vol. 1683, No. 4, p. 042006). IOP Publishing. DOI 10.1088/1742-6596/1683/4/042006.Application of a small deviation method in the study of the influence of external factors on gas turbine unit operation. A. Y. Gubarev, A. A. Kudinov, A. V. Eremin, & S. K. Ziganshina. (2020, December). In Journal of Physics: Conference Series (Vol. 1683, No. 4, p. 042006). IOP Publishing. DOI 10.1088/1742-6596/1683/4/042006.Разработка комплексной системы оценки технического состояния генерирующего оборудования с использованием нейросетевого моделирования. П. В. Шамигулов, М. М. Султанов, Ш. М. Милитонян, Ю. А. Горбань. Вестник Московского энергетического института. Вестник МЭИ 2022, 6: 136 – 145. – DOI 10.24160/1993-6982-2022-6-136-145.Development of a comprehensive system for assessing the technical condition of generating equipment using neural network modeling. P. V. Shamigulov, M. M. Sultanov, Sh. M. Militonian, Yu. A. Gorban. Bulletin of the Moscow Power Engineering Institute. Bulletin of the MEI 2022, 6: 136 – 145. – DOI 10.24160/1993-6982-2022-6-136-145. (In Russ.)Методика расчета энергетических характеристик теплофикационной турбины с учетом экономичности части низкого давления. К. Н. Бубнов, А. Е. Барочкин, В. П. Жуков, Г. В. Ледуховский. Вестник Ивановского государственного энергетического университета 2020, 2.The method of calculating the energy characteristics of a heating turbine taking into account the economy of the low-pressure part. K. N. Bubnov, A. E. Barochkin, V. P. Zhukov, G. V. Ledukhovsky. Bulletin of the Ivanovo State Energy University 2020, 2. (In Russ.)Татаринова Н. В., Суворов Д. М., Сущих В. М. Математические модели теплофикационных паротурбинных установок на основе экспериментальных характеристик турбинных ступеней и отсеков. Надежность и безопасность энергетики 2017; 10(4): 330 – 339. https://doi.org/10.24223/1999-5555-2017-10-4-330-339Tatarinova N. V., Suvorov D. M., Sushikh V. M. Mathematical models of thermal steam turbine installations based on experimental characteristics of turbine stages and compartments. Reliability and safety of energy 2017; 10(4): 330 – 339. https://doi.org/10.24223/1999-5555-2017-10-4-330-339 (In Russ.).Повышение точности определения параметров эффективности турбоустановок с применением нейронных сетей. В. А. Горбунов, Н. А. Лоншаков, О. Ю. Нагорная, А. А. Беляков. Вестник Ивановско-го государственного энергетического университета 2017, 4: 5 – 12. DOI 10.17588/2072-2672.2017.4.005-012.Improving the accuracy of determining the parameters of the efficiency of turbine installations using neural networks. V. A. Gorbunov, N. A. Lonshakov, O. Yu. Nagornaya, A. A. Belyakov. Bulletin of the Ivanovo State Power Engineering University 2017, 4: 5 – 12. DOI 10.17588/2072-2672.2017.4.005-012. (In Russ.)Козин А. Ю., Эльмурзаев М. Х. Предиктивная система обслуживания энергоблоков ГТЭС. Аллея науки 2019, 2, 11(38): 304 – 308.Kozin A. Yu., Elmurzaev M. H. Predictive maintenance system of GTPP power units. Alley of Science 2019, 2, 11(38): 304 – 308. (In Russ.)Дунаев В. А., Лоншаков Н. А., Горбунов В. А. К вопросу о повышении эффективности и безопасности эксплуатации тепломеханического оборудования АЭС. Глобальная ядерная безопасность 2015, 2(15): 63 – 70.Dunaev V. A., Lonshakov N. A., Gorbunov V. A. On the issue of improving the efficiency and safety of operation of thermal mechanical equipment of nuclear power plants. Global nuclear security 2015, 2(15): 63 – 70. (In Russ.)Слепнев Е. С. Применение искусственных нейронных сетей для анализа предаварийных ситуаций турбоагрегатов электростанций. Интернет-журнал Науковедение 2014, 3(22): 124.Slepnev E. S. Application of artificial neural networks for the analysis of pre-emergency situations of turbine units of power plants. Online Journal of Science Studies 2014. 3(22): 124. (In Russ.)Горбунов В. А. Использование нейросетевых технологий для повышения энергетической эффективности теплотехнологических установок. Ивановский государственный энергетический университет им. В. И. Ленина. – Иваново 2011: 476. – ISBN 978-5-89482-793-3.Gorbunov V. A. The use of neural network technologies to increase the energy efficiency of heat technology installations. Ivanovo State Power Engineering University named after V. I. Lenin. – Ivanovo 2011: 476. – ISBN 978-5-89482-793-3. (In Russ.)

The authors declare that there are no conflicts of interest present.