|сгенерировать QR код
Открытый доступ
Только для подписчиков
Нейронная сеть для прогнозирования режимов работы и расчета энергетических характеристик паротурбинных установок
https://doi.org/10.24223/1999-5555-2024-17-1-12-18
Аннотация
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.
Об авторе
А. Ю. Губарев
ФГБОУ ВО «Самарский государственный технический университет»
Россия
Россия
443100, г. Самара, ул. Молодогвардейская, д. 244, Главный корпус
Список литературы
1. Губарев 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/10.24223/1999-5555-2023-16-1-34-40
2. 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.
3. 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.
4. 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/jmse8110884
5. Ильичев В. Ю., Каширин Д. С. Создание модели идентификации газовых турбин с использованием искусственной нейронной сети. Заметки ученого 2023, 4: 191 – 195.
6. 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-y
7. 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.
8. 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.
9. 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.
10. 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/10.24223/1999-5555-2017-10-4-330-339
11. 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.
12. Козин А. Ю., Эльмурзаев М. Х. Предиктивная система обслуживания энергоблоков ГТЭС. Аллея науки 2019, 2, 11(38): 304 – 308.
13. 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.
14. Слепнев Е. С. Применение искусственных нейронных сетей для анализа предаварийных ситуаций турбоагрегатов электростанций. Интернет-журнал Науковедение 2014, 3(22): 124.
15. 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.
Рецензия
Для цитирования:
Губарев А.Ю. Нейронная сеть для прогнозирования режимов работы и расчета энергетических характеристик паротурбинных установок. Надежность и безопасность энергетики. 2024;17(1):12-18. https://doi.org/10.24223/1999-5555-2024-17-1-12-18
For citation:
Gubarev A.Y. Neural network for predicting operating modes and calculating energy characteristics of steam turbine plants. Safety and Reliability of Power Industry. 2024;17(1):12-18. (In Russ.) https://doi.org/10.24223/1999-5555-2024-17-1-12-18
Просмотров:
178
Послать статью по эл. почте 
