一種變幾何分軸式燃氣輪機實時仿真建模方法技術

本發(fā)明專利技術涉及一種變幾何分軸式燃氣輪機實時仿真建模方法，該方法針對的燃氣輪機結構特點為壓氣機導葉可調且是分軸式，由燃氣發(fā)生器與動力渦輪兩部分組成。該方法包括以下步驟：樣本點選取、訓練樣本點獲取、利用獲取的樣本點訓練RBF神經網絡、利用部件建模方法建立動力渦輪計算模塊，將該模塊與RBF神經網絡相連，RBF神經網絡模塊負責輸出燃氣發(fā)生器相關參數，動力渦輪計算模塊負責輸出功率等相關參數，如此可得燃氣輪機實時仿真模型。本發(fā)明專利技術的實時仿真模型的建模方法，該方法考慮了壓氣機進口導葉角度變化的情況，合理地簡化了模型，結合RBF神經網絡與部件法二者的優(yōu)點，在保證模型高實時性和高精度的同時，大大縮小樣本規(guī)模。

A real time simulation modeling method for variable geometry shaft gas turbine

The invention relates to a real-time simulation modeling method of shaft gas turbine consists of a variable geometry, the method for gas turbine structure for compressor guide vane is adjustable and shaft type, consists of two parts: gas generator and power turbine. The method comprises the following steps: sample selection, training sample acquisition, sample training RBF neural network, using the component modeling method using the established power turbine calculation module, the module is connected with the RBF neural network, RBF neural network module is responsible for the output of gas generator parameters, the calculation of power turbine module is responsible for the relevant parameters of output power so, can the gas turbine real-time simulation model. A modeling method for real-time simulation model of the invention, the method takes into account the change of the compressor inlet guide vane angle, reasonable simplified model, combining the advantages of the RBF neural network method and part of the two, in the model of high real-time and high precision at the same time, greatly reducing the sample size.

【技術實現步驟摘要】
一種變幾何分軸式燃氣輪機實時仿真建模方法
本專利技術涉及燃氣輪機領域，更具體地，涉及一種變幾何分軸式燃氣輪機實時仿真的建模方法。
技術介紹
在進行燃氣輪機半物理仿真實驗以及燃氣輪機控制規(guī)律研究過程中，對燃氣輪機仿真模型的實時性要求較高。特別是對于變幾何的分軸式燃氣輪機，該類燃氣輪機包括帶可調導葉壓氣機的燃氣發(fā)生器以及動力渦輪，由于變量較多，基于燃氣輪機工作機理建立的非線性模型實時性較差。線性化建模方法雖然有較好的實時性，但對于偏離穩(wěn)態(tài)工況較遠的情況仿真精度難以保證。基于神經網絡的系統(tǒng)辨識法雖然能達到較高的精度和實時性，但對于變幾何的分軸式燃氣輪機，由于動態(tài)工況繁多，所需樣本規(guī)模龐大，難以直接建立仿真模型。
技術實現思路
本專利技術為解決以上現有技術的缺陷和不足，提供了一種基于RBF神經網絡與部件法的復合建模方法。基于燃氣輪機工作機理建立起來的部件法具有高精度的優(yōu)點，但實時性較差，而利用RBF神經網絡建立的燃氣輪機仿真模型雖然具有優(yōu)異的實時性，但對于變幾何分軸式燃氣輪機面臨著變量多、樣本規(guī)模龐大的問題，本專利技術的變幾何分軸式燃氣輪機實時仿真建模方法，結合現有RBF神經網絡法與部件法二者的優(yōu)勢，利用動力渦輪相對轉速NPT對燃氣發(fā)生器影響很小的特點，用于訓練RBF神經網絡的樣本點中僅選取了兩個不同的動力渦輪相對轉速NPT值，大大減小了樣本規(guī)模，在此基礎上，通過部件法單獨建立的動力渦輪計算模塊模擬動力渦輪工況，保證了樣本規(guī)模減小的同時模型的計算精度與實時性。為實現以上專利技術目的，本專利技術采用的技術方案是：一種變幾何分軸式燃氣輪機實時仿真建模方法，所述變幾何分軸式燃氣輪機包括可調導葉壓氣機、燃氣發(fā)生器和動力渦輪，其特征在于，所述實時仿真建模方法包括以下步驟：SS1.樣本點選取。對于變幾何分軸式燃氣輪機，可調導葉壓氣機的導葉角度VGV、燃油流量Wf，燃氣發(fā)生器相對轉速NH以及動力渦輪相對轉速NPT四個變量可以唯一確定燃氣輪機某一動態(tài)工況。為確定各部件工作狀況，可調導葉壓氣機需要確定轉速、流量、壓比中的任意兩個參數以及進口導葉角度共計三個參數，燃氣渦輪與動力渦輪均需確定轉速、膨脹比、流量三個參數中任意兩個變量，燃燒室部件則需確定燃油流量的大小才可唯一確定各部件工作狀態(tài)，綜上，如果確定壓氣機流量WaC、導葉角度VGV、燃氣發(fā)生器相對轉速NH、燃油流量Wf、燃氣渦輪膨脹比πPT、動力渦輪相對轉速NPT、動力渦輪膨脹比πPT7個變量，即可確定燃氣輪機的工作狀態(tài)。燃氣輪機工作時，各部件并不是相互孤立的，有機械和氣動間的聯系，有如下三條約束關系：WaC＝WaGT-Wf(1)WaC＝WaPT-Wf(2)πC＝πGT×πPT(3)上面三個約束關系消除了三個變量，最終剩余導葉角度VGV、燃油流量Wf、燃氣發(fā)生器相對轉速NH、動力渦輪相對轉速NPT四個變量唯一確定燃機的工作狀況。在燃氣輪機工作時，對于導葉角度VGV、燃油流量Wf、燃氣發(fā)生器相對轉速NH三個參數，在其各自變化范圍內，分別均勻地選取a個、b個、c個值(a、b、c均為大于等于1的整數)。由于動力渦輪相對轉速NPT對動力渦輪流通能力影響較小，故對燃氣發(fā)生器工況的影響很小。需要注意的是，由于氣動關系，動力渦輪相對轉速NPT對動力渦輪本身的效率以及輸出功率還是有較大影響的。對于影響燃氣發(fā)生器工況較小的參數，稀疏的取值即可滿足神經網絡精確地模擬燃氣發(fā)生器動態(tài)工況，而過多的取值只會增加樣本規(guī)模、加大工作量，因此為減小樣本規(guī)模，動力渦輪相對轉速NPT僅取一大一小兩個值，具體取值視具體仿真情況而定。如，僅需模擬動力渦輪轉速在NPT1到NPT2間的變化時，為防止燃機工況超出樣本規(guī)模，NPT取NPT1和NPT2兩個值即可，綜上，共選取樣本點a×b×c×2組。SS2.樣本點獲取。每一組樣本點由輸入參數和輸出參數組成。導葉角度VGV、燃油流量Wf、燃氣發(fā)生器相對轉速NH以及動力渦輪相對轉速NPT四個參數構成輸入參數，其余燃氣發(fā)生器工作參數為輸出參數，具體的，輸出參數包括：壓氣機壓比、壓氣機效率、進氣流量、燃氣渦輪膨脹比、燃氣渦輪效率、動力渦輪效率、動力渦輪膨脹比、壓氣機出口總壓、壓氣機出口總溫、燃燒室出口總溫、燃燒室出口總壓、燃氣渦輪出口總壓、燃氣渦輪出口總溫、動力渦輪出口總溫、動力渦輪出口總壓、動力渦輪輸出功率、燃氣發(fā)生器角加速度，通過將輸入參數輸入到基于燃氣輪機工作機理的燃氣輪機總體計算商業(yè)軟件或已有的通過求解非線性方程組的方式建立起來的燃氣輪機總體計算仿真模型中，分別計算出每組樣本點的輸出參數，從而獲取完整的訓練樣本。SS3.訓練RBF神經網絡。利用現有的RBF神經網絡算法，例如MATLAB/SIMULINK內置的RBF神經網絡工具箱，以輸出參數作為目標值，用a×b×c×2組樣本點訓練神經網絡，神經網絡在這里起到了一種多維擬合的作用，利用它建立起輸入參數與輸出參數間的對應關系，例如輸出功率與輸入參數的對應關系可表示為：PWSD＝f(NH,NPT,Wf,VGV)。SS4.建立實時仿真模型。通過RBF神經網絡算法模擬燃氣發(fā)生器，部件法建立的動力渦輪仿真模塊模擬動力渦輪，燃氣輪機的實時仿真模型得以建立。RBF神經網絡輸入量為VGV、Wf、NH以及NPT，其中VGV、Wf以及NPT為模型的給定輸入量，NH則是通過模型計算得到。為減小輸入數據的分布范圍，加快神經網絡的收斂速度，減小訓練時間，將輸入參數歸一化到[-1,1]的區(qū)間范圍內。將歸一化后的參數輸入到訓練好的RBF神經網絡中，計算出燃氣發(fā)生器各工作參數后經逆歸一化過程，將參數映射回歸一化前的狀態(tài)。RBF神經網絡計算的燃氣發(fā)生器工作參數包括當前時刻燃氣發(fā)生器的轉速加速度通過對時間積分即可求出每一時刻的NH值，離散化后的計算公式：其中，Δt為設置的時間步長，時間步長越小，計算越精確，運算量越大。RBF神經網絡算出的燃氣發(fā)生器的出口參數，包括油氣比、燃氣發(fā)生器出口總壓、總溫與工質流量，將這些參數加上模型給定輸入量NPT作為輸入參數輸入到基于部件法建立起來的動力渦輪計算模塊中去，從而完成動力渦輪部分的仿真計算。采用兩種方法分別計算燃氣發(fā)生器與動力渦輪，其目的是：上述訓練好的RBF神經網絡可以預測不同VGV、Wf、NH、NPT所對應的燃氣輪機燃氣發(fā)生器各工作參數。可以看出，由于樣本點中僅取了兩個NPT的值，對于受NPT影響極小的燃氣發(fā)生器，神經網絡能準確的模擬，但對于受NPT影響較大的動力渦輪本身來說，較少的NPT取值會直接影響動力渦輪的計算精度，為此，NPT對工況的影響將通過部件法建立起來的動力渦輪計算模塊單獨實現。該動力渦輪計算模塊利用燃氣熱力性質計算公式以及已有的部件特性完成動力渦輪部分的仿真。具體的，由輸入量NPT和動力渦輪膨脹比對部件特性插值(可以是常用的線性插值)得到渦輪效率以及工質流量，計算出若工質可逆絕膨脹，動力渦輪的出口總溫和焓降。進而由動力渦輪效率算出動力渦輪實際輸出功率與出口總溫。需要注意，NH的初始值應為穩(wěn)態(tài)工況下VGV、Wf以及NPT的初始值所對應的高壓軸轉速。可以通過傳統(tǒng)的燃氣輪機仿真模型計算出VGV、Wf以及NPT的初始值所對應的燃氣輪機穩(wěn)態(tài)工況下NH的取值。如此，給定VGV、Wf以及NPT即可運行仿真模型。SS5.模型驗證。本文檔來自技高網...

【技術保護點】
一種變幾何分軸式燃氣輪機實時仿真建模方法，所述變幾何分軸式燃氣輪機包括可調導葉壓氣機、燃氣發(fā)生器和動力渦輪，其特征在于：所述實時仿真建模方法包括以下步驟：SS1.樣本點選取選取可調導葉壓氣機的導葉角度VGV、燃油流量Wf、燃氣發(fā)生器相對轉速NH、動力渦輪相對轉速NPT四個變量確定燃機的工作狀況；在燃氣輪機工作時，對于可調導葉壓氣機的導葉角度VGV、燃油流量Wf、燃氣發(fā)生器相對轉速NH等三個參數，在其各自變化范圍內，分別均勻地選取a個、b個、c個值，其中a、b、c均為大于等于1的整數；對于動力渦輪相對轉速NPT，在其變化范圍內，選取一大一小兩個值；綜上，共選取樣本點a×b×c×2組。SS2.訓練樣本點獲取每一組訓練樣本點由輸入參數和輸出參數組成，其中導葉角度VGV、燃油流量Wf、燃氣發(fā)生器相對轉速NH以及動力渦輪相對轉速NPT四個參數構成輸入參數，其余燃氣發(fā)生器工作參數為輸出參數，通過將輸入參數輸入到現有的通過求解非線性方程組的方式建立起來的燃氣輪機總體計算仿真模型中，分別計算出每組樣本點的輸出參數，從而獲取完整的訓練樣本。SS3.利用獲取的樣本點訓練RBF神經網絡利用現有的RBF神經網絡算法，以輸出參數作為目標值，用a×b×c×2組樣本點訓練RBF神經網絡，利用RBF神經網絡建立輸入參數與輸出參數間的對應關系。SS4.建立實時仿真模型利用部件建模方法建立動力渦輪計算模塊模擬動力渦輪，并利用RBF神經網絡模塊模擬燃氣發(fā)生器，將所述動力渦輪計算模塊與RBF神經網絡模塊相連，RBF神經網絡模塊負責輸出燃氣發(fā)生器相關參數，動力渦輪計算模塊負責輸出功率等相關參數，如此可得燃氣輪機實時仿真模型。...

【技術特征摘要】
1.一種變幾何分軸式燃氣輪機實時仿真建模方法，所述變幾何分軸式燃氣輪機包括可調導葉壓氣機、燃氣發(fā)生器和動力渦輪，其特征在于：所述實時仿真建模方法包括以下步驟：SS1.樣本點選取選取可調導葉壓氣機的導葉角度VGV、燃油流量Wf、燃氣發(fā)生器相對轉速NH、動力渦輪相對轉速NPT四個變量確定燃機的工作狀況；在燃氣輪機工作時，對于可調導葉壓氣機的導葉角度VGV、燃油流量Wf、燃氣發(fā)生器相對轉速NH等三個參數，在其各自變化范圍內，分別均勻地選取a個、b個、c個值，其中a、b、c均為大于等于1的整數；對于動力渦輪相對轉速NPT，在其變化范圍內，選取一大一小兩個值；綜上，共選取樣本點a×b×c×2組。SS2.訓練樣本點獲取每一組訓練樣本點由輸入參數和輸出參數組成，其中導葉角度VGV、燃油流量Wf、燃氣發(fā)生器相對轉速NH以及動力渦輪相對轉速NPT四個參數構成輸入參數，其余燃氣發(fā)生器工作參數為輸出參數，通過將輸入參數輸入到現有的通過求解非線性方程組的方式建立起來的燃氣輪機總體計算仿真模型中，分別計算出每組樣本點的輸出參數，從而獲取完整的訓練樣本。SS3.利用獲取的樣本點訓練RBF神經網絡利用現有的RBF神經網絡算法，以輸出參數作為目標值，用a×b×c×2組樣本點訓練RBF神經網絡，利用RBF神經網絡建立輸入參數與輸出參數間的對應關系。SS4.建立實時仿真模型利用部件建模方法建立動力渦輪計算模塊模擬動力渦輪，并利用RBF神經網絡模塊模擬燃氣發(fā)生器，將所述動力渦輪計算模塊與RBF神經網絡模塊相連，RBF神...

【專利技術屬性】
技術研發(fā)人員：尹釗，田擁勝，王濤，張華良，曾德堂，高慶，譚春青，
申請(專利權)人：中國科學院工程熱物理研究所，
類型：發(fā)明
國別省市：北京,11