CC BY
34
05.14.14
ТЕПЛОВЫЕ ЭЛЕКТРИЧЕСКИЕ СТАНЦИИ, ИХ ЭНЕРГЕТИЧЕСКИЕ СИСТЕМЫ И АГРЕГАТЫ
ПРИМЕНЕНИЕ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ В СИСТЕМАХ ХИМИКО-ТЕХНОЛОГИЧЕСКОГО МОНИТОРИНГА ДЛЯ ОПТИМИЗАЦИИ ВОДНО-ХИМИЧЕСКИХ РЕЖИМОВ ТЕПЛОВЫХ ЭЛЕКТРОСТАНЦИЙ
Верховский Андрей Евгеньевич, к.т.н., доцент Национального исследовательского университета «Московский энергетический институт». Россия. E-mail: [email protected]
Аунг Ту Мое, аспирант Национального исследовательского университета «Московский энергетический институт». Россия. E-mail: [email protected]
Сай АунгХтике Сан, аспирант Национального исследовательского университета «Московский энергетический институт». Россия. E-mail: [email protected]
Аннотация. Одной из задач химического контроля и мониторинга на тепловых электростанциях (ТЭС) является предотвращение нарушений водно-химического режима (ВХР). Данная цель может быть достигнута за счет прогнозирования концентраций примесей в различных частях пароводяного тракта и анализа поведения продуктов коррозии. Чтобы описать эти процессы необходимо понимать механизмы процессов коррозии и образования отложений. Эта информация дает возможность разработать математические модели, которые могут проводить вычисления в реальном времени, основываясь на базовых измерениях химического контроля. Использование таких математических моделей возможно при наличии на ТЭС современной эффективной системы химико-технологического мониторинга (СХТМ). Интеграция математических моделей в СХТМ позволит расширить объем химического контроля путем расчета неизмеряемых приборами показателей, прогнозировать поведение примесей в пароводяном тракте, а так же дает возможность анализировать процессы коррозии и образования отложений. Расширить возможности математических моделей можно за счет использования современных методов вычислительной математики. К таким методам относятся искусственные нейронные сети (ИНС) - алгоритмы, которые способны обобщать данные и использовать результаты обобщения при анализе текущих результатов измерений. В данной работе рассматривается вопрос применение математических моделей, включающих в себя ИНС, для анализа возможности возникновения эрозиионно-коррозионного износа (ЭКИ) в однофазных условиях. Для решения этой задачи разработана математическая модель, которая включает в себя две группы ИНС, которые определяют возможное место пароводяного тракта возникновения однофазного ЭКИ, и вероятность его возникновения в данном месте.
Ключевые слова: водно-химические режимы, тепловые электрические станции, системы химико-технологического мониторинга, математическое моделирование, искусственные нейронные сети.
APPLICATION OF MATHEMATICAL MODELS IN CYCLE CHEMISTRY MONITORING SYSTEMS FOR OPTIMIZATION OF CYCLE CHEMISTRY AT THERMAL POWER PLANTS
Verkhovsky Andrew E., candidate of technical Sciences, associate Professor of National Research University «Moscow Power Engineering Institute». Russia
Sai Aung Htike San, Postgraduate of National Research University «Moscow Power Engineering Institute». Russia Aung Thu Moe, Postgraduate of National Research University «Moscow Power Engineering Institute». Russia
Abstract. One of the tasks of water chemistry control and monitoring at fossil power plants is prevention of water chemistry failure. This aim may be achieved by prediction of impurities concentration in different parts of the cycle and analysis of corrosion products behavior. To describe those processes it is necessary to understand the corrosion and scaling formation mechanisms. This understanding gives possibility to develop mathematical models that can provide real-time calculations based on regular cycle chemistry measurements. Application of those mathematical models is possible if cycle chemistry monitoring system (CCMS) is applied in thermal power plant. Integration of mathematical models in CCMS can gives opportunity to improve chemistry control
ПРИМЕНЕНИЕ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ В СИСТЕМАХ ХИМИКО-ТЕХНОЛОГИЧЕСКОГО МОНИТОРИНГА ДЛЯ ОПТИМИЗАЦИИ ВОДНО-ХИМИЧЕСКИХ РЕЖИМОВ ТЕПЛОВЫХ ЭЛЕКТРОСТАНЦИЙ
Верховский А.Е., Аунг Ту Мое, Сай Аунг Хтике Сан
with calculation of chemical parameters that can not be measured directly, to predict impurities behavior in water steam cycle, and also gives opportunity to analyze scaling and corrosion processes. To improve possibilities of mathematical models is possible by computational mathematics methods application. Artificial neural network (ANN) is the one of those methods. ANN is algorithms that can provide generalization of impute data and apply those results for current measurement data analyzes. This paper gives brief information about mathematical modeling with ANN application for single-phase flow accelerated corrosion (FAC) analyzing. For this propose mathematical model with two group ANN was developed. Those ANNs can identify possible place of single-phase ANN and possibility of it's appear.
Key words: water chemistry, thermal power plants, cycle chemistry monitoring system, mathematical modeling, artificial neural networks.
Введение
В настоящее время совершенствование химического контроля на тепловых и атомных электростанциях направлено на создание новых эффективных приборов, повышение представительности пробы [1] и применение математических методов анализа состояния водно-химических режимов (ВХР) [2; 3].
Внедрение систем химико-технологического мониторинга (СХТМ) позволяет задействовать несколько компьютеров, объединенных в сеть и базу данных для использования в качестве базы для расчетов с помощью математических моделей. Обобщенная структурная схема СХТМ представлена на рис. 1. Результаты измерений с приборов автоматизированного химического контроля (АХК) и приборов теплотехнического контроля (ТТК) с помощью устройств сбора данных преобразуются в цифровой сигнал, записываются в базу данных (БД) СХТМ и передаются на все автоматизированные рабочие места (АРМ). Результаты лабораторного химического контроля (ЛХК) вводятся в компьютер персоналом.
Сбор и хранение всей информации о ВХР дает широкие возможности с точки зрения применения различных математических методов анализа данных. Стоит отметить, что ограничивающим фактором использования данных методов является то количество параметров АХК, ЛХК и теплотехнического контроля, которые введены в СХТМ. Таким образом, использование таких методов ограничивается лишь модернизацией программного обеспечения.
Математическое моделирование ВХР
С практической точки зрения, следует различать математические модели в зависимости от того, насколько они охватывают весь пароводяной тракт. В настоящее время существуют математические модели, которые позволяют определить распределение примесей по всему пароводяному тракту энергоблока. Находят применение и модели, анализирующие состояние теплоносителя в каком-то определенном оборудовании или участке пароводяного тракта, например, в тракте питательной воды или в барабане котла.
В первую очередь, интерес представляют модели, позволяющие определить распределение какой-либо примеси по пароводяному тракту. Использование таких моделей позволяет оператору СХТМ оценить ожидаемые концентрации примеси в различных частях тракта в случае, например, ступенчатого увеличения присосов в конденсаторе (более подробно рассмотрено в [4]). Разработка таких моделей базируется на всестороннем анализе факторов, влияющих на концентрацию изучаемой примеси. В общем виде для барабанного котла можно составить следующие уравнения:
M 1(t) = DfwCfW}, (t)- DB ( , + w)CBWi, (t)-
dT
- DbdCbw, i (t) +
ink Л (1)
Ё-Ё kfi \Cbw. i (t),
i=i j=i )
Рис. 1. Структурная схема системы химико-технологического мониторинга
где Мв - масса воды в котле, кг; йт, йв, йво - расходы питательной воды, пара и продувки соответственно, кг/с; КР . - коэффициент распределения примеси между водой и паром; ш- влажность пара; Срт, Свт . - концентрации примеси в питательной воде и паре соответственно, мкг/дм3; t - время, с; к- константа /-й реакции, ведущей к увеличению концентрации примеси; Р - гетерогенная поверхность /-й реакции; к. -константа у'-й реакции ведущей к уменьшению концентрации примеси; Р. - гетерогенная поверхность у-й реакции.
Подобные уравнения необходимо составлять для каждого участка, на которые разбивается оборудования при моделировании. Чем более детально проведено рассмотрен каждый участок, тем более точной получается модель. Основной
сложностью при разработке моделей является определение констант реакций при условиях работы оборудования. Например, незначительные колебания факела в котле может привести к колебаниям температуры воды в пристенном слое в трубах топочных экранов. Отследить все эти изменения практически невозможно; поэтому, при разработке математических моделей приходится принимать различные допущения.
Другая сложность заключается в недостаточном объеме АХК для разработки некоторых моделей. Так, например, если проводится анализ поведения сульфатов в пароводяном тракте, то было бы желательным определять их концентрацию. К сожалению, такого автоматического анализатора промышленностью не производится. Выходом из данной ситуации является применение расчетных методов. Один из наиболее интересных подобных методов представлен в [5]. Он основан на расчете неизмеряемых показателей ВХР на основе уравнений электропроводимости и электронейтральности прямой и Н-катионированной проб. Однако зачастую для точного расчета данным методом на ТЭС недостаточное количество параметров измеряются автоматически. В связи с этим либо приходится вновь идти на какие-либо допущения, либо пробовать определить необходимые параметры иным менее точным расчетным методом. Примером таких методов являются алгоритмы, получившие название искусственные нейронные сети (ИНС) [6].
Применение ИНС в СХТМ
Развитие современных вычислительных методов направлено на разработку интеллектуальных приложений для различных программных продуктов, систем управления или мониторинга. Применение таких методов для анализа различных физико-химических процессов позволяет выявлять важность тех или иных измеряемых показателей, прогнозировать их поведение. Таким образом, появляется возможность использования ИНС и СХТМ. Наиболее перспективные возможности применения ИНС заключаются в прогнозировании состояния ВХР и непрерывного контроля различных показателей. В работе [7] рассмотрена возможность использования методов нейросетевого моделирования для контроля рН( теплоносителя АЭС. Показано, что данная задача может быть успешно решена с использованием ИНС. Для реализации возможности прогнозирования состояния ИНС необходимо, в первую очередь, решить следующие задачи:
• определить параметры ВХР (АХК и ТТК), поведение которых необходимо спрогнозировать;
• собрать необходимые данные по конструктивным особенностям оборудования и используемым материалам;
• определить объем параметров ВХР, которые необходимо использовать для получения прогноза с учетом действующих рекомендаций [1].
Для решения первой задачи необходимо знать вид оборудования, ВХР, особенности эксплуатации оборудования, объем автоматического химического контроля, погрешности измерения приборов, необходимо провести анализ опыта эксплуатации.
На сегодняшний день существует множество различных вариантов ИНС, математические основы которых представлены в [8]. Выбор того или иного варианта алгоритма обуславливается особенностями анализируемого процесса, достаточного объема данных для обучения и требуемых результатов. Предыдущий опыт, представленный в работах [2; 4; 7; 9], показывает применимость как классических трехслойных ИНС (перцептронов), так и ИНС с общей регрессией. В случае необходимости проводить оценку вероятностей каких-либо событий, могут применяться вероятностные ИНС, которые имеют близкую архитектуру к ИНС с общей регрессией, однако могут рассчитывать вероятности.
Одной из наиболее интересных задач для применения ИНС является оценка протекания процессов, которые затруднительно анализировать, опираясь только на рутинный АХК. К таким задачам относится оценка вероятности возникновения эрозионно-коррозионного износа (ЭКИ). Из всех видов эрозионных и коррозионных повреждений оборудования пароводяного тракта ТЭС, ЭКИ сегодня вызывает крайне серьезный интерес ученых и инженеров [10]. Периодически проводятся международные конференции, посвященные данной проблеме [11]. Подробно проблематика ЭКИ рассмотрена в обзоре [10], а также в материалах тематических конференций. В данной работе будет рассматриваться однофазный ЭКИ, возникающий в экономайзерах и напорных патрубках питательных насосов. Задачей работы было создание алгоритма определения вероятности возникновения однофазной ЭКИ. Для решения данной задачи была разработана модель, которая включает в себя как несколько ИНС, так и систему уравнений аналогичных (1). Структурная схема модели представлена на рис. 2.
На первом этапе на основе данных химического контроля, определяется распределение продуктов коррозии железа по пароводяному тракту. Также проводится расчет гидравлических и термодинамических параметров потока теплоносителя во всех местах, где теоретически может возникнуть ЭКИ.
Рис. 2. Структурная схема модели для определения вероятности возникновения однофазного ЭКИ
ПРИМЕНЕНИЕ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ В СИСТЕМАХ ХИМИКО-ТЕХНОЛОГИЧЕСКОГО МОНИТОРИНГА ДЛЯ ОПТИМИЗАЦИИ ВОДНО-ХИМИЧЕСКИХ РЕЖИМОВ ТЕПЛОВЫХ ЭЛЕКТРОСТАНЦИЙ
Верховский А.Е., Аунг Ту Мое, Сай Аунг Хтике Сан
Результаты расчета вместе с исходными данными направляются в модуль определения наиболее вероятных мест возникновения однофазного ЭКИ. Данный модуль состоит из двух нейронных сетей с общей регрессией (НСОР), первая из общего списка мест выбирает наиболее вероятные, часть из них отбрасывается на основе критериального анализа. Цель данного анализа состоит в том, чтобы исключить те места, где ЭКИ уже был обнаружен ранее, либо есть данные о каких-то изменениях в оборудовании (например, текущих ремонтов), которые не ввели в БД СХТМ. Вторая НСОР определяет уже наиболее вероятное место возникновения ЭКИ. Структура модуля представлена на рис. 3. Тестирование данного модуля показало хорошую корреляцию с реальными данными. Для двух примеров было определено место возникновения ЭКИ -входные трубы экономайзера с точностью 0,8764 и 0,8653 соответственно.
Данные АХК и ТТК
Входные данные
Параметры оборудования
> НСОР 1
Место 1 Место 2 Место k Критериальный анализ
Место 1 Место i
Результаты расчетов распределения , примеси Место J и параметров теплоносителя
НСОР 2
ЭКИ
Рис. 3. Структура модуля определения места возникновения ЭКИ
Модуль определения вероятности возникновения ЭКИ в определенном месте, так же состоит из двух ИНС, только в данном случае вероятностных. Каждая из ИНС уточняет вероятность возникновения ЭКИ на основе как измеренных данных, так и результатов определения возможного места возникновения. Для тех же примеров, что и в случае предыдущего модуля была определена вероятность возникновения ЭКИ равная 0,763 и 0,752 соответственно.
Заключение
Представленные в статье результаты показывают лишь часть возможностей современных математических методов для оптимизации ВХР. Развитие вычислительных систем позволяет использовать все более сложные алгоритмы с использованием серийных персональных и промышленных компьютеров. Интеграция математических моделей в СХТМ позволит:
• расширить количество информации о ВХР предоставляемой оператору для принятия решений;
• создать более эффективные системы информационной поддержки оператора, генерирующие рекомендации по устранению нарушений ВХР;
• прогнозировать возникновение нарушений ВХР и их развитие;
• рассчитывать параметры, которые на сегодняшний день нельзя измерить напрямую методами АХК;
• рассчитывать концентрации в теплоносителе при его термодинамических параметрах, а не в приведенной к нормальным условиям пробе;
• помогать при оптимизации ВХР.
Таким образом, можно сделать вывод, что разработка математических моделей, в том числе с использованием ИНС, на сегодняшний день является по-прежнему актуальной задачей развития СХТМ и повышения качества ведения ВХР.
Авторы надеются, что предложенные в этой статье алгоритмы помогут исследователям выбрать правильное направление в решении подобных задач.
Статья выполнена при поддержке государственного задания Министерства Образования и Науки Российской федерации № 1030140 «Разработка систем контроля и управления коррекционными режимами парогазовых установок на ТЭС».
Литература
1. Instrumentation for monitoring and control of cycle chemistry for the steam-water circuits of fossil-fired and combined-cycle power plants. Technical Guidance Document. International Association for the Properties of Water and Steam, 2009.
2. Gotovtsev P.M., Voronov V.N. Cycle Chemistry Monitoring Systems // Power Plant Chemistry. 2012. 14 (3). Рp. 158-162.
3. Otakar Jonas. Effective cycle chemistry control // ESAA Power station chemistry conference. May 15-16, 2000. Australia, Queensland, Rockhampton, 2000.
4. GotovtsevP, KartsevA., Khizova E. Mathematical modeling of Water Chemistry Control Systems at Thermal Power Plants // The 4th IWA ASPIRE Conference and Exhibition. 2-6 October, 2011. Tokyo Japan, Abstracts. Р. 179.
5. Ларин Б.М., Еремина Н.А. Расчет минерализации и концентрации аммиака и углекислоты в водах типа конденсата // Теплоэнергетика. 2000. № 7. С. 10-14.
6. Hassoun M.H. Fundamentals of artificial neural networks. Cambridge, MA: MIT Press, 2005.
7. Котенков В.Н., Тяпков В.Ф. Применение нейросетевого моделирования для непрерывного контроля рН, теплоносителя АЭС // Теплоэнергетика. МЭИ. 2005. № 7. С. 36-40.
8. Хайкин С. Нейронные сети. Полный курс. М.: Изд. дом «Ви-льямс», 2006.
9. Готовцев П.М., Воронов В.Н., Сметанин Д.С. Анализ состояния теплоносителя с помощью искусственных нейронных сетей // Теплоэнергетика. МЭИ. 2008. № 7.
10. Barry Dooley R. Flow-Accelerated Corrosion in Fossil and Combined Cycle / HRSG Plants Power Plant Chemistry. 2008. 10 (2). Рp. 68-89.
11. Петрова Т.И., Готовцев П.М. Междунар. конф. «Эрозионно-кор-розионный износ на тепловых электростанциях и электростанциях с парогазовыми установками» // Энергетик. НТФ Энергопрогресс. 2011. № 7.
