CC BY
0УДК 621.311.22:004.032.26 Журавлев Т.С., Клименко Т.В.
Журавлев Т.С.
магистр, 2 курс кафедра теоретической электротехники и электрификации нефтяной и газовой промышленности Российский государственный университет нефти и газа им. И.М. Губкина (г. Москва, Россия)
Клименко Т.В.
студент, 2 курс электроэнергетический институт
Дальневосточный государственный университет путей сообщения
(г. Хабаровск, Россия)
ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ТУРБОГЕНЕРАТОРА ТЭЦ
Аннотация: объектом исследования является создание математической модели для основного оборудования ТЭЦ, турбогенератора Т-180/210- 130. Цель исследования -предложить варианты решений для повышения эффективности, с использованием математических моделей и нейросетевого моделирования.
Ключевые слова: нейронная сеть, турбогенератор, цифровой двойник, ТЭЦ, математическая модель, уз-деффектоскопия.
Для выполнения поставленной задачи было решено использовать нейросетевую модель, как средство анализа количество потребления газа на 1 Квт выработки электроэнергии турбогенератором [1, 2].
По полученным данным с Хабаровской и Николаевской ТЭЦ, было определено потребление природного газа на 1 Квт, равное 400-450 мг в зависимости от сезона.
Проанализировав имеющиеся данные, мы смогли определить количество мг газа дл 1 кВт, равное 375 мг при заданных условиях.
2220
350 300 250 200 150 100 50 0
20
Сечение провода в мм2 Нагр-ка, А Мощность, кВт ■Кол-во газа, м3
Длина ЛЭП, км. Напряжение,кВ Расход газа на 1 кВт, м3
Рис. 1. График зависимости основных параметров.
С помощью построенного графика, было получен распределение потребления газа на 1 кВт, рисунок 2.
90 80 70 60 50 40 30 20 10 0
у = 2,8571х + 7Е-14 R2 = 1
10
15 20 .....Линейная (1)
25
30
Рис. 2. График распределения потребления газа.
Вследствие чего, можно сделать вывод о том, что вместо необходимых 400 мг, нам понадобиться всего 375 мг.
Чтобы оптимизировать потребление газа, решено предложить внедрение в систему реле учета и подачи газа с внедренным алгоритмом подсчета объема,
0
0
5
1
2221
ядром которого и будет полученная нейросеть на основе экспоненциально-регрессионного моделирования.
Данный подход поможет нам снизить потребление газа на 12,5 %, при этом, не теряя в получаемой мощности.
Также стоит отметить, что УЗ дефектоскопия может быть применена к турбогенератору, чтобы определять степень износа основных узлов. Можно использовать 3Э модель, для определения точек, наиболее подверженных нагрузкам (рис. 3), то есть возможно использование концепции цифровых двойник в решении данной задачи [3, с. 401].
Рис. 3. 3Б модель турбогенератора.
Как итог по расчетам процент потребления газа снизится на 12,5 %, аварийность в случае котлоагрегата снизится на 24%, из расчета для первых двух кварталов работы системы.
2222
СПИСОК ЛИТЕРАТУРЫ:
1. Атом: цифровой двойник газотурбинного парка Siemens. Anylogic.ru [Электронный ресурс]. - Доступно: https://www. anylogic.ru/atom-digital-twin-of-siemens-gas-turbine-fl eetoperations/ (Дата обращения: 05.06.2024);
2. УТЗ использует цифровой двойник турбин на базе Creo и Windchil [Электронный ресурс]. - Доступно: http://pts-russia.com/news/item/313-utz-ispolzuet-tsifrovoj-maketturbin.html (дата обращения: 05.06.2024);
3. Прохоров А. Цифровой двойник. Анализ, тренды, мировой опыт / А. Прохоров, М. Лысачев, научный ред. проф. А. Боровков. - Москва: ООО «АльянсПринт», 2020. - 401 с
Zhuravlev T.S., Klimenko T. V.
Zhuravlev T.S.
Russian State University of Oil and Gas named after I.M. Gubkina
(Moscow, Russia)
Klimenko T.V.
Far Eastern State Transport University (Khabarovsk, Russia)
USING DIGITAL TWINS TO INCREASE EFFICIENCY OF MAIN EQUIPMENT OF THERMAL PLANTS
Abstract: the object of the study is the creation of a digital twin of the main equipment of a thermal power plant, a boiler unit of the TPE-215 type. The purpose of the study is to propose solutions for creating a digital twin using mathematical models and neural network modeling.
Keywords: neural network, boiler unit, digital twin, heat power plant, mathematical model, ultrasonic flaw detection.
2223
