一种变几何分轴式燃气轮机实时仿真建模方法技术

本发明专利技术涉及一种变几何分轴式燃气轮机实时仿真建模方法，该方法针对的燃气轮机结构特点为压气机导叶可调且是分轴式，由燃气发生器与动力涡轮两部分组成。该方法包括以下步骤：样本点选取、训练样本点获取、利用获取的样本点训练RBF神经网络、利用部件建模方法建立动力涡轮计算模块，将该模块与RBF神经网络相连，RBF神经网络模块负责输出燃气发生器相关参数，动力涡轮计算模块负责输出功率等相关参数，如此可得燃气轮机实时仿真模型。本发明专利技术的实时仿真模型的建模方法，该方法考虑了压气机进口导叶角度变化的情况，合理地简化了模型，结合RBF神经网络与部件法二者的优点，在保证模型高实时性和高精度的同时，大大缩小样本规模。

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.

【技术实现步骤摘要】
一种变几何分轴式燃气轮机实时仿真建模方法
本专利技术涉及燃气轮机领域，更具体地，涉及一种变几何分轴式燃气轮机实时仿真的建模方法。
技术介绍
在进行燃气轮机半物理仿真实验以及燃气轮机控制规律研究过程中，对燃气轮机仿真模型的实时性要求较高。特别是对于变几何的分轴式燃气轮机，该类燃气轮机包括带可调导叶压气机的燃气发生器以及动力涡轮，由于变量较多，基于燃气轮机工作机理建立的非线性模型实时性较差。线性化建模方法虽然有较好的实时性，但对于偏离稳态工况较远的情况仿真精度难以保证。基于神经网络的系统辨识法虽然能达到较高的精度和实时性，但对于变几何的分轴式燃气轮机，由于动态工况繁多，所需样本规模庞大，难以直接建立仿真模型。
技术实现思路
本专利技术为解决以上现有技术的缺陷和不足，提供了一种基于RBF神经网络与部件法的复合建模方法。基于燃气轮机工作机理建立起来的部件法具有高精度的优点，但实时性较差，而利用RBF神经网络建立的燃气轮机仿真模型虽然具有优异的实时性，但对于变几何分轴式燃气轮机面临着变量多、样本规模庞大的问题，本专利技术的变几何分轴式燃气轮机实时仿真建模方法，结合现有RBF神经网络法与部件法二者的优势，利用动力涡轮相对转速NPT对燃气发生器影响很小的特点，用于训练RBF神经网络的样本点中仅选取了两个不同的动力涡轮相对转速NPT值，大大减小了样本规模，在此基础上，通过部件法单独建立的动力涡轮计算模块模拟动力涡轮工况，保证了样本规模减小的同时模型的计算精度与实时性。为实现以上专利技术目的，本专利技术采用的技术方案是：一种变几何分轴式燃气轮机实时仿真建模方法，所述变几何分轴式燃气轮机包括可调导叶压气机、燃气发生器和动力涡轮，其特征在于，所述实时仿真建模方法包括以下步骤：SS1.样本点选取。对于变几何分轴式燃气轮机，可调导叶压气机的导叶角度VGV、燃油流量Wf，燃气发生器相对转速NH以及动力涡轮相对转速NPT四个变量可以唯一确定燃气轮机某一动态工况。为确定各部件工作状况，可调导叶压气机需要确定转速、流量、压比中的任意两个参数以及进口导叶角度共计三个参数，燃气涡轮与动力涡轮均需确定转速、膨胀比、流量三个参数中任意两个变量，燃烧室部件则需确定燃油流量的大小才可唯一确定各部件工作状态，综上，如果确定压气机流量WaC、导叶角度VGV、燃气发生器相对转速NH、燃油流量Wf、燃气涡轮膨胀比πPT、动力涡轮相对转速NPT、动力涡轮膨胀比πPT7个变量，即可确定燃气轮机的工作状态。燃气轮机工作时，各部件并不是相互孤立的，有机械和气动间的联系，有如下三条约束关系：WaC＝WaGT-Wf(1)WaC＝WaPT-Wf(2)πC＝πGT×πPT(3)上面三个约束关系消除了三个变量，最终剩余导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH、动力涡轮相对转速NPT四个变量唯一确定燃机的工作状况。在燃气轮机工作时，对于导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH三个参数，在其各自变化范围内，分别均匀地选取a个、b个、c个值(a、b、c均为大于等于1的整数)。由于动力涡轮相对转速NPT对动力涡轮流通能力影响较小，故对燃气发生器工况的影响很小。需要注意的是，由于气动关系，动力涡轮相对转速NPT对动力涡轮本身的效率以及输出功率还是有较大影响的。对于影响燃气发生器工况较小的参数，稀疏的取值即可满足神经网络精确地模拟燃气发生器动态工况，而过多的取值只会增加样本规模、加大工作量，因此为减小样本规模，动力涡轮相对转速NPT仅取一大一小两个值，具体取值视具体仿真情况而定。如，仅需模拟动力涡轮转速在NPT1到NPT2间的变化时，为防止燃机工况超出样本规模，NPT取NPT1和NPT2两个值即可，综上，共选取样本点a×b×c×2组。SS2.样本点获取。每一组样本点由输入参数和输出参数组成。导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH以及动力涡轮相对转速NPT四个参数构成输入参数，其余燃气发生器工作参数为输出参数，具体的，输出参数包括：压气机压比、压气机效率、进气流量、燃气涡轮膨胀比、燃气涡轮效率、动力涡轮效率、动力涡轮膨胀比、压气机出口总压、压气机出口总温、燃烧室出口总温、燃烧室出口总压、燃气涡轮出口总压、燃气涡轮出口总温、动力涡轮出口总温、动力涡轮出口总压、动力涡轮输出功率、燃气发生器角加速度，通过将输入参数输入到基于燃气轮机工作机理的燃气轮机总体计算商业软件或已有的通过求解非线性方程组的方式建立起来的燃气轮机总体计算仿真模型中，分别计算出每组样本点的输出参数，从而获取完整的训练样本。SS3.训练RBF神经网络。利用现有的RBF神经网络算法，例如MATLAB/SIMULINK内置的RBF神经网络工具箱，以输出参数作为目标值，用a×b×c×2组样本点训练神经网络，神经网络在这里起到了一种多维拟合的作用，利用它建立起输入参数与输出参数间的对应关系，例如输出功率与输入参数的对应关系可表示为：PWSD＝f(NH,NPT,Wf,VGV)。SS4.建立实时仿真模型。通过RBF神经网络算法模拟燃气发生器，部件法建立的动力涡轮仿真模块模拟动力涡轮，燃气轮机的实时仿真模型得以建立。RBF神经网络输入量为VGV、Wf、NH以及NPT，其中VGV、Wf以及NPT为模型的给定输入量，NH则是通过模型计算得到。为减小输入数据的分布范围，加快神经网络的收敛速度，减小训练时间，将输入参数归一化到[-1,1]的区间范围内。将归一化后的参数输入到训练好的RBF神经网络中，计算出燃气发生器各工作参数后经逆归一化过程，将参数映射回归一化前的状态。RBF神经网络计算的燃气发生器工作参数包括当前时刻燃气发生器的转速加速度通过对时间积分即可求出每一时刻的NH值，离散化后的计算公式：其中，Δt为设置的时间步长，时间步长越小，计算越精确，运算量越大。RBF神经网络算出的燃气发生器的出口参数，包括油气比、燃气发生器出口总压、总温与工质流量，将这些参数加上模型给定输入量NPT作为输入参数输入到基于部件法建立起来的动力涡轮计算模块中去，从而完成动力涡轮部分的仿真计算。采用两种方法分别计算燃气发生器与动力涡轮，其目的是：上述训练好的RBF神经网络可以预测不同VGV、Wf、NH、NPT所对应的燃气轮机燃气发生器各工作参数。可以看出，由于样本点中仅取了两个NPT的值，对于受NPT影响极小的燃气发生器，神经网络能准确的模拟，但对于受NPT影响较大的动力涡轮本身来说，较少的NPT取值会直接影响动力涡轮的计算精度，为此，NPT对工况的影响将通过部件法建立起来的动力涡轮计算模块单独实现。该动力涡轮计算模块利用燃气热力性质计算公式以及已有的部件特性完成动力涡轮部分的仿真。具体的，由输入量NPT和动力涡轮膨胀比对部件特性插值(可以是常用的线性插值)得到涡轮效率以及工质流量，计算出若工质可逆绝膨胀，动力涡轮的出口总温和焓降。进而由动力涡轮效率算出动力涡轮实际输出功率与出口总温。需要注意，NH的初始值应为稳态工况下VGV、Wf以及NPT的初始值所对应的高压轴转速。可以通过传统的燃气轮机仿真模型计算出VGV、Wf以及NPT的初始值所对应的燃气轮机稳态工况下NH的取值。如此，给定VGV、Wf以及NPT即可运行仿真模型。SS5.模型验证。本文档来自技高网...

【技术保护点】
一种变几何分轴式燃气轮机实时仿真建模方法，所述变几何分轴式燃气轮机包括可调导叶压气机、燃气发生器和动力涡轮，其特征在于：所述实时仿真建模方法包括以下步骤：SS1.样本点选取选取可调导叶压气机的导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH、动力涡轮相对转速NPT四个变量确定燃机的工作状况；在燃气轮机工作时，对于可调导叶压气机的导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH等三个参数，在其各自变化范围内，分别均匀地选取a个、b个、c个值，其中a、b、c均为大于等于1的整数；对于动力涡轮相对转速NPT，在其变化范围内，选取一大一小两个值；综上，共选取样本点a×b×c×2组。SS2.训练样本点获取每一组训练样本点由输入参数和输出参数组成，其中导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH以及动力涡轮相对转速NPT四个参数构成输入参数，其余燃气发生器工作参数为输出参数，通过将输入参数输入到现有的通过求解非线性方程组的方式建立起来的燃气轮机总体计算仿真模型中，分别计算出每组样本点的输出参数，从而获取完整的训练样本。SS3.利用获取的样本点训练RBF神经网络利用现有的RBF神经网络算法，以输出参数作为目标值，用a×b×c×2组样本点训练RBF神经网络，利用RBF神经网络建立输入参数与输出参数间的对应关系。SS4.建立实时仿真模型利用部件建模方法建立动力涡轮计算模块模拟动力涡轮，并利用RBF神经网络模块模拟燃气发生器，将所述动力涡轮计算模块与RBF神经网络模块相连，RBF神经网络模块负责输出燃气发生器相关参数，动力涡轮计算模块负责输出功率等相关参数，如此可得燃气轮机实时仿真模型。...

【技术特征摘要】
1.一种变几何分轴式燃气轮机实时仿真建模方法，所述变几何分轴式燃气轮机包括可调导叶压气机、燃气发生器和动力涡轮，其特征在于：所述实时仿真建模方法包括以下步骤：SS1.样本点选取选取可调导叶压气机的导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH、动力涡轮相对转速NPT四个变量确定燃机的工作状况；在燃气轮机工作时，对于可调导叶压气机的导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH等三个参数，在其各自变化范围内，分别均匀地选取a个、b个、c个值，其中a、b、c均为大于等于1的整数；对于动力涡轮相对转速NPT，在其变化范围内，选取一大一小两个值；综上，共选取样本点a×b×c×2组。SS2.训练样本点获取每一组训练样本点由输入参数和输出参数组成，其中导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH以及动力涡轮相对转速NPT四个参数构成输入参数，其余燃气发生器工作参数为输出参数，通过将输入参数输入到现有的通过求解非线性方程组的方式建立起来的燃气轮机总体计算仿真模型中，分别计算出每组样本点的输出参数，从而获取完整的训练样本。SS3.利用获取的样本点训练RBF神经网络利用现有的RBF神经网络算法，以输出参数作为目标值，用a×b×c×2组样本点训练RBF神经网络，利用RBF神经网络建立输入参数与输出参数间的对应关系。SS4.建立实时仿真模型利用部件建模方法建立动力涡轮计算模块模拟动力涡轮，并利用RBF神经网络模块模拟燃气发生器，将所述动力涡轮计算模块与RBF神经网络模块相连，RBF神...

【专利技术属性】
技术研发人员：尹钊，田拥胜，王涛，张华良，曾德堂，高庆，谭春青，
申请(专利权)人：中国科学院工程热物理研究所，
类型：发明
国别省市：北京,11