PG 9351FA燃氣-蒸汽聯(lián)合循環(huán)機組 性能劣化研究

林志文，馮景浩，楊 承，馬曉茜

（1.廣州珠江天然氣發(fā)電有限公司，廣東 廣州 511457； 2.華南理工大學電力學院，廣東 廣州 510640）

隨著環(huán)境容量的約束以及天然氣的大量利用，燃氣-蒸汽聯(lián)合循環(huán)（gas turbine combined cycle，GTCC）發(fā)電機組發(fā)展迅猛[1]。據中國電力企業(yè)聯(lián)合會統(tǒng)計數據，我國天然氣發(fā)電裝機容量從2016年的70.11 GW增大至2020年的98.02 GW。但是在機組長期運行過程中，燃氣輪機及其聯(lián)合循環(huán)的關鍵部件勢必會出現(xiàn)劣化，導致在相同的初始進口條件與運行策略下無法維持理想的輸出功率和效率[2]。因此，近年來機組運行狀態(tài)監(jiān)測與故障診斷成為燃氣輪機研究領域的熱點之一[3-4]。

當前關于聯(lián)合循環(huán)的劣化分析主要圍繞燃氣輪機部件劣化展開討論，諸多學者利用燃氣輪機機理模型從理論上分析了關鍵部件的老化對性能的影響。文獻[5]采用回歸分析法研究了壓氣機和燃氣透平不同的劣化程度對聯(lián)合循環(huán)機組功率和效率的影響，并通過調節(jié)進口導葉（inlet guide vanes，IGV）開度和調整透平排氣溫控線的方法來彌補劣化導致的性能下降。文獻[6]以150 MW容量等級的重型燃氣輪機為研究對象，利用壓氣機特性曲線獲得滿載運行時機組的理想性能，并作為機組實際運行劣化的基準，研究表明燃氣輪機效率和功率可最大降低0.8%和14.8 MW。文獻[7]以某航改燃氣輪機為研究對象，利用全新機與折舊機試驗數據以及CFD仿真方法分析了壓氣機和燃氣透平性能衰減對機組性能的影響，并在此基礎上開發(fā)了燃氣輪機性能預測程序，對機組的精準維修具有指導意義。

隨著智能算法的普及和廣泛應用，基于數據驅動的電力系統(tǒng)分析以及故障診斷愈發(fā)受到關注。文獻[8]根據燃煤機組的歷史運行數據，采用高斯過程回歸 算法建立機組煤耗特性模型，并采用遺傳算法實現(xiàn) 廠級負荷經濟調度，最高可降低煤耗1.77 g/(kW·h)。文獻[9]在機組歷史運行數據的基礎上，利用深度信念網絡建立凝汽式汽輪機的效率基準期模型，并對機組大修前與大修后的性能進行預測，結果表明該方法可有效預測汽輪機的劣化趨勢，在電廠實際應用中具有可行性。文獻[10]利用基于HDMR的代理模型和人工神經網絡處理運行數據以構建壓氣機和透平的運行特性曲線，并進一步獲得燃氣輪機在部分負荷及滿載運行下的性能，該研究結果對于機組的健康管理具有實踐價值。

現(xiàn)有關于燃氣輪機的文獻主要與變工況相關或者涉及多能源耦合系統(tǒng)的源荷動態(tài)匹配問題，較少文章討論燃氣輪機系統(tǒng)的劣化，而且主要是從理論模型角度來分析，缺乏電廠實際運行數據的驗證。本文基于某PG 9351FA型燃氣-蒸汽聯(lián)合循環(huán)機組的歷史運行數據，采用遺傳算法優(yōu)化的BP神經網絡建立不同負荷下的性能-時間劣化模型，并利用THERMOFLEX熱力仿真軟件建立聯(lián)合循環(huán)的全工況物理仿真模型，定量分析燃氣輪機關鍵部件劣化對系統(tǒng)性能的影響。

1 基于數據驅動的聯(lián)合循環(huán)機組性能劣化模型研究

1.1 物理問題分析

基于數據驅動的黑箱建模理論，可針對電廠采集到的若干年運行數據進行建模，獲得每年聯(lián)合循環(huán)機組的性能預測模型，進一步地可對機組進行性能劣化分析。為了獲得聯(lián)合循環(huán)機組在不同負荷率下的運行特性，在運行狀況一定時，可將燃氣輪機效率ηgt和聯(lián)合循環(huán)效率ηgtcc表達為隱函式（式(1)、式(2)）。其中，ta、pa分別為壓氣機進氣溫度和環(huán)境壓力，Pgt、Pgtcc分別為燃氣輪機出力和聯(lián)合循環(huán)出力。低負荷時，壓氣機進氣加熱系統(tǒng)啟用。后文按照式(1)、式(2)進行機組年度效率特性預測及劣化分析，以反映該年度機組的效率平均劣化情況。

1.2 數據采集及預處理

機組按日啟停方式運行。獲取某PG 9351FA型燃氣-蒸汽聯(lián)合循環(huán)電廠1號機組2008、2010、2013、2019年度4～5個月偶數月的運行數據，參數包括環(huán)境溫度、壓氣機吸氣溫度、環(huán)境壓力及聯(lián)合循環(huán)發(fā)電功率等。期間主要檢修時間點見表1。

表1 燃氣-蒸汽聯(lián)合循環(huán)機組主要檢修時間點Tab.1 Major maintenance time points for the GTCC unit

剔除設備啟停階段及異常數據，并對穩(wěn)態(tài)數據進行熱力循環(huán)計算以獲得燃氣輪機功率Pgt、燃氣輪機效率ηgt及聯(lián)合循環(huán)效率ηgtcc。其中，采樣期內燃料組分見表2，其低位熱值為49233 kJ/kg。

表2 燃料各組分摩爾分數 x/%Tab.2 Mole fraction of each component of the fuel

1.3 GA-BP神經網絡建模

1.3.1 模型構建與組成

BP（back propagation）神經網絡建模選用單隱含層的網絡拓撲結構，其具有較強的非線性映射能力，由輸入層、隱含層和輸出層3部分組成。以聯(lián)合循環(huán)效率預測模型為例，ta、pa和Pgtcc為輸入層自變量，ηgtcc為輸出層因變量；隱含層的節(jié)點數通過試湊法來確定，隱含層激活函數選用sigmoid函數；輸出層傳遞函數采用線性函數purelin。連接權值ωi,j、ωj,k與閾值ai、bi的迭代優(yōu)化采用Levenberg-Marquardt訓練函數，使其沿著網絡性能參數的負梯度方向逐步調整。此外，結合遺傳算法（genetic algorithm，GA），對BP神經網絡非線性系統(tǒng)擬合進行優(yōu)化，以提高模型泛化能力與魯棒性。

1.3.2 樣本選取與數據歸一化處理

在經穩(wěn)態(tài)篩選后的運行數據中，據各年份樣本容量大小隨機抽取90%～95%的樣本作為訓練集，剩余的5%～10%作為測試集。采用最大最小法，對數據進行歸一化處理，以加速收斂。以聯(lián)合循環(huán)功率Pgtcc為例，其函數形式如下：

式中：[Pgtcc]表示歸一化后的聯(lián)合循環(huán)無量綱值；Pgtcc,min與Pgtcc,max分別表示統(tǒng)計樣本中的最小值與最大值。

1.3.3 遺傳算法要素

遺傳算法由種群初始化、適應度函數、選擇操作、交叉操作及變異操作5個部分組成。通過遺傳算法可優(yōu)化BP神經網絡的初始權值和閾值，以提高BP神經網絡的預測精度[11]。其中，適應度函數F選取各個觀測點的預測誤差絕對值之和，即

式中：yi,pred和yi,actual分別表示第i個數據點的預測值與實際值，n為觀測點數據容量。

1.3.4 網絡參數設置

隱含層節(jié)點數以及進化次數過多會增加網絡訓練時間，且容易出現(xiàn)“過擬合”現(xiàn)象，使模型精度降低，預測誤差增大。因此，本文相關參數設置為：隱含層節(jié)點數5～15；迭代次數100；學習率0.1；種群規(guī)模10；進化次數20～50；交叉概率0.4；變異概率0.2。

1.3.5 模型評價指標

模型的準確度用相關系數R和單點最大相對誤差e作為評價指標。R值越接近1，說明模型的擬合效果越好；e值越小則說明預測值與實際值的吻合度越高。此外，當樣本容量較大時，適應度F值無法直觀地反映出模型的可靠性，對其取均值，即

2 基于物理仿真的聯(lián)合循環(huán)劣化模型研究

2.1 燃氣-蒸汽聯(lián)合循環(huán)熱力系統(tǒng)建模

Thermoflow公司旗下開發(fā)的GT-PRO、THERMOFLEX等電廠熱力仿真軟件可快速可靠地建立發(fā)電機組運行模型[12]，對電廠的運行具有實踐指導意義。

2.1.1 基于GT-PRO的設計工況建模

圖1為PG 9351FA型燃氣-蒸汽聯(lián)合循環(huán)的系統(tǒng)流程。利用GT-PRO建立其設計工況模型時，主要步驟為：1）根據流程圖布置余熱鍋爐換熱器模 塊及水回路，創(chuàng)建三壓再熱的聯(lián)合循環(huán)拓撲結構；2）定義環(huán)境參數、燃料組分和凝汽器壓力；3）根據參考文獻[13]所提供的設計參數對燃氣輪機庫和蒸汽輪機庫的默認參數進行修正；4）系統(tǒng)設置完畢，進行設計工況計算。

圖1 PG 9351FA型燃氣-蒸汽聯(lián)合循環(huán)系統(tǒng)示意Fig.1 Schematic diagram of the PG 9351FA GTCC system

2.1.2 基于THERMOFLEX的變工況建模

建立GT-PRO設計工況模型后，將其導入THERMOFLEX，依次經過thermodynamic design和engineering design計算獲得其設計工況的運行結果，通過設置宏變量可分析不同環(huán)境參數、部件劣化情況等對系統(tǒng)性能的影響。

對系統(tǒng)進行變工況仿真計算時作如下假設： 1）系統(tǒng)變工況仿真視為穩(wěn)態(tài)運行；2）燃氣輪機排煙到余熱鍋爐入口間的溫降取1 ℃，余熱鍋爐內煙氣與換熱器壁面的最小溫差取5 ℃；3）低壓過熱器和中壓過熱器的最小傳熱溫差取15 ℃，高壓過 熱器和再熱器的最小傳熱溫差取12 ℃；4）不計余熱鍋爐熱損失；5）底循環(huán)采用滑壓運行方式[14]； 6）在各年數據采集月份中，當地凝汽器運行真空穩(wěn)定，故設為常數。忽略發(fā)電機功率因數、鍋爐補水率等因素對機組性能的影響。

2.2 物理模型可靠性驗證

2.2.1 設計工況模型驗證

表3為系統(tǒng)在ISO環(huán)境條件（環(huán)境溫度15 ℃、大氣壓力101.325 kPa、大氣相對濕度60%）下的設計工況運行結果，其中凝汽器壓力取4 kPa。由表3 可見：THERMOFLEX物理模型仿真結果中壓比相對誤差較大，為2.66%；燃氣輪機和聯(lián)合循環(huán)效率偏差分別為1.06%和1.66%?？傮w而言，這些關鍵參數的仿真值相對誤差均在±2.7%以內，吻合度較高，可在此基礎上進一步展開變工況分析。

表3 PG 9351FA聯(lián)合循環(huán)設計工況運行結果Tab.3 The operating results of PG 9351FA GTCC system under design condition

2.2.2 變工況模型驗證

圖2給出了透平進氣溫度T3、透平排氣溫度T4、壓比πc、高壓主蒸汽溫度Thps、主蒸汽壓力phps、主蒸汽流量mhps、燃氣輪機效率ηgt及聯(lián)合循環(huán)效率ηgtcc等關鍵參數隨燃氣輪機負荷率的變化曲線。其中燃氣輪機出力、燃氣輪機效率及聯(lián)合循環(huán)效率均考慮了環(huán)境溫度及壓力修正，為折合到ISO環(huán)境條件下的結果。圖2中，實線為物理模型仿真結果，散點為電廠運行值，下標0代表設計值。由于重型燃氣輪機無法直接測量透平進氣溫度，此處僅顯示THERMOFLEX的仿真結果。由圖2可看出，各關鍵參數的模擬值與運行值均良好吻合。

此外，圖2a)反映出了燃氣輪機的部分負荷變工況運行策略。當機組負荷率降低時，IGV開度逐漸減小以保持T3恒定，在這個過程中壓氣機壓比隨著進氣流量減小而降低；與此同時T4逐漸升高，當負荷率降低至約75%時其達到最大限制值922.04 K[16]。當負荷率介于75%～65%時，IGV開度繼續(xù)減小使T4保持最大值，T3緩慢降低。當負荷率低于65%時，IGV開度保持最小全速角49°，T3、T4隨著負荷率的降低而減小。

圖2 部分負荷運行下系統(tǒng)關鍵性能參數變化Fig.2 Variations of key performance parameters of the system during part-load operation

3 應用結果分析

3.1 基于GA-BP模型的聯(lián)合循環(huán)劣化分析

3.1.1 各年份燃氣輪機效率預測

依據上文所述方法，利用MATLAB建立各年份簡單循環(huán)效率預測模型。圖3為測試樣本的預測值與實際值的擬合分布，模型評價指標見表4。

表4 測試集簡單循環(huán)效率可靠性評價指標Tab.4 The reliability evaluation indicators for simple cycle efficiency within test set

圖3 測試集簡單循環(huán)效率預測值與實際值對比Fig.3 Comparison between the predicted and actual value of simple cycle efficiency within test set

由圖3、表4可知，各年份的測試集樣本的總體絕對誤差均值F′小于0.5，單點最大相對誤差均在3%以內，且相關系數R值均高于0.9，表明燃氣輪機效率模型的輸入變量與輸出變量高度相關[17]，可見所建立的燃氣輪機效率模型有較高的預測精度。

3.1.2 各年份聯(lián)合循環(huán)效率預測

利用建立好的各年份聯(lián)合循環(huán)效率預測模型，對測試集的數據進行驗證，結果如圖4所示，模型評價指標見表5。由圖4、表5可知，其預測精度略低于燃氣輪機效率，這主要是由于本文研究的重點在于不同聯(lián)合循環(huán)出力下各年份的效率比較，故對模型輸入變量做了簡化，不考慮底循環(huán)側參數的影響。但各年份的測試集樣本的總體絕對誤差均值小于0.7，擬合誤差e均在3.5%以內，且相關系數R值也均高于0.9，可見所建立的聯(lián)合循環(huán)效率模型整體上精度較高，可滿足工程需求。

表5 采樣年份測試集聯(lián)合循環(huán)效率可靠性評價結果Tab.5 The reliability evaluation indicators for the GTCC efficiency within test set

圖4 測試集聯(lián)合循環(huán)效率預測值與實際值對比Fig.4 Comparison between the predicted and actual value of the GTCC efficiency within test set

3.1.3 系統(tǒng)性能劣化預測

鑒于神經網絡模型在樣本數據區(qū)間內的預測精度較高，本節(jié)利用上文已建立的各年份GA-BP預測模型，研究該電廠在性能保證工況（ta=28 ℃，pa=100.18 kPa）下燃氣輪機效率及聯(lián)合循環(huán)效率隨機組出力的變化，結果如圖5所示。其中未劣化的曲線由THERMOFLEX搭建的物理仿真模型通過改變邊界條件計算獲得。

圖5 燃氣-蒸汽聯(lián)合循環(huán)性能劣化預測Fig.5 The prediction of performance degradation for GTCC

由圖5可看出，隨著機組運行年份的增加，在相同出力下系統(tǒng)的效率均不斷降低。例如：當燃氣輪機保持200 MW運行時，2008、2010、2013、2019年燃氣輪機效率分別為34.74%、34.48%、33.89%、33.39%，均低于未劣化時的值34.86%；當聯(lián)合循環(huán)出力保持290 MW時，各年聯(lián)合循環(huán)效率分別為56.08%、55.02%、53.96%、53.31%，均低于未劣化時的值56.32%。上述結果反映了日啟停調峰運行方式下聯(lián)合循環(huán)機組發(fā)電效率的年平均劣化程度。

另外，2013—2019年間機組進行了2次A修（表1），機組在滿載附近的發(fā)電效率較之2013年有所改善。圖5中2008、2010年高負荷工況下燃氣輪機效率接近，可以歸為2010年6月1日—7月25日A修對機組性能的恢復效果。

3.2 基于物理仿真模型的聯(lián)合循環(huán)劣化分析

實際工程中造成系統(tǒng)性能下降的原因往往較為復雜，不僅僅是單一部件的劣化，更多情況下是多個部件的同時劣化導致。其中，燃氣輪機的老化程度和速度要高于底循環(huán)的部件，且多數情況下蒸汽輪機效率受燃氣輪機功率、效率的變化而變化。鑒于所掌握的資料有限，未能獲得全面的機組性能試驗數據，因此下文重點利用THERMOFLEX模型分析燃氣輪機的壓氣機和透平2個主要部件的劣化對系統(tǒng)性能造成的影響。

3.2.1 壓氣機劣化對系統(tǒng)性能的影響

圖6為壓氣機效率變化對聯(lián)合循環(huán)關鍵性能的影響。

圖6 壓氣機劣化對聯(lián)合循環(huán)性能影響Fig.6 The influence of compressor performance degradation on GTCC performance

圖6中相對值表示實際值與表3所示的設計值之比，燃氣輪機負荷率指實際輸出功率與設計功率之比，百分數指效率下降絕對值，下同。

由圖6可看出，在低負荷區(qū)間內，系統(tǒng)性能對壓氣機劣化的敏感性較低。這是由于燃氣輪機負荷率較低時，IGV保持最小全速角，機組負荷調整主要通過改變燃料流量實現(xiàn)，導致效率下降較快。因此，在此低負荷區(qū)間，壓氣機劣化對系統(tǒng)效率的影響也相應減小。此外，燃氣輪機滿載出力隨著壓氣機劣化程度的增加而減小，如當壓氣機效率劣化3%時，相對滿載出力由1減至0.9531。壓氣機效率每劣化1%，滿載運行下簡單循環(huán)效率和聯(lián)合循環(huán)效率相對值分別平均降低0.0097和0.0041。這是由于當壓氣機氣動性能變差時，進氣流量減少，在維持相同溫比的條件下將會導致壓比降低，進而使得排氣溫度有所提高，排氣的增加促使燃氣輪機效率降低。對于底循環(huán)而言，排煙流量的減小抵消了排氣溫度升高帶來的積極作用，因此聯(lián)合循環(huán)效率也相應降低。

3.2.2 透平劣化對系統(tǒng)性能的影響

圖7為燃氣透平效率變化對聯(lián)合循環(huán)系統(tǒng)關鍵性能的影響。由圖7可見，其整體趨勢與壓氣機劣化的影響相似，高負荷區(qū)間內系統(tǒng)性能對透平劣化的敏感性較高。由圖7還可知，當機組滿載運行時，透平效率每劣化1%，燃氣輪機相對出力平均降低0.0280，簡單循環(huán)效率和聯(lián)合循環(huán)效率相對值分別平均降低0.0181和0.0075，透平劣化對系統(tǒng)性能的影響程度大致為壓氣機的2倍。這是由于透平劣化時，透平的通流能力下降，且其進氣溫度在透平排氣溫控的作用下有所降低。由于壓比降低幅度更大，因此排煙溫度升高，所以燃氣輪機效率降低。同壓氣機劣化情形相似，聯(lián)合循環(huán)效率隨之降低。

圖7 透平劣化對聯(lián)合循環(huán)性能影響Fig.7 The influence of turbine performance degradation on GTCC performance

3.2.3 壓氣機與透平對系統(tǒng)性能的聯(lián)合影響

圖8為壓氣機及燃氣透平同時劣化時對聯(lián)合循環(huán)系統(tǒng)關鍵性能的影響。圖8中的百分數表示燃氣輪機未發(fā)生劣化時的負荷率，即分別對應A、B、C、D、E工況點。

圖8 壓氣機與透平劣化對聯(lián)合循環(huán)性能影響Fig.8 The influence of performance degradation of both compressor and turbine on GTCC performance

由圖8可見，當2個部件同時劣化時，系統(tǒng)性能下降速度急劇增快。在滿載運行下，當壓氣機和透平的效率均下降3%時，簡單循環(huán)功率和聯(lián)合循環(huán)功率相對值分別減少0.1303和0.0831；簡單循環(huán)效率和聯(lián)合循環(huán)效率相對值分別減少0.0851和0.0355?？梢姡唵窝h(huán)對壓氣機和透平劣化的敏感性要高于聯(lián)合循環(huán)。此外，當燃氣輪機負荷率由70%減至60%時，聯(lián)合循環(huán)的性能劣化程度變快，其主要是由于此時IGV開度已達到最小值，之后在等折合轉速線上運行。如當壓氣機和透平效率均降低3%時，燃氣輪機負荷率由80%降低至70%過程中，聯(lián)合循環(huán)功率和效率相對值分別降低0.0751和0.0126，然而負荷率由70%降低至60%時，兩者分別增至0.0835和0.0195。

4 結論

本文根據PG 9351FA型燃氣-蒸汽聯(lián)合循環(huán)機組的實際運行數據，采用GA-BP神經網絡建立了各運行年份燃氣輪機效率及聯(lián)合循環(huán)效率的預測模型，并利用THERMOFLEX建立了聯(lián)合循環(huán)全工況物理仿真模型，用于定量分析燃氣輪機關鍵部件劣化對系統(tǒng)性能的影響。結果表明：

1）GA-BP神經網絡預測模型的擬合誤差e均在3.5%以內，且相關系數R值均高于0.9，其可較準確且快速地建立環(huán)境參數、機組出力與效率之間的隱含關系。

2）基于已建立的各年份預測模型計算結果表明，隨著機組運行時間增加，燃氣輪機效率和聯(lián)合循環(huán)效率總體不斷降低；在較高負荷工況，A級檢修對機組性能恢復較明顯。

3）利用電廠運行數據驗證了THERMOFLEX建立的物理模型可靠性，其可準確地反映出部分負荷運行下系統(tǒng)熱力循環(huán)參數之間的耦合關系，并獲得了機組在未劣化時的負荷-效率性能曲線。

4）部件劣化分析結果表明透平效率每劣化1%，滿載運行下簡單循環(huán)效率和聯(lián)合循環(huán)效率相對值分別平均降低0.0181和0.0075，其對系統(tǒng)性能的影響大致為壓氣機的2倍。壓氣機和透平同時劣化3%時，滿載運行下簡單循環(huán)效率和聯(lián)合循環(huán)效率相對值分別減少0.0851和0.0355。且當IGV開度達到最小值時，隨著負荷率繼續(xù)降低，聯(lián)合循環(huán)性能劣化速度加快。

今后，可定期對機組進行性能試驗，基于全面細致的數據開展各個部件的劣化分析，并研究系統(tǒng)劣化下頂底循環(huán)耦合參數動態(tài)優(yōu)化匹配問題，以深入挖掘系統(tǒng)節(jié)能潛力和指明機組優(yōu)化運行的應對措施。