通过应用热力学模型和人工神经网络模型来预测天然气联合循环系统的部分负荷运行特性

《Additive Manufacturing》：Prediction of part-load behaviour of natural gas combined cycles by applying thermodynamic and artificial neural network models

本研究提出一种结合热力学模拟和人工神经网络（ANN）的混合建模方法，用于预测三压再热CCGT的部分负荷行为，并优化其在意大利电力市场中的经济收益。通过随机生成输入变量并验证输出指标，ANN模型有效减少计算负担，同时评估环境条件变化下的效率和经济性，最终确定最优部分负荷策略和市场投标策略，提升系统灵活性和利润。

　　

罗伯托·卡拉佩卢奇 | 洛雷娜·乔尔达诺

拉奎拉大学工业与信息工程及经济系，G. 格龙基街18号，拉奎拉67100，意大利

摘要

传统上，电厂性能的预测依赖于复杂的热力学模型，这些模型包含了许多假设和运行参数。因此，在设计条件或部分负荷条件下评估其能源性能需要大量的计算资源来解决复杂的非线性方程组。机器学习方法为减轻这一计算负担提供了潜在的解决方案。本研究采用了一种结合热力学模型和人工神经网络的方法来预测联合循环燃气轮机的部分负荷行为。该方法包括随机生成代表电厂运行条件的输入变量，然后通过严格的热力学模拟来评估输出变量（包括能源和经济性能指标）。使用这些数据集对人工神经网络进行训练和验证，并通过统计性能指标来评估其复制热力学模型的能力。该方法应用于一个三压再热联合循环燃气轮机，评估了在不同环境条件下的部分负荷性能，并考虑了基于进气导向叶片和涡轮机入口温度变化的部分负荷策略。分析还评估了将联合循环燃气轮机整合到意大利日前电力市场中的经济收益，考虑了假设电厂位置在冬季和夏季的典型环境条件。结果表明，该模型能够定义最佳的部分负荷策略，并识别出在相互连接的电力和天然气市场中最大化利润的投标策略。

引言

全球向更清洁能源的紧急转型使得基于天然气的发电成为关键解决方案，因为它比燃煤电厂具有更低的碳足迹和更大的灵活性。特别是，联合循环燃气轮机（CCGT）预计将在通过支持可再生能源和在高峰需求期间确保电网稳定性方面发挥关键作用[1]。如今，CCGT是发电效率最高的电厂之一[2]。这是因为它们结合了两种不同的发电循环，并通过带有多个热交换部分的热回收蒸汽发生器（HRSG）连接起来[3]。因此，CCGT受到许多与系统组件相关的运行参数的控制，这些参数的变化会显著影响能源性能和成本[4]。

在全负荷或可变负荷条件下对CCGT进行热力学研究和优化是一项具有挑战性的任务，尤其是对于基于非常规气体循环配置或多级压力HRSG的电厂布局。实际上，这些分析涉及解决大量受约束的非线性方程，这需要大量的计算资源。因此，传统热力学模型不适合实时或准实时应用，以支持电厂操作员的决策。

下一节将回顾最近关于使用人工神经网络（ANN）对CCGT进行建模的文献，指出了这些不足之处，这激发了本研究中提出的混合方法。尽管在联合循环系统的预测建模方面取得了显著进展，但大多数现有研究仍然集中在全负荷运行和稳定条件下的性能预测上。相对较少的研究探索了部分负荷领域，在该领域，联合循环必须灵活运行以补充可变的可再生能源发电并响应市场价格动态。此外，之前的基于ANN的方法通常旨在预测基本性能指标（如功率输出），常常忽略了其他方面，如最佳部分负荷控制策略、在不同环境条件下的效率偏差以及电厂调度决策的经济影响。

本研究通过提出一个混合建模框架来填补这些空白，该框架结合了严格的热力学模拟和人工神经网络，以预测和优化三压再热联合循环燃气轮机的部分负荷行为。我们的贡献新颖性体现在三个关键方面：

(i)

集成详细的热力学模型和ANN预测，以实现在不同环境和负荷条件下的实时电厂性能评估；

(ii)

系统地优化部分负荷策略，明确考虑进气导向叶片角度（IGV）和涡轮机入口温度（TIT）对效率和功率输出的综合影响；

(iii)

将基于ANN的建模扩展到市场应用，通过将技术性能与意大利日前电力市场中的运营利润和调度决策联系起来。

通过弥合热力学建模、数据驱动的预测和市场导向的决策支持之间的差距，所提出的方法为提高联合循环燃气轮机在不断发展的能源系统中的灵活性、盈利能力和战略价值提供了强大且计算效率高的工具。

该方法论框架建立在我们之前的工作[5]基础上，其中使用GateCycle软件通过详细的热力学模拟对一个三压再热CCGT进行了建模[6]。然后使用得到的数据集在MATLAB中训练和验证了前馈反向传播神经网络[7]。

在此基础上，本研究在两个关键方向上扩展了建模方法：首先，通过将基于ANN的模型与fmincon求解器[8]集成，研究在不同环境条件下的最佳部分负荷运行策略；其次，将技术性能预测与CCGT参与电力市场的经济评估联系起来。虽然完整的过程在第3节中有描述，但这一发展将一个经过验证的建模框架转变为一个强大的决策支持工具，既适用于运营优化，也适用于市场整合。

部分内容摘录

背景和文献综述

机器学习（ML）方法，特别是基于ANN的方法，在各个学科的建模中提供了有前景的方法[9]。由于新的学习技术、大型数据集的可用性和低成本的计算资源，ANN最近取得了巨大进展[10,11]。这些计算系统由高度互联的元素组成，受到人脑神经网络的启发。ANN可以通过

方法和案例研究概述

作者在之前的论文[5]中详细描述了逐步方法，其中考虑了两个不同的案例研究，分别针对设计条件下的燃煤电厂和CCGT进行测试和验证。与之前的ANN建模研究相比，所提出的方法依赖于模拟数据集进行训练、测试和验证。因此，该方法在模拟发电系统类型方面表现出高度的灵活性。

利用开发的方法将联合循环燃气轮机整合到电力市场中

假设Civitavecchia是CCGT电厂的位置，本节重点讨论如何使用基于ANN的预测来优化MGP中的投标策略。尽管分析仅限于名义负荷投标，但相同的框架可以很容易地扩展到日内（MI）和辅助服务（MSD）市场中的部分负荷报价。基本原理保持一致：将每小时环境条件（$p_1$, $T_1$, $\mathrm{RH}$）输入到ANN中，提取全负荷功率

结论

随着可再生能源的日益普及，联合循环燃气轮机（CCGT）对于确保电网稳定性、灵活性和供应安全仍然至关重要。然而，它们在部分负荷条件下的性能是一个关键挑战，这直接影响到系统的可靠性和经济可行性。

本研究通过开发一个混合建模框架来应对这一挑战，该框架结合了严格的热力学模拟和人工神经网络（ANN）来进行预测

CRediT作者贡献声明

罗伯托·卡拉佩卢奇：验证、监督、软件、方法论、概念化。洛雷娜·乔尔达诺：撰写——原始草稿、软件、方法论、概念化。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。