S109FA联合循环机组汽轮机性能变化和故障诊断.pdfVIP

摘要

在“双碳”背景下，燃气轮机联合机组应用占比逐步升高，具有广泛的应用前景。

汽轮机作为燃气轮机联合循环的三大关键子系统之一，对发电系统的安全高效运行起

着非常重大的作用。汽轮机通流部分长期处于恶劣环境下运行易发生性能衰退和功能

性故障，建立汽轮机通流部分的性能预测和故障诊断模型可以及时发现潜在故障并对

故障设备进行检测和定位，有针对性的对设备进行检修和维护工作，实现汽轮机系统

的视情维修。

选取华能金陵电厂S109FA燃气轮机联合循环机组的汽轮机系统作为研究对象，建

立汽轮机的变工况计算模型，分析各运行参数与故障之间的对应关系。采用机器学习

算法和数据驱动的方式对汽轮机的性能状态进行预测和故障诊断，主要工作和研究结

论如下：

参考S109FA机组中的汽轮机系统标准工况下各负荷热平衡图，建立了汽轮机变工

况运行下性能计算模型，改进并简化低压缸效率算法并在性能模型中应用。研究了联

合循环机组总负荷对汽轮机各缸性能的影响规律，结果表明随着总负荷增大，低压缸

的负荷增大幅度较大，低压缸的效率呈现先上升后下降的趋势，其余各缸效率基本保

持稳定。

对汽轮机的故障进行整理分类，并根据故障的机理和热力判据建立了汽轮机通流部

分故障与故障热力参数之间的关系。根据各故障特征信号和通流部分故障的原理分析

以及大量的现场历史故障数据记录，建立了汽轮机通流部分故障诊断表。

对源于电厂的数据进行预处理，剔除掉错误数据同时筛选出稳态数据。针对双向长

短期记忆网络模型存在的问题进行改进，提出了一种卷积神经网络组合双向长短期记

忆算法的网络模型框架对汽轮机高压缸、中压缸和低压缸性能进行预测的方法，结果

表明卷积神经网络组合双向长短期记忆网络模型显著提高了预测的精度，能够识别汽

轮机各缸是否出现异常状况。

为了提高卷积神经网络在汽轮机通流部分故障的诊断性能，提出了一种新的故障诊

断模型基于通道注意机制多尺度卷积神经网络的汽轮机通流部分故障诊断的方法。该

模型结合了池化层、高效通道注意块和并行特征融合机制，对汽轮机的故障特征信号

进行多尺度融合互补并赋予不同的权重。通过与ISSA-DELM模型、MCNN模型、

ECA-CNN模型的故障诊断准确率进行对比，验证了基于通道注意机制多尺度卷积神经

网络模型在汽轮机通流部分故障诊断的优越性。

最后利用电厂中集散控制系统中大量的实时运行数据和历史数据，基于前文性能预

测和故障诊断的基础，结合实际工程应用，开发了汽轮机智慧维护算法软件，为电厂

安全运行、在线管理、数据监测、性能预测、故障诊断的智慧运营一体化平台提供了

基础数据支撑，有效帮助电厂工作人员实现视情维修。

关键词：燃气轮机联合循环；汽轮机通流部分；性能预测；神经网络；故障诊断

Abstract

Underthebackgroundofdualcarbon,theproportionofgasturbinecombinedcycleunits

hasgraduallyincreased,withbroadapplicationprospects.Asoneofthethreekeysub-systems

ofgasturbinecombinedcycle,thesteamturbineplaysaveryimportantroleinthesafeand

efficientoperationofpowergenerationsystems.Theflow-throughsectionofthesteamturbine

isconstantlyexposedtoahigh-temperatureandhigh-pressureenvironment,whichisproneto

performancedegradationandfunctionalfailures.Byestablishingperformancepredictionand

faultdiagnosismodelsfortheflow-throughsectionofthesteamturbine,potential