[go: up one dir, main page]

WO2005090764A1 - Verfahren und vorrichtung zur diagnose einer turbinenanlage - Google Patents

Verfahren und vorrichtung zur diagnose einer turbinenanlage Download PDF

Info

Publication number
WO2005090764A1
WO2005090764A1 PCT/EP2004/009060 EP2004009060W WO2005090764A1 WO 2005090764 A1 WO2005090764 A1 WO 2005090764A1 EP 2004009060 W EP2004009060 W EP 2004009060W WO 2005090764 A1 WO2005090764 A1 WO 2005090764A1
Authority
WO
WIPO (PCT)
Prior art keywords
gas turbine
determined
compressor
contamination
offline
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2004/009060
Other languages
English (en)
French (fr)
Inventor
Tobias JOCKENHÖVEL
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Publication of WO2005090764A1 publication Critical patent/WO2005090764A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F01D25/002—Cleaning of turbomachines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/80—Diagnostics

Definitions

  • the invention relates to a method and a device for diagnosing a turbine system with a gas turbine comprising several components, the gas turbine having at least one compressor and one filter.
  • Contamination of the compressor is caused by particles adhering to the surfaces. Oil and water mist help dust and aerosols to stick to the blades. The most frequently occurring soiling and deposits are mixtures of water wetting, water-soluble and water-insoluble materials. Contamination from ash deposits and unburned, solid cleaning products can occur in the gas turbine. Such air pollutants adhere to the components of the flow path of the gas turbine like scales and react with them. The loss of material due to chemical reactions of metals with pollutants is called hot corrosion. Beat larger, hard particles that are larger than 20 ⁇ m, on the surfaces of the flow components, material abrasion occurs.
  • Particle impact and abrasion are commonly referred to as erosion.
  • an anti-icing system is used.
  • air preheating prevents the temperature of the air from dropping below freezing when entering the gas turbine and thus preventing the water from freezing.
  • An anti-icing (English w anti-icing ") of the gas turbine is usually carried out from a temperature of 278.15 K.
  • the contamination and erosion causes an increased surface roughness of the blades. This leads to large friction losses in the gas turbine.
  • the laminar boundary layer flow can change into a turbulent flow and there is an increase in losses due to the increasing flow resistance.
  • the radial gap increases due to abrasion and corrosion. The gap flow increases and the performance of the system decreases.
  • the aging of the compressor has a negative impact on the gas turbine efficiency ⁇ GT , the gas turbine power P GT and the gas turbine outlet mass flow m ⁇ l.
  • Positive effects for the circuit in a turbine plant e.g. B. in a gas and steam power plant, only result from a slightly higher outlet temperature and better steam turbine efficiency.
  • the predominant factor here is the significant reduction in the outlet mass flow, which has a direct influence on the achievable performance.
  • compaction Buckets can be washed in online and offline mode. In online mode, the turbine system continues to operate during cleaning, whereas in offline mode it is shut down completely and rotated for about six hours with a K-cell rotating device to cool it down.
  • Offline washing results in greater performance recovery than online washing. With the help of offline washing, performance recoveries of up to 3% can be achieved. Online washing results in an average recovery of approx. 1_% of power. The most effective window cleaning can be achieved with a combination of online and offline washes. Regular online washing extends the time intervals between the required offline washes.
  • the system must be shut down for offline washing. To avoid thermal stresses, it is cooled for six hours using a shaft rotating device. If offline washing represents a significant impairment of operation, the blades are washed online. The gas turbine load is only slightly reduced. Online washes are mainly used to avoid the build-up of the dirt layer. Online washing is usually carried out once a day with demineralized water and washing with detergents every third day. Offline washing should take place once a month or after a so-called "trip". If the turbine system has not been cleaned for more than 350 hours, offline washing must be carried out, since the online cleaning method can no longer remove dirt.
  • Table 1 Categorization of aging and pollution: Category Example Countermeasures permanent old surface roughness, none, as a rule component changes too expensive, non-rain-increasing gap-blade change, replaceable old luster, regenerable soiling, ' drain online and / or
  • FIG. 1 for the prior art shows a basic course of the aging of a gas turbine based on a new and clean system condition.
  • the history shows how the performance parameters decrease over the course of the operating time.
  • Permanent losses are caused by increased surface roughness and changes in components. The replacement of the affected components would not be worthwhile because the costs incurred outweigh the benefits achieved.
  • the permanent signs of aging are shown in FIG. 1, section a. Phenomena that cannot be regenerated, such as increasing gap losses, increasing cooling air consumption and lower turbine efficiency, can be reduced by changing the turbine blades; see FIG. 1, section b.
  • the third phenomenon of aging is considered regenerable.
  • the natural aging process can be postponed to a certain extent by changing the filter and washing offline; see FIG. 1, section c.
  • Curve 1 of FIG. 1 shows the aging that could be achieved by hand washing, changing the filter and thermodynamically optimizing the gas turbine.
  • the gas turbine also includes an upstream air filter.
  • a pressure loss takes place via this filter, which affects the thermal performance of the gas turbine and the overall system. This pressure loss increases in the course of operation. In addition, the pressure drop is dependent on the current volume flow, air humidity, temperature and pressure.
  • This pressure loss is, for example, in a control and / or regulation program for the turbine system, for. B. in the so-called program KREISPR, used as an input variable.
  • program KREISPR used as an input variable.
  • the corresponding equation is:
  • the influences and results are too noisy.
  • the optimal time for online laundry is currently through determines the operator based on purely economic aspects, e.g. B. in low load times. That is, the previous decisions about the time of removal of contamination of one of the components of the turbine system, e.g. B. by washing the compressor, e.g. B. an online or offline laundry, or by replacing the filter, are based only on empirical values under economic aspects or under preliminary studies with fixed boundary conditions.
  • the invention is therefore based on the object of specifying a method and a device for diagnosing a turbine system having a gas turbine comprising a plurality of components, the operation of the turbine system, which is as cost-effective as possible, being made possible at the same time.
  • the object with regard to the method is achieved by the features of claim 1.
  • the object is achieved according to the invention with the features of claim 24.
  • the invention is based on the consideration that for a turbine system that is both low-wear and high-performance, it should be monitored and continuously diagnosed. For this purpose, in particular an additional power to be achieved by removing contamination of the turbine system is determined and continuously determined.
  • the present diagnostic concept determines the current power loss due to a degree of contamination on which the turbine system is based, eg. B. by a dirty filter or a dirty compressor.
  • the method for diagnosing the turbine system with a plurality of components, for. B. a compressor and a filter, comprehensive gas turbine automatically predicts the additional power by which an operating power of the gas turbine is increased if one of the components is removed from contamination.
  • the additional power is determined on the basis of at least one model calculation of the gas turbine and at least one operating variable representing the gas turbine.
  • a static and / or a dynamic company variable is or is determined as the company variable.
  • Time-dependent measured values in particular ambient pressure, compressor outlet pressure, pressure loss, operating hours, time of last removal of contamination, compressor mass flow, compressor inlet temperature, compressor outlet temperature, instantaneous turbine output, are determined as the dynamic operating variable.
  • the dynamic operating variables are therefore current or instantaneous measured values recorded on the gas turbine, for example by means of sensors.
  • Geometric dimensions of the gas turbine, duration of removal of the contamination, electricity generation costs and / or total output of the turbines are used as the static operating variable.
  • the static operating variables are characteristic output or operating variables that describe the gas turbine and its components in more detail.
  • the company size is validated on the basis of at least one plausibility check and / or a stationary check, in particular on current environmental conditions.
  • the validated farm size is then processed using the model calculation.
  • a stationarity check of the dynamic operating variables or measured values is understood in particular to mean the determination of the deviation of the measured values, taking into account a tolerance range for the deviation of a current measured value from a previous measured value.
  • the measured values can be combined before processing, which brings about a reduction in the number of measured values to be processed by means of the model calculation.
  • the measured values are averaged over a period of 15 minutes.
  • Non-plausible measured values identified on the basis of the plausibility check are not included in the time averaging.
  • Measured values from faulty sensors are also not taken into account in the averaging.
  • the averaged measured values are also checked for plausibility of their stationarity.
  • the recorded measured values can also be used instead of validated measured values. This can make it a big one
  • network measured values can measure several measurements of the same measured variable, e.g. B. distributed several temperature measurements over a pipe circumference, spatially averaged very close. Non-plausible network measured values are discarded before spatial averaging or, alternatively, their confidence intervals are expanded.
  • a current degree of pollution, a current grade and / or a current state of aging of one or more components of the gas turbine and / or an isentropic compressor efficiency for an unpurified and / or a contaminated gas turbine are determined by means of the model calculation.
  • a first additional service which can be achieved by eliminating contamination by offline washing of the gas turbine, in particular a compressor
  • a second additional service which is achieved by removing contamination of the Gas turbine
  • a third additional service which can be achieved by removing a contamination of the gas turbine by changing a filter
  • the operating parameters are preferably standardized.
  • the operating parameters are standardized to reference conditions, in particular ISO conditions, and then processed using the model calculation.
  • the standardized operating variables are used to determine a reference degree of pollution, a reference quality level and / or a reference aging state of one or more components of the gas turbine and / or an isentropic reference compressor efficiency for an unpurified and / or one contaminated gas turbine determined.
  • a loss of power and / or additional power validated to current environmental conditions and / or additional power in relation to reference environmental conditions can additionally or alternatively be determined on the basis of the standardized operating variable and the current validated operating variable using the model calculation.
  • the diagnostic variables determined on the basis of the model calculation are reduced. For example, a grade with a value greater than 1 and / or a negative degree of pollution are rejected.
  • a grade with a value greater than 1 and / or a negative degree of pollution are rejected.
  • the diagnosis is only carried out when the gas turbine is operated in the stationary full-load state and not with anti-icing.
  • a predicted and / or determined additional service can also be rejected if the associated value is negative.
  • a diagnostic variable ascertained on the basis of the model calculation in particular an additional power, a power loss, a degree of contamination, is output.
  • the diagnostic size determined is displayed visually.
  • a regression function determined on the basis of the diagnostic size for the last removal of a contamination, in particular through an offline wash or an online wash can also be output.
  • the regression function is preferably output as a function of a user-defined threshold value with a color change. In this way, contamination of the gas turbine or one of its components that goes beyond the usual level can be identified particularly quickly and easily by a user, so that appropriate measures, such as carrying out washing or filter replacement, can be taken.
  • the regression function with a prognosis about the future course of the diagnostic variable for example from a predetermined and thus elapsed period of time since the last removal of contamination, in particular through an offline wash, can be carried out independently of the determined diagnostic variable.
  • B. with a color marking when determining one of the diagnosis-large loss costs of a shutdown, washing costs, an additional profit after an offline wash and / or an amortization time of an offline wash can be taken into account.
  • a forecast module for determining the additional power, by which the operating power of the gas turbine is increased in the event that contamination of the gas turbine is removed.
  • the forecast module can be designed as a software module or as an electronic circuit.
  • the forecast module is expediently implemented in an automation system for controlling and / or regulating the turbine system.
  • an operator of a turbine system uses the determined diagnostic size, in particular an additional service that can be achieved depending on the elimination of contamination, for one of the components of the turbine system to have a current and predicted information status about the state of the Turbine system and its components, in particular about the current degree of pollution and a related power loss, is available.
  • a current and predicted information status about the state of the Turbine system and its components, in particular about the current degree of pollution and a related power loss
  • thermodynamic operating variables of the turbine system determined online or offline are taken into account.
  • Economic data such as cost data, are only considered statically.
  • cost data In the case of an offline diagnosis, the customer or user is offered a user interface in which cost data can be updated and predictions can be made about the optimal washing time (point of worthwhile online or offline washing).
  • FIG. 2 shows schematically a display for outputting diagnostic variables of a turbine system
  • FIG. 3 schematically shows an example of the course of an operating variable, a measured value or a diagnostic variable
  • 5 shows a schematic diagram of the course of the power loss of the turbine system as a function of the degree of contamination of the compressor
  • 6 schematically shows a diagram of the course of the total costs of removing pollution as a function of time
  • FIG. 2 schematically shows a turbine system 6 with a gas turbine 8, a compressor 10 upstream of the gas turbine 8, which in turn is preceded by a filter 12.
  • cleaned fresh air FL is compressed by means of the filter 12 and supplied as compressed air vL to a combustion chamber 14.
  • Natural gas is supplied to the combustion chamber 14 as fuel B.
  • the compressed air vL is heated in the combustion chamber 14 and fed to the gas turbine 8 for relaxation as heated air aL and discharged as combustion air VL.
  • the gas turbine 8 is coupled via a shaft 16 to the compressor 10 and a generator 18 for generating electrical energy.
  • FIG. 2 shows an show with the diagram for the turbine system 6 shown, with the individual components - gas turbine 8, compressor 10, filter 12, combustion chamber 14, generator 18 - associated operating variables BG, such as. B.
  • FIG. 3 shows one of the recorded operating variables BG, e.g. B. the filter pressure, shown as a function of time.
  • FIG. 2 shows the turbine system 6 with the ascertained and validated values for the individual operating variables BG as described above as an indication which is made available to a user of a control system and / or control system for the turbine system.
  • further values of determined operating variables BG e.g. B. dissipation factor and power losses are displayed.
  • the display is not limited to the BG sizes shown.
  • the course over the time of a single or several operating variables can be displayed on a further display, as shown for example in FIG. 3.
  • FIGS. 4.1 to 4.3 Using the flow chart shown in FIGS. 4.1 to 4.3 in tabular form for carrying out the method for diagnosing the turbine system 6, which comprises a gas turbine 8 with a compressor 10 and a filter 12, the diagnostic method is described in more detail below.
  • the Diagnoseve_trfahren is based on the consideration of the relative influence of removing contamination of the turbine system 6, e.g. B. by changing the filter and / or washing the compressor 10, for. B. to determine an online or offline Verdiciter wash.
  • the diag- nose with sufficient accuracy and as simple as possible.
  • the diagnosis should be easy to integrate into an existing diagnosis program, whereby existing modules should be used.
  • the diagnosis can be carried out both offline and online. Online diagnosis has more simplifying assumptions, such as B. standard density, standard gas composition etc. In the offline diagnosis, the user can enter this data manually.
  • An online diagnosis is divided into five categories: preprocessing (see FIG. 4.1), gas turbine diagnosis (see FIG. 4.2), post-processing, in particular calculation of compressor parameters, calculation of a power loss or additional power (see FIG. 4.3) and output of the diagnostic variable, z. B. by visualization (see FIG 4.4).
  • the process is fully automated in the online diagnosis. Except for preprocessing, these categories are started manually in the offline diagnosis.
  • the specified steps relate to a gas turbine 8.
  • a diagnosis for another gas turbine is carried out analogously (in the same load cases).
  • step 1 there is a plausibility check of the incoming measured values MW, which are recorded, for example, by a control and / or regulating system and are stored in a database for the diagnosis.
  • the measured values MW are dynamic operating variables BG, e.g. B. filter pressure, ambient pressure, compressor discharge pressure, compressor mass flow, compressor inlet pressure etc.
  • step 2 a stationarity check of the input data or measured values MW is carried out every 30 s. A corresponding flag is set and the values are written to the database.
  • step 3 the measured values MW are averaged over a period of 15 minutes. Implausible measured values MW and faulty sensors are not included in the averaging.
  • step 4 the calculated mean values are checked again for plausibility of the stationarity.
  • step 5 a spatial averaging of the network measured values according to VDI 2640 is carried out with a further plausibility test.
  • the input data can optionally be checked for plausibility, obviously incorrect values can be accepted with standard values, and the confidence intervals can be extended if necessary.
  • step 6 the overall circuit diagram of the turbine system 6 is validated in accordance with VDI 2048. Mass and energy conservation balances are used for the validation. The validation changes the measured values MW in order to maintain a consistent state with the system model.
  • Validated measurement values MW V (with index V for validated, Komp for compressors, m for mass flow, GT for gas turbine, AMB for ambient conditions, T for temperature, P for power) are now available for the further calculation steps: • v m Comp nV.AMB r GT
  • the determined values are written into the database with the ending W .V ".
  • the calculation [5] - [6] can also be carried out in gas turbine solo mode.
  • step 8 a forecast or model calculation (also "expected” calculation) of the overall circuit diagram, ie the turbine system 6, is carried out with the current ambient conditions with regard to the gas turbine 8 using a control and / or regulating program (the so-called KREISPR program). and a calibrated type file that shows the clean condition.
  • the compressor or compressor efficiency h, ' ⁇ ⁇ mp k e i - ambient conditions result from the prognosis.
  • the values from the forecast or expected value calculation are written into the database with the ending ".E".
  • step 9 a forecast calculation with reference conditions (ISO) is carried out.
  • the reference calculation results in a reference compressor efficiency ⁇ 'TM under reference conditions. This value is written to the database with the ending ".Rl".
  • step 10 a check is carried out for the full load state of the turbine system 6.
  • a binary signal from the control and / or regulation system e.g. B. the so-called OTC controller used.
  • Additional measuring points can also be used for a plausibility test.
  • Active unregulated anti-icing operation leads to the exclusion of the invoice. Preheating the air causes losses in performance and efficiency. These are generally not corrected because the temperature increase in the air and the air mass flow (in the uncontrolled case) are unknown. If necessary, however, they can be taken into account.
  • step 11 the current (dirty) compressor efficiency is calculated under ISO conditions.
  • the same relationships are assumed here: "R SO n V, lSO _ j - .VV..AAMMBB '' ⁇ lhh, .KKoommpp -" - lh, Komp 'I hh..KKoommpp "E E., ⁇ AM ⁇ ffiB •• ö ⁇ "'fh. Komp
  • the factor f nMtemng takes into account non-regenerable and permanent aging. In principle, it is a function of the equivalent operating hours: J ⁇ , aging ⁇ J ⁇ , aging VEOH) [10]
  • the aging condition or factor refers to the type file used. If a new type file is calibrated and used, the aging factor must be reset to zero.
  • a pollution factor for the compressor 10 is determined as follows:
  • a quality grade for the compressor 10 can also be determined, according to:
  • the upper limit can be checked with a data series.
  • a plausibility check is carried out on the basis of the range of the pollution factor for pollution according to equation [1]. If values ⁇ 0 for the pollution factor JV ersc mutzung or values> are determined 1 for grade G h omp the compaction ⁇ ters 10 (eg just after an off-laundering in the noise band.), They are not for a prognosis or diagnosis considered in the form of a trend line.
  • a power loss is determined in the postprocessing on the basis of the difference between the current turbine state and the clean state.
  • a reference calculation (ISO conditions) of the gas turbine circuit diagram with the current pressure loss ⁇ p pilter is determined via the filter 12 under ISO conditions and stored in the database as ".M".
  • this conversion can also be carried out manually.
  • the current measured pressure drop Ap Fj [ter through the filter 12, converted to ISO conditions as ⁇ p ⁇ °, is used as an input variable in the gas turbine forecast calculation.
  • a first additional power £ ⁇ P TM temchange is determined under reference conditions, which results from a filter change, according to: ⁇ pFilter change _ pR SO _ pAp £ ° r -i ⁇ -I i ⁇ i Qj. - r GT GT! • ⁇ *
  • step 13 the validated gas turbine power with dirty filter 12 and compressor 10 is determined from the values of the reference calculation and the forecast calculation (also called “expected” calculation) based on ISO conditions, in accordance with:
  • a second additional power AP ⁇ F '" can be determined from equations [14] and [15] under reference conditions that result from offline washing:
  • the constant factor f P ⁇ offline takes into account that the complete power loss cannot be recovered by an offline wash.
  • the factor f P ⁇ A ⁇ , augmentation is first assumed to be constant, for it may optionally include a trend line as a function of the equivalent operating hours are assumed in accordance with: JP.alternation ⁇ J P.alternation EOH) [17]
  • the determined values are written into the database with the extension ".E".
  • individual measured values MW and / or values derived or validated from them, e.g. B. the power loss can be written into the database.
  • steps 16, 17, a regression curve can additionally be displayed for an output, in particular display of the trend line or forecast line for a diagnostic variable and / or operating variable, for example according to FIG. 3.
  • This regression curve is expediently reset at the time of a last, previous offline wash.
  • the time of the last offline wash can be determined by a binary signal or alternatively by the wash speed, which must run for at least three hours.
  • a linear regression curve A linear regression curve is formed from the number n of values for the current power loss that has been determined since the last offline compressor wash signal. The confidence interval is not displayed. Trend lines with a positive slope are discarded.
  • an exponential regression curve An exponential regression curve is formed from the number n of values for the power loss determined since the last offline compressor wash signal. The confidence interval is not displayed. A strictly monotonically falling curve of the compressor efficiency is assumed. If this is not the case, the system switches to linear regression.
  • the regression function for. B. the linear regression
  • the display can optionally be done with a color change (with user-defined threshold). Alternatively, a color change can also be displayed based on operating experience values, for example after four weeks without offline washing.
  • the stored values for the operating variables BG are taken into account in the database. As already described in more detail above under FIGS. 4.1 to 4.2 for the online diagnosis, these values are preprocessed, that is to say recorded and possibly validated.
  • the user can start the turbine diagnosis, determination of the compressor parameters and the power losses manually.
  • the user can optionally carry out all steps, in particular determine all load cases and the associated values, or only parts, ie only values for individual components, eg. B. only the compressor 10 or the filter 12 or for both of them. Is z. If, for example, only a forecast or expected calculation is carried out, the necessary already validated values "" .V "are automatically read from the database.
  • the resulting OffZLine results are not written into the online database, they are expediently written in an associated database for offline sizes.
  • the diagnosis or forecast module includes an additional function.
  • the online database with the currently recorded measured values MW and the resulting validated values is taken into account.
  • the user can, for example, interactively enter current values for static and / or dynamic operating variables BG, e.g. B. current Kos enish and electricity prices, is requested.
  • the determination of an optimal washing time for the compressor 10 is described below using the forecast module.
  • the forecast module is used to identify and determine a long-term trend of pollution based on a diagnostic model.
  • the aim is to provide the operator with a To provide decision support for the time of offline laundry.
  • the operating parameters BG such as compressor parameters and power losses, are taken into account in the online diagnosis:
  • Compressor parameters • Validated isentropic compressor efficiency under ISO conditions ⁇ ° mp ; Compressor quality grade G ⁇ jj?
  • point clouds When the values are displayed, there are several point clouds. As described above, these point clouds are preferably used to lay regression functions as regression curves or compensation curves. Extrapolation of the regression curves means that pollution will be predicted in the future.
  • FIG. 5 shows an example of such a time profile for the power loss P G ⁇ as a function of the degree of contamination of the compressor 10.
  • the parameters a2, al and aO are determined using a non-linear calculation method.
  • the power losses of the gas turbine 8 due to a contaminated compressor 10 amount to a maximum value of approximately 90%.
  • the power loss P G ⁇ as shown in FIG. 5 can be determined currently and thus online. Alternatively or additionally, the power loss P G ⁇ can also be displayed for the past from stored measured values MW. This means that both a diagnosis for the past and a forecast for the future and / or a trend can be determined from previous and currently recorded measured values MW.
  • Offline washing should preferably be in a period of low electricity prices with a subsequent (longer) period of higher electricity prices.
  • a lot of assumptions would have to be made and these would always be updated by the user.
  • constant revenues and costs for a generated _Megawatt-hour of electrical energy are assumed.
  • the determination of the optimum washing time is described below using an exemplary turbine system 6, in particular a gas and Steam turbine power plant with. with a capacity of 200 MW.
  • the following diagnosis calculation relates to the optimal time for an offline wash for the compressor 10.
  • the process steps apply analogously to the filter change and / or the soot blowing as a further possibility for removing the contamination in the turbine system 6.
  • the specific observation period is:
  • loss costs per day result in the amount of:
  • the values e el , k el and t are parameterizable constants.
  • the current loss costs can be summarized, e.g. B, convert arithmetically and specifically per past day: ⁇ ez ⁇ ) [ 21 ]
  • the cost of a wash is made up of the reduced profit during the wash (6 hours) and the costs.
  • staff and detergents ⁇ rwaesche _ r, I ⁇ _ ⁇ ptot f , ⁇ rWaschstoff r 99.
  • the factor k last takes into account the load for the turbine system 6 which is possible at the time of washing and which can be implemented on the market. The larger the factor k last , the lower the costs of a see.
  • washing costs are also converted specifically for one day: ', v-washing washing ⁇ r - J 1 K special ⁇ washing * * ⁇ "
  • J wash represents the periodicity of washing. If the operator (in extreme cases) were to wash every day, he would have specific costs of EUR 74,000 per day. If he washes every 30 days, however, he would have specific costs of only approx. EUR 2,500 per day.
  • FIG 7 also clarifies that the optimum is very flat in all cases. The operator is thus shown a possible, in particular optimal, time window in which offline washing is recommended. A sharp or precise recommendation is avoided.
  • the amortization time can be determined from this:
  • the forecast module PM which is designed as a software module, is composed of several method steps which can be combined into several software modules, at least in two modules B1, B2, as shown in more detail in FIG :
  • the two modules B1 and B2 serve the following functions: •
  • the first module B1 (referred to as "TDYgt_thermo" by way of example) is used to carry out a thermodynamic analysis of the turbine system 6. The method steps are specified in more detail in the description of FIGS. 4.1 to 4.2.
  • the first module B1 is implemented, for example, in C ++ and can be called up from a higher-level control and / or regulation module for the turbine system 6 or its diagnosis. Given the full load condition and validation, etc., the forecast module PM is started. All required constants, calculation values etc. are stored in the database (referred to as "TDY database” in the example).
  • TDY database the database
  • the second component B2 (in the exemplary embodiment referred to as "TDYgt_finance") takes into account the effort for removing the contamination of the turbine system 6, as specified with reference to FIG 4.3. In addition to a time expenditure, a financial expenditure, as already described above, is taken into account and output. To take the effort into account, the diagnosis of the turbine system 6 can be carried out in offline or online mode.
  • the second component is expediently implemented as a JAVA applet.
  • FIG. 8 shows an example of a forecast module PM formed from a number of building blocks B1 to Bn.
  • the forecast module PM includes the first component B1 for thermodynamic diagnosis of the turbine system 6 and the second component B2 for taking into account the effort for removing contamination of the turbine system 6, in particular according to the processing and diagnosis described in FIG. 4.3.
  • the first and second building blocks B1 and B2 have a third building block B3 for preprocessing operating sizes BG and their measured values MW according to FIG. 4.1 and a fourth module B4 for validating the operating sizes BG and their measured values MW according to FIG 4.2 upstream. All of the blocks B1 to B4 of the forecast module PM access the data stored in a first database DB1, such as current and / or previous measured values MW and / or operating variables BG.
  • a further database contains DB2 diagnostic models for existing turbine systems or standard turbine systems, to which the first module B1 and the fourth module B4 have access, for example for referencing standard conditions or for comparing the current diagnosis with a stored model.
  • the forecast module PM can also be implemented in a higher-level diagnostic system for the turbine system 6 of a control and / or regulating system.
  • the PM forecast module or its implementation is subjected to a review process and is subject to version control.
  • the first and second additional service e.g. B.
  • the degree of pollution, the level of quality these are stored in the database DBl.
  • the actual output e.g. B. via a display, as shown for example in FIG. 9, therefore does not carry out its own calculations, eg. B. Formation of the regression curves.
  • the regression curves are, for example, in the first block B1, ie in the thermodynamic diagnostic part, determined. The regression curves must always be started at the time of the last offline wash.
  • the second component B2 then outputs, in particular displays, the determined measured values MW, the operating variables BG and the diagnostic variables, such as the first and second additional power, the degree of pollution, the state of aging, the compressor efficiency and / or the quality, whereby In addition to FIG. 5, trend lines of the calculated thermodynamic process or operating variables BG or diagnostic variables are also displayed.
  • curves shown in FIGS. 6 and 7 can be determined online and continuously updated in the display.
  • FIGS. 10 to 14 schematically show in table form the measured values, operating variables, diagnostic variables, etc. detailed.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Es wird ein Verfahren und eine Vorrichtung zur Diagnose einer Turbinenanlage (6) mit einer mehrere Komponenten (10, 12) umfassenden Gasturbine (8) vorgestellt, wobei eine Zusatzleistung automatisch prognostiziert wird, um welche eine Betriebsleistung der Gasturbine (8) im Fall der Beseitigung einer Verschmutzung bei einer der Komponenten (10, 12) erhöht wird.

Description

Beschreibung
Verfahren und Vorrichtung zur Diagnose einer Turbinenanlage
Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Diagnose einer Turbinenanlage mit einer mehrere Komponenten umfassenden Gasturbine, wobei die Gasturbine mindestens einen Verdichter und einen Filter aufweist.
Mit zunehmender Laufzeit einer Gasturbine vermindern sich ihre Leistung und ihr Wirkungsgrad durch den Einfluss der Alterung und der Verschmutzung. Besonders die aerodynamischen Teile des Verdichters der Gasturbine sind betroffen. Durch die Alterung wird der gesamte Kraftwerksprozess negativ be- einflusst. Die Alterungsmechanismen sind Verschmutzung, Ablagerung, Abtragung und Korrosion. Verschmutzung und Ablagerung sind temporäre Eigenschaften, die durch so genannte Online- und Offline-Wäschen verringert beziehungsweise beseitigt werden können. Online-Wäschen können während des Betriebs durch- geführt werden und sind mindestens einmal pro Tag durchzuführen. Offline-Wäschen erfordern einen Stillstand der Turbinenanlage für etwa sechs Stunden; sie werden üblicherweise einmal pro Monat durchgeführt werden.
Die Verschmutzung des Verdichters wird durch das Anhaften von Teilchen an den Oberflächen hervorgerufen. Öl- und Wassernebel tragen dazu bei, dass sich Staub und Aerosole an den Schaufeln festsetzen können. Die am häufigsten auftretenden Verschmutzungen und Ablagerungen sind Mischungen aus Wasser- benetzungen, wasserlöslichen und wasserunlöslichen Materialien. In der Gasturbine können Verschmutzungen durch Ascheablagerungen und unverbrannte, feste Reinigungspräparate auftreten. Derartige Luftschadstoffe haften wie Schuppen an den Komponenten des Strömungsweges der Gasturbine und reagieren mit ihnen. Der Materialverlust durch chemische Reaktionen von Metallen mit Schadstoffen wird als heiße Korrosion bezeichnet. Schlagen dabei größere, harte Partikel, die größer als 20 um sind, auf die Oberflächen der Strömungskomponenten, kommt es zu Materialabschürfungen.
Ein weiterer Aspekt für die Alterung der Turbinenanlage ist der Abrieb von Bauteilen. Hier reiben Oberflächen von rotierenden und feststehenden Bauteilen aufeinander. Häufig treten diese Reibungseffekte beim Anfahren der Anlage auf, da sich die Werkstoffe durch die Temperaturerhöhung ungleichmäßig ausdehnen. Viele Bauteile wurden mit Oberflächen realisiert, die einen bestimmten Abrieb erlauben. Abschürfungen durch
Partikelschlag und Abrieb werden im Allgemeinen als Erosion bezeichnet .
Zudem können sich Eisstückchen, die sich am Eintritt der Gas- turbine gebildet haben, lösen und auf die Strömungskomponenten schlagen. Um dies zu verhindern, kommt ein so genanntes Antivereisungssystem zum Einsatz . Hier wird durch Luftvorwär- mung verhindert, dass die Temperatur der Luft beim Eintritt in die Gasturbine unter den Gefrierpunkt sinkt und somit das Wasser nicht gefriert. Eine Antivereisung (englisch wAnti- Icing" genannt) der Gasturbine wird üblicherweise ab einer Temperatur von 278,15 K durchgeführt.
Alterungserscheinungen, wie Ablagerungen und Verschmutzungen, können durch Säuberung verbessert werden. Hingegen bei Komponenten, die stark erodiert, korrodiert und verschlissen sind, hilft nur noch eine Reparatur oder eine Auswechslung des Bauteils. Tests haben ergeben, dass sich die Leistungsabnahme infolge von Verschmutzung bei etwa 90 % stabilisiert. Aus den wachsenden Schmutzschichten lösen sich Partikel ab, die durch die Turbine wandern und andere Verschmutzungen losschlagen. Für den Verschmutzungsfaktor fVerschmMvιng gilt somit:
" - J Verschmutzung - "• 1 L 1 ]
Durch die Verschmutzung und Erosion wird eine erhöhte Oberflächenrauhigkeit der Schaufeln verursacht. Dies führt zu großen Reibungsverlusten in der Gasturbine. Die laminare GrenzSchichtStrömung kann in eine turbulente Strömung umschlagen und es kommt aufgrund des wachsenden Strömungswiderstandes zu einem Anstieg der Verluste. Während des Alterungs- prozesses der Gasturbine vergrößert sich der Radialspalt durch Abrieb und Korrosion. Die Spaltströmung nimmt zu und die Performance der Anlage verringert sich.
Geometrische Veränderungen der Schaufeln, durch Erosion, Ab- lagerungen und Schädigungen, bewirken eine verringerte Leistungsfähigkeit der Gasturbine. Auftretende Ablagerungen, Erosion und Korrosion am Eintritt führen zu veränderten Eintrittswinkeln, die sich sehr stark auf die thermische Performance auswirken. Der Einfluss von Schaufelalterungserschei- nungen ist am Eintritt der Gasturbine besonders groß. Ein gealterter Verdichter führt zu einem reduzierten Abstand zur Pumpgrenze und zum Strömungsabriss . Er zeichnet sich durch eine geringere Leistungsfähigkeit und zusätzliche Verluste aus.
Die Alterung des Verdichters wirkt sich negativ auf den Gasturbinen-Wirkungsgrad ηGT , die Gasturbinen-Leistung PGT und den Gasturbinen-Austrittsmassenstrom m^l aus. Positive Effekte für den Kreislauf in einer Turbinenanlage, z. B. in einem Gas- und Dampfkraftwerk, ergeben sich nur durch eine leicht höhere Austrittstemperatur und einen besseren Dampfturbinen-Wirkungsgrad. Vorherrschend ist hier jedoch die deutliche Senkung des Austrittsmassenstromes, der einen direkten Einfluss auf die erzielbare Leistung hat. Studien zei- gen, dass eine Verdichteralterung von 5 % zu einer Verringerung der Gasturbinen-Leistung von 8 % und des Gasturbinen- Wirkungsgrades von 3 % führt. Für das gesamte Gas- und Dampfkraftwerk führt es zu einer Verminderung von ca. 1.5 % Leistung und 0.5 % Wirkungsgrad.
Um dem Leistungsabbau der Turbinenanlage entgegenzuwirken, werden regelmäßige Verdichterwäschen durchgeführt. Verdich- terschaufeln können im Online- und Offline-Modus gewaschen werden. Beim Online-Modus wird die Turbinenanlage wähtrend der Reinigung weiter betrieben, wohingegen sie im Offline—Modus komplett heruntergefahren und zum Abkühlen mit einer KZellen- dreheinrichtung ca. sechs Stunden gedreht wird.
Eine Offline-Wäsche bewirkt eine größere Leistungsrückgewin- nung als eine Online-Wäsche. Mit Hilfe einer Offline-Wäsche können Leistungsrückgewinnungen von bis zu 3 % erzielt wer- den. Eine Online-Wäsche bewirkt durchschnittlich ca. 1_ % Leistungsrückgewinnung. Die effektivste Schaufeireinigung kann mit einer Kombination aus Online- und Offline-Wäschen erreicht werden. Eine regelmäßige Online-Wäsche erweitert die Zeitintervalle zwischen den erforderlichen Offline-Wäschen.
Für die Offline-Wäsche muss die Anlage stillgesetzt werden. Um thermische Spannungen zu vermeiden, wird sie sechs Stunden mit Hilfe einer Wellendreheinrichtung abgekühlt. Stell.t eine Offline-Wäsche eine erhebliche Beeinträchtigung des Beitriebes dar, werden die Schaufeln online gewaschen. Die Gasturbinen- last wird nur geringfügig abgesenkt. Online-Wäschen werden hauptsächlich zur Vermeidung des Aufbaus der SchmutzSchicht angewendet. Üblicherweise wird eine Online-Wäsche einmal täglich mit voll entsalztem Wasser und jeden dritten Tag eine Wäsche mit Reinigungsmitteln durchgeführt. Eine Offline-Wäsche sollte einmal im Monat oder nach einem so genannten "Trip" stattfinden. Wurde die Turbinenanlage seit mehrr als 350 Stunden nicht gereinigt, muss eine Offline-Wäsche durchgeführt werden, da die Methode der Online-Reinigung di_e Ver- schmutzungen nicht mehr entfernen kann.
Die Erscheinung der Alterung wird im Allgemeinen in di_e Bereiche "regenerierbare Alterung", "nicht regenerierbare Alterung" sowie "permanente Verluste" unterteilt, die in euer nachfolgenden Tabelle 1 näher beschrieben sind. Tabelle 1 - Kategorisierung der Alterung und Verschmutzung: Kategorie Beispiel Gegenmaßnahmen permanente Alte- Oberflächenrauhigkeit, keine, in der Regel rung Bauteilveränderungen zu teuer nicht-regene- steigende Spaltver- Schaufelwechsel rierbare Alte- luste rung regenerierbare Verschmutzungen,' Abla- Online- und/oder
Verschmutzung gerungen Offline-Wäsche
In FIG 1 zum Stand der Technik ist ausgehend von einem neuen und sauberen Anlagenzustand ein prinzipieller Verlauf der Al- terung einer Gasturbine dargestellt. Der Verlauf zeigt an, wie sich die Leistungsparameter im Laufe der Betriebszeit vermindern.
Permanente Verluste werden durch eine erhöhte Oberflächenrau- higkeit und durch Veränderungen an Bauteilen hervorgerufen. Das Auswechseln der betroffenen Komponenten würde sich nicht lohnen, da die aufgewendeten Kosten den erzielten Nutzen übersteigen. Die permanenten Alterungserscheinungen sind in der FIG 1, Abschnitt a, dargestellt. Nicht regenerierbare Erscheinungen, wie steigende Spaltverluste, wachsender Kühl- luftverbrauch und ein geringerer Turbinenwirkungsgrad, können durch Auswechseln der Turbinenschaufeln vermindert werden; siehe FIG 1, Abschnitt b.
Die dritte Alterungserscheinung gilt als regenerierbar. Durch Filterwechsel und Offline-Wäschen kann der natürliche Alte- rungsprozess zu einem gewissen Maß zurückgestellt werden; siehe FIG 1, Abschnitt c. In Kurve 1 der FIG 1 ist die Alterung dargestellt, die durch eine Handwäsche, einen Filter- Wechsel sowie eine thermodynamische Optimierung der Gasturbine erreicht werden könnte.
Für den Betreiber ist dies jedoch nicht realisierbar, da er diese thermodynamische Optimierung der Gasturbine nicht durchführen kann und Handwäschen nur bei einem längeren Stillstand möglich sind. Deshalb kann die Rückstellung c nicht bis zur Kurve 1 erfolgen. Der Einfluss von Online-Wäschen verbirgt sich hinter der Kurve 4. Es wird deutlich, dass mit jeder Online-Wäsche eine Rückgewinnung von Leistung und Heatrate erreicht wird. Ein optimaler Anlagenzustand kann nur mit regelmäßigen Offline- und Online-Wäschen erreicht werden. Wird dies vernachlässigt, steigen die Verluste der Anlage an.
Zudem umfasst die Gasturbine einen vorgeschalteten Luftfilter. Über diesen Filter findet ein Druckverlust statt, der sich auf die thermische Performance der Gasturbine und der Gesamtanlage auswirkt. Dieser Druckverlust nimmt im Laufe des Betriebes zu. Zusätzlich ist der Druckverlust abhängig vom aktuellen Volumenstrom, der Luftfeuchte, der Temperatur und dem Druck.
Dieser Druckverlust wird beispielsweise in einem Steuerungs- und/oder Regelungsprogramm für die Turbinenanlage, z. B. im so genannten Programm KREISPR, als Eingabegröße verwendet. Es findet eine Umrechnung auf ISO-Bedingungen statt. Die zugehörige Gleichung lautet:
Figure imgf000008_0001
mit
4PA,__Ό Vorgabewert totaler Druckverlust (bei ISO) ^. t/fy/o Massenströme EinNorgabe RAI,RVI0 relative Luftfeuchte EinNorgabe PO' PAI Drücke EinNorgabe Tju'Tγio Temperaturen EinNorgabe
Die Verschmutzung der Gasturbine, in der FIG 1 im Ausschnitt A vor einer Online-Wäsche, ist nicht gesichert festzustellen. Die Einflüsse und Ergebnisse sind zu stark verrauscht. Der optimale Zeitpunkt für die Online-Wäsche wird derzeit durch den Betreiber nach reinen wirtschaftlichen Betriebsgesichtspunkten bestimmt, z. B. in Schwachlastzeiten. D. h., die bisherigen Entscheidungen über den Zeitpunkt einer Beseitigung einer Verschmutzung einer der Komponenten der Turbinenanlage, z. B. durch eine Wäsche des Verdichters, z. B. einer Onlineoder Offline-Wäsche, oder durch Austausch des Filters, beruhen lediglich auf Erfahrungswerten unter wirtschaftlichen Aspekten oder unter Vorabstudien mit festen Randbedingungen.
Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren und eine Vorrichtung zur Diagnose einer Turbinenanlage mit einer mehrere Komponenten umfassenden Gasturbine anzugeben, wobei gleichzeitig mit einem hohen Wirkungsgrad ein möglichst kostenoptimaler Betrieb der Turbinenanlage ermöglicht sein soll.
Die Aufgabe hinsichtlich des Verfahrens wird erfindungsgemäß gelöst durch die Merkmale des Anspruchs 1. Hinsichtlich der Vorrichtung wird die Aufgabe erfindungsgemäß gelöst durch die Merkmale des Anspruchs 24.
Vorteilhafte Weiterbildungen sind Gegenstand der Unteransprüche.
Die Erfindung geht dabei von der Überlegung aus, dass für einen sowohl weitgehend verschleißarmen als auch leistungsmäßig hohen Betrieb einer Turbinenanlage diese überwacht und fortlaufend diagnostiziert werden sollte. Hierzu wird insbesondere eine durch Beseitigung einer Verschmutzung der Turbinenan- läge zu erzielende Zusatzleistung ermittelt und fortlaufend bestimmt. Mit anderen Worten: Das vorliegende Diagnosekonzept bestimmt neben der zu erzielenden Zusatzleistung die aktuelle Verlustleistung aufgrund eines der Turbinenanlage zugrunde liegenden Verschmutzungsgrades, z. B. durch ein verschmutztes Filter oder einen verschmutzten Verdichter. Im Detail wird bei dem Verfahren zur Diagnose der Turbinenanlage mit einer mehrere Komponenten, z. B. einen Verdichter und ein Filter, umfassenden Gasturbine diejenige Zusatzleistung automatisch prognostiziert, um welche eine Betriebsleistung der Gasturbine im Fall der Beseitigung einer Verschmutzung bei einer der Komponenten erhöht wird.
Für eine einfache Entscheidung über die Art und den Umfang der Verschmutzungsbeseitigung wird in Abhängigkeit vom Wert der ermittelten Zusatzleistung und deren prognostizierter Verlauf in der Zukunft bestimmt, ob die Gasturbine zur Besei- tigung der Verschmutzung temporär stillgesetzt wird. Darüber hinaus wird in Abhängigkeit vom Gesamtaufwand einer temporären Stillsetzung ein Zeitpunkt für eine temporäre Stillsetzung ermittelt. Bei der Bestimmung des Zeitpunktes für die temporäre Stillsetzung werden insbesondere Betriebskosten, beispielsweise Stromerzeugungskosten, der Erlös für elektrische Energie, Kosten für die Beseitigung der Verschmutzung, z. B. Waschkosten oder Kosten für einen Filterwechsel, berücksichtigt .
In einer möglichen Ausführungsform wird die Zusatzleistung anhand mindestens einer Modellrechnung der Gasturbine und mindestens einer die Gasturbine repräsentierenden Betriebsgröße ermittelt. Dabei werden bzw. wird als Betriebsgröße eine statische und/oder eine dynamische Betriebsgröße ermit- telt. Als dynamische Betriebsgröße werden zeitabhängige Messwerte, insbesondere Umgebungsdruck, Verdichter-Austrittsdruck, Druckverlust, Betriebsstunden, Zeitpunkt der letzten Beseitigung einer Verschmutzung, Verdichter-Massenstrom, Verdichter-Eintrittstemperatur, Verdichter-Austrittstemperatur, momentane Turbinenleistung, ermittelt. Bei den dynamischen Betriebsgrößen handelt es sich somit um an der Gasturbine beispielsweise mittels Sensoren erfasste aktuelle oder momentane Messwerte.
Als statische Betriebsgröße werden geometrische Abmessungen der Gasturbine, Zeitdauer für eine Beseitigung der Verschmutzung, Stromerzeugungskosten und/oder Gesamtleistung der Tur- binenanlage und/oder der Gasturbine und/oder thermodynamische Konstanten, insbesondere Standard-Druck, Standard-Temperatur, Standard-Luftfeuchte, ermittelt. Die statischen Betriebsgrößen sind charakteristische Ausgangs- oder Betriebsgrößen, die die Gasturbine und ihre Komponenten näher beschreiben.
Für eine hinreichend genaue Bestimmung der Zusatzleistung anhand der Modellrechnung wird die Betriebsgröße anhand mindestens einer Plausibilitätsprüfung und/oder einer Stationär!- tätsprüfung, insbesondere auf aktuelle Umgebungsbedingungen, validiert. Anschließend wird die validierte Betriebsgröße anhand der Modellrechnung verarbeitet. Unter einer Stationari- tätsprüfung der dynamischen Betriebsgrößen oder Messwerte wird insbesondere die Bestimmung der Abweichung der Messwerte unter Berücksichtigung eines Toleranzbereichs für die Abweichung eines aktuellen Messwerts von einem vorangegangen Messwert verstanden.
Alternativ oder zusätzlich können die Messwerte vor der Ver- arbeitung zusammengefasst werden, wodurch eine Reduzierung der Anzahl der mittels der Modellrechnung zu verarbeitenden Messwerte bewirkt wird. Beispielsweise erfolgt eine zeitliche Mittelung der Messwerte in einem 15-min-Takt. Anhand der Plausibilitätsprüfung identifizierte, nicht-plausible Mess- werte gehen dabei nicht in die zeitliche Mittelung ein. Auch Messwerte gestörter Sensoren bleiben bei der Mittelung unberücksichtigt. Die gemittelten Messwerte werden darüber hinaus auf Plausibilität ihrer Stationarität geprüft. Auch können anstelle von validierten Messwerten die erfassten Messwerte verwendet werden. Hierdurch kann es aber zu einer großen
Streuung der Ergebnisse der Modellrechnung kommen. Zusätzlich können so genannte Netz-Messwerte mehrere Messungen derselben Messgröße, z. B. mehrere Temperaturmessungen über einen Rohrumfang verteilt, räumlich sehr nah gemittelt werden. Dabei werden nicht-plausible Netz-Messwerte vor der räumlichen Mittelung verworfen oder alternativ deren Konfidenzintervalle erweitert. Anhand der validierten Betriebsgröße, welche auf aktuelle Umgebungsbedingungen validiert sind, z. B. auf Volllast der Gasturbine, werden mittels der Modellrechnung ein aktueller Verschmutzungsgrad, ein aktueller Gütegrad und/oder ein aktueller Alterungszustand einer oder mehrerer Komponenten der Gasturbine und/oder ein isentroper Verdichter-Wirkungsgrad für eine unverschmutzte und/oder eine verschmutzte Gasturbine ermittelt. Zusätzlich oder alternativ werden anhand der vali- dierten Betriebsgrößen mittels der Modellrechnung eine erste Zusatzleistung, die durch Beseitigen einer Verschmutzung durch eine Offline-Wäsche der Gasturbine, insbesondere eines Verdichters, erreichbar ist, und/oder eine zweite Zusatzleistung, die durch Beseitigen einer Verschmutzung der Gasturbine durch eine Online-Wäsche eines Verdichters erreichbar ist, und/oder eine dritte Zusatzleistung, die durch Beseitigen einer Verschmutzung der Gasturbine durch Wechsel eines Filters erreichbar ist, prognostiziert.
Für eine Vergleichbarkeit der ermittelten Diagnosegrößen, d. h. der ersten Zusatzleistung, der zweiten Zusatzleistung, des aktuellen Verschmutzungsgrads, des aktuellen Alterungszustands, des aktuellen Gütegrads und/oder des Verdichter-Wirkungsgrads, werden die Betriebsgröße vorzugsweise normiert. Beispielsweise werden die Betriebsgrößen auf Referenzbedingungen, insbesondere ISO-Bedingungen, normiert und anschließend anhand der Modellrechnung verarbeitet. Dabei werden anhand der normierten Betriebsgrößen mittels der Modellrechnung ein Referenz-Verschmutzungsgrad, ein Referenz-Gütegrad und/o- der ein Referenz-Alterungszustand einer oder mehrerer Komponenten der Gasturbine und/oder ein isentroper Referenz-Verdichter-Wirkungsgrad für eine unverschmutzte und/oder eine verschmutzte Gasturbine ermittelt. Zusätzlich oder alternativ werden anhand der normierten Betriebsgrößen (= in Bezug auf Referenz-Umgebungsbedingungen) mittels der Modellrechnung eine erste Referenz-Zusatzleistung, eine zweite Referenz-Zusatzleistung und/oder ein isentroper Referenz-Wirkungsgrad ermittelt.
Je nach Vorgabe kann zusätzlich oder alternativ anhand der normierten Betriebsgröße und der aktuellen validierten Be- triebsgröße mittels der Modellrechnung eine auf aktuelle Umgebungsbedingungen validierte Verlustleistung und/oder Zusatzleistung in Bezug auf Referenz-Umgebungsbedingungen ermittelt werden.
Für eine schnelle und einfache Auswertung der Diagnose der Gasturbine werden die anhand der Modellrechnung ermittelten Diagnosegrößen reduziert. Beispielsweise werden ein Gütegrad mit einem Wert größer als 1 und/oder ein negativer Verschmutzungsgrad verworfen. Auch kann als eine weitere Bedingung für eine Durchführung einer Diagnose der Gasturbine vorgegeben werden, dass die Diagnose ausschließlich dann ausgeführt wird, wenn die Gasturbine im stationären Volllastzustand und nicht mit Antivereisung betrieben wird. Für eine einfache Auswertung der Diagnose kann zudem eine prognostizierte und/oder ermittelte Zusatzleistung verworfen werden, wenn der zugehörige Wert negativ ist.
In einer weiteren Ausführungsform wird eine anhand der Modellrechnung ermittelte Diagnosegröße, insbesondere eine Zu- Satzleistung, eine Verlustleistung, ein Verschmutzungsgrad, ausgegeben. Beispielsweise wird die ermittelte Diagnosegröße visuell dargestellt. Je nach Vorgabe kann dabei auch eine anhand der Diagnosegröße für die letzte Beseitigung einer Verschmutzung, insbesondere durch eine Offline-Wäsche oder eine Online-Wasehe, ermittelte Regressionsfunktion ausgegeben werden. Vorzugsweise wird die Regressionsfunktion in Abhängigkeit eines benutzerdefinierten Schwellwerts mit einem Farbumschlag ausgegeben. Hierdurch kann eine über das übliche Maß hinausgehende Verschmutzung der Gasturbine oder eine ihrer Komponenten besonders schnell und einfach von einem Benutzer identifiziert werden, so dass entsprechende Maßnahmen, wie die Durchführung einer Wäsche oder eines Filteraustauschs, ergriffen werden können.
Alternativ oder zusätzlich kann ab einer vorgegebenen und somit abgelaufenen Zeitdauer seit der letzen Beseitigung einer Verschmutzung, insbesondere durch eine Offline-Wäsche, unabhängig von der ermittelten Diagnosegröße die Regressionsfunktion mit einer Prognose über den zukünftigen Verlauf der Diagnosegröße, z. B. mit einer Farbmarkierung, ausgegeben werden. Zusätzlich können bei der Ermittlung einer der Diagnose- großen Verlustkosten einer Stillsetzung, Waschkosten, ein Zusatzgewinn nach einer Offline-Wäsche und/oder ein Amortisationszeitpunkt einer Offline-Wäsche berücksichtigt werden.
In einer möglichen Ausführungsform für eine Vorrichtung zur Durchführung des Verfahrens ist ein Prognosemodul zur Ermittlung der Zusatzleistung vorgesehen, um welche die Betriebsleistung der Gasturbine im Fall der Beseitigung einer Verschmutzung der Gasturbine erhöht wird. Je nach Art und Ausführung kann das Prognosemodul als ein Softwaremodul oder als eine elektronische Schaltung ausgeführt sein. Zweckmäßigerweise ist das Prognosemodul in einem Automatisierungssystem zur Steuerung und/oder Regelung der Turbinenanlage implementiert.
Die mit der Erfindung erzielten Vorteile bestehen insbesondere darin, dass einem Betreiber einer Turbinenanlage mittels der ermittelten Diagnosegröße, insbesondere einer in Abhängigkeit von einer Beseitigung einer Verschmutzung erzielbaren Zusatzleistung, für eine der Komponenten der Turbinenanlage ein aktueller und in die Zukunft prognostizierter Informationsstand über den Zustand der Turbinenanlage und ihrer Komponenten, insbesondere über den aktuellen Verschmutzungsgrad und einer damit verbundenen Verlustleistung, zur Verfügung steht. Unter Berücksichtigung von Daten zu dem Gesamtaufwand für die Beseitigung einer Verschmutzung bei der Ermittlung der Diagnosegröße wird eine Wartung oder ein Service nur dann durchgeführt, wenn es sowohl technisch als auch Wirtschaft- lieh erforderlich ist. Dabei werden längerfristige Trends der Verschmutzung durch das Diagnosemodell identifiziert. Anhand der ermittelten Diagnosegrößen wird dem Betreiber eine Entscheidungshilfe für den Zeitpunkt einer Wäsche, z. B. einer Offline-Wäsche, gegeben. Es erfolgt eine parametrierbare, monetäre Bewertung der Verlustleistung bzw. der Ausfallkosten. Anhand der Modellrechnung werden online oder offline ermittelte thermodynamische Betriebsgrößen der Turbinenanlage berücksichtigt. Wirtschaftliche Daten, wie Kostendaten, werden nur statisch berücksichtigt. Bei einer Offline-Diagnose wird dem Kunden oder Benutzer eine Benutzeroberfläche angeboten, in der Kostendaten aktualisiert werden können und Voraussagen über den kostenoptimalen Waschzeitpunkt (Punkt sich lohnender Online- oder Offline-Wäschen) getroffen werden können.
Ausführungsbeispiele der Erfindung werden anhand einer Zeichnung näher erläutert. Darin zeigen:
FIG i schematisch einen prinzipiellen Verlauf für die Alterung einer Gasturbine,
FIG 2 schematisch eine Anzeige zur Ausgabe von Diagnosegrößen einer Turbinenanlage,
FIG 3 schematisch ein Beispiel für den Verlauf einer Betriebsgröße, eines Messwerts bzw. einer Diagnosegröße,
FIG 4.1 bis 4.4 schematisch in Tabellenform den Ablaufplan für ein Verfahren zur Diagnose einer Turbinenanlage,
FIG 5 schematisch ein Diagramm zum Verlauf der Verlustleistung der Turbinenanlage in Abhängig- keit vom Verschmutzungsgrad des Verdichters, FIG 6 schematisch ein Diagramm zum Verlauf der Gesamtkosten einer Verschmutzungsbeseitigung in Abhängigkeit von der Zeit,
FIG 7 schematisch ein Diagramm mit einer Kurvenschar von verschiedenen Gesamtkostenverläufen bei unterschiedlicher Last der Turbinenanlage,
FIG 8 schematisch ein Prognosemodul zur Durchführung des Verfahrens zur Diagnose einer Turbinenanlage,
FIG 9 schematisch eine Anzeige zur Ausgabe der mit- tels des Prognosemoduls ermittelten Diagnosegrößen, und
FIG 10 bis 14 schematisch in Tabellenform die anhand der Diagnose ermittelten bzw. zu berücksichtigen- den Messwerte, Betriebsgrößen, Diagnosegrößen etc .
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
FIG 2 zeigt schematisch eine Turbinenanlage 6 mit einer Gasturbine 8, einem der Gasturbine 8 vorgeschalteten Verdichter 10, dem wiederum ein Filter 12 vorgeschaltet ist. Mittels des Verdichters 10 wird anhand des Filters 12 gereinigte Frisch- luft FL verdichtet und als verdichtete Luft vL einer Brennkammer 14 zugeführt . Der Brennkammer 14 wird beispielsweise als Brennstoff B Erdgas zugeführt. Die verdichtete Luft vL wird in der Brennkammer 14 aufgeheizt und als aufgeheizte Luft aL der Gasturbine 8 zur Entspannung zugeführt und als Verbrennungsluft VL abgeführt. Die Gasturbine 8 ist über eine Welle 16 mit dem Verdichter 10 und einem Generator 18 zur Erzeugung elektrischer Energie gekoppelt. In FIG 2 ist eine An- zeige mit dem Schema für die Turbinenanlage 6 dargestellt, wobei in der Anzeige den einzelnen Komponenten - Gasturbine 8, Verdichter 10, Filter 12, Brennkammer 14, Generator 18 - zugehörige Betriebsgrößen BG, wie z. B. Verdichter-Wirkungs- grad, Gasturbinen-Wirkungsgrad, Filterdruck, und deren aktuelle Messwerte MW, wie z. B. 86,66 %, 36,63 % bzw. 3,71 mbar, zugeordnet sincä und ausgegeben werden. Bei den dort dargestellten Betriebsgrößen BG handelt es sich um dynamische Betriebsgrößen, welche fortlaufend online erfasst und aktuali- siert werden. In FIG 3 ist eine der erfassten Betriebsgrößen BG, z. B. der Filterdruck, in Abhängigkeit von der Zeit dargestellt.
In FIG 2 ist die Turbinenanlage 6 mit den wie oben beschrie- benen ermittelten und validierten Werten für die einzelnen Betriebsgrößen BG als eine Anzeige, welche einem Benutzer eines Steueruncjs- und/oder Regelungssystems für die Turbinenanlage zur Verfügung gestellt wird, dargestellt. Dabei können weitere Werte von ermittelten Betriebsgrößen BG, z. B. Verlustfaktor und Verlustleistungen, angezeigt werden. Die Anzeige ist nicht auf die dargestellten Betriebsgrößen BG begrenzt. Auch kann optional oder zusätzlich auf einer weiteren Anzei e der Verlauf über die Zeit einer einzelnen oder mehrerer Betriebsgrößen angezeigt werden, wie bei- spielsweise in der FIG 3 gezeigt.
Anhand des in den FIG 4.1 bis 4.3 dargestellten Ablaufplans in Tabellenform für die Durchführung des Verfahrens zur Diagnose der Turbinenanlage 6, welche eine Gasturbine 8 mit einem Verdichter 10 ιxnd einem Filter 12 umfasst, wird nachfolgend das Diagnoseveztrfahren näher beschrieben.
Dem Diagnoseve_trfahren liegt dabei die Überlegung zugrunde, den relativen Einfluss einer Beseitigung einer Verschmutzung der Turbinenanlage 6, z. B. durch einen Filterwechsel und/oder eine Wäsche des Verdichters 10, z. B. eine Online- oder Offline-Verdiciterwäsche, zu bestimmen. Dabei soll die Diag- nose mit hinreichender Genauigkeit und möglichst einfach durchgeführt werden. Zudem sollte die Diagnose in ein bereits bestehendes Diagnoseprogramm einfach integrierbar sein, wobei bereits vorhandene Module genutzt werden sollten.
Die Diagnose und. Berechnung wird vorliegend für verschiedene Betriebszustände, insbesondere für stationäre Volllastzustän- de durchgeführt, wie in FIG 4.4 dargestellt. Teillastzustände haben ein zu großes Rauschband aufgrund einer unsicher mess- baren Leitschaufelstellung. Auch führt der ungeregelte Anti- Icing-Betrieb zu nicht messbaren Rückströmungen, die eine gesicherte Validierung und Diagnose verhindern. Somit wird eine Diagnose für eine im Anti-Icing-Betrieb fahrende Turbinenanlage 6 im Allgemeinen nicht durchgeführt.
Die Diagnose kann sowohl offline als auch online durchgeführt werden. Die Online-Diagnose hat mehr vereinfachende Annahmen, wie z. B. Normdichte, Standard-Gaszusammensetzung etc. In der Offline-Diagnose kann der Benutzer diese Daten manuell einge- ben.
Nachfolgend wird, zuerst eine Online-Diagnose näher beschrieben:
Eine Online-Diagnose gliedert sich in fünf Kategorien: Vorverarbeitung (siehe FIG 4.1), Gasturbinen-Diagnose (siehe FIG 4.2), Nachverarbeitung, insbesondere Berechnung von Verdichter-Kenngrößen, Berechnung einer Verlustleistung oder Zusatzleistung (siehe FIG 4.3) und Ausgabe der Diagnosegröße, z. B. durch Visualisierung (siehe FIG 4.4). Der Ablauf erfolgt in der Online-Diagnose vollautomatisch. In der Offline- Diagnose werden, bis auf die Vorverarbeitung, diese Kategorien manuell gestartet. Die angebenden Schritte beziehen sich auf eine Gasturbine 8. Je nach Art und Ausbildung der Turbi- nenanlage 6, z. B. mit mehreren Gasturbinen (nicht näher dargestellt) oder als Gas- und Dampfturbinenanlage (nicht näher dargestellt) , wird eine Diagnose für eine weitere Gasturbine analog (in denselben Lastfällen) durchgeführt.
Bei der Diagnose werden zwei Kenngrößen für den Verdichter 10 bestimmt: ein aktueller isentroper Verdichterwirkungsgrad ^ Komp kei ISO-Bedingungen und ein Verschmutzungsfaktor fη, Verschmutzung • Weiterhin wird als Verlustleistung eine Zusatzleistung Pz bestimmt, d. h. der mögliche Leistungsgewinn durch eine Beseitigung einer Verschmutzung durch eine Wäsche bzw. durch einen Filterwechsel wird ermittelt. Es erfolgt keine Berechnung des Wirkungsgrads der Gasturbine 8 (= Heat- rate) oder des Gesamtwirkungsgrades der Turbinenanlage 6.
Im Folgenden wird das Ablaufkonzept beschrieben. Die FIG 4.1 bis 4.4 zeigen eine Übersicht über die einzelnen Schritte. Die Schritte werden im Folgenden nach der Berechnungslogik nummeriert, sie können aber auch in einer anderen Reihenfolge ausgeführt werden.
In FIG 4.1, Schritt 1, erfolgt eine Plausibilitätsprüfung der eingehenden Messwerte MW, welche beispielsweise von einem Steuerungs- und/oder Regelungssystem erfasst und in einer Datenbank für die Diagnose hinterlegt werden. Bei den Messwerten MW handelt es sich um dynamische Betriebsgrößen BG, z. B. Filterdruck, Umgebungsdruck, Verdichter-Austrittsdruck, Verdichter-Massenstrom, Verdichter-Eintrittsdruck etc. In Schritt 2 erfolgt eine Stationaritätsprüfung der Eingangsdaten oder Messwerte MW im 30-s-Takt. Ein entsprechendes Flag wird gesetzt und die Werte in die Datenbank geschrieben. In Schritt 3 erfolgt eine zeitliche Mittelung der Messwerte MW im 15-min-Takt. Nicht-plausible Messwerte MW und gestörte Sensoren gehen nicht in die Mittelung ein. Die berechneten Mittelwerte werden in Schritt 4 erneut auf Plausibilität der Stationarität geprüft.
In Schritt 5 erfolgt eine räumliche Mittelung der Netz-Messwerte nach VDI 2640 mit einem weiteren Plausibilitätstest . Optional können in einem weiteren Schritt die Eingangsdaten abschließend auf Plausibilität geprüft werden, offensichtlich fehlerhafte Werte mit Standardwerten angenommen und ggf. die Konfidenzintervalle erweitert werden.
In FIG 4.2 wird die Gasturbinen-Diagnose näher beschrieben. In Schritt 6 erfolgt eine Validierung des Gesamtschaltbildes der Turbinenanlage 6 nach VDI 2048. Es werden Massen- und Energieerhaltungsbilanzen für die Validierung herangezogen. Durch die Validierung erfolgt eine Veränderung der Messwerte MW, um mit dem Anlagenmodell einen konsistenten Zustand zu erhalten.
Für die weiteren Berechnungsschritte stehen nun validierte Messwerte MWV (mit Index V für validiert, Komp für Verdichter, m für Massenstrom, GT für Gasturbine, AMB für Umgebungsbedingungen, T für Temperatur, P für Leistung) zur Verfügung: • v mKomp
Figure imgf000020_0001
nV.AMB rGT
Nicht validiert werden folgende Messwerte MW, insbesondere Druckmesswerte p:
Figure imgf000020_0002
wobei der hochgestellte Index VL die Verwendung als nicht va- lidierter Messwert MW (= gemessener Wert) bezeichnet.
Betriebspunkte, wie z. B. eine weitere Gasturbine im Bypass oder nur ein Strang einer Gasturbine (auch kurz GT-HRSG genannt) im Betrieb, werden durch abschaltbare "Cycle-Segments" berücksichtigt. Die validierten Werte werden mit der Endung ".V" in die Datenbank geschrieben. In Schritt 7 als Teil der Validierungsrechnung wird ein in- sentroper Verdichter-Wirkungsgrad (mit "Komp" = Verdichter) bestimmt: j isentrop _ T -V,AMB Komp,Aus Komp,Ein 'Ih.Komp ~ , _ » L -> J Komp, Aus Komp, Ein
wobei sich die Ein- und Austrittsenthalpien des Verdichters 10 (kurz mit "Komp" bezeichnet) durch :
"•Komp.Ein = "'Komp.Ein * Komp, Ein > PAMB ) h Komp.Aus
Figure imgf000021_0001
bestimmen. Die ermittelten Werte werden mit der Endung W.V" in die Datenbank geschrieben. Die Rechnung [5] - [6] kann auch im Gasturbinen-Solobetrieb durchgeführt werden.
In Schritt 8 erfolgt eine Prognose- oder Modellrechnung (auch "Expected"-Rechnung) des Gesamtschaltplans, d. h. der Turbinenanlage 6, mit den aktuellen Umgebungsbedingungen bezüglich der Gasturbine 8 anhand eines Steuerungs- und/oder Regelungs- Programms (dem so genannten Programm KREISPR) und einer kalibrierten Typdatei, die den sauberen Zustand darstellt. Aus der Prognose ergibt sich der Kompressor- oder Verdichter-Wirkungsgrad h,'κ^mp kei- Umgebungsbedingungen. Die Werte aus der Prognose- oder Erwartungswertrechnurag werden mit der Endung ".E" in die Datenbank geschrieben.
In Schritt 9 wird eine Prognoserechrxung mit Referenzbedingungen (ISO) durchgeführt. Die ISO-Bedingungen für die Umge- bungstemperatur ύA- m , den Umgebungsdruck pmB und die Umgebungsluftfeuchte φmB sind: ϊr ψso =i5°c
Figure imgf000021_0002
φ"υ = 60Ψo Hierbei werden als Brennstoff B Standardbrennstoffe Erdgas und Heizöl nach IS06976 oder ANSI 133.6 angenommen. Aus der Referenzrechnung ergibt sich ein Referenz-Verdichter-Wir- kungsgrad η '™ bei Referenzbedingungen. Dieser Wert wird mit der Endung ".Rl" in die Datenbank geschrieben.
In Schritt 10 erfolgt eine Prüfung auf den Volllast-Zustand der Turbinenanlage 6. Hierfür wird ein binäres Signal des Steuerungs- und/oder Regelungssystems, z. B. des so genannten OTC-Controllers, genutzt. Zusätzlich können weitere Messstellen für einen Plausibilitätstest hinzugezogen werden. Aktiver ungeregelter Anti-Icing-Betrieb führt zum Ausschluss der Rechnung. Durch die Vorwärmung der Luft entstehen Leistungs- und Wirkungsgradverluste . Diese werden im Allgemeinen nicht korrigiert, da die Temperaturerhöhung der Luft sowie der Luftmassenstrom (im ungeregelten Falle) unbekannt sind. Gegebenenfalls können sie aber berücksichtigt werden.
In Schritt 11 wird der aktuelle (verschmutzte) Verdichter- Wirkungsgrad bei ISO-Bedingungen berechnet . Hierbei werden gleiche Verhältnisse angenommen: „R SO nV,lSO _ j- .VV..AAMMBB ' 'ιlhh,.KKoommpp - „ - lh,Komp 'I hh..KKoommpp „E E.,ΛAMΛffiB •• ö ■" 'fh.Komp
Dieser Wert wird mit der Endung ".R" in die Datenbank geschrieben. Zwischen dem Referenz-Verdichter—Wirkungsgrad und dem aktuellen Wirkungsgrad bei ISO-Bedingungen lässt sich die Beziehung: v,ιso = (ι_ f _ f \nR.ιso ,g, lh,Komp \ Jη, Alterung η, Verschmutzung ) I , Komp ι. -> i
bilden. Der Faktor fnMtemng berücksichtigt die nicht-regenerierbare und permanente Alterung. Er ist im Prinzip eine Funktion der äquivalenten Betriebsstunden: Jη, Alterung ~ Jη, Alterung VEOH ) [ 10 ]
Er kann aber auch vereinfacht als Konstante in der Datenbank hinterlegt werden. Der AIterungszustand oder -faktor bezieht sich auf die verwendete Typdatei. Wird eine neue Typdatei kalibriert und eingesetzt, muss der AIterungsfaktor auf null zurückgesetzt werden.
Ein Verschmutzungsfaktor für den Verdichter 10 wird, wie folgt bestimmt:
Figure imgf000023_0001
Alternativ oder zusätzlich kann auch ein Gütegrad für den Verdichter 10 ermittelt werden, gemäß:
Figure imgf000023_0002
Die obere Grenze kann mit einer Datenreihe überprüft werden. Anhand des Bereichs des Verschmutzungsfaktors fVerschmuzung ge- maß Gleichung [1] wird eine Plausibilitätsprüfung durchgeführt. Sofern Werte < 0 für den Verschmutzungsfaktor J Versc mutzung oder Werte > 1 für den Gütegrad Gh omp des Verdich¬ ters 10 ermittelt werden (z. B. kurz nach einer Offline-Wäsche im Rauschband) , werden diese nicht für eine Prognose oder Diagnose in Art einer Trendlinie berücksichtigt.
In Schritt 12 gemäß FIG 4.3 wird bei der Nachverarbeitung anhand der Differenz des aktuellen Turbinenzustands zum sauberen Zustand eine Verlustleistung bestimmt. Hierzu wird eine Referenzrechnung (ISO-Bedingungen) des Gasturbinen-Schaltplans mit dem aktuellen Druckverlust Δppilter über den Filter 12 bei ISO-Bedingungen ermittelt und als ".M" in der Datenbank abgespeichert . Um eine zusätzlich Rechnung einzusparen, kann diese Umrechnung auch manuell durchgeführt werden. Gemäß Gleichung [2] kann auch eine Messwertumrechnung auf ISO-Bedingung abgeleitet werden: „M,ISO _ A , . m Komp RAM AMB PlSO P Filter = AP Filter [ 13 ] mKomp ) Rιso TIS0 pmB
Der aktuelle gemessene Druckverlust ApFj[ter über den Filter 12, umgerechnet auf ISO-Bedingungen als Δp^° bezeichnet, geht als Eingangsgröße in die Gasturbinen-Prognoserechnung ein.
Dabei wird eine erste Zusatzleistung £±P™temechsel bei Referenz— bedingungen ermittelt, die sich aufgrund eines Filterwechsels ergibt, gemäß: Λ pFilterwechsel _ pR SO _ pAp £° r -i Λ -I iΛi Qj. — rGT GT !• ■*
In Schritt 13 wird die validierte Gasturbinen-Leistung mit verschmutztem Filter 12 und Verdichter 10 aus den Werten der Referenzrechnung und der Prognoserechnung (auch "Expected"— Rechnung genannt) auf ISO-Bedingungen bestimmt, gemäß:
Figure imgf000024_0001
Aus den Gleichungen [14] und [15] lässt sich eine zweite Zusatzleistung AP^F'" bei Referenzbedingungen, die sich auf- grund einer Offline-Wäsche ergibt, bestimmen:
A pofflineW _J1 _ f _ f \ ( pR.ISO _ Λ pFilterwechsel _ pV SO \ M S I λrC-r ~ l J P, offline J P, Alterung ) \rGT DjrGT rGT ) L O J
Der konstante Faktor fP<offline berücksichtigt, dass nicht die komplette Verlustleistung durch eine Offline-Wäsche zurückgewonnen werden kann. Der Faktor fPιAι,erung wird zunächst als konstant angesetzt, für ihn kann optional eine Trendlinie als Funktion der äquivalenten Betriebsstunden angenommen werden, gemäß: JP.Alterung ~ J P.Alterung EOH ) [ 17 ]
mit tE0H = äquivalenten Betriebsstunden seit der letzten Revision.
Bevor die ermittelten Werte in die Datenbank geschrieben werden, wird eine Plausibilitätsprüfung durchgeführt, gemäß:
Figure imgf000025_0001
≥ Q [ 18 ]
Die ermittelten Werte werden in die Datenbank mit der Endung ".E" geschrieben. Anhand von Online-Messungen können zudem einzelne Messwerte MW und/oder daraus abgeleitete oder vali- dierte Werte, z. B. der Verlustleistung, in die Datenbank ge- schrieben werden.
Gemäß FIG 4.3, Schritt 16, 17 kann bei einer Ausgabe, insbesondere Anzeige der Trendlinie oder Prognoselinie für eine Diagnosegröße und/oder Betriebsgröße beispielsweise gemäß FIG 3 zusätzlich eine Regressionskurve angezeigt werden. Diese Regressionskurve wird zweckmäßigerweise zurückgesetzt zum Zeitpunkt einer letzten, vorangegangenen Offline-Wäsche. Der Zeitpunkt der letzten Offline-Wäsche kann durch ein Binärsignal bestimmt werden oder alternativ durch die Waschdrehzahl, die über mindestens drei Stunden laufen muss.
Für die Ermittlung der Regressionskurve gibt es zwei Optionen:
Zum einen eine lineare Regressionskurve: Dabei wird durch die seit dem letzten Offline-Verdichterwaschsignal ermittelte Anzahl n von Werten für die aktuelle Verlustleistung eine lineare Regressionskurve gebildet. Auf die Anzeige des Konfidenz- intervalls wird verzichtet. Trendlinien mit positiver Stei- gung werden verworfen. Zum anderen eine exponentielle Regressionskurve: Dabei wird durch die Anzahl n der seit dem letzten Offline-Verdichterwaschsignal ermittelten Werte für die Verlustleistung eine exponentielle Regressionskurve gebildet. Auf die Anzeige des Konfidenzintervalls wird verzichtet. Eine streng monoton fallende Kurve der Verdichtereffizienz wird angenommen. Ist dies nicht der Fall, wird auf die lineare Regression umgeschaltet.
In die Anzeige des Verlaufs der Messwerte MW kann dann die Regressionsfunktion, z. B. die lineare Regression, ausgegeben werden. Die Anzeige kann optional mit einem Farbumschlag (mit benutzerdefiniertem Schwellwert) erfolgen. Alternativ kann aufgrund von Betriebserfahrungswerten, beispielsweise nach vier Wochen ohne Offline-Wäsche, ebenfalls ein Farbumschlag angezeigt werden.
Im Nachfolgenden wird eine Offline-Diagnose der Turbinenanlage 6 näher beschrieben. Bei der Offline-Diagnose sind zwei Fälle zu unterscheiden:
• Offline-Ermittlung einzelner Lastpunkte der Turbinenanlage 6, • Offline-Prognose oder -Vorausschau eines so genannten "break-even"-Punktes sich lohnender Offline-Wäsche und/oder Filterwechsel.
Für die Offline-Ermittlung einzelner Lastpunkte werden die gespeicherten Werte für die Betriebsgrößen BG in der Datenbank berücksichtigt. Diese Werte sind, wie bereits oben unter FIG 4.1 bis 4.2 für die Online-Diagnose näher beschrieben, vorverarbeitet, d. h. erfasst und gegebenenfalls validiert. Der Benutzer kann die Schritte Turbinen-Diagnose, Bestimmung der Verdichter-Kenngrößen und der Verlustleistungen manuell starten. Hierbei kann der Benutzer wahlweise alle Schritte durchführen, insbesondere alle Lastfälle und die zugehörigen Werte ermitteln bzw. nur Teile, d. h. nur Werte für einzelne Komponenten, z. B. nur den Verdichter 10 oder den Filter 12 oder für beides davon, bestimmen. Wird z. B. nur eine Prognose- oder Expected-Rechnung ausgeführt, so werden automatisch die notwendigen bereits validierten Werte '".V" aus der Datenbank gelesen. Die daraus resultierenden OffZLine-Ergeb- nisse werden nicht in die Online-Datenbank gesch-trieben, sie werden zweckmäßigerweise in einer zugehörigen Datenbank für Offline-Größen geschrieben.
Bei der Offline-Diagnose ist somit eine modulare Berechnung einzelner Komponenten und deren Betriebsgrößen BG oder Zustände ermöglicht, wobei die geometrische Auslegung deaktiviert ist. Der Benutzer kann allerdings Verschmu-fczungsfakto- ren, z. B. für den Kessel, eingeben. In der Off1-ine-Version können viele Einflussparameter, wie z. B. die Brennstoffzu- sammensetzung, geändert werden. Es stehen weiterlain Auswertemöglichkeiten für Grenzkosten etc. zu Verfügung.
Für die Offline-Diagnose oder Off1ine-Vorausschau des "break- even"-Punktes der Offline-Wäsche und/oder des Filterwechsels umfasst das Diagnose- oder Prognosemodul eine Zusatzfunktion. Dabei wird die Online-Datenbank mit den aktuell erfassten Messwerten MW und den daraus resultierenden valiciierten Werten berücksichtigt, wobei der Benutzer beispielsweise interaktiv zur Eingabe von aktuellen Werten für statische und/oder dynamische Betriebsgrößen BG, z. B. aktuelle Kos endaten und Strompreise, aufgefordert wird. Aus diesen Werten wird die Regressionsfunktion fortgeführt und ermittelt, wobei der Zeitpunkt, an welchem die Differenz aus
Figure imgf000027_0001
und Zu- satzkosten gleich ist (=. der so genannte "break-<even"-Punkt) ermittelt wird.
Nachfolgend wird die Bestimmung eines optimalen Waschzeit- punktes für den Verdichter 10 anhand des Prognos emoduls beschrieben. Mittels des Prognosemoduls wird dabei anhand eines Diagnosemodells ein längerfristiger Trend der Verschmutzung identifiziert und bestimmt. Ziel ist es, dem Betreiber eine Entscheidungshilfe für den Zeitpunkt der Offline-Wäsche zu liefern.
Als Voraussetzung werden dabei bei der Online-Diagnose ermit- telte Betriebsgrößen BG, wie Verdichterkenngrößen und Verlustleistungen, berücksichtigt:
1. Verdichterkenngrößen: • validierter isentroper Verdichter-Wirkungsgrad bei ISO- Bedingungen η °mp ; Verdichter-Gütegrad G^jj?
2. Verlustleistungen oder Zusatzleistungen: • erste Zusatzleistung £j>™'erwechsel bei Referenzbedingungen oder bei Umgebungsbedingungen, die sich aufgrund eines Filterwechsels ergibt; • zweite Zusatzleistung P^meW bei Referenzbedingungen oder bei Umgebungsbedingungen, die sich aufgrund einer Offline-Wäsche ergibt; • dritte Zusatzleistung AP '"eW bei Referenzbedingungen oder bei Umgebungsbedingungen, die sich aufgrund einer Offline-Wäsche ergibt.
Bei einer Anzeige der Werte ergeben sich mehrere Punktwolken. Durch diese Punktwolken werden vorzugsweise, wie oben be- schrieben, Regressionsfunktionen als Regressionskurven oder Ausgleichskurven gelegt. Die Extrapolation der Regressionskurven bedeutet eine Prädiktion des Verschmutzungs erhaltens in der Zukunft .
FIG 5 zeigt beispielhaft einen solchen zeitlichen Verlauf für die Verlustleistung PGτ in Abhängigkeit vom Verschmutzungsgrad des Verdichters 10. Es wurde eine exponentielle Abklingkurve mit konstantem Term der Form: ΔP« (t) = fl2 exp(α1 t) + α0 angenommen, die Werte auf der Ausgleichskurve werden mit
Figure imgf000029_0001
(f) bezeichnet. Die Parameter a2, al und aO werden dabei mit einer nichtlinearen Berechnungsmethode bestimmt. Die Leistungsverluste der Gasturbine 8 aufgrund eines veirschmutz- ten Verdichters 10 laufen auf einen maximalen Wert von ca. 90 % hinaus.
Je nach Art und Aufbau des Prognosemoduls kann dabei die Verlustleistung PGτ wie in FIG 5 dargestellt, aktuell u.nd somit online bestimmt werden. Alternativ oder zusätzlich kann die Verlustleistung PGτ auch aus gespeicherten Messwertert MW für die Vergangenheit angezeigt werden. Somit kann sowohl eine Diagnose für die Vergangenheit als auch eine Prognose für die Zukunft und/oder ein Trend aus vorangegangenen und a-ktuell erfassten Messwerten MW bestimmt werden.
Bei einer Online-Diagnose wird stets der aktuelle Zustand der Turbinenanlage 6 berücksichtigt. Fährt die Turbinenanlage 6 tendenziell mit geringer Last, so ist die Kurve unte_r U stän- den gestreckt, d. h. derselbe Leistungsverlust tritt später auf.
Um neben technischen Parametern, wie den dynamischen und/oder statischen Betriebsgrößen BG, auch wirtschaftliche Konngrößen zu berücksichtigen, wird beispielsweise der jeweilige mit einer Offline-Wäsche verbundene Aufwand, insbesondere Zeitaufwand, Kosten, berücksichtigt. Eine Offline-Wäsche sollte dabei möglichst in einem Zeitraum niedriger Strompreise mit einer anschließenden (längeren) Periode höherer Strompreise liegen. Um eine detaillierte Aussage für den optimalen Zeitpunkt einer Offline-Wäsche zu treffen, müssten demnach sehr viele Annahmen getroffen werden und diese immer aktuell durch den Benutzer aktualisiert werden. Im Folgenden wird <äeshalb von konstanten Erlösen und Kosten für eine erzeugte _Megawatt- Stunde elektrischer Energie ausgegangen. Nachfolgend wird die Bestimmung des optimalen Waschzeitpunkts anhand einer beispielhaften Turbinenanlage 6, insbesondere eines Gas— und Dampfturbinenkraftwerks mit. einer Leistung von 200 MW beschrieben.
Die folgende Diagnoseberechnung bezieht sich auf den optima - len Zeitpunkt einer Offline-Wäsche für den Verdichter 10. Die Verfahrensschritte gelten analog auch für den Filterwechsel und/oder für das Rußblasen als weitere Möglichkeit für eine Beseitigung der Verschmutzung bei der Turbinenanlage 6. Der spezifische Betrachtungszeitraum ist:
^=24h [19]
Gemäß der in FIG 5 gezeigten Verlustleistung PGτ ergeben sich pro Tag Verlustkosten in Höhe von:
K^ (t) = -(ed -kΛ)äPggr (t)tψΛ [20]
wobei eel der Erlös für elektrische Energie am Markt und kel die Stromerzeugungskosten (= Betriebskosten) in EUR / MWh sind. Die Werte eel , kel und t sind parametrierbare Konstanten.
Die aktuellen Verlustkosten lassen sich zusammenfassen, z. B, arithmetisch mittein und spezifisch pro vergangenem Tag um- rechnen: τ ez { ) [21]
Figure imgf000030_0001
Die Kosten einer Wäsche setzen sich zusammen aus dem vermin.- derten Gewinn während der Wäsche (6 Stunden) und den Kosten. für Personal und Waschmittel: τrwaesche _ r, I ι_ \ ptot f , τrWaschmittel r 99 . Λ-GUD ~ K/a_( eel ~ Kel ) rGVD τdur ~t J L Δ Δ J
Der Faktor klast berücksichtigt die zum Waschzeitpunkt mögliclie und am Markt umsetzbare Last für die Turbinenanlage 6. Je gre- ringer der Faktor klast , desto geringer die Kosten einer Wä- sehe. Bei einer Waschdauer von t^chen = 6 Stunden, einer Gesamtleistung P l GlUnDj der Turbinenanlage 6 von 200 MW, einem Fak- tor kIast =l (mögliche Volllast) und Waschmittelkosten κWaschmi"el von 2.000,- EUR ergeben sich Gesamtwaschkosten κwaschen von ca. 74.000,- EUR pro Wäsche.
Die Waschkosten werden ebenfalls spezifisch für einen Tag umgerechnet: ' , v-waschen Waschen ^ r -J 1 Kspez ~ -rwaschen *• ■"
wobei Jwaschen die Periodizität des Waschens darstellt. Würde der Betreiber (im Extremfall) jeden Tag waschen, so hätte er spezifische Kosten von 74.000,- EUR pro Tag. Wäscht er hingegen alle 30 Tage, so hätte er spezifische Kosten von nur ca. 2.500,- EUR pro Tag.
Die spezifischen Kosten des Leistungsverlustes k^'"pez und des Waschens kp hen lassen sich zu den spezifischen Gesamtkosten k° amt summieren: 7 Gesamt verlust . 1 waschen r l . - kGT,spez + k'spez L J
Das Optimum ist die Minimierung der Gesamtkosten:
Figure imgf000031_0001
FIG 6 verdeutlicht den Zusammenhang: Die als Volllinie dargestellte Kurve kennzeichnet die zunehmenden Verlustkosten, die fett gepunktete Kurve repräsentiert die abnehmenden spezifischen Waschkosten. Die dünn gepunktete Kurve summiert diese Kosten und repräsentiert den Gesamtaufwand. Ihr Minimum ist mit einem Kreis eingezeichnet. Bei dem gezeigten Beispiel in FIG 6 wurde der Faktor khst = 1 angenommen. Bei solch hohen
Kosten wäre der optimale Waschzeitpunkt nach bzw. alle 54 Tage gegeben. Der spezifische Gesamtkostenverlauf mit einer Kurvenschar von
Gesamtkostenverläufen bei unterschiedlicher Last ist in FIG 7 näher dargestellt. Sein Optimum verschiebt sich zu kürzeren Waschperioden, wenn der Faktor klast geringer angenommen wird, d. h. mit geringen Ausfallkosten während der Wäsche gerechnet wird. Die Kosten des spezifischen Leistungsverlustes bleiben hingegen gleich. Die Annahme hierbei ist, dass sich die zusätzliche Leistung (z. B. ca. 5 MW) nach einer Wäsche am Markt umsetzen lässt.
FIG 7 zeigt zudem den Einfluss des möglichen Leistungsausfalls von 50 % Last bis 100 % Last. Es zeigt sich, dass sich auch bei möglicher halber Last ein Waschen ca. alle 30 Tage lohnt. Der Extremfall mit einem Faktor khst = 0 (z. B. Still- stand durch Betriebsstörung oder Revision) führt zu den geringsten Waschkosten und ein Waschen lohnt sich schon bei geringen Verschmutzungen. FIG 7 verdeutlicht auch, dass das Optimum in allen Fällen sehr flach ist. Somit wird dem Betreiber ein mögliches, insbesondere optimales Zeitfenster ange- zeigt, in dem eine Offline-Wäsche empfehlenswert ist. Eine scharfe oder genaue Empfehlung wird vermieden.
Neben den obigen Berechnungen kann noch der Zusatzgewinn pro Tag nach einer Offline-Wäsche bestimmt und ausgegeben werden:
ZGw = 24(eel -kel)AP° neW [26]
Daraus kann der Amortisationszeitpunkt bestimmt werden:
7GW AZW == - [27] GAW
Dies ist der Zeitpunkt, ab wann sich der Aufwand für eine Offline-Wäsche des Verdichters 10 durch den Leistungsgewinn (als Konstante angenommen) wieder amortisiert hat. Wie oben zu den FIG 4.1 bis 4.4 näher beschrieben, setzt sich das als ein Softwaremodul ausgebildete Prognosemodul PM aus mehreren Verfahrensschritten zusammen, die in mehrere Soft- warebausteine, mindestens in zwei Bausteine Bl, B2, wie in FIG 8 näher dargestellt, zusammengefasst werden können:
Im Ausführungsbeispiel nach FIG 8 dienen die beiden Bausteine Bl und B2 folgenden Funktionen: • Mittels des ersten Bausteins Bl (beispielhaft als "TDYgt_thermo" bezeichnet) wird eine thermodynamische Analyse der Turbinenanlage 6 durchgeführt . Die Verfahrensschritte sind in der Beschreibung zu den FIG 4.1 bis 4.2 näher spezifiziert. Der erste Baustein Bl wird bei- spielsweise in C++ realisiert und kann aus einem übergeordneten Steuer- und/oder Regelungsbaustein für die Turbinenanlage 6 oder deren Diagnose aufgerufen werden. Bei gegebenem Volllastzustand und bereits berechneter Validierung etc. wird das Prognosemodul PM gestartet. Alle benötigten Konstanten, Berechnungswerte etc. werden in der Datenbank (im Beispiel als "TDY-Datenbank" bezeichnet) gespeichert. Die in den FIG 10 bis 14 dargestellten Tabellen geben eine Übersicht über notwendige Betriebskenngrößen BG zur Diagnose der Turbinenanlage 6. • Mittels des zweiten Bausteins B2 (im Ausführungsbeispiel als "TDYgt_finance" bezeichnet) wird der Aufwand für eine Beseitigung der Verschmutzung der Turbinenanlage 6 berücksichtigt, wie anhand der FIG 4.3 näher spezifiziert. Dabei wird neben einem Zeitaufwand auch ein fi- nanzieller Aufwand, wie oben bereits beschrieben, berücksichtigt und ausgegeben. Zur Berücksichtigung des Aufwands kann die Diagnose der Turbinenanlage 6 im Offline- oder Online-Modus durchgeführt werden. Der zweite Baustein wird zweckmäßigerweise als JAVA-Applet reali- siert. In FIG 8 ist ein Beispiel für ein aus mehreren Bausteinen Bl bis Bn gebildetes Prognosemodul PM dargestellt. Dabei umfasst das Prognosemodul PM den ersten Baustein Bl zur thermodynami- sehen Diagnose der Turbinenanlage 6 und den zweiten Baustein B2 zur Berücksichtigung des Aufwands für die Beseitigung einer Verschmutzung der Turbinenanlage 6, insbesondere gemäß der in FIG 4.3 beschriebenen Verarbeitung und Diagnose. Dem ersten und zweiten Baustein Bl und B2 sind zur Erfassung der Eingangsgrößen für die Diagnose ein dritter Baustein B3 für eine Vorverarbeitung von Betriebsgrößen BG und deren Messwerten MW gemäß FIG 4.1 sowie ein vierter Baustein B4 für die Validierung der Betriebsgrößen BG und deren Messwerten MW gemäß FIG 4.2 vorgeschaltet. Alle Bausteine Bl bis B4 des Prognosemoduls PM greifen dabei auf die in einer ersten Datenbank DBl hinterlegten Daten, wie aktuelle und/oder vorangegangene Messwerte MW und/oder Betriebsgrößen BG, zu. Zudem sind in einer weiteren Datenbank DB2 Diagnosemodelle für bereits vorhandene Turbinenanlagen oder Standardturbinenanlagen hinterlegt, auf welche der erste Baustein Bl und der vierte Bau- stein B4 beispielsweise zur Referenzierung auf Standardbedingungen oder zum Vergleich der aktuellen Diagnose mit einem hinterlegten Modell Zugriff haben.
Je nach Art und Aufbau des Prognosemoduls PM kann dieses auch in ein übergeordnetes Diagnosesystem für die Turbinenanlage 6 eines Steuerungs- und/oder Regelungssystems implementiert sein. Das Prognosemodul PM oder deren Implementation wird einem Reviewprozess unterzogen und unterliegt einer Versionskontrolle.
Zur Ausgabe der ermittelten Diagnosegrößen, z. B. der ersten und zweiten Zusatzleistung, des Verschmutzungsgrads, des Gütegrads, werden diese in die Datenbank DBl abgelegt. Die eigentliche Ausgabe, z. B. über eine Anzeige, wie beispielswei- se in FIG 9 gezeigt, führt somit keine eigenen Berechnungen durch, z. B. Bildung der Regressionskurven. Die Regressionskurven werden beispielsweise im ersten Baustein Bl, d. h. im thermodynamisehen Diagnoseteil, ermittelt. Die Regressionskurven sind immer am Zeitpunkt der letzten Offline-Wäsche zu starten.
Mittels des zweiten Bausteins B2 erfolgt dann die Ausgabe, insbesondere Anzeige der ermittelten Messwerte MW, der Betriebsgrößen BG sowie der Diagnosegrößen, wie der ersten und zweiten Zusatzleistung, des Verschmutzungsgrads, des Alterungszustands, des Verdichter-Wirkungsgrads und/oder des Gü- tegrads, wobei neben der FIG 5 auch Trendlinien der berechneten thermodynamischen Prozess- oder Betriebsgrößen BG oder Diagnosegrößen angezeigt werden.
Zudem können die in FIG 6 und FIG 7 dargestellten Kurven on- line ermittelt werden und fortlaufend in der Anzeige aktualisiert werden.
Des Weiteren sind in der Ausgabe folgende Varianten möglich und können beliebig kombiniert werden:
• Anzeige und Ermittlung der in FIG 7 dargestellten Kurvenschar mit neu definierten Kostenparametern; • Anzeige und Ermittlung der in FIG 7 dargestellten Kurvenschar über dem Intervall des Lastfaktors; • Übernahme, d. h. Speicherung und/oder Aktualisierung der neu definierten Kostenparameter in der Datenbank DBl; • Aktualisierung der Anzeigewerte, sobald neue Daten, d. h. neue Messwerte MW und/oder Betriebsgrößen BG, verfügbar sind.
Zusammenfassend sind in den FIG 10 bis 14 schematisch in Tabellenform die anhand der Diagnose ermittelten bzw. zu berücksichtigenden Messwerte, Betriebsgrößen, Diagnosegrößen etc . näher aufgeführt .

Claims

Patentansprüche
1. Verfahren zur Diagnose einer Turbinenanlage (6) mit einer mehrere Komponenten (10, 12) umfassenden Gasturbine (8), wo- bei eine Zusatzleistung automatisch prognostiziert wird, um welche eine Betriebsleistung der Gasturbine (8) im Fall der Beseitigung einer Verschmutzung bei einer der Komponenten (lO, 12) erhöht wird.
2. Verfahren nach Anspruch 1, wobei in Abhängigkeit vom Wert der ermittelten Zusatzleistung bestimmt wird, ob die Gasturbine (8) zur Beseitigung der Verschmutzung temporär stillgesetzt wird.
3. Verfahren nach Anspruch 1 oder 2, wobei in Abhängigkeit vom Gesamtaufwand einer temporären Stillsetzung ein Zeitpunkt für eine temporäre Stillsetzung ermittelt wird.
4. Verfahren nach einem der Ansprüche 1 bis 3 , wobei die Zu- satzleistung anhand mindestens einer Modellrechnung der Gasturbine (8) und mindestens einer die Gasturbine (8) repräsentierenden Betriebsgröße (BG) ermittelt wird.
5. Verfahren nach Anspruch 4, wobei als Betriebsgröße (BG) eine statische und/oder eine dynamische Betriebsgröße ermittelt werden bzw. wird.
6. Verfahren nach Anspruch 5, wobei als dynamische Betriebsgröße zeitabhängige Messwerte (MW) , insbesondere Umgebungs- druck, Verdichter-Austrittsdruck, Druckverlust, Betriebsstunden, Zeitpunkt der letzten Beseitigung einer Verschmutzung, Verdichter-Massenstrom, Verdichter-Eintrittstemperatur, Verdichter-Austrittstemperatur, momentane Turbinenleistung, ermittelt werden.
7. Verfahren nach Anspruch 5 oder 6, wobei als statische Betriebsgröße geometrische Abmessungen der Gasturbine (8) , Zeitdauer für eine Beseitigung der Verschmutzung, Stromerzeugungskosten und/oder Gesamtleistung der Turbinenanlage ( 6 ) und/oder der Gasturbine ( 8 ) und/oder thermodynamische Konstanten, insbesondere Standard- Druck, Standard-Temperatur, Standard-Luft feuchte, ermittelt werden bzw. wird.
8 . Verfahren nach einem der Ansprüche 4 bis 7 , wobei die Betriebsgröße (BG) anhand mindestens einer Plausibilitätsprüfung und/oder einer Stationaritätsprüfung validiert wird und die validierte Betriebsgröße anhand der Modellrechnung verarbeitet wird.
9 . Verfahren nach Anspruch 8 , wobei anhand der validierten Betriebsgröße mittels der Modellrechnung ein aktueller Ver- schmutzungsgrad, ein aktueller Gütegrad und/oder ein aktueller AI terungs zustand einer oder mehrerer Komponenten der Gasturbine und/ oder ein isentroper Verdichter-Wirkungsgrad für eine unverschmutzte und/oder eine verschmutzte Gasturbine ( 8 ) ermittelt werden bzw. wird.
10. Verfahren nach Anspruch 8 oder 9, wobei anhand der validierten Betriebsgrößen mittels der Modellrechnung eine erste Zusatzleistung, die durch Beseitigen einer Verschmutzung bei der Gasturbine (8), insbesondere durch eine Offline-Wäsche eines Verdichters (10) , erreichbar ist, und/oder eine zweite Zusatzleistung, die durch Beseitigen einer Verschmutzung der Gasturbine (8) durch eine Online-Wäsche eines Verdichters erreichbar ist, und/oder eine dritte Zusatzleistung, die durch Beseitigen einer Verschmutzung der Gasturbine (8) durch Wech- sei eines Filters (12) erreichbar ist, prognostiziert werden bzw. wird.
11. Verfahren nach einem der Ansprüche 4 bis 10, wobei die Betriebsgröße normiert und die normierte Betriebsgröße anhand der Modellrechnung verarbeitet wird.
12. Verfahren nach Anspruch 11, wobei der aktuelle Verschmutzungsgrad!, der aktuelle Alterungszustand, der aktuelle Gütegrad und/oder der Verdichter-Wirkungsgrad anhand der normierten Betriebsgrößen für Referenzbedingungen ermittelt werden bzw. wird.
13. Verfahren nach Anspruch 11 oder 12, wobei anhand der normierten Betriebsgrößen mittels der Modellrechnung ein Referenz-Verschmutzungsgrad, ein Referenz-Gütegrad und/oder ein Referenz— Iterungszustand einer oder mehrerer Komponenten (10, 12) der Gasturbine (8) und/oder ein isentroper Referenz- Verdichter-Wirkungsgrad für eine unverschmutzte und/oder eine verschmutzte Gasturbine (8) ermittelt werden bzw. wird.
14. Verfahren nach einem der Ansprüche 11 bis 13 , wobei anhand der normierten Betriebsgrößen mittels der Modellrechnung eine erste Referenz-Zusatzleistung, eine zweite Referenz-Zusatzleistung und/oder ein isentroper Referenz-Wirkungsgrad ermittelt werden bzw. wird.
15. Verfahren nach einem der Ansprüche 11 bis 14, wobei anhand der normierten Betriebsgröße und der aktuellen validier- ten Betriebsgröße mittels der Modellrechnung eine auf aktuelle Umgebungsbedingungen validierte Verlustleistung in Bezug auf Referenz-Umgebungsbedingungen ermittelt wird.
16. Verfahren nach einem der Ansprüche 11 bis 15, wobei anhand der normierten Betriebsgröße und der validierten Betriebsgröße mittels der Modellrechnung eine auf aktuelle Um- gebungsbedingungen validierte Zusatzleistung in Bezug auf Referenz-Umgebungsbedingungen ermittelt wird.
17. Verfahren nach einem der Ansprüche 9 bis 16, wobei ein Gütegrad größer als 1 und/oder ein negativer Verschmutzungs- grad verworfen werden bzw. wird.
18. Verfahren nach einem der vorhergehenden Ansprüche, wobei eine Diagnose der Gasturbine (8) ausschließlich dann ausgeführt wird, wenn die Gasturbine (8) im stationären Volllast- zustand und nicht mit Antivereisung betrieben wird.
19. Verfahren nach einem der vorhergehenden Ansprüche, wobei eine prognostizierte und/oder ermittelte Zusatzleistung verworfen wird, wenn der zugehörige Wert negativ ist.
20. Verfahren nach einem der vorhergehenden Ansprüche, wobei eine anhand der Modellrechnung ermittelte Diagnosegröße, insbesondere eine Zusatzleistung, eine Verlustleistung, ein Verschmutzungsgrad, ausgegeben, insbesondere visuell dargestellt wird und je nach Vorgabe eine anhand der Diagnosegröße für die letzte Beseitigung einer Verschmutzung, insbesondere durch eine Offline-Wäsche oder durch eine Online-Wäsche, ermittelte Regressionsfunktion ausgegeben wird.
21. Verfahren nach Anspruch 20, wobei die Regressionsfunktion in Abhängigkeit eines benutzerdefinierten Schwellwerts mit einem Farbumschlag ausgegeben wird.
22. Verfahren nach Anspruch 21, wobei ab einer vorgegebenen Zeitdauer seit der letzen Beseitigung einer Verschmutzung, insbesondere durch eine Offline-Wäsche, unabhängig von der ermittelten Diagnosegröße die Regressionsfunktion mit einem Farbumschlag ausgegeben wird.
23. Verfahren nach einem der vorhergehenden Ansprüche, wobei Verlustkosten einer Stillsetzung, Waschkosten, ein Zusatzgewinn nach einer Offline-Wäsche oder Online-Wäsche und/oder ein Amortisationszeitpunkt einer Offline-Wäsche oder Online- Wäsche ermittelt werden.
24. Vorrichtung zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 23, wobei ein Prognosemodul (PM) zur Ermittlung einer Zusatzleistung vorgesehen ist, um welche eine Betriebsleistung einer Gasturbine (8) einer Turbinenanlage (6) im Fall der Beseitigung einer Verschmutzung der Gasturbine (8) erhöht wird.
25. Vorrichtung nach Anspruch 24, wobei das Prognosemodul (PM) als ein Softwaremodul oder als eine elektronische Schaltung ausgebildet ist.
26. Vorrichtung nach Anspruch 24 oder 25, wobei das Prognose- modul (PM) in einem Automatisierungssystem zur Steuerung und/oder Regelung der Turbinenanlage (6) implementiert ist.
PCT/EP2004/009060 2004-02-23 2004-08-12 Verfahren und vorrichtung zur diagnose einer turbinenanlage Ceased WO2005090764A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP04004081.8 2004-02-23
EP04004081 2004-02-23

Publications (1)

Publication Number Publication Date
WO2005090764A1 true WO2005090764A1 (de) 2005-09-29

Family

ID=34958457

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2004/009060 Ceased WO2005090764A1 (de) 2004-02-23 2004-08-12 Verfahren und vorrichtung zur diagnose einer turbinenanlage

Country Status (1)

Country Link
WO (1) WO2005090764A1 (de)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1983158A1 (de) * 2007-04-20 2008-10-22 Siemens Aktiengesellschaft Verfahren zur Bewertung von geplanten Wartungszeitpunkten einer Strömungsmaschine sowie Leitsystem für eine Strömungsmaschine
EP2105887A1 (de) * 2008-03-28 2009-09-30 Siemens Aktiengesellschaft Verfahren zur Diagnose einer Gasturbine
EP2267650A1 (de) * 2009-06-25 2010-12-29 Hitachi Power Europe GmbH Zustandsorientierte Instandhaltung
WO2010054132A3 (en) * 2008-11-06 2011-10-20 General Electric Company Gas turbine engine wash system and method
GB2502078A (en) * 2012-05-15 2013-11-20 Optimized Systems And Solutions Ltd A method of optimising engine wash event scheduling
CN107201951A (zh) * 2016-03-16 2017-09-26 通用电气公司 涡轮发动机清洁系统和方法
EP3293384A1 (de) * 2016-09-12 2018-03-14 General Electric Company System und verfahren zur zustandsbasierten überwachung eines kompressors
EP3293367A1 (de) * 2016-09-12 2018-03-14 General Electric Company System und verfahren zur zustandsbasierten überwachung von turbinenfiltern

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1378694A (en) * 1972-06-09 1974-12-27 United Aircraft Corp Gas turbine engine analyzer
US4467640A (en) * 1982-05-26 1984-08-28 Chandler Evans, Inc. Gas turbine engine power availability measurement

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1378694A (en) * 1972-06-09 1974-12-27 United Aircraft Corp Gas turbine engine analyzer
US4467640A (en) * 1982-05-26 1984-08-28 Chandler Evans, Inc. Gas turbine engine power availability measurement

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SCHEPERS W ET AL: "OPTIMIERUNG DER ON-LINE- UND OFF-LINE-WAESCHE AN EINER 26-MW- GASTURBINE UNTER BESONDERER BERUECKSICHTIGUNG DER LEISTUNGSSTEIGERUNG", VGB KRAFTWERKSTECHNIK, VGB KRAFTWERKSTECHNIK GMBH. ESSEN, DE, vol. 79, no. 3, 1999, pages 46 - 54, XP000802562, ISSN: 0372-5715 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1983158A1 (de) * 2007-04-20 2008-10-22 Siemens Aktiengesellschaft Verfahren zur Bewertung von geplanten Wartungszeitpunkten einer Strömungsmaschine sowie Leitsystem für eine Strömungsmaschine
WO2008128894A1 (de) * 2007-04-20 2008-10-30 Siemens Aktiengesellschaft Verfahren zur bewertung von geplanten wartungszeitpunkten einer strömungsmaschine sowie leitsystem für eine strömungsmaschine
EP2105887A1 (de) * 2008-03-28 2009-09-30 Siemens Aktiengesellschaft Verfahren zur Diagnose einer Gasturbine
WO2009118311A1 (de) * 2008-03-28 2009-10-01 Siemens Aktiengesellschaft Verfahren zur bestimmung des ansaugmassenstroms einer gasturbine
JP2011515620A (ja) * 2008-03-28 2011-05-19 シーメンス アクチエンゲゼルシヤフト ガスタービンの吸入質量流量の決定方法
CN102099835A (zh) * 2008-03-28 2011-06-15 西门子公司 用于确定燃气轮机的抽吸质量流的方法
US9466152B2 (en) 2008-03-28 2016-10-11 Siemens Aktiengesellschaft Method for determining the suction mass flow of a gas turbine
CN102099835B (zh) * 2008-03-28 2014-12-17 西门子公司 用于确定燃气轮机的抽吸质量流的方法
WO2010054132A3 (en) * 2008-11-06 2011-10-20 General Electric Company Gas turbine engine wash system and method
EP2267650A1 (de) * 2009-06-25 2010-12-29 Hitachi Power Europe GmbH Zustandsorientierte Instandhaltung
GB2502078B (en) * 2012-05-15 2015-10-14 Rolls Royce Controls & Data Services Ltd Engine wash optimisation
GB2502078A (en) * 2012-05-15 2013-11-20 Optimized Systems And Solutions Ltd A method of optimising engine wash event scheduling
CN107201951A (zh) * 2016-03-16 2017-09-26 通用电气公司 涡轮发动机清洁系统和方法
EP3236019A1 (de) * 2016-03-16 2017-10-25 General Electric Company Turbinenmotorreinigungssystem und -verfahren
US10385723B2 (en) 2016-03-16 2019-08-20 General Electric Company Turbine engine cleaning systems and methods
EP3293384A1 (de) * 2016-09-12 2018-03-14 General Electric Company System und verfahren zur zustandsbasierten überwachung eines kompressors
EP3293367A1 (de) * 2016-09-12 2018-03-14 General Electric Company System und verfahren zur zustandsbasierten überwachung von turbinenfiltern
US20180073389A1 (en) * 2016-09-12 2018-03-15 General Electric Company System and method for condition-based monitoring of a compressor
JP2018044546A (ja) * 2016-09-12 2018-03-22 ゼネラル・エレクトリック・カンパニイ 圧縮機の状態に基づく監視をするためのシステムおよび方法
US10724398B2 (en) 2016-09-12 2020-07-28 General Electric Company System and method for condition-based monitoring of a compressor

Similar Documents

Publication Publication Date Title
EP2257933B1 (de) Verfahren zur bestimmung des ansaugmassenstroms einer gasturbine
EP2927662B1 (de) Verfahren und system zur überwachung des zustands eines wälzlagers einer windturbine
DE102007035674A1 (de) Verfahren und Systeme zum Einschätzen der Auswirkung von Verdichterverschmutzung auf Gas- und Dampfturbinenkraftwerke
DE102009059228A1 (de) System und Verfahren zur Überwachung des Erhaltungszustands von Rotorschaufelblättern
DE102010016430A1 (de) Systeme und Verfahren zum Bereitstellen von Pumpschutz für eine Turbinenkomponente
DE102011000298A1 (de) System und Verfahren zur Überwachung einr Gasturbine
EP3055570A1 (de) Elektronische steuerungseinrichtung für eine komponente der drucklufterzeugung, druckluftaufbereitung, druckluftspeicherung und/oder druckluftverteilung
CN112395744B (zh) 一种面向火电厂的设备安全性在线评价方法及系统
DE112016006233T5 (de) Fabrikanalysierer, fabrikanalysierverfahren und programm
DE102008048956A1 (de) Verfahren zum Überwachen eines Getriebes einer Windenergieanlage
DE102012105308A1 (de) Virtuelle Sensorsysteme und Verfahren zur Schätzung der Effizienz von Dampfturbinenabschnitten
WO2005090764A1 (de) Verfahren und vorrichtung zur diagnose einer turbinenanlage
DE3415165A1 (de) Einrichtung zur echtzeit-bestimmung der temperaturen und thermisch bedingten werkstoffbeanspruchungen rotierender teile von maschinen und anlagen im betrieb
WO2007107395A1 (de) Verfahren zur inspektion einer turbinenanlage sowie vorrichtung hierzu
DE112018001726T5 (de) Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren und programm
EP1983158A1 (de) Verfahren zur Bewertung von geplanten Wartungszeitpunkten einer Strömungsmaschine sowie Leitsystem für eine Strömungsmaschine
EP3080514A1 (de) Verfahren zur leistungsregelung von dampferzeugern zur stromerzeugung und/oder wärmebereitstellung
EP2853970B1 (de) Verfahren zum Durchführen einer Wartung eines Triebwerks
CN112112792B (zh) 电动给水泵组状态检修方法、系统以及终端
EP1189126B1 (de) Verfahren zum Überwachen einer Anlage
EP1431927A1 (de) Verfahren zur Schätzung der Restlebensdauer einer Vorrichtung
DE112017008126B4 (de) Servicemenü-präsentationssystem, betriebsmuster-anzeigesystem, servicemenü-präsentationsverfahren und programm
DE112016006228T5 (de) Fabrikanalysierer, Fabrikanalysierverfahren und Programm
DE102018104665B4 (de) Verfahren zum Betrieb einer Brennkraftmaschine, Steuereinrichtung und Brennkraftmaschine
Qing et al. The health status assessment method and practice of emergency diesel generator system in nuclear power plant based on deterioration degree

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BW BY BZ CA CH CN CO CR CU CZ DE DK DM DZ EC EE EG ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NA NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): GM KE LS MW MZ NA SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IT LU MC NL PL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
122 Ep: pct application non-entry in european phase