卢洪涛
哈尔滨汽轮机厂有限责任公司，黑龙江省哈尔滨市150000
摘要：能源是人类生存和发展最重要的物质基础。从木柴时代、煤炭时代、石油时代到电力时代，能源革命引领了人类文明的巨大进步。随着经济全球化的加剧，能源价值在可持续发展、国家安全和地区稳定中的地位日益凸显。当前，世界能源格局正在发生深刻变化:能源类型正在向绿色和低碳化方向演变，能源供需格局正在发生剧烈变化，能源地缘政治日益复杂，新一轮能源革命正在蓬勃发展，非常规油气、低碳能源、可再生能源、安全先进核能等新兴能源技术正在改变能源结构乃至经济发展方向[1]。
关键词：智慧汽轮机； 智慧电厂； 能源转型； 人工智能； 机器学习； 深度学习
1“智能汽轮机”概念和架构
新一代“智能汽轮机”以电厂自动化、数字化、信息化为基础，将传统的工程经验知识和人工智能算法应用于汽轮发电机组，从而建立起一套能感知、分析、学习和执行的智能系统。一般来说，它具有以下特点:
(1)通过人工智能算法深入挖掘传统工程经验和可监控数据，充分发挥人类抽象归纳能力和计算机数据精确感知能力，使汽轮机的设计、制造、运行和维护超越传统经验方案；
(2)可在不同工况下给出机组运行的最优方案，并可根据功率需求灵活改进控制策略，保证机组的热经济性；
(3)最大限度避免恶性事故，改进机组维护方式，延长机组平均工作周期；
(4)具有通用代理的进化能力，能够自动学习已有的运行数据，适应新的功耗场景，不断改进和提高性能。
作为“智能电厂”系统的一部分，智能汽轮机还需要集成智能设备层、智能控制层、智能生产监控层和智能管理层，形成能够与智能电厂接口的模块化产品。具体来说，每个系统可以总结如下:
①智能设备层
机组全方位物理信号传感设备:流量压力、温度、转子轴承振动、机身红外热成像等测量设备，叶片等旋转设备非接触测量技术(嵌入式间接测量算法)；抗噪声强的数据传输转换设备:基础现场总线设备、无线通信设备、智能变送器；组件级高性能计算设备(如嵌入机器学习和深度学习模型的小型计算芯片)；稳定可靠的执行机构(如智能EH油系统、汽轮机专用自整定夹具)、高风险区域巡检监控机器人、叶片/转子等易损件探伤设备等。
②智能控制层
机组精细化控制:基于模型预测的控制、自适应控制、鲁棒控制、模糊逻辑控制、基于神经网络和强化学习的控制算法、针对各种控制目标优化的控制策略等。机组安全控制与保护:TCS\DEH智能算法及保护系统，基于汽轮机主要部件的应力和振动评估启动运行模式；机组启停和变工况控制策略:自动处理、自动启停、深度调峰/调频等过程控制方式。
③智能生产监管层
电站级机组数字双联仿真平台和数据分析平台:通流结构实时全三维流场预测和机组效率评估，汽轮机主要部件(叶片、转子和汽缸)温度场和应力场实时分析，旋转部件振动状况实时监测，故障诊断——预警评估和结构寿命评估；数据可视化平台:通过VR、AR、MR对汽轮机组的几何、物理场、安全寿命分析、故障状态监测或仿真信息进行三维重建可视化；机组控制与决策系统:提供机组的控制、设置和管理接口，封装相应部件和机构的控制、优化和推荐决策的核心算法，在软硬件上与电厂智能控制层和其他部件管理形成对接；厂级信息跨平台转换:支持服务器、PC、移动的信息处理，向智能管理提供机组运行状态报告。
④智能管理
数值模拟与数据分析平台远程中心:具有高保真模拟能力的汽轮机数字孪生系统(高性能计算集群及相应部件的热、流、结构、振动等物理模拟软件、信号处理软件、自动优化软件)、专用机器学习/深度学习服务器、机组数据文件的存储与管理设备，以及对厂级计算与分析模型的定期更新、升级和维护支持；机组远程监控、诊断、检查、管理和考核系统:为生产监控层提供远程操作和控制接口，协助电厂安全生产。
在上述软硬件框架的基础上，对各电厂各类机组的生命周期数据进行收集、处理和分析，形成汽轮机云共享数据平台，收集各级汽轮机的数据和经验，建立汽轮机知识图谱，结合有效的行业经验和人工智能方法，具有不同的改进和升级功能，为决策者和专家提供分析依据，为智能电厂提供强大的数据和技术支持。
2“智能汽轮机”研究进展
2.1示例1—智能通流设计
供需失衡给电力系统发电灵活性带来巨大挑战，要求汽轮机向宽工况、高稳定性、高适应性方向发展。未来的“智能汽轮机”必须依靠更高效、更快速的通流结构气动性能设计方法，才能实现大范围工况下的高效稳定运行，这也是未来汽轮机设计技术的主要研究方向之一。
过去，通流气动设计主要依靠理论分析、数值模拟和设计人员的经验，国内外许多学者进行了大量的相关研究。实用性和高效性一直是流道优化设计的两大障碍。满足大规模变工况下高效率要求的汽轮机通流部分设计非常复杂，具有多参数、多约束耦合的特点，应考虑尽可能多的工况。当采用传统的梯度法或启发式算法来满足较宽运行条件下的运行要求时，会出现一物双失、重复浪费、优化效果有限等缺陷。，并且消耗了大量的资源和时间，严重制约了设计的时效性。
机器学习技术的引入可以有效改善流程优化过程，提高设计信息的利用率，提高优化的实用性和效率。同时，数据驱动可以降低设计过程中人为干预的程度。我们团队提出了一种双卷积神经网络结构来预测涡轮叶片型线的流场和性能，直接构造特定叶片型线的设计参数和非设计参数到流场、压力场和温度场的非线性映射，然后利用卷积神经网络的图像分析能力自动提取流场特征参数来预测功率和效率。与传统方法相比，训练后的双卷积神经网络的计算性能提高了几个数量级，几乎达到了即时分析和预测的水平。
2.2示例2-单元控制
风能、太阳能等可再生能源的间歇性对火电和核电汽轮机的灵活性提出了更高的要求。机组面临着系统参数和负荷需求波动带来的变化。长期低负荷、负荷变化快的异常工况下运行已成为正常状态。一旦控制不及时，调整不到位，不仅会影响汽轮机的运行效率，还会影响电网，造成巨大的经济损失。因此，世界各地的学者都非常关注机组的控制策略，尤其倾向于制定提高热经济性和控制调节速度的策略，以适应更复杂的功耗场景。
传统的控制策略严重依赖于出厂时的设计数据或人工经验。一旦机组运行状态发生变化或更换机组部件，设计之初的数据就不再适用，重新启动机组实验需要时间和人力，可能会延误机组的正常运行。近年来，研究逐渐集中在控制策略的优化和机组调节对象的准确预测上。具体来说，最新的控制策略包括:基于模型预测的控制、自适应控制、增益调度控制、内模控制、非线性控制、鲁棒控制、模糊逻辑控制和神经网络控制。
单元调控对象的精确预测包括:基于机理的建模、基于数据和传统方法的建模、基于数据和深度学习方法的建模。
通常电网的调峰过程是根据地区电网的负荷情况输出电能，即需要根据所需电量控制汽轮发电机组的运行，改变进汽流量的大小。汽轮机调节阀的升程与通过该阀的蒸汽流量之间的对应关系是调节和控制机组输出功率的关键参数。利用集散控制系统的数据挖掘技术预测阀门升程-流量特性曲线，可以提高机组对负荷的响应能力。我们团队和上海汽轮机厂利用LSTM神经网络建立了气门升程-流量-功率的精确预测模型。
该方法通过直接学习集散控制系统数据，无需使用PID和阀门流量曲线，即可准确预测机组功率。对某电厂1000MW机组半年运行数据进行研究，预测430天(含深度调峰)机组负荷由300 MW变为1000 MW，平均预测误差为0.49%。经过训练的神经网络模型较小，可以转移到电厂的小型计算机中进行控制。
4结论
汽轮机是能量转换的重要设备，在现代社会中起着至关重要的作用。在新能源形势下，效率更高、更灵活、更智能的“智能汽轮机”是未来“智能发电”的主要发展方向。提出新一代智能汽轮机需要结合汽轮发电机组、传统工程经验知识和人工智能算法，建立一个具有感知、分析、学习和执行的智能系统，以解决未来高效灵活发电需求下传统火电和核电汽轮机设计、制造、运行和维护的困难。列举了“智能汽轮机”在流量设计、控制优化、故障预测和知识传递方面的应用，并结合具体实例说明了人工智能技术与汽轮机实际应用相结合的最新进展。
参考文献
[1]郭楷模，陈伟，吴勘，等．国际能源科技发展新动向及其对我国的启示[J]．世界科技研究与发展，2018