Определение эффективной мощности газотурбинного газоперекачивающего агрегата методами машинного обучения

Рассмотрены методы определения мощности газотурбинной установки, предназначенной для транспортирования природного газа, выявлены их недостатки. Создана программа на языке Python, позволяющая определять применимость методов машинного обучения для оценки мощности установки в условиях эксплуатации. В качестве исходных данных использованы архивные газодинамические параметры, записанные системой автоматического управления газотурбинной установкой. Оценено качество прогноза моделей машинного обучения в зависимости от разных наборов параметров-признаков. Даны рекомендации по использованию моделей, определена погрешность метода. Опровергнута гипотеза о применимости моделей, обученных на данных одной газотурбинной установки для оценки мощности других установок того же типа. Методы машинного обучения можно использовать для определения мощности газотурбинной установки даже при отсутствии части исходных данных, что служит основным преимуществом перед традиционными методиками.

Литература

[1] Islas J. The gas turbine: a new technological paradigm in electricity generation. Technol. Forecast. Soc. Change, 1999, vol. 60, no. 2, pp. 129–148, doi: https://doi.org/10.1016/S0040-1625(98)00036-5

[2] Benito A., Alonso G. Energy efficiency in air transportation. Butterworth-Heinemann, Oxford, 2018. 236 p.

[3] Saravanamuttoo H.I.H., Rogers G.F.C., Cohen H. Gas turbine theory. Pearson Education, Harlow, 2001. 64 p.

[4] Vasiliev B.U., Mardashov D.V. Industrial and environmental safety and efficiency of gas transportation industry. Indian. J. Sci. Technol., 2019, vol. 12, no. 1, pp. 1–10, doi: https://dx.doi.org/10.17485/ijst/2019/v12i1/97745

[5] Blinov V.L., Deryabin G.A. Technical condition estimation of the gas turbine axial compressor. IOP Conf. Ser.: Earth Environ. Sci., 2022, vol. 990, art. 012037, doi: https://doi.org/10.1088/1755-1315/990/1/012037

[6] Щуровский В.А., Синицын Ю.Н., Корнеев В.И. и др. ПР 51-31323949-43-99. Методические указания по проведению теплотехнических и газодинамических расчетов при испытаниях газотурбинных газоперекачивающих агрегатов. Москва, ВНИИГАЗ, 1999. 26 c.

[7] Ванчин А.Г. Оптимизация режима совместной параллельной работы газоперекачивающих агрегатов. Нефтегазовое дело, 2013, № 1. URL: http://ogbus.ru/files/ogbus/authors/Vanchin/Vanchin_9.pdf

[8] ГОСТ Р 55798–2013. Установки газотурбинные. Методы испытаний. Приемочные испытания. Москва, Стандартинформ, 2015. 46 с.

[9] Блинов В.Л., Комаров О.В., Зубков И.С. Параметрическая диагностика энергетических газотурбинных установок в составе парогазовых блоков. Современные проблемы теплофизики и энергетики. Мат. III межд. конф. Москва, Изд-во МЭИ, 2020, с. 483.

[10] Блинов В.Л., Комаров О.В., Заславский Е.А. Оценка эффективной мощности и технического состояния газотурбинного газоперекачивающего агрегата. Энергетические системы, 2019, т. 4, № 1, с. 268–274.

[11] Michelassi V., Allegorico C., Cioncolini S. et al. Machine learning in gas turbines. Mech. Eng., 2018, vol. 140, no. 9, pp. 54–55, doi; https://doi.org/10.1115/1.2018-SEP5

[12] Cuccu G., Danafar S., Cudré-Mauroux P. et al. A data-driven approach to predict NOx-emissions of gas turbines. IEEE Int. Conf. on Big Data, 2017, pp. 1283–1288, doi: https://doi.org/10.1109/BigData.2017.8258056

[13] Goyal V., Xu M., Kapat J. et al. Prediction enhancement of machine learning using time series modeling in gas turbines. ASME Turbo Expo, 2021, vol. 4, paper GT2021-59082, doi: https://doi.org/10.1115/GT2021-59082

[14] Ильичев В.Ю., Юрик Е.А. Анализ массивов данных с использованием библиотеки PANDAS для Python. Научное обозрение. Технические науки, 2020, № 4, с. 41–45.

[15] Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: machine learning in Python. JMLR, 2011, vol. 12, pp. 2825–2830.

[16] Seber G.A.F., Lee A.J. Linear regression analysis. Wiley, 2012. 582 p.

[17] Weisberg S. Applied linear regression. Wiley, 2005. 352 p.

[18] Ostertagová E. Modelling using polynomial regression. Procedia Eng., 2012, vol. 48, pp. 500–506, doi: https://doi.org/10.1016/j.proeng.2012.09.545

[19] Rifkin R.M., Ross A.L. Notes on regularized least squares. MIT, 2007. 8 p.

[20] Friedman J., Hastie T., Tibshirani R. Regularization paths for generalized linear models via coordinate descent. J. Stat. Softw., 2010, vol. 33, no. 1, pp. 1–22, doi: https://doi.org/10.18637/jss.v033.i01

[21] Efron B., Hastie T., Johnstone I. et al. Least angle regression. Ann. Statist., 2004, vol. 32, no. 2, pp. 407–499, doi: https://doi.org/10.1214/009053604000000067

[22] Белевич А.В., Руктешель О.С., Кусяк В.А. Использование критерия MAPE при выборе аппроксимирующего полинома оценки ширины диапазона управления исполнительными механизмами автоматизированных трансмиссий. Актуальные вопросы машиноведения, 2017, т. 6, с. 76–80.

[23] Breiman L. Random forests. Mach. Learn., 2001, vol. 45, no. 1, pp. 5–32, doi: https://doi.org/10.1023/A:1010933404324