Model-based analysis of aging-induced emission progression of gas turbines

Lipperheide, Moritz; Paschereit, Christian Oliver; Wirsum, Manfred Christian

doi:HT020210576

Model-based analysis of aging-induced emission progression of gas turbines = Modellbasierte Analyse alterungsinduzierter Emissionsprogression von Gasturbinen

Lipperheide, Moritz^RWTH*

2019

Verantwortlichkeitsangabevorgelegt von Moritz Lipperheide

ImpressumAachen 2019

Umfang1 Online-Ressource (X, 141 Seiten) : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2019

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Wirsum, Manfred Christian (Thesis advisor)^RWTH* ; Paschereit, Christian Oliver (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2019-09-11

Online
DOI: 10.18154/RWTH-2019-08410
URL: http://publications.rwth-aachen.de/record/766888/files/766888.pdf

Einrichtungen

Lehrstuhl für Kraftwerkstechnik, Dampf- und Gasturbinen und Institut für Dampf- und Gasturbinen (412510)

Inhaltliche Beschreibung (Schlagwörter)
Asset Performance Management (frei) ; Big data (frei) ; Emissionen (frei) ; Gasturbinenalterung (frei) ; Langzeitdaten (frei) ; asset performance management (frei) ; emissions (frei) ; gas turbine aging (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die moderne Gasturbinentechnologie ist technisch in der Lage, die komplexen Aufgabeneines hochflexiblen Betriebs zur Kompensation der Residuallasten, die durch die fluktuierende Einspeisung erneuerbarer Energien entstehen, zu meistern. Dennoch sieht sie sich in der gegenwärtigen Strommarktsituation einem starken ökonomischen und ökologischen Druck ausgesetzt, der Einsparungen im Betrieb bei gleichzeitiger Sicherung der Leistungsfähigkeit fordert. Ein hohes Potenzial für kostengünstige Verbesserungenbietet die Digitalisierung des Gasturbinenbetriebs auf Basis der ohnehin umfangreichverfügbaren Betriebsdaten in einem Asset Performance Management Ansatz. Auf dem Weg zur Vision einer digital unterstützten ’Gasturbine 4.0’ präsentiert diese Arbeit einen modellbasierten Ansatz zur Verwendung der gesetzlich vorgeschriebenen Stickoxid (NOx) und Kohlenmonoxid (CO) Messungen als wertvolle Informationsquelleüber die Verbrennungscharakteristik. Semi-empirische Emissionsmodelle wurden aus der Kinetik der Schadstoffbildung hergeleitet und anschließend auf den Anwendungsfall der GT24/GT26 Gasturbine adaptiert. Mittels eines entwickelten Gasturbinenmodells, das Komponentenalterung der Brennkammer und der Turbinenaustrittstemperaturmessung umfasst, konnten die beobachtete Emissionsprogression im Langzeitbetrieb mit den entsprechenden Alterungsphänomenen in Zusammenhang gebracht werden. Künstliche neuronale Netze als ein prominenter Vertreter der künstlichen Intelligenz wurden als Vergleichsmaßstab herangezogen. Neben dem modelleigenen Zweck der Betriebsüberwachung, bietet die Methode mehrere Anwendungsmöglichkeiten im Asset Performance Management, wie zum Beispielvirtuelle Inbetriebnahme oder eine Anpassung der Instandhaltungsstrategie. Die Erweiterung der gefundenen Erkenntnisse auf die gesamt verfügbare GT24/GT26 Flotte erlaubte weiterhin, den Alterungsfortschritt mit der Fahrweise in Relation zu setzen.

State-of-the-art gas turbine technology is technically capable of providing the flexible power generation as required in today’s electricity markets. Still, the economic and ecological pressure on gas turbine power generation demands cost reductions while maintaining the technical standard. Digitalization has a high potential for cost-effective optimization of gas turbine operation, using the existing large amount of available data for an Asset Performance Management approach. Aiming towards the objective of a digitally-supported ’Gas Turbine 4.0’, this research presents a model-based approach to utilize legally required Nitrogen Oxide (NOx) and Carbon Monoxide (CO) emission measurements as a precious source of information on combustion performance. Semi-empirical emission models were derived from kinetics and then adapted to the investigated three engines from the GT24/GT26 fleet. The developed gas turbine model covers component aging for the combustor and turbine outlet temperature measurements. By the combined use of the emission data and models, engine and aging models, observed emission progression in long-term operation could be linked to aging mechanisms. Artificial Neural Networks as a prominent representative of artificial intelligence were used as a benchmark for the modeling approach. Beside the model’s very-own monitoring purpose, the method also offers a number of application possibilities for Asset Performance Management, such as Virtual Commissioning or an adaption of the maintenance strategy. Extending the findings to a large part of the GT24/GT26 fleet further allowed relating operation regime and the observed aging progress.

OpenAccess:
PDF
(additional files)