Estimación de variables determinantes en la caída de presión asociada al sistema de filtros de una turbina a gas

Estimation of determinant variables in the pressure drop associated with the filter system of a gas turbine

MSc. Manuel Marqués-Rodríguez I , Dr. Luis Oscar Oliva-Ruiz II

I Instituto Universitario de Tecnología “Dr. Federico Rivero Palacio”, Departamento de Procesos Químicos, Caracas, Venezuela. marqueses@cantv.net ]]> II Universidad de Oriente, Santiago de Cuba, Cuba. oliva@uo.edu.cu

Resumen

Se desarrolla una metodología para obtener una aproximación, a través de redes neuronales artificiales, que permita estimar la caída de presión en el sistema de filtros para aire, a partir de datos operatorios para mejorar la disponibilidad de una unidad de generación eléctrica. Se parte de 28 variables predictivas y una variable objetivo, en base a un análisis de sensibilidad se disminuye el número de variables predictivas y se concreta el diseño de la estructura multicapa de nodos. Se determina cuántas y cuáles variables predictivas son necesarias, para un ajuste con un coeficiente de determinación mayor a 0,99 encontrando que una, es la cantidad mínima necesaria, la estructura final es 1-12-1 con un coeficiente de determinación de 0,99740. El modelo desarrollado permite simular dicha variable y provee una herramienta para el incremento de la disponibilidad operacional en las unidades de generación, en lo que respecta al filtrado de aire.

Palabras Claves: simulación, termoeléctrica, turbina a gas, red neuronal.

Abstract

A methodology was developed to approximate, through artificial neural networks to estimate the pressure drop in the system of air filters, from operative data and increase the availability of the electric generation unit. It starts with 28 predictor variables and target variable, based on a sensitivity analysis of the number of predictors is reduced and the design of the structure of the multilayer perceptron concrete. It determines how many and which predictor variables are necessary for a fit with a coefficient of determination more than 0.99 found that one is the minimum amount required, the final structure is 1-12-1 with a coefficient of determination of 0.99740. The model developed to simulate the variable and provides a powerful tool for increasing the operational availability of generation units in regard to air filtration.

Key words: simulation , thermoelectric, gas turbine, neural net .

INTRODUCCION

Según información de la Corporación Eléctrica Venezolana, para marzo del año 2010 todas las plantas generadoras del sistema eléctrico nacional (SEN) venezolano se encuentran totalmente interconectadas. No obstante, inclusive bajo la condición de que todas operen a su máxima capacidad, no logran cubrir la demanda en todo el territorio nacional, pues existe un déficit de 800 MW, cuyo efecto es perceptible a través de los programas de racionamiento del fluido eléctrico iniciados en el año 2009 y que aún persisten.

Dicho racionamiento crea una situación de operación a condición crítica, por lo que la falta de disponibilidad de manera programada o no, de varias unidades, da origen a una variación repentina y significativa en la potencia generada con respecto a la potencia solicitada en el SEN. Entre las causas que pueden provocar la salida de servicio de varias unidades al mismo tiempo, se tienen las paradas por mantenimiento, que al coincidir producen los efectos ya mencionados.

En una unidad de generación, las paradas por mantenimiento al sistema de filtros se realizan a partir de un número de horas señalado por el proveedor del turbogenerador; sin embargo dicho criterio es impreciso pues no considera los cambios climáticos particulares a cada región, por lo que un criterio más preciso es la caída de presión máxima, señalada por el fabricante de los filtros de reposición, criterio que también es impreciso pues a pesar que los filtros son sustituidos por un similar, con las mismas especificaciones técnicas, la realidad es que en la practica la caída de presión máxima permisible, cambia con cada lote que se compra. Lo que da lugar a que la caída de presión medida no constituya un criterio concluyente respecto a la condición de los filtros y por ende a funcionamientos deficientes en estos, con sustitución o falla de estos, antes de lo esperado, cuando su vida útil aun no se ha completado.

Siendo el cambio de los filtros para el aire debido a la obstrucción de estos, la causa que con más frecuencia motiva la parada de una unidad y provoca la coincidencia de estas según los señalamientos del fabricante (Siemens), se hace necesario discriminar la prioridad en el orden de parada de las unidades, para tal fin, se desarrolla una metodología que permita estimar la caída de presión en el sistema de filtros de una unidad generadora a partir de variables operatorias, la cual en trabajo posterior será acoplada a la técnica de “análisis en la ruta del gas”, conocida por sus siglas en inglés como GPA (gas path analysis).

Estimar la variable asociada a la obstrucción de los filtros, en un sistema tan complejo como lo es una unidad de generación, puede requerir extensos y laboriosos desarrollos teóricos, además de simplificaciones que pueden llevar a resultados inexactos, sin embargo a partir de la literatura consultada se tiene, que es posible realizar el modelado de un proceso como éste, sin necesidad de desarrollar las ecuaciones teóricas que rigen su comportamiento.

Leahy et al (2008) [1] plantean el uso de redes neuronales artificiales (RNA) en la predicción de una variable, destacan la importancia de la selección apropiada de las variables predictivas, evitando una cantidad excesiva y redundante de estas y que la selección se puede guiar a partir del conocimiento del sistema físico a modelar. En el presente trabajo se combinan el conocimiento de las características operativas del sistema y el análisis de sensibilidad como criterios de selección.

Tung en el año 2009 [2] Indica que la calidad en la generación está relacionada con el sistema de mantenimiento, tal que permita mayor disponibilidad en el trabajo de la unidad generadora. Si se establece como criterio de parada de las unidades en lo que se refiere al mantenimiento en el sistema de filtros para el aire, una variable asociada a la operación de estos, como la caída de presión, puede ser posible predecir el orden de parada de las unidades de generación, con lo que se tendrá mayor disponibilidad en estas.

Fast et al en el año 2009 [3] desarrollan un modelo multipropósito para turbinas industriales mediante redes neuronales artificiales, señalan el uso de solo tres variables predictivas, hacen la selección de los datos en base al conocimiento sobre la operación y a los datos disponibles, remueven de estos la información asociada a la operación transitoria. En el presente trabajo no se remueven los datos asociados a la operación no estacionaria, por otro lado destaca que no reseñan el valor de algún parámetro general para la calidad del modelo, aunque presentan de forma gráfica el error en el ajuste, el cual se considera elevado, el mismo puede ser debido al empleo de una cantidad insuficiente de variables predictivas.

Melesse et al (2011) [5] trabajan en la predicción de una variable mediante la técnica de RNA en particular el tipo multicapa de nodos ( multilayer perceptron, MLP), usan varios grupos de variables predictivas y distribuciones de los datos, obteniendo un coeficiente de determinación (R 2 ) de 0,97 en el mejor de los casos, también mediante la comparación de los resultados con cada grupo de variables predictivas, logran establecer el grado de influencia de estas sobre la variable objetivo. En el presente trabajo se evalúa la influencia una por una de cada variable predictiva, metodología que permite establecer de manera más exacta la influencia asociada a una variable.

Tan et al (2012) [6] utilizan redes neuronales como herramienta para evitar fallas en la operación de un equipo y mantenerla segura y confiable, para lo cual desarrollan un modelo con RNA de cuatro capas, a partir de varios grupos de variables formados a partir de once variables predictivas y una variable objetivo. Sin embargo no hacen ensayos con todas las combinaciones de variables posibles, por lo que en teoría es posible obtener un mejor rendimiento al señalado, a diferencia del presente trabajo en el que se discrimina una por una la importancia de cada variable.

Barad et al en el año 2012 [7] señalan que en el monitoreo de motores tipo turbina de gas, para un buen funcionamiento mecánico y la procura de una buena eficiencia, se requiere un modelo para manejar los datos y señalan que el método más reseñado es con redes neuronales artificiales, teniendo en cuenta la complejidad del sistema físico objeto de estudio. De lo anterior se puede afirmar que este método constituye, como herramienta matemática, una alternativa capaz de modelar la caída de presión en los filtros para aire, a partir de las variables operatorias correspondientes.

Dicha herramienta se encuentra respaldada con su presencia en distintos programas, tal como el Matlab [8], lo que facilita su aplicación, pues el investigador no tiene que elaborar el software, además es notoria, por tener la capacidad para representar funciones en sistemas que responden a principios físicos claramente establecidos [9, 10].

Por lo tanto, constituye el objetivo del presente trabajo: desarrollar una metodología para obtener una aproximación, a través de redes neuronales artificiales, que permita estimar la caída de presión en los filtros para el aire presente s en el sistema de admisión, a partir de datos operatorios. Para mejorar la disponibilidad de la unidad generadora al acoplar esta en trabajo posterior, a la técnica GPA. (amerita repetirse gas path analysis).

El desarrollo de dicha metodología implica varios procedimientos, que en orden de ocurrencia son: preselección de las variables de trabajo, reducción de la cantidad variables predictivas, diseño del muestreo y el diseño de la red neuronal. En el presente trabajo se presentan resultados parciales en las diferentes etapas del procedimiento, el enfoque sistémico dado a este, sienta las bases para la selección de los parámetros que se requieren para el desarrollo del modelo.

MATERIALES Y MÉTODOS

Con respecto al diseño del experimento, considerando que se cuenta con registros históricos operativos de una unidad de generación de 104,4 MW (ISO), se debe en primer lugar realizar una pre selección de las variables asociadas al objeto de estudio, para luego realizar el diseño del muestreo y por último el diseño de la red neuronal artificial.

S e procede a una preselección de las variables asociadas al objeto de estudio, en correspondencia al objetivo del presente trabajo y con el apoyo de herramientas estadísticas, según criterio de expertos mediante la técnica de tormenta de ideas, con lo que se establece la cantidad de 29 variables, según se muestra en la tabla 1, de las cuales 28 son predictivas y una se corresponde a la variable objetivo: diferencia de presión causada por el filtro en la línea de aire (DP1).

Con respecto a los datos, el sistema de adquisición existente en la central termoeléctrica, descarta cualquier valor que se encuentre fuera del rango de trabajo o fuera del margen de tolerancia del medidor. Adicionalmente se sabe que la data recogida viene directamente del proceso en campo y se asume que es estable entre mediciones consecutivas.

El diseño de la red neuronal parte de la selección del tipo de RNA, en este caso se trabaja con el MLP por ser la más usada en artículos científicos con aplicaciones técnicas a nivel mundial según Maier et al [11] y ser ampliamente conocida como estimador universal según Hontoria et al [12]. Esta tendrá una arquitectura elemental, que consta de tres partes, la sección de entrada, la capa intermedia y capa de salida. Una estructura con estas características se muestra en la figura 1. En la sección de entrada se ubican los nodos correspondientes a las variables de entrada, cada nodo tiene conexión con todas las neuronas de la siguiente capa. La capa intermedia, con un número de neuronas a ser establecido, a las que se les asigna como función de activación la tangente sigmoidea de manera que la RNA pueda dar seguimiento a relaciones no lineales en la variable a simular. La capa de salida con una sola neurona y función de activación lineal la cual es seleccionada por ser adecuada para funciones continuas, a la que llega cada una de las señales provenientes de la capa intermedia [13].

La red neuronal así creada, está compuesta por neuronas simples que operan en paralelo y se encuentran interconectadas entre sí hacia adelante ( feed forward ). En éste caso se trabajara con un algoritmo de entrenamiento supervisado, pues se le suministran patrones de entrada con su respectivo patrón de salida, según el método de propagación de error hacia atrás ( back propagation ) de Levenberg-Marquardt, típico en redes de una sola capa intermedia con funciones de transferencia no lineal diferenciable, además de rápido y confiable [14, 15, 16].

Es bien conocido, que redes neuronales con una capa intermedia son capaces de aproximar funciones no lineales acotadas de forma satisfactoria y que más capas intermedias puede causar sobre entrenamiento por el número excesivo de neuronas, por lo cual en el presente trabajo se empleará una sola capa intermedia.

Los datos para la RNA no reciben ningún tratamiento previo, son discriminados en tres grupos, que de forma simultánea e independiente participan en la elaboración de la RNA, el primero para entrenamiento, con el 70% de los datos y es usado para el proceso de ajuste de los parámetros de la RNA (pesos y sesgos), el segundo para validación con 15%, siendo usado para evitar el sobre entrenamiento y el tercero para verificación con 15%. Debe hacerse la distribución de los grupos de forma que los datos contenidos en los dos primeros, sean representativos de la totalidad de la data y que los datos usados para verificación no hayan sido usados en los otros dos grupos.

El criterio usado para establecer el rendimiento adecuado del modelo elaborado a partir de RNA es el coeficiente de determinación (R 2 ) con un rango [0 1], aplicado de forma simultánea y conjunta a los tres procesos que participan en la elaboración de la RNA, también usado por Dombayci y Golcu [17]; éste coeficiente cuantifica la capacidad de un modelo para replicar resultados, mientras más cercano a cero, más débil su capacidad. La expresión correspondiente se presenta en la ecuación 1.

Donde es la propiedad observada; es la propiedad observada promedio; es la propiedad calculada; es la propiedad calculada promedio y m el número total de datos.

RESULTADOS Y DISCUSIÓN

Con respecto a las 28 variables predictivas a partir de las cuales se hará la simulación, los parámetros estadísticos básicos tales como mínimo, máximo, promedio, media, moda y desviación estándar (SD) son presentados en la tabla 2. Con respecto a la variable objetivo, diferencia de presión en los filtros, su información estadística se presenta en la misma tabla.

De entre las 28 variables de entrada, algunas presentan una SD muy pequeña, tal como la “vibración” con un orden de magnitud de 10 -6 , esto debido a su muy lenta variación con el desgaste natural a lo largo del tiempo, y otras con una elevada SD tal como la presión de entrada de combustible a los quemadores, con un orden de 10 5 , debido a los frecuentes cambios de potencia en la unidad.

El ajuste de la RNA ejecuta de forma simultánea el entrenamiento con 2 484 series de datos, la validación con 532 y la verificación con 532 series, esto, con la finalidad de establecer los pesos y los sesgos de interconexión entre las variables que llegan a los nodos de entrada y el nodo de salida, este último donde se obtiene la variable que se requiere simular.

La selección definitiva de los parámetros de entrada es un aspecto importante, el cual requiere el conocimiento del proceso objeto de estudio y en la mayoría de los casos, ser asistido por herramientas estadísticas, de forma que solo las variables más importantes sean incluidas [18]. En el presente trabajo además del conocimiento asociado al equipo, se realiza un análisis de sensibilidad, lo que de forma conjunta permite hacer la selección final.

El análisis de sensibilidad puede ser usado, para establecer la redundancia en la cantidad de variables de entrada y establecer la importancia relativa de las variables independientes seleccionadas, lo cual permite identificar el grado de influencia de éstas sobre la variable de salida. Estableciéndose a partir de las 28 variables predictivas, 28 casos a considerar por lo que se elaboran 28 modelos mediante RNA, cada uno con su correspondiente variable de entrada.

La consideración de R 2 es dada en la tabla 3 para cada uno de los 28 casos revisados, se muestra el coeficiente de determinación para el ajuste entre la salida real y la simulada. Se trabaja con 15 muestras para cada experiencia, por lo que dicho coeficiente se obtiene 15 veces para cada condición, luego se calcula su valor promedio y la desviación estándar de éste, la cual es cercana a cero en todos los casos. E n dicha tabla se aprecia que las variables de mayor influencia (como una primera aproximación R 2 mayor a 0,69) son cinco, en orden de mayor a menor importancia: tiempo, vibración del cojinete del compresor en dirección “x”, vibración del cojinete del compresor en dirección “y”, vibración del cojinete de la turbina en dirección “x” y vibración del cojinete de la turbina en dirección “y”, a partir de estas se hace la selección básica de las variables de entrada y estas son complementadas con otros análisis para la selección definitiva del modelo.

 

Con la finalidad de establecer, cuantas de las cinco variables señaladas, son necesarias para una simulación aceptable, se plantean cinco modelos en RNA, el primero con la primera variable, el segundo con las dos primeras y así sucesivamente. En la tabla 4, se muestra el coeficiente de determinación, su promedio luego de 15 consideraciones para cada caso y la desviación estándar. En la figura 2 se aprecia que cuando se trabaja solo con la primera variable se obtiene el mejor coeficiente de determinación.

Esta variable seleccionada fue nuevamente considerada, con la finalidad de establecer la mejor estructura de la RNA, para lo cual se elaboraron como una primera aproximación catorce modelos en RNA, según se muestra en la tabla 5, variando el número de neuronas en la capa intermedia, igualmente se muestra el coeficiente de determinación tres veces para cada caso, se calcula su valor promedio (para 15 simulaciones) y su desviación estándar. En caso de no mostrar tendencia asintótica se debe incrementar la cantidad de modelos.

En la figura 3 se aprecia el efecto sobre el coeficiente de determinación que tiene el incremento del número de neuronas en la capa intermedia, observándose que la mejor arquitectura es aquella que contiene doce neuronas en dicha capa.

La estructura con un nodo en la sección de entrada, doce neuronas en la capa intermedia y una neurona en la capa de salida es la arquitectura que presenta el mejor rendimiento cuando se considera de forma global las tres fases de elaboración del modelo en RNA: entrenamiento, validación y verificación.

La figura 4 muestra los valores calculados por el modelo, en comparación con los valores reales de la diferencia de presión en los filtros para el aire. La pendiente de la línea de regresión para el modelo en RNA es 0,99 y difiere en 1% con respecto a la unidad, que corresponde a la pendiente del ajuste perfecto. El coeficiente de determinación es 0,997 40 por lo que las variables seleccionadas para el modelo en RNA propuesto, permiten representar adecuadamente la diferencia de presión en los filtros para el aire.

La estimación de la caída de presión en el sistema de filtros permitirá valorar en tiempo real el momento en que puede realizarse la parada de mantenimiento, mejorando la disponibilidad operacional del equipo.

CONCLUSIONES

A partir de los resultados presentados, su análisis y su discusión se puede afirmar:

La técnica de redes neuronales artificiales permite discriminar de entre un conjunto de variables, la importancia relativa de cada una con respecto a la variable objetivo.

La metodología planteada identifica mediante un análisis de sensibilidad, las variables que tienen mayor influencia sobre la diferencia de presión en los filtros para el aire, que en el presente caso se reduce a una, el tiempo.

De igual forma mediante la aplicación de esta metodología, se establece la cantidad mínima de neuronas en la capa intermedia requerido para que el modelo desarrollado logre el máximo nivel de aproximación, lo que corresponde a doce.

Se establece que para una red neuronal de tipo MLP con el algoritmo para propagación de error Levenberg-Marquardt, conformada por la sección de entrada, una capa intermedia y una capa de salida, la arquitectura que da el mejor ajuste de los datos, con el número optimo de neuronas en la capa intermedia, es 1-12-1.

El modelo desarrollado presenta resultados satisfactorios para la variable objeto de estudio y su implementación provee de una herramienta para el incremento de la disponibilidad operacional en las unidades de generación.

BIBLIOGRAFÍA

1. LEAHY, Paul. “ Structural optimization and input selection of an artificial neural network for river level prediction”. Journal of Hydrology [en linea]. 2008, vol. 355, p. 192–201. [consulta: 13 de febrero de 2014]. Disponible por internet: http://www.ucc.ie/hydromet/files/Leahy.2008.pdf ISSN: 0022-1694.

2.  TUNG-LIANG, Chen. “Real-time turbine maintenance system”. Experts Systems with Applications . 2009, vol. 36, p. 8676-8681. ISSN: 0957-4174.

3.  Fast, M.. “Development and multi-utility of an ANN model for an industrial gas turbine”. Applied Energy [en línea] . 2009, vol. 86, p. 9–17. [consulta: 13 de febrero de 2014]. Disponible por internet: http://www.sciencedirect.com/science/article/pii/S030626190800072X ISSN 0306-2619.

4.  BARTOLINI, C.. “Application of artificial neural networks to micro gas turbines”. Energy Conversion and Management [en línea]. 2011, vol. 52, p. 781–788. [ consulta: 13 de febrero de 2014]. Disponible por internet: http://www.sciencedirect.com/science/journal/01968904/52/1 ISSN: 0196-8904.

5.  MELESSE, A.. “ Suspended sediment load prediction of river systems: An artificial neural network approach”. Agricultural Water Management [en linea]. 2011, vol. 98, p. 855–866. [consulta: de 13 de febrero de 2014]. Disponible por internet: http://www.deepdyve.com/lp/elsevier/suspended-sediment-load-prediction-of-river-systems-an-artificial-CXIISgbk0x ISSN: 0378-3774.

6.  TAN, W.. “ Optimum parameters for fault detection and diagnosis system of batch reaction using multiple neural networks”. Journal of Loss Prevention in the Process Industries [en linea]. 2012, vol. 25, 138-141. [consulta: 13 de febrero de 2014]. Disponible por internet: http://www.sciencedirect.com/science/journal/09504230/25/1 ISSN: 0950-4230.

7.  BARAD, Sanjay; RAMAIAH, P.; GIRIDHAR, R. y KRISHNAIAH, G. “Neural network approach for a combined performance and mechanical health monitoring of a gas turbine engine”. Mechanical Systems and Signal Processing . 2012, vol. 27, p. 729-742. ISSN: 0888-3270.

8.  AGUDELO, Andrés et al. “Efecto de la altitud en el análisis termo económico de un sistema de cogeneración”. DYNA [en línea]. 2007, vol. 74, nº 152, p. 113-124. [consulta: 6 de marzo de 2010]. Disponible por internet: http://www.redalyc.org/articulo.oa?id=49615211 ISNN: 0012-7353 .

9. MILLÁN, Félix. “ Predicción mediante redes neuronales artificiales de la transferencia de masa en frutas osmóticamente deshidratadas”. Interciencia [en línea]. 2006, vol. 31, nº 3, p. 206-210. [consulta: 6 de marzo de 2010]. Disponible por internet: http://www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S037818442006000300011&lng=es&nrm=iso ISNN: 0378-1844.

10.  MENA, Carlos. “Comparación de redes neuronales y regresión lineal para estimar productividad de sitio en plantaciones forestales, utilizando geomática”. Bosque [en línea] . 2006, vol. 27, nº 1. [consulta: de 6 de marzo de 2010]. Disponible por internet: http://www.redalyc.org/pdf/1731/173113287004.pdf ISNN: 0717-9200.

11.  MAIER, Holger; JAIN, Ashu; DANDY, Graeme y SUDHEER, K.. “Methods used for the development of neural networks for the prediction of water resource variables in river systems: Current status and future directions”. Environmental Modeling & Software . 2010, vol. 25, p. 891-909. ISSN: 1364-8152.

12.  HONTORIA, L.; AGUILERA, Javiera. y ZUFIRIA, Pedro. “An application of the multilayer perceptron: Solar radiation maps in Spain”. Solar Energy . 2005, vol. 79, p. 523-530. ISSN: 0038-092X .

13.  HAMED, Maged; KHALAFALLAH, Mona y HASSANIEN, Ezzat. “Prediction of waste water treatment plant performance using artificial neural networks”. Environmental Modeling & Software . 2004, vol. 19, p. 919-928. ISSN: 1364-8152.

14.  HERNANDEZ, J.. “Neural Networks for the heat and mass transfer prediction during drying of cassava and mango”. Innovative Food Science and Emerging Technologies [en linea]. 2004, vol. 5, p. 57-64. [consulta: 6 de marzo de 2010]. Disponible por internet: http://www.researchgate.net/publication/229360569_Neural_networks_for_the_heat_and_mass_transfer_prediction_during_drying_of_cassava_and_mango ISSN: 1466-8564.

15.  SAHOO, G.; RAY, C. y WADE, H.. “Pesticide prediction in ground water in North Carolina domestic wells using artificial neural networks”. Ecological Modeling . 2005, vol. 183, p. 29-46. ISSN: 0304-3800.

16.  HERZOG, M.; MARWALA, T y HEYNS, P.. “Machine and component residual life estimation through the application of neural networks”. Reliability Engineering and System Safety. 2009, vol. 94, p. 479-489. ISSN: 0951-8320.

17. DOMBAYCI, Omer y GOLCU, Mustafa. “Daily means ambient temperature prediction using artificial neural network method: A case study Turkey”. Renewable Energy . 2009, vol. 34, p. 1158-1161. ISSN: 0960-1481.

18.  PANAGOU. E. y KODOGIANNIS, V.. “Application of neural networks as a non-linear modeling technique in food mycology”. Expert Systems with Applications . 2009, vol. 36, p. 121-131. ISSN: 0957-4174.

Recibido: Noviembre 2017
Aprobado: Marzo 2018

MSc. Manuel Marqués-Rodríguez. Instituto Universitario de Tecnología “Dr. Federico Rivero Palacio”, Departamento de Procesos Químicos, Caracas, Venezuela.