mgr inż. Krzysztof Damian Dominiczak streszczenie rozprawy doktorskiej Sieci neuronowe w systemie ograniczeo termicznych turbiny parowej W niniejszej rozprawie przedstawiono zagadnienia związane z zastosowaniem sieci neuronowych w systemie ograniczeo termicznych turbiny parowej. Jest to pierwsza analiza w literaturze przedmiotu, dotycząca możliwości zastosowania sieci neuronowych jako modelu elementu turbiny parowej w systemie określającym w czasie rzeczywistym naprężenia i temperaturę w miejscu krytycznym nadzorowanego elementu turbiny parowej. Jakośd systemu ograniczeo termicznych turbiny parowej jest kluczowym czynnikiem wpływającym na elastycznośd pracy turbiny parowej. Zagadnienie przedstawione w rozprawie jest jednym z głównych kierunków rozwoju koncepcji eksploatacji turbin parowych. Związane jest to z rosnącym udziałem energii odnawialnej w rynku energii, co powoduje koniecznośd kompensacji fluktuacji mocy w sieci przez konwencjonalne bloki energetyczne. Naprężenia termiczne w grubościennych elementach turbiny są głównym czynnikiem ograniczającym elastyczną pracę turbiny. Wał jest najistotniejszym grubościennym elementem turbiny parowej z perspektywy jej elastycznej pracy oraz z perspektywy bezpieczeostwa ludzi i mienia. Z tego powodu wał turbiny jest zazwyczaj chroniony przez system ograniczeo termicznych turbiny. Zadaniem systemu ograniczeo termicznych turbiny jest określenie w czasie rzeczywistym chwilowych naprężeo aktualnych i dopuszczalnych, co pozwala określad aktualny poziom wytężenia wału turbiny. Na podstawie aktualnego poziomu wytężenia wału, system ograniczeo termicznych turbiny wpływa na system regulacji turbiny przez oddziaływanie na parametry pary przed turbiną oraz przepływ przez turbinę, tak aby dopuszczalne wartości naprężeo nie zostały przekroczone. Uruchomienie turbiny parowej przeprowadzone z wykorzystaniem systemu ograniczeo termicznych jest nie tylko najszybszym z możliwych uruchomieo, powoduje najmniejsze możliwe zużycie elementów turbiny od cieplnego zmęczenia niskocyklowego dla danych warunków początkowych i brzegowych w rejonie turbiny. Nowoczesne system ograniczeo termicznych turbiny parowej wykorzystują modele matematyczne nadzorowanych elementów. Od jakości modelu matematycznego nadzorowanego elementu zależą współczynniki bezpieczeostwa zastosowane w systemie ograniczeo termicznych turbiny. Z tego powodu, jakośd modelu matematycznego ma ogromny wpływ na elastyczną pracę turbiny parowej. Im lepszy jest matematyczny model nadzorowanego elementu turbiny, tym dokładniejsze jest określenie aktualnego wytężenia tego elementu. Stwarza to możliwośd zastosowania niższych współczynników bezpieczeostwa.
Istnieje jednak ograniczenie wielkości modelu matematycznego nadzorowanego elementu turbiny. Ograniczenie to związane jest z koniecznością pracy systemu w czasie rzeczywistym. Proponowany w niniejszej rozprawie system ograniczeo termicznych turbiny opiera się o sieci neuronowe typu NARX (Nonlinear AutoRegressive with exogenous inputs). Parametry wytężenia nadzorowanego elementu turbiny odwzorowane przez sieci neuronowe są porównywalne z analizą metodą elementów skooczonych. Jednocześnie sieci neuronowe są niewielkimi algorytmami, które bez problemu mogą pracowad w czasie rzeczywistym po zaimplementowaniu do regulatora turbiny lub osobnego sterownika. Sieci neuronowe typu NARX są rekurencyjnymi sieciami neuronowymi ze sprzężeniem zwrotnym pomiędzy wyjściem a wejściem sieci. Sieci te są powszechnie używane do modelowania układów nieliniowych, przy czym charakter nieliniowości nie musi byd znany. Jest to jedna z głównych zalet sieci neuronowych typu NARX. System ograniczeo termicznych turbiny działający w oparciu o sieci neuronowe został przedstawiony w niniejszej rozprawie na przykładzie wału części wysokoprężnej turbiny 18K390. Turbina 18K390 jest kondensacyjną turbiną reakcyjną z przegrzewem międzystopniowym zbudowaną do napędzania synchronicznego generatora GHTW-400. Nominalne parametry pary świeżej to 182bar(a)/557 C, natomiast nominalne parametry pary wtórnie przegrzanej wynoszą 42bar(a)/ 568 C. Wał części wysokoprężnej turbiny 18K390 jest wałem reakcyjnym z dwudziestoma czterema palisadami wirnikowymi. Wykonany jest z dwóch odkuwek. W rejonie wlotu zastosowano odkuwkę ze stali wysokostopowej, natomiast odkuwka części wylotowej wykonana jest ze stali niskostopowej. Wał części wysokoprężnej turbiny 18K390 ma długośd 5625mm. Po zamontowaniu łopatek, wirnik turbiny 18K390 posiada całkowitą masę ok. 10.5 tony. Średnica wału na wlocie do układu przepływowego wynosi 653mm, natomiast średnica wału na wylocie z układu przepływowego wynosi 686mm. System ograniczeo termicznych oparty na sieciach neuronowych nie koncentruje się na całym nadzorowanym elemencie, tylko na jego krytycznej lokalizacji. Nadzorowanie krytycznej lokalizacji jest tożsame z ochroną całego nadzorowanego elementu turbiny. W celu określenia krytycznej lokalizacji wału części wysokoprężnej turbiny 18K390, wykonano analizę jego zużycia od cieplnego zmęczenia niskocyklowego. Zużycie wału części wysokoprężnej turbiny 18K390 określono na podstawie wyników sprężysto-plastycznej analizy wału z wykorzystaniem metody elementów skooczonych. Określenie krytycznej lokalizacji wału części wysokoprężnej turbiny 18K390 odbyło się na podstawie charakterystyk rozruchowych dostarczonych przez producenta turbiny. Dla wszystkich rozpatrywanych cykli obciążenia, krytyczną lokalizacją był wrąb pierwszej palisady wirnikowej.
Cykl pracy turbiny parowej podzielid można na dwie fazy: cykl obciążenia i postój. Podczas cyklu obciążenia w elementach turbiny obserwuje się niestacjonarne pola temperatur, które są wynikiem wymiany ciepła pomiędzy elementami turbiny a parą ekspandującą w turbinie. Te niestacjonarne pola temperatur powodują powstawanie niestacjonarnych pól naprężeo, które z kolei odpowiadają za niskocyklowe zmęczenie elementów turbin. Dlatego w trakcie cyklu obciążenia turbiny zadaniem systemu ograniczeo termicznych turbiny opartego na sieciach neuronowych jest wyznaczenie przebiegu temperatury i naprężeo w miejscu krytycznym nadzorowanego elementu. Podczas odstawienia, pole temperatury w obrębie nadzorowanego elementu staje się jednorodne, a sama wartośd temperatury nadzorowanego elementu turbiny obniża się. Poziom naprężeo w turbinie podczas jej studzenia jest nieznaczny w porównaniu z naprężeniami obserwowanymi w trakcie cyklu obciążenia turbiny. Określenie temperatury miejsca krytycznego wału w czasie studzenia turbiny jest jednak niezmiernie istotne, ponieważ na podstawie tej temperatury możliwe jest określenie początkowego stanu termicznego nadzorowanego elementu turbiny. Z uwagi na powyższe, sieci neuronowe określają tylko temperaturę w miejscu krytycznym nadzorowanego elementu w trakcie studzenia turbiny. Podczas cyklu obciążenia turbiny, sieci neuronowe określają zarówno temperaturę jak i naprężenia w krytycznej lokalizacji wału. W systemie ograniczeo termicznych turbiny parowej opartym na sieciach neuronowych wyróżnid można trzy obszary. Pierwszy obszar stanowią pomiary w rejonie turbiny, które są danymi wejściowymi dla sieci neuronowych. Drugim obszarem są same sieci neuronowe typu NARX, określające w czasie rzeczywistym parametry wytężenia w nadzorowanym elemencie. Trzecim obszarem jest oddziaływanie systemu ograniczeo termicznych turbiny na układ regulacji bloku, co skutkuje zmianą parametrów pary przepływającej przez turbinę. W rozprawie dobrano istniejące pomiary z rejonu turbiny 18K390, tak aby możliwe było za ich pomocą odwzorowanie parametrów wytężenia wału turbiny. Otrzymane wyniki analiz potwierdziły poprawnośd dokonanego doboru, przy czym różny zestaw pomiarów z rejonu turbiny wykorzystany został w systemie ograniczeo termicznych w zależności od fazy cyklu pracy turbiny. Temperatura i ciśnienie pary przed zaworami regulacyjnymi, prędkośd obrotowa i moc turbiny wykorzystywane są w trakcie cyklu obciążenia turbiny. Wszystkie te wielkości fizyczne są wystarczające do scharakteryzowania warunków brzegowych w rejonie nadzorowanego elementu turbiny, dlatego pomiary te zostały wybrane jako egzogenne dane wejściowe do sieci określających temperaturę i naprężenia w krytycznej lokalizacji nadzorowanego elementu turbiny. Niemniej dwa identyczne z perspektywy warunków brzegowych uruchomienia mogą byd różne z perspektywy stanu naprężeo
w zależności od początkowego stanu termicznego nadzorowanego elementu. Z uwagi na powyższe, temperaturę miejsca krytycznego wału uzyskaną z sieci neuronowej, użyto jako egzogennej danej wejściowej do sieci neuronowej wyznaczającej naprężenia w miejscu krytycznym nadzorowanego elementu. Podczas stygnięcia turbiny stan termiczny nadzorowanego wału może byd określony jedynie na podstawie przyrostu jego długości. Z tego powodu przyrost długości wału został wykorzystany jako egzogenna dana wejściowe do sieci określającej temperaturę miejsca krytycznego nadzorowanego wału w podczas postoju turbiny. Przyrost długości wału jest określany przez system ograniczeo termicznych na podstawie: pomiaru wydłużeo względnych części wysokoprężnej turbiny, pomiaru wydłużeo absolutnych części wysoko i średnioprężnej turbiny oraz pomiaru przesuwu osiowego wału mierzonego w łożysku oporowym turbiny. Znając aranżację punktów stałych turbiny oraz sposób montażu poszczególnych elementów turbiny, możliwe jest określenie przyrostu długości wału w czasie eksploatacji turbiny. Następnym rozważanym w rozprawie elementem systemu ograniczeo termicznych turbiny parowej opartego na sieciach neuronowych jest wyznaczanie naprężeo względnych w nadzorowanym wale. Naprężenia względne w nadzorowanym elemencie wyznacza się w oparciu o trzy sieci neuronowe. Pierwsza sied neuronowa określa w trakcie postoju turbiny temperaturę miejsca krytycznego wału na podstawie termicznego przyrostu jego długości. Temperatura ta wykorzystywana jest jako temperatura początkowa wału w trakcie uruchomienia następującego po danym postoju turbiny. Na podstawie temperatury początkowej wału oraz egzogennych danych wejściowych kolejna sied neuronowa określa temperaturę miejsca krytycznego wału w trakcie cyklu obciążenia turbiny. Przebieg temperatury w miejscu krytycznym wału wraz z pozostałymi egzogennymi danymi wejściowymi trafia do trzeciej sieci neuronowej, która wyznacza przebieg naprężeo w miejscu krytycznym nadzorowanego wału. Następnie system ograniczeo termicznych określa naprężenia dopuszczalne w wale na podstawie przebiegu temperatury w krytycznej lokalizacji wału oraz na podstawie charakterystyk zmęczeniowych materiału wału. Przy wyznaczaniu naprężeo dopuszczalnych system ograniczeo termicznych turbiny oparty na sieciach neuronowych uwzględnia również poprawki wynikające z przyjętych w rozprawie założeo. Na naprężenia dopuszczalne wpływ ma również operator turbiny, który dokonuje wyboru polegającego na określeniu poziomu zużycia przewidzianego na dane uruchomienie. Szybsze uruchomienie wiąże się ze zwiększonym poziomem zużycia. Możliwośd takiego wyboru stanowi dodatkową zaletą sytemu ograniczeo termicznych turbiny parowej opartego na sieciach neuronowych. Na podstawie naprężeo aktualnych i dopuszczalnych, system określa naprężenia względne w nadzorowanym elemencie turbiny. Naprężenia względne, stanowiące miarę wytężenia turbiny, mogą byd wykorzystane w systemach regulacji bloku energetycznego, tak aby zarówno parametry przepływającej przez turbinę pary, jak
i wielkośd samego przepływu były optymalne z perspektywy stanu naprężeo nadzorowanego elementu turbiny. Na potrzeby rozprawy dokonano analizy eksploatacji turbiny 18K390 w celu wyodrębnienia reprezentatywnego zbioru testowego dla zmiennych warunków pracy turbiny. Elementy zbioru zostały dobrane w ten sposób, aby wszystkie stany eksploatacyjne znalazły się w zbiorze testowym. W skład zbioru testowego weszły następujące rzeczywiste stany eksploatacyjne: uruchomienie zimne, uruchomienie ciepłe I, uruchomienie ciepłe II, uruchomienie gorące, odstawienie turbiny z jednoczesnym odstawieniem kotła oraz zrzut z pełnej mocy turbin do biegu luzem turbiny z ponownym obciążeniem turbiny. Zbiór testowy został wykorzystany do eksperymentalnej weryfikacji stworzonych na potrzeby rozprawy modeli obliczeniowych. Zbiór testowy wykorzystany został również do weryfikacji jakości działania systemu ograniczeo termicznych turbiny parowej opartego na sieciach neuronowych. Należy jednak podkreślid, że zbiór testowy nie wszedł w skład zbioru wzorców uczących sieci neuronowe wchodzące w skład systemu ograniczeo termicznych. System ograniczeo termicznych turbiny oparty na sieciach neuronowych przeznaczony jest do pracy w czasie rzeczywistym, dlatego struktura sieci neuronowych została zoptymalizowana. Optymalizacji podlegała liczba neuronów w warstwach wejściowych sieci neuronowych, które znalazły zastosowanie w systemie. Miarą jakości działania sieci była suma średniokwadratowych błędów z odwzorowania wyżej opisanego zbioru testowego. Analizy udowodniły, że dwa neurony w warstwie wejściowej sieci odwzorowującej przebieg temperatury oraz pięd neuronów w warstwie wejściowej sieci neuronowej odwzorowującej naprężenia w miejscu krytycznym wału jest wystarczających, aby parametry wytężenia wału odwzorowane były satysfakcjonująco. Naprężenia na powierzchni wału turbiny parowej nie są mierzone w profesjonalnych elektrowniach. Spowodowane jest to nie tylko wysoką temperaturą i prędkością obrotową wału, ale i dostępnością krytycznej lokalizacji nadzorowanego elementu. W prezentowanym przykładzie, miejsce krytyczne wału tj. pierwszy wrąb palisady wirnikowej dostępny jest tylko, gdy stopieo wirnikowy jest rozłopatkowany. Zdarza się to co około 100 tysięcy ekwiwalentnych godzin pracy turbiny co daje w przybliżeniu około 8 lat. Z uwagi na powyższe zbiór wzorców uczących sieci neuronowe systemu ograniczeo termicznych turbiny utworzony został na bazie obliczeo zmiennych warunków pracy turbiny 18K390 z wykorzystaniem metody elementów skooczonych. Obliczenia zmiennych warunków pracy turbiny 18K390 zostały przeprowadzone z wykorzystaniem modelu termodynamicznego części wysokoprężnej turbiny, modelu wymiany ciepła w rejonie wału oraz modelu metody elementów
skooczonych rozpatrywanego wału. Model termodynamiczny i model wymiany ciepła posłużył określeniu warunków brzegowych w rejonie wału w trakcie zmiennych warunków pracy turbiny. Model termodynamiczny stworzony został do określenia natężenia przepływu pary przez częśd wysokoprężną turbiny oraz do określenia rozkładu parametrów termodynamicznych pary wewnątrz wysokoprężnej części turbiny w trakcie zmiennych warunków jej pracy. Przepływ pary przez częśd wysokoprężną został określony na podstawie prawa Stodoli dla okołoprojektowych przepływów pary. Dla niższych przepływów pary korygowano prawo Stodoli o eksperymentalnie wyznaczony współczynnik. Linie ekspansji pary w zmiennych warunkach pracy turbiny określane były na podstawie charakterystyki układu przepływowego rozważanej części wysokoprężnej turbiny 18K390. Charakterystykę tą uzyskano, wykorzystując teoretyczne bilanse cieplne turbiny. Na potrzeby niniejszej rozprawy zastosowano adiabatyczny model termodynamiczny tj. założono brak wymiany ciepła pomiędzy elementami turbiny a przepływającą przez turbinę parą. Spowodowane tym założeniem obniżenie dokładności obliczeo zostało zrekompensowane przez możliwośd przeprowadzenia sekwencyjnych analiz. W rozprawie oceniono jednak wpływ założenia dotyczącego adiabatyczności modelu termodynamicznego na błąd określenia poziomu zużycia wału od cieplnego zmęczenia niskocyklowego. Określona została zależnośd tego błędu od temperatury początkowej wału. Zależnośd ta została wykorzystana do korekty naprężeo dopuszczalny wyznaczanych przez system ograniczeo termicznych turbiny. Model termodynamiczny został zweryfikowany na podstawie analizy odwzorowania wielkości wyjściowych z modelu podczas rzeczywistych zmiennych warunków pracy turbiny dla wyżej wspomnianego zbioru testowego. Teoretyczny przepływ pary przez turbinę zweryfikowany został na podstawie zmierzonych przepływów pary przez rurociągi pary świeżej turbiny 18K390. Parametry pary przed układem przepływowym części wysokoprężnej zostały zweryfikowane na podstawie pomiaru temperatury i ciśnienia za zaworem regulacyjnym tej części turbiny. Parametry pary za układem przepływowym zweryfikowane zostały na podstawie pomiaru temperatury pary na wylocie z kadłuba zewnętrznego oraz pomiaru ciśnienia z kródcami wylotowymi z kadłuba zewnętrznego części wysokoprężnej. Kolejnym etapem modelowania zmiennych warunków pracy rozpatrywanego w niniejszej rozprawie wału było określenie wymiany ciepła w jego rejonie. Wał został podzielony na obszary, którym przypisano odpowiadające tym obszarom model przepływów oraz odpowiednie korelacje Nusselta.
Ostatnim etapem modelowania zmiennych warunków pracy rozpatrywanego wału części wysokoprężnej turbiny 18K390 były analizy MES wału. Na analizy metodą elementów skooczonych składały się analizy termiczne i strukturalne. W analizach termicznych wyznaczane były niestacjonarne pola temperatur w obrębie wału, które wykorzystywane były w analizach strukturalnych do wyznaczenia pól naprężeo. Model MES wału części wysokoprężnej turbiny 18K390 jest osiowosymetrycznym modelem składającym się z około 9 tysięcy elementów oraz 31 tysięcy węzłów. Do analiz termicznych wykorzystano osiowosymetryczne, ośmiowęzłowe elementy z temperaturowym stopniem swobody. Do analiz strukturalnych wykorzystano osiowosymetryczne, ośmiowęzłowe elementy przemieszczeniowe z kwadratową funkcją kształtu. Dla rozważanej w niniejszej rozprawie turbiny istnieje tylko jedna możliwośd weryfikacji modelu wymiany ciepła w obrębie wału oraz weryfikacji obliczeo MES zmiennych warunków pracy turbiny. Weryfikacji tej dokonad można na podstawie przyrostu długości wału uzyskanego z obliczeo MES z przyrostem długości uzyskanym pośrednio z pomiarów z rejonu turbiny. Porównania teoretycznego oraz wyznaczonego z dostępnych pomiarów przyrostu długości wału dokonano dla zmiennych warunków pracy turbiny wchodzących w skład zbioru testowego. Dla każdego elementu zbioru testowego teoretycznie określony przyrost długości wału mieścił się w obszarze wyznaczonym przez obliczony z pomiarów przyrost długości i niepewności pomiarów użytych do jego wyznaczenia. Eksperymentalnie zweryfikowany model obliczeniowy zmiennych warunków pracy wału części wysokoprężnej turbiny 18K390 został wykorzystany do analizy stanu naprężeo wału w trakcie zmiennych warunków pracy turbiny wchodzących w skład zbioru testowego. Analiza ta wykazała dużą rozbieżnośd w charakterze przebiegu naprężeo w krytycznej lokalizacji wału w zależności od jego początkowego stanu termicznego. Analiza również wykazała, że przebiegi temperatury w krytycznej lokalizacji wału są przebiegami wolnozmiennymi w porównaniu z przebiegami naprężeo. Pozwoliło to na zastosowanie jednej sieci neuronowej do odwzorowania temperatury miejsca krytycznego wału. Natomiast do odwzorowania naprężeo w krytycznej lokalizacji wału części wysokoprężnej turbiny 18K390 użyto pięciu różnych, wyspecjalizowanych w konkretnej kategorii uruchomieo sieci neuronowych. Sieci odwzorowujące naprężenia mają tą samą architekturę, więc ich liczba nie wpływa na szybkośd działania algorytmu. Po rozpoznaniu początkowego stanu termicznego turbiny, algorytm systemu ograniczeo termicznych turbiny dobiera odpowiadające danemu stanowi termicznemu wartości wag synaptycznych i wartości progowych dla sieci neuronowej określającej naprężenia.
Nauka sieci neuronowych jest to proces doboru wektora wartości wag synaptycznych oraz wektora wartości progowych sieci neuronowej. Podczas nauki sieci neuronowych systemu ograniczeo termicznych turbiny rozprężono wyjścia sieci z ich wejściami. W trakcie procesu nauki podawano na wejścia sieci wartości parametrów wytężenia ze zbioru uczącego, które są dokładniejsze od wartości parametrów wytężenia określonych przez sieci. Zastosowanie takiej architektury sieci neuronowych zwanej architekturą szeregowo-równoległą pozwoliło użyd metodę Levenberga Marquardta do nauki sieci neuronowych. Niemniej najistotniejszą role w procesie nauki odegrał zbiór wzorców uczących, którego zasady konstrukcji zostały ustalone w rozprawie. Zbiór wzorców uczących został skonstruowany tak, aby system ograniczeo termicznych był w stanie odwzorowad parametry wytężenia nadzorowanego elementu w całym zakresie stanów eksploatacyjnych turbiny. Stało się to możliwe po udowodnieniu następującego twierdzenia: jeżeli w skład zbioru uczącego sied neuronową odwzorowującą parametry wytężenia nadzorowanego elementu turbiny wchodzą dwa skrajne przebiegi zmian egzogennej danej wejściowej, to sied neuronowa jest w stanie z wystarczającą dokładnością odwzorowad każdy stan parametrów wytężenia nadzorowanego elementu, spowodowany pośrednim (w stosunku do skrajnych) przebiegiem egzogennej danej wejściowej. Wykorzystując to twierdzenie oraz wykorzystując wnioski z analizy eksploatacji turbiny 18K390 skonstruowano zbiór uczący, który składał się z 168 odrębnych analiz MES zmiennych warunków pracy turbiny. System ograniczeo termicznych turbiny parowej oparty na sieciach neuronowych zweryfikowany został na podstawie opisanego wyżej reprezentatywnego zbioru testowego, który nie był częścią zbioru uczącego sieci neuronowe systemu ograniczeo termicznych turbiny. Miarą jakości odwzorowania przebiegów parametrów wytężenia wału części wysokoprężnej turbiny 18K390 był błąd średniokwadratowy. Maksymalny średniokwadratowy błąd odwzorowania przebiegu temperatury wyniósł 5.4 C i zaobserwowany został podczas uruchomienia ciepłego I. Maksymalny średniokwadratowy błąd odwzorowania naprężeo wyniósł 18.8MPa i został zaobserwowany w trakcie uruchomienia zimnego. Sieci neuronowe odwzorowujące naprężenia generowały większe błędy, ponieważ egzogenną daną wejściową do tych sieci był przebieg temperatury w miejscu krytycznym wału odwzorowany przez sied neuronową. Spowodowało to kumulowanie się błędów sieci odwzorowujących temperaturę oraz błędów sieci odwzorowujących naprężenia.
Efektywnośd oddziaływania systemu ograniczeo termicznych na systemy regulacji bloku energetycznego może byd zacznie wyższa, kiedy system jest w stanie przewidzied przebieg parametrów wytężenia nadzorowanego elementu turbiny na kilka minut do przodu. Sieci neuronowe typu NARX pozwalają na dokonanie predykcji parametrów wytężenia nadzorowanego elementu turbiny. Sieci NARX określają parametry wytężenia nadzorowanego wału na podstawie dwóch przeszłych wartości tych parametrów oraz dwóch przeszłych wartości egzogennych danych wejściowych. Po wyznaczeniu aktualnych parametrów wytężenia wału, system ograniczeo termicznych zastępują ich przeszłe wartości. Na tej podstawie przewidywane są kolejne wartości parametrów wytężenia wału. Schemat ten może byd dalej powtarzany. Stwierdzono jednak, że przewidywanie parametrów wytężenia na pięd minut do przodu jest wystarczające z perspektywy inercji parametrów wytężenia nadzorowanego wału. Pięciominutowa predykcja charakteryzuje się również błędami na akceptowalnym poziomie. Jakośd predykcji prezentowanego w rozprawie systemu ograniczeo termicznych turbiny została oceniona również na podstawie opisanego wyżej eksperymentalnego zbioru danych testowych. Błędy predykcji rosły wraz ze wzrostem kroku czasowego, w którym przewidywane były parametry wytężenia wału. Średniokwadratowy błąd predykcji temperatury na pięd minut do przodu wyniósł 0.5 C dla uruchomieo oraz 2.5 C dla odstawienia i zrzutu mocy, gdzie spadki temperatur są duże. W przypadku naprężeo, średniokwadratowy błąd predykcji na jedną minutę do przodu wynosił 2.0MPa, natomiast błąd predykcji na pięd minut do przodu wyniósł 14.7MPa. Podsumowując, system ograniczeo termicznych turbiny oparty na sieciach neuronowych jest w stanie odwzorowywad w czasie rzeczywistym temperaturę i naprężenia w krytycznej lokalizacji nadzorowanego elementu turbiny parowej. System oparty na sieciach neuronowych wykorzystuje tylko ogólnie dostępne w profesjonalnych elektrowniach pomiary jak parametry pary przed zaworami regulacyjnymi turbiny, obroty oraz moc turbiny. Instalacja dodatkowych pomiarów w rejonie turbiny nie jest konieczna. Zaprezentowane w rozprawie wyniki analiz pokazują, że jakośd odwzorowania parametrów wytężenia nadzorowanego elementu przez sieci neuronowe jest porównywalna z jakością metody elementów skooczonych. System ograniczeo termicznych oparty na sieciach neuronowych jest bardzo obiecujący i stanowi alternatywę dla klasycznych systemów. System ograniczeo termicznych oparty na sieciach neuronowych może potencjalnie zostad częścią systemów regulacji turbin parowych i gazowych. Możliwe jest również nadzorowanie innych wysokotemperaturowych komponentów bloków energetycznych, w obrębie których pomiar temperatury i naprężeo nie jest uzasadniony technicznie lub ekonomicznie. Dodatkową zaletą systemu są niewielkie wymagania sprzętowe w zakresie regulatora turbiny lub osobnego sterownika.