JP2007002673A - Analysis and prediction method of gas turbine performance - Google Patents
Analysis and prediction method of gas turbine performance Download PDFInfo
- Publication number
- JP2007002673A JP2007002673A JP2005180307A JP2005180307A JP2007002673A JP 2007002673 A JP2007002673 A JP 2007002673A JP 2005180307 A JP2005180307 A JP 2005180307A JP 2005180307 A JP2005180307 A JP 2005180307A JP 2007002673 A JP2007002673 A JP 2007002673A
- Authority
- JP
- Japan
- Prior art keywords
- gas turbine
- variable
- analysis
- data
- time series
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000000611 regression analysis Methods 0.000 claims abstract description 27
- 238000012731 temporal analysis Methods 0.000 claims abstract description 26
- 238000000700 time series analysis Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 239000007789 gas Substances 0.000 claims description 116
- 238000010248 power generation Methods 0.000 claims description 27
- 238000010793 Steam injection (oil industry) Methods 0.000 claims description 16
- 239000002737 fuel gas Substances 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 5
- 239000003638 chemical reducing agent Substances 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 239000010687 lubricating oil Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 2
- 239000000314 lubricant Substances 0.000 claims description 2
- 239000003921 oil Substances 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 6
- 238000013075 data extraction Methods 0.000 description 6
- 230000006866 deterioration Effects 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000007616 round robin method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】 運転中のガスタービンから取得された多数のデータから、熟練を必要とせずに、ガスタービン性能の指標となる目的変数に影響が大きい複数のデータを容易に選択でき、かつこれらのデータを用いてガスタービン性能の分析又は予測を高い精度で容易にできるガスタービン性能の分析予測方法を提供する。
【解決手段】 統計量算出Ｓ１、前処理Ｓ２、目的変数選択Ｓ３、説明変数選択Ｓ４、回帰分析Ｓ５、時系列分析Ｓ６及び分析予測Ｓ７の各ステップからなる。説明変数選択ステップＳ４では、ステップワイズ法を用いて、目的変数以外の前処理データから目的変数に影響が大きい複数のデータを説明変数として選択する。回帰分析ステップＳ５において、単回帰分析、重回帰分析、目的変数から説明変数の影響を除去する影響除去処理、又はノイズ除去から少なくとも１つを選択して実施する。時系列分析ステップＳ６において、自己回帰モデル又は多変数自己回帰モデルの少なくとも１つを用いる。
【選択図】 図１
PROBLEM TO BE SOLVED: To easily select a plurality of data having a large influence on an objective variable serving as an index of gas turbine performance from a large number of data acquired from a gas turbine in operation without requiring skill, and these data A gas turbine performance analysis and prediction method capable of easily analyzing or predicting a gas turbine performance with high accuracy is provided.
SOLUTION: Each step includes statistical calculation S1, preprocessing S2, objective variable selection S3, explanatory variable selection S4, regression analysis S5, time series analysis S6, and analysis prediction S7. In the explanatory variable selection step S4, a plurality of data having a large influence on the objective variable is selected as explanatory variables from the preprocessed data other than the objective variable using the stepwise method. In the regression analysis step S5, at least one of single regression analysis, multiple regression analysis, influence removal processing for removing the influence of the explanatory variable from the objective variable, or noise removal is selected and executed. In the time series analysis step S6, at least one of an autoregressive model or a multivariable autoregressive model is used.
[Selection] Figure 1
Description
本発明は、多数の計測データからガスタービン性能の分析又は予測をする方法に関する。 The present invention relates to a method for analyzing or predicting gas turbine performance from a large number of measurement data.
ガスタービンは、圧縮機、燃焼器、タービン、等からなる。また、ガスタービン発電設備の場合、ガスタービン主要性能データとして、発電端出力（ＰＷＲ）、吸気温度（ＣＩＴ）、圧縮機出口圧力（ＣＤＰ）、燃料流量（ＷＧＦ）、ガスタービン出口温度（ＴＯＴ）、発電端効率（η）、排ガスＮＯｘ濃度（ＮＯｘ）、等が通常単位時間おきに取得され、これらによりガスタービンの性能が評価される。 The gas turbine includes a compressor, a combustor, a turbine, and the like. In the case of a gas turbine power generation facility, as main performance data of the gas turbine, power generation end output (PWR), intake air temperature (CIT), compressor outlet pressure (CDP), fuel flow rate (WGF), gas turbine outlet temperature (TOT) , Power generation end efficiency (η), exhaust gas NOx concentration (NOx), etc. are usually acquired every unit time, and the performance of the gas turbine is evaluated by these.
すなわち、従来から、コジェネレーション設備などに用いられているガスタービンの性能状態を把握するためにガスタービンの各部に取り付けた計測器からの上述した計測データ（ＰＷＲ，ＣＩＴ，ＣＤＰ，ＷＧＦ，ＴＯＴ，η，ＮＯｘ）をモニタしている。 In other words, the above-described measurement data (PWR, CIT, CDP, WGF, TOT, etc.) from the measuring instruments attached to each part of the gas turbine in order to grasp the performance state of the gas turbine used in the cogeneration facility, etc. (η, NOx) is monitored.
しかし、これらの計測データは相互に影響しあい、かつガスタービンの実際の運転条件は常に変化している。そのため、取得された計測データには吸気温度、大気圧力、等の変化、ガスタービンの使用状況の変化（全負荷か部分負荷か）による出力変化およびノイズなどが含まれており、単に取得した計測データをプロットしたり、ガスタービン吸気温度のみの修正（吸気温度の変化分だけを補正する）だけではガスタービンの正確な性能状態を把握することは困難であった。 However, these measurement data influence each other, and the actual operating conditions of the gas turbine are constantly changing. Therefore, the acquired measurement data includes changes in intake air temperature, atmospheric pressure, etc., output changes due to changes in gas turbine usage (full load or partial load) and noise, etc. It was difficult to grasp the exact performance state of the gas turbine only by plotting data or correcting only the intake temperature of the gas turbine (correcting only the change in intake air temperature).
そこで、多数の計測データからガスタービン性能を分析する手段として、例えば特許文献１〜３が提案されている。
また本発明に関連する「多変量時系列モデル」は非特許文献１に開示されている。
Thus, for example,
A “multivariate time series model” related to the present invention is disclosed in Non-Patent
特許文献１の「ガスタービンの性能診断方法」は、運転中のガスタービンから取得された計測データ（ＰＷＲ，ＣＩＴ，ＣＤＰ，ＷＧＦ，ＴＯＴ，η，ＮＯｘ）を基に重回帰分析により性能を診断するものである。
特許文献２の「機器の異常監視装置及びガスタービンの異常監視装置及びガスタービン設備及び複合発電設備」は、温度センサと発電機出力センサによる計測値を用いてガスタービンの健全性を評価し、ガスタービンの異常を早期に発見して発電効率の低下や装置の損傷を防止するものである。
特許文献３の「ガスタービンの状態診断方法及び診断システム」は、ガスタービンの運転情報と、ガスタービンに装着したセンサによって得られたプロセス情報から、ガスタービンを構成する部品の損傷程度を運転時間で評価した等価運転時間を算出し、あらかじめ決められている管理基準に基づいてガスタービンの状態を診断するものである。
ガスタービン発電設備の場合、運転中のガスタービンから取得されるデータは、上述した主要性能データに限られず、通常例えば５０点以上のデータが一定時間毎（例えば５分〜１０分、３０分又は１時間毎）に取得される。
しかし、従来は、５０点以上に達する多数のデータから経験的に選択した少数（例えば５〜７点）のデータを分析に用いているに過ぎなかった。そのため、経験的な選択から漏れたデータを有効に利用できず、得られ分析結果の有効性が低下する問題点があった。
In the case of a gas turbine power generation facility, data acquired from an operating gas turbine is not limited to the main performance data described above. For example, data of 50 points or more is usually every fixed time (for example, 5 to 10 minutes, 30 minutes or Acquired every hour).
However, conventionally, only a small number (for example, 5 to 7 points) of data selected empirically from a large number of data reaching 50 points or more has been used for analysis. For this reason, there is a problem in that the data missing from the empirical selection cannot be used effectively, and the effectiveness of the obtained analysis results is lowered.
例えば特許文献１の方法では、分析に利用する計測データがＰＷＲ，ＣＩＴ，ＣＤＰ，ＷＧＦ，ＴＯＴ，η，ＮＯｘ等に特定されているため、特定されていない他のガスタービン性能の劣化診断には適用できない。また、性能劣化の原因の分析は行っていないため、劣化の原因を判断できない。
すなわち一般的に、重回帰分析では時間的な影響を考慮しておらず、将来の変化や状態の予測には利用できない。
また一般的に、計測データの種類が多い場合は、影響の可能性があるデータを経験的に選択するのは、非常に困難であり、誤っているおそれもある。
For example, in the method of
That is, in general, multiple regression analysis does not consider temporal effects and cannot be used to predict future changes or conditions.
In general, when there are many types of measurement data, it is very difficult to empirically select data that may have an influence, and there is a possibility that the data is erroneous.
また、特許文献２の方法では、計測値によって異常診断を行っているが、統計分析を行っていないためその信頼性が低い。また、性能分析や性能予測はできない。
Moreover, in the method of
さらに特許文献３の方法では、ガスタービン全体の性能分析及び性能予測を行っていないため、ガスタービン全体の劣化性能を判断することができない。また、等価運転時間を用いるため、計算対象となる変量が限られている。
Furthermore, in the method of
本発明は、かかる問題点を解決するために創案されたものである。すなわち、本発明の目的は、運転中のガスタービンから取得された多数のデータから、熟練を必要とせずに、ガスタービン性能の指標となる目的変数に影響が大きい複数のデータを容易に選択でき、かつこれらのデータを用いてガスタービン性能の分析又は予測を高い精度で容易にできるガスタービン性能の分析予測方法を提供することにある。 The present invention has been developed to solve such problems. That is, the object of the present invention is to easily select a plurality of data having a large influence on an objective variable serving as an index of gas turbine performance from a large number of data acquired from an operating gas turbine without requiring skill. Another object of the present invention is to provide a gas turbine performance analysis / prediction method that can easily analyze or predict gas turbine performance with high accuracy using these data.
本発明によれば、運転中のガスタービンから取得した複数の原データからガスタービン性能の分析又は予測を行うガスタービン性能の分析予測方法であって、
前記複数の原データから基本統計量を算出する統計量算出ステップと、
前記複数の原データから統計処理に適した複数の前処理データを作成する前処理ステップと、
前記複数の原データからガスタービン性能の指標となる１つのデータを目的変数として選択する目的変数選択ステップと、
ステップワイズ法を用いて、前記目的変数以外の原データおよび前処理データから目的変数に影響が大きい複数のデータを説明変数として選択する説明変数選択ステップと、
前記目的変数と複数の説明変数との関係を求める回帰分析ステップと、
前記目的変数を複数の説明変数を用いて時系列分析する時系列分析ステップと、
時系列分析ステップで得られた時系列変化から過去の性能変化を分析し、及び／又は、将来の性能を予測する分析予測ステップと、を備える、ことを特徴とするガスタービン性能の分析予測方法が提供される。
According to the present invention, there is provided a gas turbine performance analysis / prediction method for analyzing or predicting gas turbine performance from a plurality of original data acquired from an operating gas turbine,
A statistic calculating step of calculating a basic statistic from the plurality of original data;
A preprocessing step of creating a plurality of preprocessing data suitable for statistical processing from the plurality of original data;
An objective variable selection step of selecting one data serving as an index of gas turbine performance from the plurality of original data as an objective variable;
An explanatory variable selection step for selecting, as an explanatory variable, a plurality of data having a large influence on the objective variable from the original data and pre-process data other than the objective variable using a stepwise method;
A regression analysis step for obtaining a relationship between the objective variable and a plurality of explanatory variables;
A time series analysis step for analyzing the objective variable in time series using a plurality of explanatory variables;
An analysis prediction method for gas turbine performance, comprising: an analysis prediction step for analyzing past performance changes and / or predicting future performance from the time series changes obtained in the time series analysis step. Is provided.
本発明の好ましい実施形態によれば、前記説明変数選択ステップは、説明変数の偏回帰係数の基準値を設定する基準値設定ステップと、
目的変数以外の前記複数のデータを１つずつ取り上げてその偏回帰係数を演算する偏回帰係数演算ステップと、
前記偏回帰係数が前記基準値を超えるものを説明変数として選択する選択ステップと、を有する。
According to a preferred embodiment of the present invention, the explanatory variable selecting step includes a reference value setting step of setting a reference value of a partial regression coefficient of the explanatory variable;
A partial regression coefficient calculating step of taking the plurality of data other than the objective variable one by one and calculating the partial regression coefficient;
And a selection step of selecting, as an explanatory variable, the partial regression coefficient that exceeds the reference value.
また、前記回帰分析ステップにおいて、単回帰分析、重回帰分析、目的変数から説明変数の影響を除去する処理、又はノイズ除去から少なくとも１つを選択して実施する。 In the regression analysis step, at least one of single regression analysis, multiple regression analysis, processing for removing the influence of the explanatory variable from the objective variable, or noise removal is selected and executed.
また、前記時系列分析ステップにおいて、自己回帰モデル又は多変数自己回帰モデルの少なくとも１つを用いる。 In the time series analysis step, at least one of an autoregressive model or a multivariable autoregressive model is used.
また、前記統計量算出ステップにおいて、最大値、最小値、平均値、分散、分散共分散、又は相関係数の少なくとも１つを含む基本統計量を算出し、得られた基本統計量からデータ系列の特性把握と各変量間の相関関係を調査する。 In the statistic calculation step, a basic statistic including at least one of a maximum value, a minimum value, an average value, a variance, a variance covariance, or a correlation coefficient is calculated, and a data series is calculated from the obtained basic statistic. Investigating the correlation between the characteristics of each and the variables.
また、前記前処理ステップにおいて、欠損値の補完、所定の時間間隔でのデータの抽出、変数値の閾値によるデータの抽出、平滑化、季節調整、又は正規化から少なくとも１つを選択して実施する。 In the pre-processing step, at least one of missing value complementation, data extraction at a predetermined time interval, data extraction by variable value threshold, smoothing, seasonal adjustment, or normalization is selected and executed. To do.
また本発明の好ましい一実施形態によれば、前記複数のデータから、ガスタービン吸気温度、圧縮機吐出圧力、発電電力、総蒸気噴射流量、発電効率及び燃料ガス流量から少なくとも１つの変数を選択する変数選択ステップを有し、
目的変数選択ステップにおいて前記変数から少なくとも発電効率を目的変数として選択し、
説明変数選択ステップにおいて前記変数からステップワイズ法を用いて圧縮機吐出圧力、発電電力、総蒸気噴射流量、及び燃料ガス流量から少なくとも１つの変数を説明変数として選択し、
時系列分析ステップにおいて、前記目的変数と説明変数に対して多変量時系列分析を行ない、目的変数の将来を含む時系列グラフを作成し、
作成した時系列グラフから、目的変数の過去の性能変化を把握し、及び／又は、将来の性能を予測する。
According to a preferred embodiment of the present invention, at least one variable is selected from the plurality of data from the gas turbine intake temperature, the compressor discharge pressure, the generated power, the total steam injection flow rate, the power generation efficiency, and the fuel gas flow rate. A variable selection step,
In the objective variable selection step, at least power generation efficiency is selected as an objective variable from the variables,
In the explanatory variable selection step, at least one variable is selected as an explanatory variable from the compressor discharge pressure, generated power, total steam injection flow rate, and fuel gas flow rate using the stepwise method from the variables,
In the time series analysis step, a multivariate time series analysis is performed on the objective variable and the explanatory variable, and a time series graph including the future of the objective variable is created.
The past performance change of the objective variable is grasped from the created time series graph and / or future performance is predicted.
また本発明の好ましい別の一実施形態によれば、目的変数選択ステップにおいてガスタービン出口温度を目的変数として選択し、
説明変数選択ステップにおいて前記変数からステップワイズ法を用いて、
ガスタービン入口ガス温度（ＣＴＩＴ）、ガスタービン潤滑油給油圧力、ガスタービン潤滑油戻油温度，燃料ガスマニホールド圧力、圧縮機吐出圧力、ノズル蒸気噴射流量、ガスタービン回転数（ＰＴＯシャフト）、ガスタービン吸気温度、プロセス蒸気流量、ガスタービン吸気圧力、燃料ガス流量、ガスタービン起動回数、総蒸気噴射流量、ＣＤＰトリップ設定、発電効率、ガスタービン振動、外気湿度、吸気冷却温度設定値、ＮＯｘ濃度、熱回収率、発電電力、ガスタービン入口燃料ガス温度、ケース蒸気温度、混合器入口温度、潤滑油フィルタ出口温度、減速機高速軸軸受温度、蒸気噴射圧力、ガスタービンエンクロージャ温度、ノズル蒸気噴射比率設定、外気温度、減速機低速軸軸受温度、及び燃料ガス圧縮機吐出圧力の変数の一部又は全部を説明変数として選択し、
前記説明変数を基に重回帰分析により目的変数の将来を含む時系列グラフを作成し、
作成した時系列グラフから、目的変数の過去の性能変化を把握し、及び／又は、将来の性能を予測する。
According to another preferred embodiment of the present invention, the gas turbine outlet temperature is selected as the objective variable in the objective variable selection step,
Using the stepwise method from the variables in the explanatory variable selection step,
Gas turbine inlet gas temperature (CTIT), gas turbine lubricating oil supply pressure, gas turbine lubricating oil return oil temperature, fuel gas manifold pressure, compressor discharge pressure, nozzle steam injection flow rate, gas turbine rotational speed (PTO shaft), gas turbine Intake air temperature, process steam flow rate, gas turbine intake pressure, fuel gas flow rate, gas turbine startup frequency, total steam injection flow rate, CDP trip setting, power generation efficiency, gas turbine vibration, outside air humidity, intake air cooling temperature set value, NOx concentration, heat Recovery rate, generated power, gas turbine inlet fuel gas temperature, case steam temperature, mixer inlet temperature, lubricant filter outlet temperature, reducer high speed shaft bearing temperature, steam injection pressure, gas turbine enclosure temperature, nozzle steam injection ratio setting, Some of the variables of outside air temperature, reducer low-speed shaft bearing temperature, and fuel gas compressor discharge pressure Select as an explanatory variable all is,
Create a time series graph including the future of the objective variable by multiple regression analysis based on the explanatory variables,
The past performance change of the objective variable is grasped from the created time series graph and / or future performance is predicted.
上記本発明の方法によれば、統計量算出ステップにおいて、統計処理に有効な基本統計量を算出するので、前処理ステップにおいて、複数の原データから統計処理に適した複数の前処理データを作成することができる。 According to the method of the present invention, since the basic statistics effective for statistical processing are calculated in the statistical calculation step, a plurality of preprocessing data suitable for statistical processing is created from the plurality of original data in the preprocessing step. can do.
また、説明変数選択ステップにおいて、ステップワイズ法を用いて、ガスタービン性能の指標となる目的変数以外のデータから目的変数に影響が大きい複数のデータを説明変数として選択するので、運転中のガスタービンから取得された多数のデータから、熟練を必要とせずに、ガスタービン性能の指標となる目的変数に影響が大きい複数のデータを容易に選択できる。 In addition, in the explanatory variable selection step, a plurality of data having a large influence on the objective variable are selected as explanatory variables from data other than the objective variable serving as an index of the gas turbine performance by using the stepwise method. From a large number of data acquired from the above, it is possible to easily select a plurality of data having a large influence on an objective variable serving as an index of gas turbine performance without requiring skill.
また、回帰分析ステップにおいて、目的変数と複数の説明変数との関係を求めるので、余分な変数の影響の除去やノイズ除去ができる。 Further, since the relationship between the objective variable and the plurality of explanatory variables is obtained in the regression analysis step, it is possible to remove the influence of extra variables and remove noise.
さらに、時系列分析ステップにおいて、前記目的変数の時系列変化を前記説明変数を用いて分析するので、得られた時系列変化から分析予測ステップにおいて、過去の性能変化を分析し、或いは、将来の性能を予測することが高い精度で容易にできる。 Further, since the time series analysis of the objective variable is analyzed using the explanatory variable in the time series analysis step, the past performance change is analyzed in the analysis prediction step from the obtained time series change, or the future It is easy to predict performance with high accuracy.
以下、本発明の好ましい実施形態を具体的に説明する。 Hereinafter, preferred embodiments of the present invention will be specifically described.
図１は、本発明によるガスタービン性能の分析予測方法の全体フロー図である。この図に示すように、本発明の方法は、運転中のガスタービンから取得した複数の原データからガスタービン性能の分析又は予測を行なうガスタービン性能の分析予測方法であり、統計量算出Ｓ１、前処理Ｓ２、目的変数選択Ｓ３、説明変数選択Ｓ４、回帰分析Ｓ５、時系列分析Ｓ６及び分析予測Ｓ７の各ステップからなる。
なお運転中のガスタービンから取得した複数の原データとは、通常運転中に取得する５０点以上に達する多数のデータであり、このうちの一部を表１に例示する。
FIG. 1 is an overall flow diagram of a gas turbine performance analysis and prediction method according to the present invention. As shown in this figure, the method of the present invention is a gas turbine performance analysis / prediction method for analyzing or predicting gas turbine performance from a plurality of original data acquired from an operating gas turbine. This comprises the steps of preprocessing S2, objective variable selection S3, explanatory variable selection S4, regression analysis S5, time series analysis S6, and analysis prediction S7.
The plurality of original data acquired from the operating gas turbine is a large number of data reaching 50 points or more acquired during normal operation, and some of these are exemplified in Table 1.
統計量算出ステップＳ１では、複数の原データから基本統計量を算出する。
この統計量算出ステップＳ１において、最大値、最小値、平均値、分散、分散共分散、又は相関係数の少なくとも１つを含む基本統計量を算出し、得られた基本統計量からデータ系列の特性把握と各変量間の相関関係を調査する。
In the statistic calculation step S1, a basic statistic is calculated from a plurality of original data.
In this statistic calculation step S1, a basic statistic including at least one of a maximum value, a minimum value, an average value, a variance, a variance covariance, or a correlation coefficient is calculated, and a data series is calculated from the obtained basic statistic. Investigate the correlation between characteristics and each variable.
前処理ステップＳ２では、複数の原データから統計処理に適した複数の前処理データを作成する。
この前処理ステップＳ２において、欠損値の補完、所定の時間間隔でのデータの抽出、変数値の閾値によるデータの抽出、平滑化、季節調整、又は正規化から少なくとも１つを選択して実施する。
In preprocessing step S2, a plurality of preprocessing data suitable for statistical processing is created from a plurality of original data.
In this pre-processing step S2, at least one is selected from complementation of missing values, extraction of data at predetermined time intervals, extraction of data based on variable value thresholds, smoothing, seasonal adjustment, or normalization. .
「欠損値の補完」では、欠損値を表示し、欠損データの補完方法（平均値，ＡＲモデル）を選択し、必要に応じて補完のためのデータ数を指定し、データ補完処理をおこなう。
「所定の時間間隔でのデータの抽出」では、モニタリング間隔が一定のデータに対して、間引き開始時刻、間引き終了時刻、間引く間隔を指定しデータを間引く。
「変数値の閾値によるデータの抽出」では、使用するデータの範囲を指定したい場合に、変数を選択し、必要な入力をしてデータの抽出を行なう。時間間隔の間引きを行った後に実行する。
「平滑化」では、平滑化を行なう変数を選択し、必要な入力をして、新しいデータを作り出す。サンプル数が減るので注意が必要である。
「季節調整」では、季節調整を行なう変数を選択し、必要な入力をして、新しいデータを作り出す。
「正規化」では、計算に使用すると指定した変数について、平均値を０に分散を１に変換し、新しいデータを作り出す。
その他に、変数の絞込み、階差（差分）を行ってもよい。
このように原データの前処理を行ったデータを「前処理データ」と呼ぶ。
In “completion of missing values”, missing values are displayed, a missing data complementing method (average value, AR model) is selected, the number of data for complementation is designated as necessary, and data complementing processing is performed.
In “extracting data at a predetermined time interval”, data is thinned by designating a thinning start time, a thinning end time, and a thinning interval for data having a constant monitoring interval.
In “Extraction of data by threshold value of variable value”, when a range of data to be used is designated, a variable is selected and necessary input is performed to extract data. Execute after thinning out the time interval.
In “smoothing”, variables to be smoothed are selected, necessary inputs are made, and new data is created. Care should be taken because the number of samples is reduced.
In “Season Adjustment”, a variable for seasonal adjustment is selected and necessary input is made to create new data.
In “normalization”, the average value is converted to 0 and the variance is converted to 1 for a variable designated for use in the calculation, and new data is created.
In addition, it is possible to narrow down the variables and to calculate the difference (difference).
Data obtained by preprocessing the original data in this way is called “preprocessed data”.
目的変数選択ステップＳ３では、複数の原データからガスタービン性能の指標となる１又は複数のデータを目的変数として選択する。目的変数は、例えば、発電効率、ガスタービン出口ガス温度である。なおこの選択は、ガスタービン性能の指標となるものを通常は経験に基づいて選択する。
なお上記Ｓ１、Ｓ２、Ｓ３の各ステップは、この順序に限定されず、任意の順序で行うことができる。また、限定はされないが、ステップＳ３は通常ステップＳ１，Ｓ２の後に行う。
In the objective variable selection step S3, one or more data serving as an index of the gas turbine performance is selected as an objective variable from a plurality of original data. The objective variables are, for example, power generation efficiency and gas turbine outlet gas temperature. In this selection, a gas turbine performance index is usually selected based on experience.
The steps S1, S2, and S3 are not limited to this order, and can be performed in any order. Although not limited, step S3 is usually performed after steps S1 and S2.
説明変数選択ステップＳ４では、ステップワイズ法を用いて、目的変数以外の前処理データから目的変数に影響が大きい複数のデータを説明変数として選択する。ステップワイズ法は、複数の種類の計測データに対し、目的とする変量との相関係数を基に、影響の強い変量を選択する方法である。 In the explanatory variable selection step S4, a plurality of data having a large influence on the objective variable is selected as explanatory variables from the preprocessed data other than the objective variable using the stepwise method. The stepwise method is a method of selecting a variable having a strong influence on a plurality of types of measurement data based on a correlation coefficient with a target variable.
この説明変数選択ステップＳ４は、基準値設定、偏回帰係数演算及び選択の各ステップからなる。
基準値設定ステップでは、説明変数の偏回帰係数の基準値Ｆを設定する。
偏回帰係数演算ステップでは、目的変数以外の前記複数のデータを１つずつ取り上げてその偏回帰係数を演算する。
選択ステップでは、偏回帰係数が基準値Ｆを超えるものを説明変数として選択する。
具体的には、以下の手順で採用する説明変数を決定していく。
（１）目的変数との相関係数が最も大きな説明変数を１個採用する。
（２）残りの説明変数を１つずつ取り上げ、その偏回帰係数のＦ値の中で最大のＦ値が、基準値より大きければその説明変数を採用し、（３）に進み、小さければステップワイズ法を終了する。
（３）これまでに採用された説明変数に対し、今回採用された説明変数以外の偏回帰係数のＦ値の中で最小のＦ値が、基準値よりも大きければ（２）に戻って繰り返し、小さければその変数を破棄し、（２）に戻って繰り返す。
採用するための基準値（Ｆｉｎ）と破棄するための基準値（Ｆｏｕｔ）は事前に与えられているものとする。
This explanatory variable selection step S4 includes steps for setting a reference value, calculating a partial regression coefficient, and selecting.
In the reference value setting step, the reference value F of the partial regression coefficient of the explanatory variable is set.
In the partial regression coefficient calculation step, the plurality of data other than the objective variable are picked up one by one and the partial regression coefficient is calculated.
In the selection step, a variable whose partial regression coefficient exceeds the reference value F is selected as an explanatory variable.
Specifically, the explanatory variables to be adopted are determined by the following procedure.
(1) One explanatory variable having the largest correlation coefficient with the objective variable is adopted.
(2) Picking up the remaining explanatory variables one by one, adopting the explanatory variable if the maximum F value among the F values of the partial regression coefficient is larger than the reference value, proceeding to (3), if smaller, step End the Wise method.
(3) If the minimum F value among the F values of the partial regression coefficients other than the explanatory variables adopted this time is larger than the reference value with respect to the explanatory variables adopted so far, return to (2) and repeat. If it is smaller, the variable is discarded, and the process returns to (2) and repeats.
It is assumed that a reference value (Fin) for adoption and a reference value (Fout) for discarding are given in advance.
なお、この説明変数選択ステップＳ４において、ステップワイズ法に代えて、情報量規準（ＡＩＣ）、総あたり法、変数増加法、変数減少法を用いてもよい。 In this explanatory variable selection step S4, an information criterion (AIC), round robin method, variable increase method, and variable decrease method may be used instead of the stepwise method.
回帰分析ステップＳ５では、目的変数と複数の説明変数との関係を求める。
この回帰分析ステップＳ５において、単回帰分析、重回帰分析、目的変数から説明変数の影響を除去する影響除去処理、又はノイズ除去から少なくとも１つを選択して実施する。
In regression analysis step S5, the relationship between the objective variable and a plurality of explanatory variables is obtained.
In this regression analysis step S5, at least one of single regression analysis, multiple regression analysis, influence removal processing for removing the influence of the explanatory variable from the objective variable, or noise removal is selected and executed.
「単回帰分析」は、目的変数が１つで説明変数が１つの場合に実施する。
「重回帰分析」は、計測データの種類によらない１種類の計測データに対し、複数の種類の計測データによってその挙動を説明する方法であり、目的変数が１つで説明変数が１つ以上の場合に実施する。
「影響除去処理」は、目的変数が１つで説明変数が１つ以上の場合に実施する。目的変数から説明変数として指定した変数の影響を取り除きたいときに実施する。
「ノイズ除去」は、ノイズ除去が必要な場合に実施する。
“Single regression analysis” is performed when there is one objective variable and one explanatory variable.
“Multiple regression analysis” is a method for explaining the behavior of one type of measurement data, regardless of the type of measurement data, using multiple types of measurement data. There is one objective variable and one or more explanatory variables. In case of.
The “effect removal process” is performed when there is one objective variable and one or more explanatory variables. Execute it when you want to remove the influence of the variable specified as the explanatory variable from the target variable.
“Noise removal” is performed when noise removal is necessary.
時系列分析ステップＳ６では、前記目的変数を複数の説明変数を用いて時系列分析する。
この時系列分析ステップＳ６において、自己回帰モデル又は多変数自己回帰モデルの少なくとも１つを用いる。
In a time series analysis step S6, the objective variable is analyzed in time series using a plurality of explanatory variables.
In this time series analysis step S6, at least one of an autoregressive model or a multivariable autoregressive model is used.
「自己回帰モデル」は、１種類の計測データに対し、その時系列の影響を考慮した分析方法であり、１つの変数に対して実施する。
「多変数自己回帰モデル」は、複数の種類の計測データに対し、その時系列の影響を考慮した分析方法であり、複数の変数に対して実施する。なお、この多変数自己回帰モデルの詳細は、非特許文献１に開示されている。
The “autoregressive model” is an analysis method that considers the influence of the time series on one type of measurement data, and is executed for one variable.
The “multivariable autoregressive model” is an analysis method that considers the influence of the time series on a plurality of types of measurement data, and is performed on a plurality of variables. The details of this multivariable autoregressive model are disclosed in
なお上記の他に、主成分分析、共分散構造分析、因子分析、カルマンフィルタ、等を併用してもよい。 In addition to the above, principal component analysis, covariance structure analysis, factor analysis, Kalman filter, and the like may be used in combination.
分析予測ステップＳ７では、時系列分析ステップで得られた時系列変化から過去の性能変化を分析し、及び／又は、将来の性能を予測する。 In the analysis prediction step S7, a past performance change is analyzed from the time series change obtained in the time series analysis step and / or a future performance is predicted.
以下、多変数自己回帰モデルについて、詳細に説明する。
多変量の時系列Ｘｎ＝（ｘｎ（１），・・・，ｘｎ（ｋ））Ｔについて、時系列の現在の値を過去の値Ｘ（ｎ-１），・・・，Ｘ（ｎ-ｍ）と白色雑音を用いると、数１の式１のモデルが考えられる。
ここでＡ（ｍ）はｋ×ｋ行列の自己回帰係数行列である。
Ｕ（ｎ）＝（ｕ１（ｎ），・・・，ｕｋ（ｎ））Ｔはｋ次元正規白色雑音で、Ｅを期待値、Ｔは行列の転置を意味するとするとき、式２ａ〜式２ｃを満たす。
ここでＷは、正定値行列である。式１と式２ａ〜式２ｃによって定まる多変数時系列モデルを多変数自己回帰モデルと呼ぶ。
Hereinafter, the multivariable autoregressive model will be described in detail.
Multivariate time series X n = (x n (1),..., X n (k)) For T , the current value of the time series is the past value X (n−1),. If (nm) and white noise are used, the model of
Here, A (m) is an autoregressive coefficient matrix of k × k matrix.
U (n) = (u 1 (n),..., U k (n)) When T is k-dimensional normal white noise, E is an expected value, and T is a transpose of the matrix, Equation 2c is satisfied.
Here, W is a positive definite matrix. The multivariable time series model determined by
多変量時系列Ｘ（ｎ）の相互共分散関数は、数２の式３によって定義される。また各Ｒ（ｍ）はｋ×ｋ行列でその（ｉ，ｊ）成分は、式４によって定義される。さらにこれから、式５ａ、５ｂの関係式が得られる。これらの式は、多変量のユール・ウォーカー方程式と呼ばれる。
The mutual covariance function of the multivariate time series X (n) is defined by
（パラメータの推定）
多変量時系列Ｘ（ｎ）は平均値が０であるものとする。このとき、時系列に定常性を仮定すると、数３の式６が成り立つ。また観測値Ｘ（１），・・・，Ｘ（Ｎ）が得られた場合には、相互共分散関数Ｒ（ｍ）は、式７によって推定できる。Ｃ（ｍ）はｋ×ｋ行列で、その（ｉ，ｊ）成分は、式８によって定義される。
これらから、Ｍ個の行列Ａ（１），・・・，Ａ（Ｍ）に関する式９の連立方程式が得られる。これを解いて、自己回帰係数行列の推定値が求められる。さらにこれを式５ａに代入すると、白色雑音の分散共分散行列の推定値として式１０が得られる。
(Parameter estimation)
It is assumed that the average value of the multivariate time series X (n) is 0. At this time, assuming stationarity in time series,
From these, simultaneous equations of
（多変量時系列の予測）
多変量時系列Ｘ（ｎ）に対して多変量ＡＲモデルが求められると、その時系列の１期先予測値は、数４の式１１で求めることができる。またその予測誤差の分散共分散行列は、Ｗｍで与えられる。
１期以上の長期予測は、既に求められた予測値を右辺に次々に代入することによって式１２で求められる。またその予測誤差の分散共分散行列は、式１３で与えられる。
３期以上も同様に予測できる。
(Prediction of multivariate time series)
When the multivariate AR model is obtained for the multivariate time series X (n), the one-period ahead predicted value of the time series can be obtained by Expression 11 of
Long-term prediction of one period or more is obtained by Equation 12 by substituting the already obtained prediction values one after another into the right side. The variance-covariance matrix of the prediction error is given by Equation 13.
It can be predicted in the same way for three or more periods.
この実施例は、時系列分析方法の一つである多変量時系列分析を用いた性能予測方法の例を示す。
性能予測を行なう対象（原データ）は、実際に運転中のガスタービンの計測データであり、データ間隔：概ね５分間隔、変数：４１６個、サンプル数：４７３１個であった。
この実施例で性能予測を行なう変数を発電効率とする。図２に原データの発電効率の時系列グラフを示す。
This embodiment shows an example of a performance prediction method using multivariate time series analysis which is one of time series analysis methods.
The target (original data) on which performance prediction is performed is measurement data of a gas turbine that is actually in operation. The data interval is approximately 5 minutes, the variable is 416, and the number of samples is 4731.
A variable for which performance prediction is performed in this embodiment is defined as power generation efficiency. FIG. 2 shows a time series graph of the power generation efficiency of the original data.
統計量算出ステップＳ２では、データ系列の特性を把握し、各変量間の相関関係を調査するために、算術処理を行ない基本統計量（最大値、最小値、平均値、中央値、最頻値、分散、標準偏差、分散共分散行列、相関行列など）を求めた。 In the statistic calculation step S2, the basic statistics (maximum value, minimum value, average value, median value, mode value) are obtained by performing arithmetic processing in order to grasp the characteristics of the data series and investigate the correlation between the variables. , Variance, standard deviation, variance-covariance matrix, correlation matrix, etc.).
前処理ステップＳ１のデータの抽出では、データの前処理として、算術処理の一つであるデータの抽出を行なった。時間間隔３０分、発電電力の閾値３５００ｋＷ以上で間引きを行なった。図３に発電効率の間引き後の時系列グラフを示す。 In the data extraction in the preprocessing step S1, data extraction, which is one of arithmetic processes, was performed as data preprocessing. Thinning was performed at a time interval of 30 minutes and a generated power threshold of 3500 kW or more. FIG. 3 shows a time series graph after decimation of power generation efficiency.
前処理ステップＳ１において、この例では、データの前処理として、４１６個の変数から分析に必要な６個の変数（ガスタービン吸気温度、圧縮機吐出圧力、発電電力、総蒸気噴射流量、発電効率、燃料ガス流量）を選択した。 In the preprocessing step S1, in this example, as data preprocessing, from 416 variables, six variables (gas turbine intake temperature, compressor discharge pressure, generated power, total steam injection flow rate, power generation efficiency) Fuel gas flow rate) was selected.
説明変数選択ステップＳ４において、統計計算方法であるステップワイズ法を用いて、発電効率に影響する変数を選び出した。
発電効率を目的変数、その他の変数（例では、ガスタービン吸気温度，圧縮機吐出圧力，発電電力，総蒸気噴射流量，燃料ガス流量）を説明変数の候補としてステップワイズ法による変数選択を行なった結果、４個の変数（圧縮機吐出圧力、発電電力、総蒸気噴射流量、燃料ガス流量）が採用された。
In the explanatory variable selection step S4, variables that affect the power generation efficiency were selected using the stepwise method, which is a statistical calculation method.
Variable selection by the stepwise method with power generation efficiency as a target variable and other variables (for example, gas turbine intake temperature, compressor discharge pressure, generated power, total steam injection flow rate, fuel gas flow rate) as candidates for explanatory variables As a result, four variables (compressor discharge pressure, generated power, total steam injection flow rate, fuel gas flow rate) were adopted.
変数選択の結果、選ばれた変数（圧縮機吐出圧力、発電電力、総蒸気噴射流量、燃料ガス流量と発電効率）に対して、時系列分析ステップＳ６において、時系列分析方法である多変量時系列分析を行なった。時系列分析の設定条件として、予測数を５０、利用する過去のデータ数を６０とした。 As a result of the variable selection, for the selected variable (compressor discharge pressure, generated power, total steam injection flow rate, fuel gas flow rate and power generation efficiency), in the time series analysis step S6, the time series analysis method is multivariate time. A series analysis was performed. As setting conditions for time series analysis, the number of predictions was 50, and the number of past data to be used was 60.
図４に発電効率の原データの時系列グラフ（上図Ａ）と将来予測値の時系列グラフ（下図Ｂ）を示す。
この図から、予測前までのデータがよく一致していることが確認でき、将来予測値が得られていることがわかる。
また、予測値の傾向は、計測データと似ており、値も同程度であることから、精度良く予測を行っているといえる。
なお時系列分析の結果はあくまで予測であるため、運転条件を変えることにより、全く違うものとなることも考えられる。しかし、分析データとして、現在の性能の把握、これからどのように運転したらよいか（効率が最も良いか）等の判断材料として用いることができる。
FIG. 4 shows a time series graph (upper figure A) of the original data of power generation efficiency and a time series graph (lower figure B) of the predicted future value.
From this figure, it can be confirmed that the data before the prediction is in good agreement, and the future predicted value is obtained.
Moreover, since the tendency of the predicted value is similar to that of the measurement data and the value is similar, it can be said that the prediction is performed with high accuracy.
In addition, since the result of a time series analysis is a prediction to the last, it can be considered that it is completely different by changing the operating conditions. However, the analysis data can be used as a judgment material for grasping the current performance and how to operate (the efficiency is best).
この実施例は、統計計算方法である重回帰分析法を用いることで性能分析を行ったものである。
性能予測を行なう対象（原データ）は、実際に運転中のガスタービンの計測データであり、データ間隔：概ね１時間間隔、変数：５６個、サンプル数：３１７７個、発電電力が３０００ｋＷ以上で間引きされているものを用いた。
性能予測を行なう変数をガスタービン出口ガス温度とする。図５に原データのガスタービン出口ガス温度の時系列グラフを示す。
In this embodiment, performance analysis is performed by using a multiple regression analysis method which is a statistical calculation method.
The target (original data) for performance prediction is the measurement data of the gas turbine that is actually in operation. The data interval is approximately one hour, the variable is 56, the number of samples is 3177, and the generated power is thinned out to 3000 kW or more. What was being used was used.
The variable for performance prediction is the gas turbine outlet gas temperature. FIG. 5 shows a time series graph of the gas turbine outlet gas temperature of the original data.
統計量算出ステップＳ２では、データ系列の特性を把握し、各変量間の相関関係を調査するために、算術処理を行ない基本統計量（最大値、最小値、平均値、中央値、最頻値、分散、標準偏差、分散共分散行列、相関行列など）を求めた。 In the statistic calculation step S2, the basic statistics (maximum value, minimum value, average value, median value, mode value) are obtained by performing arithmetic processing in order to grasp the characteristics of the data series and investigate the correlation between the variables. , Variance, standard deviation, variance-covariance matrix, correlation matrix, etc.).
前処理ステップＳ１では、データの前処理として、算術処理の一つであるデータの抽出を行なった。また発電電力の閾値３５００ｋＷ以上でデータの抽出を行なった。図６にガスタービン出口ガス温度の間引き後の時系列グラフを示す。 In the preprocessing step S1, data extraction, which is one of arithmetic processes, was performed as data preprocessing. In addition, data extraction was performed at a generated power threshold of 3500 kW or more. FIG. 6 shows a time series graph after decimation of gas turbine outlet gas temperature.
説明変数選択ステップＳ４では、性能分析を行なうために、統計計算方法であるステップワイズ法を用いて変数選択を行なった。目的変数をガスタービン出口ガス温度とし、その他の５５個の変数を説明変数の候補とし、ガスタービン出口ガス温度に影響する変数を選び出した。ステップワイズ法による変数選択の結果、表１に示した３２個の変数が採用された。 In the explanatory variable selection step S4, variable selection was performed using the stepwise method, which is a statistical calculation method, in order to perform performance analysis. The objective variable was the gas turbine outlet gas temperature, and the other 55 variables were candidates for explanatory variables, and variables affecting the gas turbine outlet gas temperature were selected. As a result of variable selection by the stepwise method, the 32 variables shown in Table 1 were adopted.
回帰分析ステップＳ５では、目的変数をガスタービン出口ガス温度、説明変数をステップワイズ法によって選択された３２個の変数として、統計計算方法である重回帰分析法を用いて性能分析を行なった。
図７に発電効率の原データの時系列グラフ（上図Ａ）と性能分析結果の時系列グラフ（下図Ｂ）を示す。
この図からガスタービン出口ガス温度が上昇傾向にあり、ガスタービンの劣化が進んでいると考えられる。
In regression analysis step S5, performance analysis was performed using a multiple regression analysis method, which is a statistical calculation method, with the objective variable as the gas turbine outlet gas temperature and the explanatory variable as 32 variables selected by the stepwise method.
FIG. 7 shows a time series graph of the original data of power generation efficiency (upper figure A) and a time series graph of the performance analysis result (lower figure B).
From this figure, the gas turbine outlet gas temperature tends to rise, and it is considered that the deterioration of the gas turbine is progressing.
また本発明の特徴として、対象とする変数が多数あるときにステップワイズ法を用いることで、自動的に変数選択を行なうことができる。
すなわち、任意の計測データに対し、統計計算方法を適用することにより、ガスタービンの性能状態を分析するとともに、劣化原因の追求を行なうことができる。
また、時系列分析により時間的な影響を考慮して分析を行なうため、将来の計測値を推定し、性能を予測することができる。
さらに計測データの種類が多い場合にも、ステップワイズ法を用いることにより、変数を選択する時間を短縮することができる。
Further, as a feature of the present invention, when there are a large number of target variables, variable selection can be automatically performed by using the stepwise method.
That is, by applying a statistical calculation method to arbitrary measurement data, the performance state of the gas turbine can be analyzed and the cause of deterioration can be pursued.
In addition, since time series analysis is performed in consideration of time effects, future measurement values can be estimated and performance can be predicted.
Furthermore, even when there are many types of measurement data, the time for selecting variables can be shortened by using the stepwise method.
なお、本発明は上述した実施形態に限定されず、本発明の要旨を逸脱しない範囲で種々変更できることは勿論である。 In addition, this invention is not limited to embodiment mentioned above, Of course, it can change variously in the range which does not deviate from the summary of this invention.
Claims (8)
前記複数の原データから基本統計量を算出する統計量算出ステップと、
前記複数の原データから統計処理に適した複数の前処理データを作成する前処理ステップと、
前記複数の原データからガスタービン性能の指標となる１つのデータを目的変数として選択する目的変数選択ステップと、
ステップワイズ法を用いて、前記目的変数以外の原データおよび前処理データから目的変数に影響が大きい複数のデータを説明変数として選択する説明変数選択ステップと、
前記目的変数と複数の説明変数との関係を求める回帰分析ステップと、
前記目的変数を複数の説明変数を用いて時系列分析する時系列分析ステップと、
時系列分析ステップで得られた時系列変化から過去の性能変化を分析し、及び／又は、将来の性能を予測する分析予測ステップと、を備える、ことを特徴とするガスタービン性能の分析予測方法。 A gas turbine performance analysis / prediction method for analyzing or predicting gas turbine performance from a plurality of original data acquired from an operating gas turbine,
A statistic calculating step of calculating a basic statistic from the plurality of original data;
A preprocessing step of creating a plurality of preprocessing data suitable for statistical processing from the plurality of original data;
An objective variable selection step of selecting one data serving as an index of gas turbine performance from the plurality of original data as an objective variable;
An explanatory variable selection step for selecting, as an explanatory variable, a plurality of data having a large influence on the objective variable from the original data and pre-process data other than the objective variable using a stepwise method;
A regression analysis step for obtaining a relationship between the objective variable and a plurality of explanatory variables;
A time series analysis step for analyzing the objective variable in time series using a plurality of explanatory variables;
An analysis prediction method for gas turbine performance, comprising: an analysis prediction step for analyzing past performance changes and / or predicting future performance from the time series changes obtained in the time series analysis step. .
目的変数以外の前記複数のデータを１つずつ取り上げてその偏回帰係数を演算する偏回帰係数演算ステップと、
前記偏回帰係数が前記基準値を超えるものを説明変数として選択する選択ステップと、を有することを特徴とする請求項１に記載のガスタービン性能の分析予測方法。 The explanatory variable selection step includes a reference value setting step for setting a reference value of a partial regression coefficient of the explanatory variable;
A partial regression coefficient calculating step of taking the plurality of data other than the objective variable one by one and calculating the partial regression coefficient;
The gas turbine performance analysis and prediction method according to claim 1, further comprising a selection step of selecting, as an explanatory variable, the partial regression coefficient that exceeds the reference value.
目的変数選択ステップにおいて前記変数から少なくとも発電効率を目的変数として選択し、
説明変数選択ステップにおいて前記変数からステップワイズ法を用いて圧縮機吐出圧力、発電電力、総蒸気噴射流量、及び燃料ガス流量から少なくとも１つの変数を説明変数として選択し、
時系列分析ステップにおいて、前記目的変数と説明変数に対して多変量時系列分析を行ない、目的変数の将来を含む時系列グラフを作成し、
作成した時系列グラフから、目的変数の過去の性能変化を把握し、及び／又は、将来の性能を予測する、ことを特徴とする請求項１に記載のガスタービン性能の分析予測方法。 A variable selection step of selecting at least one variable from the plurality of data from a gas turbine intake temperature, compressor discharge pressure, generated power, total steam injection flow rate, power generation efficiency, and fuel gas flow rate;
In the objective variable selection step, at least power generation efficiency is selected as an objective variable from the variables,
In the explanatory variable selection step, at least one variable is selected as an explanatory variable from the compressor discharge pressure, generated power, total steam injection flow rate, and fuel gas flow rate using the stepwise method from the variables,
In the time series analysis step, a multivariate time series analysis is performed on the objective variable and the explanatory variable, and a time series graph including the future of the objective variable is created.
The method for analyzing and predicting gas turbine performance according to claim 1, wherein a past performance change of the objective variable is grasped from the created time series graph and / or a future performance is predicted.
説明変数選択ステップにおいて前記変数からステップワイズ法を用いて、
ガスタービン入口ガス温度（ＣＴＩＴ）、ガスタービン潤滑油給油圧力、ガスタービン潤滑油戻油温度，燃料ガスマニホールド圧力、圧縮機吐出圧力、ノズル蒸気噴射流量、ガスタービン回転数（ＰＴＯシャフト）、ガスタービン吸気温度、プロセス蒸気流量、ガスタービン吸気圧力、燃料ガス流量、ガスタービン起動回数、総蒸気噴射流量、ＣＤＰトリップ設定、発電効率、ガスタービン振動、外気湿度、吸気冷却温度設定値、ＮＯｘ濃度、熱回収率、発電電力、ガスタービン入口燃料ガス温度、ケース蒸気温度、混合器入口温度、潤滑油フィルタ出口温度、減速機高速軸軸受温度、蒸気噴射圧力、ガスタービンエンクロージャ温度、ノズル蒸気噴射比率設定、外気温度、減速機低速軸軸受温度、及び燃料ガス圧縮機吐出圧力の変数の一部又は全部を説明変数として選択し、
前記説明変数を基に重回帰分析により目的変数の将来を含む時系列グラフを作成し、
作成した時系列グラフから、目的変数の過去の性能変化を分析し、及び／又は、将来の性能を予測する、ことを特徴とする請求項１に記載のガスタービン性能の分析予測方法。
In the objective variable selection step, the gas turbine outlet temperature is selected as the objective variable,
Using the stepwise method from the variables in the explanatory variable selection step,
Gas turbine inlet gas temperature (CTIT), gas turbine lubricating oil supply pressure, gas turbine lubricating oil return oil temperature, fuel gas manifold pressure, compressor discharge pressure, nozzle steam injection flow rate, gas turbine rotational speed (PTO shaft), gas turbine Intake air temperature, process steam flow rate, gas turbine intake pressure, fuel gas flow rate, gas turbine startup frequency, total steam injection flow rate, CDP trip setting, power generation efficiency, gas turbine vibration, outside air humidity, intake air cooling temperature set value, NOx concentration, heat Recovery rate, generated power, gas turbine inlet fuel gas temperature, case steam temperature, mixer inlet temperature, lubricant filter outlet temperature, reducer high speed shaft bearing temperature, steam injection pressure, gas turbine enclosure temperature, nozzle steam injection ratio setting, Some of the variables of outside air temperature, reducer low-speed shaft bearing temperature, and fuel gas compressor discharge pressure Select as an explanatory variable all is,
Create a time series graph including the future of the objective variable by multiple regression analysis based on the explanatory variables,
2. The gas turbine performance analysis and prediction method according to claim 1, wherein a past performance change of the objective variable is analyzed and / or a future performance is predicted from the created time series graph.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2005180307A JP2007002673A (en) | 2005-06-21 | 2005-06-21 | Analysis and prediction method of gas turbine performance |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2005180307A JP2007002673A (en) | 2005-06-21 | 2005-06-21 | Analysis and prediction method of gas turbine performance |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2007002673A true JP2007002673A (en) | 2007-01-11 |
Family
ID=37688529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2005180307A Pending JP2007002673A (en) | 2005-06-21 | 2005-06-21 | Analysis and prediction method of gas turbine performance |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2007002673A (en) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009068359A (en) * | 2007-09-11 | 2009-04-02 | Japan Aerospace Exploration Agency | Gas turbine engine performance estimation system |
| WO2013187295A1 (en) * | 2012-06-13 | 2013-12-19 | ソニー株式会社 | Information processing device, information processing method, and program |
| US8751423B2 (en) | 2010-11-30 | 2014-06-10 | General Electric Company | Turbine performance diagnostic system and methods |
| US8930293B2 (en) | 2010-10-25 | 2015-01-06 | The Bank Of Tokyo-Mitsubishi Ufj, Ltd. | Prediction apparatus, prediction method, and recording medium |
| CN106706852A (en) * | 2016-12-27 | 2017-05-24 | 清华-伯克利深圳学院筹备办公室 | Calibration method and calibration system of gas concentration sensor |
| JP2017157109A (en) * | 2016-03-03 | 2017-09-07 | 富士通株式会社 | Estimation apparatus, estimation method, and estimation program |
| JP2017215832A (en) * | 2016-06-01 | 2017-12-07 | 株式会社神戸製鋼所 | Diagnosis device for diagnosing operational state of rotary machine, and diagnosis method |
| JP2017227174A (en) * | 2016-06-22 | 2017-12-28 | 株式会社Ihi | Prediction method and prediction device for turbine outlet temperature of gas turbine |
| JP2019148174A (en) * | 2018-02-26 | 2019-09-05 | 株式会社Ihi | Maintenance timing prediction method of gas turbine and its device |
| KR20200020925A (en) | 2017-10-24 | 2020-02-26 | 미츠비시 히타치 파워 시스템즈 가부시키가이샤 | Status indicator of the plant and how to display the status of the plant |
| CN113345525A (en) * | 2021-06-03 | 2021-09-03 | 谱天（天津）生物科技有限公司 | Analysis method for reducing influence of covariates on detection result in high-throughput detection |
| US11461727B2 (en) * | 2017-03-29 | 2022-10-04 | Mitsubishi Heavy Industries, Ltd. | Plant evaluation system, plant evaluation method, and program |
| CN115898564A (en) * | 2022-10-26 | 2023-04-04 | 华电电力科学研究院有限公司 | Fault early warning method, system, device and medium for turbine through-flow part |
| JP7562738B1 (en) | 2023-03-22 | 2024-10-07 | 東芝エネルギーシステムズ株式会社 | Steam turbine nozzle deformation control device |
-
2005
- 2005-06-21 JP JP2005180307A patent/JP2007002673A/en active Pending
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009068359A (en) * | 2007-09-11 | 2009-04-02 | Japan Aerospace Exploration Agency | Gas turbine engine performance estimation system |
| US8930293B2 (en) | 2010-10-25 | 2015-01-06 | The Bank Of Tokyo-Mitsubishi Ufj, Ltd. | Prediction apparatus, prediction method, and recording medium |
| US8751423B2 (en) | 2010-11-30 | 2014-06-10 | General Electric Company | Turbine performance diagnostic system and methods |
| WO2013187295A1 (en) * | 2012-06-13 | 2013-12-19 | ソニー株式会社 | Information processing device, information processing method, and program |
| JP2017157109A (en) * | 2016-03-03 | 2017-09-07 | 富士通株式会社 | Estimation apparatus, estimation method, and estimation program |
| JP2017215832A (en) * | 2016-06-01 | 2017-12-07 | 株式会社神戸製鋼所 | Diagnosis device for diagnosing operational state of rotary machine, and diagnosis method |
| US11428118B2 (en) | 2016-06-22 | 2022-08-30 | Ihi Corpotation | Method and apparatus for predicting turbine outlet temperature in gas turbine |
| JP2017227174A (en) * | 2016-06-22 | 2017-12-28 | 株式会社Ihi | Prediction method and prediction device for turbine outlet temperature of gas turbine |
| WO2017221923A1 (en) * | 2016-06-22 | 2017-12-28 | 株式会社Ihi | Method and apparatus for predicting turbine outlet temperature of gas turbine |
| CN106706852A (en) * | 2016-12-27 | 2017-05-24 | 清华-伯克利深圳学院筹备办公室 | Calibration method and calibration system of gas concentration sensor |
| US11461727B2 (en) * | 2017-03-29 | 2022-10-04 | Mitsubishi Heavy Industries, Ltd. | Plant evaluation system, plant evaluation method, and program |
| KR20200020925A (en) | 2017-10-24 | 2020-02-26 | 미츠비시 히타치 파워 시스템즈 가부시키가이샤 | Status indicator of the plant and how to display the status of the plant |
| DE112017007848T5 (en) | 2017-10-24 | 2020-04-30 | Mitsubishi Hitachi Power Systems, Ltd. | Status display device for a plant and status display method for a plant |
| US11507073B2 (en) | 2017-10-24 | 2022-11-22 | Mitsubishi Heavy Industries, Ltd. | State display device for plant and state display method for plant |
| JP2019148174A (en) * | 2018-02-26 | 2019-09-05 | 株式会社Ihi | Maintenance timing prediction method of gas turbine and its device |
| CN113345525A (en) * | 2021-06-03 | 2021-09-03 | 谱天（天津）生物科技有限公司 | Analysis method for reducing influence of covariates on detection result in high-throughput detection |
| CN115898564A (en) * | 2022-10-26 | 2023-04-04 | 华电电力科学研究院有限公司 | Fault early warning method, system, device and medium for turbine through-flow part |
| JP7562738B1 (en) | 2023-03-22 | 2024-10-07 | 東芝エネルギーシステムズ株式会社 | Steam turbine nozzle deformation control device |
| JP2024146956A (en) * | 2023-03-22 | 2024-10-16 | 東芝エネルギーシステムズ株式会社 | Steam turbine nozzle deformation control device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8515719B2 (en) | Apparatus anomaly monitoring method and system | |
| KR101109914B1 (en) | Plant state monitoring method, computer readable storage medium storing plant state monitoring program, and plant state monitoring device | |
| JP5260343B2 (en) | Plant operating condition monitoring method | |
| US7062370B2 (en) | Model-based detection, diagnosis of turbine engine faults | |
| JP2007002673A (en) | Analysis and prediction method of gas turbine performance | |
| JP6055188B2 (en) | Turbomachine analysis method and system | |
| US8000930B2 (en) | Monitoring a degrading system | |
| CA2604118C (en) | A system and method for real-time prognostics analysis and residual life assessment of machine components | |
| KR101948604B1 (en) | Method and device for equipment health monitoring based on sensor clustering | |
| JP6088131B2 (en) | Turbine performance diagnostic system and method | |
| CN1837767A (en) | Estimation of health parameters or symptoms of a degraded system | |
| RU2011126348A (en) | DETECTION OF ANOMALIES IN THE AIRCRAFT ENGINE | |
| CN107111309A (en) | Utilize the combustion gas turbine failure predication of supervised learning method | |
| TWI662424B (en) | Selection method of leading auxiliary parameters and method for pre-diagnosis of equipment maintenance by combining key parameters and leading auxiliary parameters | |
| JP5490277B2 (en) | Plant operating condition monitoring method | |
| JP2007107446A (en) | Gas turbine performance diagnostic method and diagnostic system | |
| JP3922426B2 (en) | Gas turbine performance diagnosis method | |
| JP2002108440A (en) | Damage diagnosis device for power generation equipment | |
| KR102108975B1 (en) | Apparatus and method for condition based maintenance support of naval ship equipment | |
| WO2020031532A1 (en) | Performance evaluation device, performance evaluation method, and performance influence output method | |
| JP5490278B2 (en) | Plant operating condition monitoring method | |
| Jeyabalan et al. | AN IMPROVED TURBOMACHINERY CONDITIONMONITORING METHOD USING MULTIVARIATE STATISTICAL ANALYSIS | |
| YILDIRIM | Investigation of Low-Pressure Turbine and Aircraft Performance Parameters Through Multiple Regression Analysis | |
| KR102063382B1 (en) | Air compressor cleaning interval prediction method and system | |
| Hartati et al. | PCA and Health Indicators: Predicting Machine Failures Through Resistance Analysis |