Сравнительное поведение модели паровой турбины для динамического анализа энергосистем с помощью методов дробного исчисления и искусственных нейронных сетей

Почему это важно для повседневного потребления энергии

Электричество на многих электростанциях по‑прежнему вырабатывается с помощью паровых турбин — машин, которые вращаются, когда пар высокого давления обтекает лопасти. Насколько полно мы понимаем и умеем управлять этими турбинами, влияет на расход топлива, цены на электроэнергию и даже на частоту остановок станций для ремонта. В этом исследовании задаётся простой, но важный вопрос: можно ли построить более точные математические и компьютерные модели паровых турбин, которые лучше отражают их реальное поведение, чтобы станции работали эффективнее и надежнее?

От кипящей воды до вращающегося вала

Паровая турбина превращает тепловую энергию пара в вращательное движение, которое приводит в действие электрогенератор. Во многих инженерных работах турбины описывают довольно простыми уравнениями, связывающими потоки пара на входе и выходе, изменения давления и вырабатываемую мощность. Традиционные модели предполагают, что турбина реагирует мгновенно на изменения, без заметной «памяти» о прошлом. Авторы начинают с повторного рассмотрения стандартного уравнения, связывающего изменения массы пара внутри турбины с входными и выходными потоками и давлением. Это базовое соотношение затем служит основой для более развитых описаний временной реакции турбины.

Добавление «памяти» в математическую модель

Реальные материалы и потоки часто реагируют таким образом, что их поведение зависит не только от текущих условий, но и от того, что происходило ранее — аналогично тому, как горячая сковорода остывает медленнее, если её долго нагревали. Чтобы уловить эту зависимость от предшествующих состояний, исследователи обращаются к инструментам дробного исчисления. Вместо использования только обычных производных они переформулируют уравнение турбины с четырьмя различными типами дробных производных, каждая из которых представляет особый способ влияния прошлого на настоящее. Для каждого случая они выводят так называемые передаточные функции — формулы, описывающие, как выход турбины реагирует на изменение входа, — используя два мощных метода преобразований, переводящих временные уравнения в более удобные алгебраические формы.

Обучение нейронной сети имитации турбины

Один только набор уравнений не даёт полной картины, особенно если есть данные с реальной турбины. Команда поэтому создаёт искусственную нейронную сеть — компьютерную модель, условно вдохновлённую связями нейронов в мозге, — чтобы она научилась предсказывать выход турбины на основе нескольких ключевых величин одновременно. К ним относятся давление и расход пара, время работы, а также дробные и «фрактальные» параметры, управляющие силой эффектов памяти в новых моделях. Сеть обучают стандартным методом с популярной функцией активации, подавая на вход большой набор синтетически сгенерированных режимов работы и соответствующих результатов. Затем её обучают, валидируют и тестируют, чтобы оценить, насколько точно она предсказывает отношение выход/вход турбины — меру динамической производительности.

Что показало сравнение

Имея и дробные уравнения, и нейронную сеть, авторы сравнивают поведение разных вариантов моделирования при различных давлениях, расходах и временах работы. Они обнаруживают, что при слабой «памяти» (малое дробное значение) отклик турбины склонен к сильным колебаниям — признак менее устойчивого поведения. По мере увеличения этого параметра отклик становится мягче и стабильнее. Дополнительная геометрическая сложность, учтённая фрактальным параметром, может вносить нерегулярные колебания при больших давлениях, указывая на условия, в которых турбина может стать труднее управляемой. В целом, определённые сочетания дробных операторов и методов преобразования дают более благоприятные, стабильные отклики по сравнению с традиционной моделью без учета памяти.

Более точные прогнозы и единая картина

Работа нейронной сети служит проверкой адекватности математической модели. Ошибки между предсказанными и целевыми значениями остаются очень малыми, а предсказанные отклики хорошо совпадают с целями на этапах обучения, валидации и тестирования. Это указывает на то, что комбинированный подход «дробное исчисление + нейронная сеть» способен с высокой точностью отслеживать поведение турбины во многих режимах работы. При возврате дробных порядков к обычным значениям все расширенные модели сводятся к классическому описанию турбины, что показывает: новый подход является настоящим расширением, а не заменой. Проще говоря, исследование демонстрирует, что наделение модели турбины «памятью» и её донастройка с помощью данных дают операторам электростанций более надёжные инструменты для повышения эффективности и стабильности существующего оборудования.

Цитирование: Abro, K.A., Souayeh, B. & Flah, A. Comparative behavior of steam turbine model for dynamical power system analyses by means of multiple fractional and artificial neural network techniques. Sci Rep 16, 10882 (2026). https://doi.org/10.1038/s41598-026-45449-6

Ключевые слова: моделирование паровой турбины, дробное исчисление, нейронные сети, динамика электростанции, энергоэффективность