技术领域
[0001] 本
发明涉及工业燃气轮机燃烧优化系统,具体地说,涉及一种燃气轮机燃烧优化控制方法及系统。
背景技术
[0002] 随着世界经济的发展,化石
能源消费不断增长,环境问题日益突出。在环保问题和能源短缺的双重压
力下,我国
天然气发电行业仍处于起步发展阶段,目前遇到的问题较多。例如,已投运燃气电站利润较差、效率未达到理想值、
压气机喘振,燃烧不充分和起停效率低等,导致燃气轮机的循环发电效率不高。
[0003] 燃气轮机联合循环效率是一个由多因素决定的参数,其中包括环境
温度、压气机进口温度、燃气压力、可调空气进口导叶开度
信号、
燃料气体温度、值班燃料比例,燃气轮机转速和排气平均温度等。在常规的输入参数调节中,通常注意到的是空气燃气配比问题,传统方法是通过操作人员根据经验调配或者是机组历史数据调配经验。但是,这样效率调控方法不全面不科学,有很多因素没有考虑进去,调控效果不好,燃气轮机联合循环效率低,无法解决企业现有问题。
[0004] 有鉴于此特提出本发明。
发明内容
[0005] 本发明要解决的技术问题在于克服
现有技术的不足,提供一种燃气轮机燃烧优化控制方法及系统。
[0006] 为解决上述技术问题,本发明采用技术方案的基本构思是:
[0007] 一种燃气轮机燃烧优化控制方法,包括下列步骤:
[0008] S1,挖掘收集燃气轮机运行的历史工况数据,通过矩阵映射投影、建造新的数据映射空间数据,建立PCA
降维处理模
块;
[0009] S2,将经过降维处理模块处理后的数据进行归一化,结合燃气轮机循环发电效率构建训练样本和预测样本,并进行
深度学习和
预测分析,建立BP神经网络预测输出模块;
[0010] S3,结合神经网络预测输出模块神经网络非线性拟合结果,通过数据种群初始化及计算效率适应度,建立燃气轮机燃烧效率系统影响因素的基于BP神经网络遗传
算法优化模块;
[0011] S4,
接口电厂的实时运行参数,利用基于BP神经网络
遗传算法优化模块进行参数配比寻优,利用寻优得到的最优工况指导燃气轮机燃烧过程。
[0012] 本发明的PCA即主成分分析技术,又称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。BP神经网络是一种按照误差逆向传播算法训练的多层
前馈神经网络,是目前应用最广泛的神经网络。
[0013] 作为本发明的一种实施方式,燃气轮机运行的历史数据包括
环境温度、压气机进口温度、燃气压力、可调空气进口导叶的开度信号、
燃料气体温度、值班燃料比例、燃气轮机转速和排气平均温度的历史数据。
[0014] 作为本发明的一种实施方式,每间隔设定时间测试记录历史数据并形成
数据库,通过燃料热值、燃料流速、燃料
密度,功率因数和
无功功率参数计算燃气轮机循环发
电机组效率。
[0015] 作为本发明的一种实施方式,步骤S2中,环境温度、压气机进口温度、燃气压力、可调空气进口导叶的开度信号、燃料气体温度、值班燃料比例、燃气轮机转速和排气平均温度的历史数据作为输入,燃气轮机循环发电效率作为输出,采用BP神经网络进行学习和预测,完成BP神经网络的训练过程。
[0016] 作为本发明的一种实施方式,PCA降维处理模块的处理包括如下步骤:
[0017] S201,对历史工况
大数据进行标准化处理,假设样本观测数据矩阵为:
[0018]
[0019] 按照下列方式对原始工况数据进行标准化处理:
[0020]
[0021]
[0022] S202,计算样本相关系数矩阵,经标准化处理的相关系数矩阵为:
[0023]
[0024] 该式中,
[0025] S203,计算相关系数矩阵R的特征值和相应
特征向量:
[0026] 特征值:λ1,λ2,…,λp
[0027] 特征向量:ai=(ai1,ai2,…,aip),i=1,2,….p;
[0028] S204,选择重要的主成分,写出主成分表达式:
[0029] 记贡献率ε是指某个主成分的方差占全部总方差的比重,表示某个特征值占全部特征值合计的比重,即
[0030]
[0031] 根据上述计算公式得到的结果选择主成分;
[0032] S205,计算主成分得分,分别代入主成分表达式,从而得到新数据,进行筛选和最终降维处理。
[0033] 作为本发明的一种实施方式,步骤S2中样本的深度学习包括如下步骤:
[0034] S211,将经过降维预处理之后的数据构成训练网络的样本;
[0035] S212,确定训练网络的初始参数,初始参数包括最大训练次数、隐含层神经元数量、网络学习速率和训练的目标误差;
[0036] S213,计算
中间层各单位的输入输出,公式如下:
[0037]
[0038] 计算
输出层各单元的输入输出,公式如下:
[0039]
[0040] 计算输出层各单元的一般化误差,公式如下:
[0041]
[0042] 计算中间层各单元的一般化误差,公式如下:
[0043]
[0044] S214,调整中间层至
输入层、输入层至中间层之间的连接权,公式如下:
[0045]
[0046] S215,更新学习输入模式及学习次数,当误差小于设定值时结束学习。
[0047] 作为本发明的一种实施方式,步骤S4中,把训练后的BP神经网络预测结果作为个体适应度值函数,通过选择、交叉和变异寻找函数的全局最优值及对应输入值,完成寻优并得到最优工况。
[0048] 作为本发明的一种实施方式,个体适应度值函数为:根据个体得到BP神经网络的初始权值和
阈值,用训练样本训练BP神经网络后预测系统输出,把预测输出和期望输出之间的误差绝对值和E作为个体适应度值F,计算公式为:
[0049]
[0050] 作为本发明的一种实施方式,所述的选择采用轮盘赌法,基于适应度比例进行选择.每个工况参数的选择概率为pi,计算公式为:
[0051]
[0052] Fi为个体i的适应度值,k为系数,N为种群个体数目;
[0053] 优选地,交叉操作采用实数交叉法,第k个工况参数ak向和第l个工况参数ak,在j位的交叉操作方法如下:
[0054] akj=akj(1-b)+aljb;
[0055] alj=alj(1-b)+akjb;
[0056] 式中,b是[0,1]间的随机数;
[0057] 优选地,所述的变异操作选取第i个个体的第j个工况数据基因aij进行变异,变异操作方法如下:
[0058] aij=aij+(aij-amax)*f(g),r﹥0.5
[0059] aij=aij+(amin-aij)*f(g),r≤0.5。
[0060] 本发明的另一目的在于提供一种燃气轮机燃烧优化控制系统,该优化控制系统包括燃机电厂运行系统、电厂
数据采集系统和控制系统;电厂数据采集系统选取与燃机电厂运行系统相关联的物理量数据并采集记录,控制系统基于PCA降维和BP神经网络遗传算法进行寻优,得到最优工况并指导燃机电厂运行系统的燃气轮机燃烧过程。
[0061] 优选地,控制系统包括降维处理模块、BP神经网络预测输出模块和燃气轮机燃烧效率系统影响因素的遗传算法优化模块,利用以上内容所述的任意一种燃气轮机燃烧优化控制方法指导并调控燃气轮机的燃烧过程。
[0062] 采用上述技术方案后,本发明与现有技术相比具有以下有益效果:
[0063] 本发明的燃气轮机燃烧优化控制方法采用神经网络算法对历史工况数据进行训练和测试,达到设置误差内的准确度,并用其对于燃气轮机联合发电效率进行有效预测,尤其,在这之前先用PCA数据降维对历史工况数据预处理,进一步提高了算法的准确性,避免出现过拟合现象;然后,采用遗传算法对于神经网络所预测数据进行极值寻优,找到最佳效率及与其对应的最优工况,对电厂实际运行输入参数进行指导操作,可以有效提高燃气轮机燃烧效率,更科学合理。
附图说明
[0064] 附图作为本发明的一部分,用来提供对本发明的进一步的理解,本发明的示意性
实施例及其说明用于解释本发明,但不构成对本发明的不当限定。显然,下面描述中的附图仅仅是一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。在附图中:
[0065] 图1是本发明所述的燃气轮机燃烧优化控制方法的一种流程示意图;
[0066] 图2是本发明所述的燃气轮机燃烧优化控制系统的示意图;
[0067] 图3是本发明所述的燃气轮机燃烧优化控制方法进行训练得到的预测误差图;
[0068] 图4是本发明所述的燃气轮机燃烧优化控制方法进行训练得到的预测输出图;
[0069] 图5是本发明所述的燃气轮机燃烧优化控制方法的适应度随进化次数的变化情况。
[0070] 需要说明的是,这些附图和文字描述并不旨在以任何方式限制本发明的构思范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
[0071] 为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对实施例中的技术方案进行清楚、完整地描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
[0072] 在本发明的描述中,需要说明的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“内”、“外”等指示的方位或
位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
[0073] 在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
[0074] 实施例1
[0075] 一种燃气轮机燃烧优化控制方法,包括下列步骤:
[0076] S1,挖掘收集燃气轮机运行的历史工况数据,通过矩阵映射投影、建造新的数据映射空间数据,搭建PCA降维处理模块;
[0077] S2,将经过降维处理模块后的数据进行归一化,结合燃气轮机循环发电效率构建训练样本和预测样本,并进行深度学习和预测分析,搭建BP神经网络预测输出模块;
[0078] S3,结合神经网络预测输出模块神经网络非线性拟合结果,通过数据种群初始化及计算效率适应度,搭建燃气轮机燃烧效率系统影响因素的基于BP神经网络遗传算法优化模块;
[0079] S4,接口电厂的实时运行参数进行参数配比寻优,利用寻优得到的最优工况指导燃气轮机燃烧过程。
[0080] 图1是所述的燃气轮机燃烧优化控制方法的一种具体操作流程展示,结合图1可以更清晰地理解本发明技术方案。
[0081] 燃气轮机运行的历史数据包括环境温度、压气机进口温度、燃气压力、可调空气进口导叶的开度信号、燃料气体温度、值班燃料比例、燃气轮机转速和排气平均温度的历史数据。
[0082] 本发明的燃气轮机燃烧优化控制方法采用PCA降维处理,基于原始工况数据空间,构造全新潜隐变量,降低原始工况数据空间的数据维数,从新的数据映射空间提取出深层次变化信息,完善并挖掘其统计基本特征,从而对原始数据空间特性与层次相关性进行深度分析。保证最大限度地携带原始数据变量的有效信息,在新的数据空间内映射得到的新变量之间互不相关并构成一组为后续算法提供降维及释放空间提升效率的空间基。
[0083] 每间隔设定时间测试记录历史数据并形成数据库,通过燃料热值、燃料流速、燃料密度,功率因数和无功功率参数计算燃气轮机循环
发电机组效率。
[0084] 步骤S2中,环境温度、压气机进口温度、燃气压力、可调空气进口导叶的开度信号、燃料气体温度、值班燃料比例、燃气轮机转速和排气平均温度的历史数据作为输入,燃气轮机循环发电效率作为输出,采用BP神经网络进行学习和预测,完成BP神经网络的训练过程。
[0085] 本实施例的技术方案中,PCA降维处理模块的处理包括如下步骤:
[0086] S201,对历史工况大数据进行标准化处理,假设样本观测数据矩阵为:
[0087]
[0088] 按照下列方式对原始工况数据进行标准化处理:
[0089]
[0090]
[0091] S202,计算样本相关系数矩阵,经标准化处理的相关系数矩阵为:
[0092]
[0093] 该式中,
[0094] S203,计算相关系数矩阵R的特征值和相应特征向量:
[0095] 特征值:λ1,λ2,…,λp
[0096] 特征向量:ai=(ai1,ai2,…,aip),i=1,2,….p;
[0097] S204,选择重要的主成分,写出主成分表达式:
[0098] 记贡献率ε是指某个主成分的方差占全部总方差的比重,表示某个特征值占全部特征值合计的比重,即
[0099]
[0100] 根据上述计算公式得到的结果选择主成分;
[0101] S205,计算主成分得分,分别代入主成分表达式,从而得到新数据,进行筛选和最终降维处理。
[0102] 本实施例的技术方案中,步骤S2中,样本的深度学习包括如下步骤:
[0103] S211,将经过降维预处理之后的数据构成训练网络的样本;
[0104] S212,确定训练网络的初始参数,初始参数包括最大训练次数、隐含层神经元数量、网络学习速率和训练的目标误差;
[0105] S213,计算中间层各单位的输入输出,公式如下:
[0106]
[0107] 计算输出层各单元的输入输出,公式如下:
[0108]
[0109] 计算输出层各单元的一般化误差,公式如下:
[0110]
[0111] 计算中间层各单元的一般化误差,公式如下:
[0112]
[0113] S214,调整中间层至输入层、输入层至中间层之间的连接权,公式如下:
[0114]
[0115] S215,更新学习输入模式及学习次数,当误差小于设定值时结束学习。
[0116] 本实施例的技术方案中,步骤S4中,把训练后的BP神经网络预测结果作为个体适应度值函数,通过选择、交叉和变异寻找函数的全局最优值及对应输入值,完成寻优并得到最优工况。
[0117] 本实施例的技术方案中,个体适应度值函数为:根据个体得到BP神经网络的初始权值和阈值,用训练样本训练BP神经网络后预测系统输出,把预测输出和期望输出之间的误差绝对值和E作为个体适应度值F,计算公式为:
[0118]
[0119] 本实施例的技术方案中,所述的选择采用轮盘赌法,基于适应度比例进行选择.每个工况参数的选择概率为pi,计算公式为:
[0120]
[0121] Fi为个体i的适应度值,k为系数,N为种群个体数目;
[0122] 交叉操作采用实数交叉法,第k个工况参数ak向和第l个工况参数ak,在j位的交叉操作方法如下:
[0123] akj=akj(1-b)+aljb;
[0124] alj=alj(1-b)+akjb;
[0125] 式中,b是[0,1]间的随机数;
[0126] 所述的变异操作选取第i个个体的第j个工况数据基因aij进行变异,变异操作方法如下:
[0127] aij=aij+(aij-amax)*f(g),r﹥0.5
[0128] aij=aij+(amin-aij)*f(g),r≤0.5
[0129] 进一步地,判断进化是否结束,得出最优解,即所述的最优的燃气轮机联合循环效率及其对应的工况参数,并对电厂参数的输入进行调控。
[0130] 本发明还提供一种燃气轮机燃烧优化控制系统,如图2所示,包括燃机电厂运行系统、电厂数据采集系统和控制系统;电厂数据采集系统选取与燃机电厂运行系统相关联的物理量数据并采集记录,控制系统基于PCA降维和BP神经网络遗传算法进行寻优,得到最优工况并指导燃机电厂运行系统的燃气轮机燃烧过程。本发明所述的燃气轮机燃烧优化控制系统是一个闭环指导系统。
[0131] 所述的燃气轮机燃烧优化控制系统包括降维处理模块、BP神经网络预测输出模块和燃气轮机燃烧效率系统影响因素的遗传算法优化模块,利用以上所述的燃气轮机燃烧优化控制方法指导并调控燃气轮机的燃烧过程。
[0132] 如图3所示,BP神经网络模型以环境温度、压气机进口温度、燃气压力、可调空气进口导叶开度信号、燃料气体温度、值班燃料比例,燃气轮机转速和排气平均温度等十二组数据进行降维处理之后作为输入,以燃气轮机联合循环效率为输出,该BP神经网络预测系统误差十分小,99%以上的效率预测误差在5%以内,因此,本发明燃气轮机燃烧优化控制方法科学合理,可行性高。
[0133] 如图4所示,本发明所述燃气轮机燃烧优化控制方法的BP神经网络的预测输出与实际输出相似度非常高,对效率的预测与图3所表明的误差十分贴切,能很好地预测基于以上所述的相关影响参数的燃气轮机联合循环效率。
[0134] 图5是本发明所述的燃气轮机燃烧优化控制方法的适应度函数曲线,经过100次进化后,适应度稳定在0.0206,得出效率最高值为58.5%。所对应的一组工况数据为[15.4,3.273,0,176.6,-20000,16.2,5.62,15.4,2999.3,532.7],该结果为电厂实际操控调整提供了参考。
[0135] 本发明适用于解决燃气电厂效率的提高以及各种参数工况配比和调控,能帮助工作人员利用所述系统和方法通过实时运行数据预知未来的效率输出,从而提前做好配比和调控以便于在出现效率最低值或起停调整时提前做出应对,从而提高工作效率并减小损失。
[0136] 以上所述仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本
专利的技术人员在不脱离本发明技术方案范围内,当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单
修改、等同变化与修饰,均仍属于本发明方案的范围内。