一种燃气轮机燃烧调整过程中稳定性的预测方法及系统

摘要

本发明提供一种燃气轮机燃烧调整过程中稳定性的预测方法及系统包括：采集并分析燃机运行输入参数及燃机稳定性及排放输出参数，据以获取训练数据和检验数据；剔除训练数据和检验数据中的异常数据，据以确定最优的输入数据及输出参数信息；将PSO‑ELMAN神经网络预置为稳定性预测网络拓扑结构，并初始化神经网络阈值、权值长度及粒子群相关参数，利用PSO算法通过预置速度位置搜索模型动态调整稳定性预测网络拓扑结构中的粒子飞行速度和粒子位置，据以获取粒子群最优数据；以预置判据根据粒子群最优数据判定获取最优稳定性预测模型，据以预测燃气轮机燃烧调整过程中稳定性。解决了限制因素多、试验灵活性差及预测精度差的技术问题。

说明书

技术领域

本发明涉及燃气轮机燃烧调整技术领域，具体涉及一种燃气轮机燃烧调整过程中稳定性的预测方法及系统。

背景技术

在日趋严格的排放政策之下，燃气轮机的燃烧调整就显得尤为重要。在机组投入商运前、大修后或者季节变换、更换天然气源后，需要进行燃烧调整，保证机组稳定运行的基础上，尽可能降低NOx排放。神经网络因其无需构件具体数学公式，可求解任意非线性映射过程的特点，利用运行数据以及神经网络建立燃气轮机性能参数的预测模型则可以减少对燃机运行的影响。

目前国内燃烧调整仍处于起步阶段，试验大多基于同类型机组的数据，根据经验进行燃烧调整，对更深层次的机制还不够了解。目前，预混燃烧方式稳定燃烧窗口比较狭窄，燃气轮机工作时外界条件对其影响较大，在大气温度变化较大或天然气热值变化较大的情况下，燃机燃烧会出现不稳定，污染物排放浓度会出现异常。由于现有技术中试验需要兼顾燃烧稳定性以及低NOX排放的要求，虽然各制造商的燃烧调整方式不同，但是调整过程均受外界环境、天然气热值、机组实际运行状态等条件的限制，试验灵活性较差。现有技术中燃气轮机燃烧调整是一个动态过程，这个过程具有非线性和时变性的特点，ELMAN神经网络在前馈式网络的隐含层中增加了一个承接层，作为一步延时的算子，以达到记忆的目的，从而使系统具有顺应时变特性的能力，能够反映动态过程系统的特性，但因为算法是基于梯度下降法，在训练时会出现速度慢和容易陷入局部极小点的缺点，对神经网络的训练难以达到全局最优。

综上，现有技术存在限制因素多、试验灵活性差及预测精度差的技术问题。

发明内容

本发明所要解决的技术问题在于如何解决现有技术存在限制因素多及试验灵活性差的技术问题。

本发明是采用以下技术方案解决上述技术问题的：一种燃气轮机燃烧调整过程中稳定性的预测方法包括：

S1、采集并分析燃机运行输入参数、燃机稳定性及排放输出参数，据以获取训练数据和检验数据；

S2、剔除所述训练数据和检验数据中的异常数据，据以确定最优的输入数据及输出参数信息；

S3、将PSO-ELMAN神经网络预置为稳定性预测网络拓扑结构，并初始化神经网络阈值、权值长度及粒子群相关参数，其中，所述网络拓扑结构包括：输入层、隐含层、承接层和输出层，利用PSO算法通过预置速度位置搜索模型动态调整所述稳定性预测网络拓扑结构中的粒子飞行速度和粒子位置，据以获取粒子群最优数据：

ν

x

，式中，ν

S4、以预置判据根据所述粒子群最优数据判定获取最优稳定性预测模型，据以预测燃气轮机燃烧调整过程中稳定性。

本发明的燃气轮机燃烧调整是一个动态过程，这个过程具有非线性和时变性的特点，而ELMAN神经网络在前馈式网络的隐含层中增加了一个承接层，作为一步延时的算子，以达到记忆的目的，从而使系统具有顺应时变特性的能力，能够更换地反映动态过程系统的特性。

本发明为解决因为算法是基于梯度下降法，在训练时会出现速度慢和容易陷入局部极小点的缺点，对神经网络的训练难以达到全局最优的问题，为进一步提高ELMAN神经网络对输出值的预测精度，本发明中的方法依次进行的收集燃烧调整过程、确定输入、确定预测模型为PSO-ELMAN网络、并通过预设判定条件确定预测模型性能，避免了现有技术中的限制因素，同时提高了燃气轮机燃烧调整过程中稳定性的预测精度。

在更具体的技术方案中，所述步骤S1包括：

S11、获取外界环境数据、压气机运行状态数据、燃料供应数据以及稳定性判别参数；

S12、分析所述燃机运行输入参数及燃机稳定性及所述排放输出参数，以得到所述训练数据和所述检验数据。

本发明收集的数据分为四大类：外界环境、压气机运行状态、燃料供应以及稳定性判别参数，其中包括通过对影响燃机运行的输入参数和表征燃机稳定性及污染物排放的输出参数，对前述数据进行收集和分析，以上数据用来训练预测算法以及检验预测方法的精度，以提高模型预测准确性。

在更具体的技术方案中，所述步骤S2中的输入数据包括：天然气热值、天然气压力、天然气温度、压气机排气温度、压气机进口温度、压气机入口差压、压气机压比、IGV开度、CV1开度、透平排气温度、值班阀流量、值班阀压力、第一预混阀流量、第一预混阀压力、第二预混阀流量、第二预混阀压力。

在更具体的技术方案中，所述步骤S2中的输出参数信息包括：燃烧室差压、燃烧室脉动、机组功率、NOX质量浓度，用以表征燃烧稳定性。

在更具体的技术方案中，所述步骤S3包括：

S31、以预置逻辑将所述PSO-ELMAN神经网络设置为所述稳定性预测网络拓扑结构，初始化网络向量参数、网络连接权值及神经元传递函数；

S32、采用BP算法对所述PSO-ELMAN神经网络进行权值修正。

本发明考虑将神经网络算法应用到燃烧调整稳定性预测中，引入泛化性更好、预测性能更加稳定的PSO-ELMAN算法，使用PSO改进ELMAN网络的计算所得的结果要明显优于ELMAN，避免了局部极值的出现，有更好的精度，最大的平均绝对百分比误差小于5％，符合工程应用要求，所使用的模型即为燃烧调整过程中稳定性的预测方法。避免在训练时会出现速度慢，陷入局部极小点，使得神经网络的训练达到全局最优，进一步提高整体预测性能。

在更具体的技术方案中，所述步骤S31中，以下述逻辑设置并初始化所述稳定性预测网络拓扑结构：

y(k)＝g(ω

x(k)＝f(ω

x

式中，y为m维输出结点向量，x为n维中间层结点单元向量，u为r维输入向量，xc为n维反馈状态向量，ω3为中间层到输出层连接权值，ω2为输入层到中间层连接权值，ω1为承接层到中间层的连接权值，g(*)为输出神经元的传递函数，是中间层输出的线性组合，f(*)为中间层神经元的传递函数。

在更具体的技术方案中，所述步骤S31还包括：

S311、以所述PSO-ELMAN网络利用mapminmax()函数对数据进行归一化处理；

S312、利用newlem()函数建立网络；

S313、采用S型正切函数tansig传递函数设置所述PSO-ELMAN网络的神经网络隐含层，反向传递函数采用Levenberg-Marquart算法trainlm，输出层函数取线性函数purelin。

在更具体的技术方案中，所述步骤S32中，以BP算法通过下述逻辑对所述PSO-ELMAN神经网络进行权值修正：

式中，

在更具体的技术方案中，所述步骤S4包括：

S41、以下述逻辑计算预测模型误差：

式中，MSE为方误差，RMSE为均方误差根，MAPE为平均绝对百分比误差；

S42、根据所述粒子群最优数据获取当前的预测模型，更新所述稳定性预测网络拓扑结构中的权值及阈值；

S43、根据所述预测模型误差、所述权值及所述阈值判断当前的所述预测模型是否满足预测条件；

S44、若是，则以当前预测模型预测燃气轮机燃烧调整过程中稳定性；

S45，若否，则循环执行前述步骤S41至S43。

在更具体的技术方案中，一种燃气轮机燃烧调整过程中稳定性的预测系统包括：

输入输出数据模块，用以采集并分析燃机运行输入参数及燃机稳定性及排放输出参数，据以获取训练数据和检验数据；

最优输入数据模块，用以剔除所述训练数据和检验数据中的异常数据，据以确定最优的输入数据及输出参数信息，所述最优输入数据模块与所述输入输出数据模块连接；

预测算法确定模块，用以将PSO-ELMAN神经网络预置为稳定性预测网络拓扑结构，并初始化神经网络阈值、权值长度及粒子群相关参数，其中，所述网络拓扑结构包括：输入层、隐含层、承接层和输出层，利用PSO算法通过预置速度位置搜索模型动态调整所述稳定性预测网络拓扑结构中的粒子飞行速度和粒子位置，据以获取粒子群最优数据：

ν

x

，式中，ν

模型确定模块，用于以预置判据根据所述粒子群最优数据判定获取最优稳定性预测模型，据以预测燃气轮机燃烧调整过程中稳定性，所述模型确定模块与所述预测算法确定模块连接。

本发明相比现有技术具有以下优点：本发明的燃气轮机燃烧调整是一个动态过程，这个过程具有非线性和时变性的特点，而ELMAN神经网络在前馈式网络的隐含层中增加了一个承接层，作为一步延时的算子，以达到记忆的目的，从而使系统具有顺应时变特性的能力，能够更换地反映动态过程系统的特性。

本发明为解决因为算法是基于梯度下降法，在训练时会出现速度慢和容易陷入局部极小点的缺点，对神经网络的训练难以达到全局最优的问题，为进一步提高ELMAN神经网络对输出值的预测精度，本发明中的方法依次进行的收集燃烧调整过程、确定输入、确定预测模型为PSO-ELMAN网络、并通过预设判定条件确定预测模型性能，避免了现有技术中的限制因素，同时提高了燃气轮机燃烧调整过程中稳定性的预测精度。

本发明收集的数据分为四大类：外界环境、压气机运行状态、燃料供应以及稳定性判别参数，其中包括通过对影响燃机运行的输入参数和表征燃机稳定性及污染物排放的输出参数，对前述数据进行收集和分析，以上数据用来训练预测算法以及检验预测方法的精度，以提高模型预测准确性。

本发明考虑将神经网络算法应用到燃烧调整稳定性预测中，引入泛化性更好、预测性能更加稳定的PSO-ELMAN算法，使用PSO改进ELMAN网络的计算所得的结果要明显优于ELMAN，避免了局部极值的出现，有更好的精度，最大的平均绝对百分比误差小于5％，符合工程应用要求，所使用的模型即为燃烧调整过程中稳定性的预测方法。避免在训练时会出现速度慢，陷入局部极小点，使得神经网络的训练达到全局最优，进一步提高整体预测性能。本发明解决了现有技术中存在的限制因素多、试验灵活性差及预测精度差的技术问题。

附图说明

图1为燃气轮机燃烧调整过程中稳定性的预测方法基本步骤示意图；

图2为燃气轮机燃烧调整过程中稳定性的预测方法细化步骤示意图；

图3显示为ELMAN神经网络模型基本结构示意图。

具体实施方式

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，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明涉及的燃烧调整采用DLN1.0燃烧器的GE 9E燃机在预混稳定阶段下一级喷嘴和二级喷嘴的方式是通过调整值班燃料配比，使其可以适应环境量以及透平出口温度变化以及天然气华白指数变化带来的影响，(OTC)来寻找机组安全燃烧的稳定边界并优化排放，提高燃烧稳定性，可在降低氮氧化物排放的同时，保持稳定燃烧不发生燃烧震荡现象。

如图1所示，步骤S1、收集输入输出数据；所述收集燃烧调整过程数据步骤中，通过对影响燃机运行的输入参数和表征燃机稳定性及污染物排放的输出参数进行分析，收集以下信息：所述相关信息分为四大类，外界环境、压气机运行状态、燃料供应以及稳定性判别参数，以上数据用来训练预测算法以及检验预测方法的精度。

步骤S2、剔除异常数据，确认最优输入数据；所述确定输入输出数据步骤中，是根据燃烧调整的历史数据，结合相关文献，剔除历史数据中的异常数据，考虑到同一次燃烧调整过程外界环境变化不大，为充分表征燃烧调整过程中燃气轮机运行状态，将天然气热值[ICV]、天然气压力[p

步骤S3、确定预测稳定性算法；所述预测模型步骤中，确定了基于PSO的ELMAN的方法，利用mapminmax()函数对数据进行归一化处理后，用newlem()函数建立网络，神经网络隐含层采用S型正切函数tansig传递函数，反向传递函数采用Levenberg-Marquart算法trainlm，输出层函数取线性函数purelin。

步骤S4、确定预测模型。所述确定预测模型性能的步骤中使用均方误差MSE、均方误差根RMSE、平均绝对百分比误差MAPE三个指标对各模型预测精度评价算法的预测性能。

实施例2

本发明提供一种燃气轮机燃烧调整过程中稳定性的预测方法，是基于PSO-ELMAN的泛化性更好、预测性能更加稳定的算法，避免在训练时会出现速度慢，陷入局部极小点，使得神经网络的训练达到全局最优，进一步提高ELMAN神经网络对输出值的预测精度。

如图2所示为基于神经网络的燃气轮机燃烧调整过程中稳定性排放预测方法的总体流程图。下面结合图1对本发明方法作更进一步的说明。

基于神经网络算法的燃烧调整稳定性预测方法，引入泛化性更好、预测性能更加稳定的PSO-ELMAN算法，避免在训练时会出现速度慢，陷入局部极小点，使得神经网络的训练达到全局最优，进一步提高整体预测性能，下面结合具体案例说明本发明的实施方式：

S1’、输入数据；在本实施例中，所述收集燃烧调整过程数据步骤中，通过对影响燃机运行的输入参数和表征燃机稳定性及污染物排放的输出参数进行分析，收集以下信息：所述相关信息分为四大类，外界环境、压气机运行状态、燃料供应以及稳定性判别参数，以上数据用来训练预测算法以及检验预测方法的精度；

S2’、数据预处理；在本实施例中，剔除异常数据，确定最优输入数据。输入参数包括天然气热值[ICV]、天然气压力[p

部分输入数据样本如下表：

部分输出数据样本如下表：

S3’、确定网络拓扑结构；在本实施例中，所述预测模型步骤中，确定了基于PSO的ELMAN的方法。

如图3所示，所述ELMAN神经网络分为四层：输入层、隐含层、承接层和输出层。针对本文预测过程，ELMAN网络的非线性状态空间表达式为：

y(k)＝g(ω

x(k)＝f(ω

x

式中，y为m维输出结点向量；x为n维中间层结点单元向量；u为r维输入向量；xc为n维反馈状态向量；

S4’、初始化神经网络阈值和权值长度；在本实施例中，ω3为中间层到输出层连接权值；ω2为输入层到中间层连接权值；ω1为承接层到中间层的连接权值；g(*)为输出神经元的传递函数，是中间层输出的线性组合；f(*)为中间层神经元的传递函数，常采用S函数。

ELMAN神经网络也采用BP算法进行权值修正，学习指标函数采用误差平方和函数。

式中，

S5’、初始化粒子群相关参数；在本实施例中，所述PSO算法忽略粒子的质量和体积，将其简化成只具有速度和位置的点。粒子通过自身个体与群体中其他成员的相互学习认识，采用速度位置搜索模型，动态地调整自身的飞行速度和位置，并对群体进行优化。

S6’、计算个体最优、全局最优及平均最优；

S7’、更新群体粒子位置、速度、各个最优位置；对于第t代的第i个微粒，其d维的粒子速度和位置更新公式为：

ν

x

式中，νid、xid分别为粒子i的速度和位置，c1、c2为学习因子，pid、pgd为粒子个体和群体的历史最优位置，r1、r2为学习因子，W为惯性权重。

S8’、计算适应度值，

S9’、判断是否达到最大迭代步数，若否，则循环执行前述步骤S6’至S8’；

S10’、若是，则获取最优权值；在本实施例中，所述PSO算法的种群规模为10，个体学习因子c1、社会学习因子c2均设为2，惯性权重w设为0.9，最大迭代次数为50。PSO-ELMAN网络利用mapminmax()函数对数据进行归一化处理后，用newlem()函数建立网络，神经网络隐含层采用S型正切函数tansig传递函数，反向传递函数采用Levenberg-Marquart算法trainlm，输出层函数取线性函数purelin。

S11’、计算误差；S12’，更新权值和阈值；S13’，判断是否满足条件；

S14’、预测结果。在本实施例中，所述确定预测模型性能的步骤中使用均方误差MSE、均方误差根RMSE、平均绝对百分比误差MAPE三个指标对各模型预测精度评价算法的预测性能。

使用PSO-ELMAN模型计算所得到的预测结果如下图表：

使用PSO改进ELMAN网络的计算所得的结果要明显优于ELMAN，避免了局部极值的出现，有更好的精度，最大的平均绝对百分比误差小于5％，符合工程应用要求，所使用的模型即为燃烧调整过程中稳定性的预测方法。

本发明与现有技术相比，具有以下优点：

本发明考虑将神经网络算法应用到燃烧调整稳定性预测中，引入泛化性更好、预测性能更加稳定的PSO-ELMAN算法，避免在训练时会出现速度慢，陷入局部极小点，使得神经网络的训练达到全局最优，进一步提高整体预测性能。

综上，本发明的燃气轮机燃烧调整是一个动态过程，这个过程具有非线性和时变性的特点，而ELMAN神经网络在前馈式网络的隐含层中增加了一个承接层，作为一步延时的算子，以达到记忆的目的，从而使系统具有顺应时变特性的能力，能够更换地反映动态过程系统的特性。

本发明为解决因为算法是基于梯度下降法，在训练时会出现速度慢和容易陷入局部极小点的缺点，对神经网络的训练难以达到全局最优的问题，为进一步提高ELMAN神经网络对输出值的预测精度，本发明中的方法依次进行的收集燃烧调整过程、确定输入、确定预测模型为PSO-ELMAN网络、并通过预设判定条件确定预测模型性能，避免了现有技术中的限制因素，同时提高了燃气轮机燃烧调整过程中稳定性的预测精度。

本发明收集的数据分为四大类：外界环境、压气机运行状态、燃料供应以及稳定性判别参数，其中包括通过对影响燃机运行的输入参数和表征燃机稳定性及污染物排放的输出参数，对前述数据进行收集和分析，以上数据用来训练预测算法以及检验预测方法的精度，以提高模型预测准确性。

本发明考虑将神经网络算法应用到燃烧调整稳定性预测中，引入泛化性更好、预测性能更加稳定的PSO-ELMAN算法，使用PSO改进ELMAN网络的计算所得的结果要明显优于ELMAN，避免了局部极值的出现，有更好的精度，最大的平均绝对百分比误差小于5％，符合工程应用要求，所使用的模型即为燃烧调整过程中稳定性的预测方法。避免在训练时会出现速度慢，陷入局部极小点，使得神经网络的训练达到全局最优，进一步提高整体预测性能。本发明解决了现有技术中存在的限制因素多、试验灵活性差及预测精度差的技术问题。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。