CN110618610A - 基于LSTM深度学习的燃机NOx超标预警方法与装置 - Google Patents
基于LSTM深度学习的燃机NOx超标预警方法与装置 Download PDFInfo
- Publication number
- CN110618610A CN110618610A CN201910806972.2A CN201910806972A CN110618610A CN 110618610 A CN110618610 A CN 110618610A CN 201910806972 A CN201910806972 A CN 201910806972A CN 110618610 A CN110618610 A CN 110618610A
- Authority
- CN
- China
- Prior art keywords
- gas turbine
- nox
- lstm
- temperature
- data
- 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 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000002485 combustion reaction Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 9
- 239000002184 metal Substances 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000009530 blood pressure measurement Methods 0.000 claims 2
- 238000009529 body temperature measurement Methods 0.000 claims 1
- 230000003068 static effect Effects 0.000 claims 1
- 239000007789 gas Substances 0.000 abstract description 40
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 abstract description 5
- 239000003546 flue gas Substances 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 239000001301 oxygen Substances 0.000 abstract description 3
- 229910052760 oxygen Inorganic materials 0.000 abstract description 3
- 238000012821 model calculation Methods 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 230000004913 activation Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 101150108558 PAD1 gene Proteins 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于电厂安全控制系统领域，尤其涉及一种基于LSTM深度学习的燃机NOx超标预警方法与装置。本专利在于将LSTM预测模型应用于燃机NOx预测，由于NOx的排放需要收到多种因素的影响，主要是烟气温度、燃气的不同以及氧量等因素。因此，这些因素通过一系列反应经过相关设备最终导致NOx排放一般有有一段时间，通过实时模型计算，如果发现NOx含量值到达50ppm则可用提前发出污染预测，提前制定减排措施，做到NOx排放的智能监控，提前预警。利用LSTM方法对原始数据进行处理，可以自适应找出与NOx排放相关联的特征参数，避免传统机器学习方法人工选择特征带来的遗漏或错误本发明采集数据量大，分析误差小，预警结果准确率高。
Description
技术领域
本发明属于电厂安全控制系统领域，尤其涉及一种基于LSTM深度学习的燃机NOx超标预警方法与装置。
背景技术
现有技术中，对于燃气轮机异常的检测方法大致可以划分为两类。一类是采用机理模型的方法，通过基于气体的热力学性质和热力学原理建立物理模型，并用该模型计算燃气轮机的各项KPI指标，并与实测值进行对比。如果实测值与理论值有较大偏差，则认为燃气轮机存在异常。机理模型的主要问题在于运用物理学原理建立分析模型时，存在大量的前提假设和简化条件，不适合真实情况下的复杂系统。
随着设备运行过程中获得的设备检测数据越来越多样和设备自身结构以及运行环境的越来越复杂，充分理解设备的运行机理并且提取设备故障状态相关的数据特征难度越来越高，为此另一类异常检测技术尝试运用数据分析和机器学习的方法来建立数理模型，自动化、智能化的寻找数据特征与异常模式之间的映射关系，提升异常检测方法的准确性。常用的机器学习方法包括模糊逻辑、支持向量机(SVM)、人工神经网络等等。机器学习的方法能够充分挖掘信息本身的数据，最大程度的实现数据驱动，减少人为干预。然而，由于燃气轮机在火电得以应用的时间较短，故障类型复杂多样且重复案例较少，故障机理难以充分理解，导致了很难准确的抽取并定义用于异常检测的相关特征，难以保证异常检测的准确性。
中国专利申请201410677543.7本发明公开了一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法，先对燃煤机组的关键运行参数机组负荷、SCR入口NOx折算浓度、SCR入口烟气温度、喷氨流量、排口NOx折算浓度进行预处理，然后建立BP神经网络，将机组负荷、SCR入口NOx折算浓度、SCR入口烟气温度、喷氨流量作为输入值，将排口NOx折算浓度作为输出值，得到燃煤机组氮氧化物排放浓度预测值。本发明极大地降低了工作人员的工作量，降低了维护成本。其存在的不足是选取的特征为与输出测点NOx含量有明显关联性的参数，需要对建模的输入选择关键的影响因素特征，如负荷、NOx入口浓度、SCR入口烟气温度等，且该申请是针对燃煤机组的，其检测数据值较大，预测误差较大，对后续控制有较大影响。
发明内容
针对现有技术存在的问题，本发明提供了一种针对燃气机组的误差小、准确率高的基于LSTM深度学习的燃机NOx超标预警方法，以及利用该方法的装置。
本发明是这样实现的，一种基于LSTM深度学习的燃机NOx超标预警方法，其特征在于：包括以下步骤：
步骤一：获取燃机历史运行数据，并对历史数据进行预处理；
步骤二：根据预处理后的历史数据划分模型训练集与测试集，并以训练集为基础，构造NOx排放为输出的LSTM预测模型；
步骤三：利用测试集数据输入到燃机NOx排放模型，对比NOx排放实际值与预测值偏差是否在合理范围内，并判断模型是否有效；若无效则进行步骤四；若有效满足则保存模型结束；
步骤四：调节LSTM的网络层数、学习率等超参数，调节后重新利用训练数据进行建模预测，直到NOx预测值与实际值偏差在合理范围内；
步骤五：利用LSTM预测模型对实时数据进行预测，当NOx含量达到50ppm时，提前发出NOx环保预警。
其中优选方案是：
所述的步骤一中获取燃机历史运行数据，并对历史数据进行缺失值处理，相关参数至少包括燃机负荷、转速、TCS供热蒸汽温度、控制供油压力、燃机燃气供应压力控制阀出口温度、1号轴承垫金属温度、推力轴承垫金属温度-1(涡轮侧)、轴承排油温度等。
所述的步骤一还包括对历史数据进行归一化处理，
x为某一燃机运行参数，xmin为某一燃机运行参数最小值，xmax为某一燃机运行参数最大值，X1为归一化后燃机运行参数。
所述的步骤二，包括以下步骤：
步骤2-1，对归一化后的数据构造燃机参数矩阵Xi,k，i表示行，为按时间索引，间隔时间为1秒，k表示列，为测点索引，k＝1～199，表示燃机时的运行相关参数共计199个特征，y为输出，代表每个时刻的燃机NOx浓度含量；
步骤2-2，对燃机参数矩阵划分按时间划分为训练集和测试集矩阵；
步骤2-3，对选取的训练集燃机参数矩阵输入到LSTM模型训练输入中，构造以燃机NOx排放为预测目标的燃机预测模型，并预测训练集燃机参数矩阵对应的NOx含量输出值。
所述的步骤三包括以下步骤：
步骤3-1：计算相关系数矩阵，输入N个测点的数据{X1,X2,...,XN}，依据公式(2)计算每两个测点之间的皮尔逊相关系数，形成相关系数矩阵，
其中rij(i,j＝1,2,...,n)表示原始向量Xi，Xj关联程度的相关系数；
其中，rij为一维向量Xi和Xj的相关系数，Xik表示一维向量Xi中的第k个元素，Xjk表示一维向量Xj中的第k个元素，表示一维向量Xi的平均值，表示一维向量Xj的平均值，计算公式为:
步骤3-2：计算特征值和特征向量，首先解特征方程|λE-R|＝0(其中E是单位向量，R表示相关系数矩阵)求出特征值，并按大小排序，然后分别求出对应特征值λi(i＝1，2，...，n)的特征向量Ui(i＝1,2,...,n)，依据下面公式计算主成分矩阵Y，
步骤3-3：计算每个特征向量的信息贡献率，计算特征值λi(i＝1，2，...，n)的累计方差贡献率CPV(cumulative percent variance)，其公式如下：
所述的步骤四包括以下步骤：
步骤4-1：建立神经网络模型，给定特征抽取后的数据集合：其中为一组输入的传感器数据向量，yi为训练时的预测传感器数值标签，训练LSTM神经网络模型使得：
其中M表示网络模型，Func表示网络模型所学习到的到y的映射关系；
步骤4-2：选择误差函数，选择均方误差误差函数，其定义如下所示：
步骤4-3：确定激活函数，采用tahn激活函数，用以将输出控制在[0,1]的范围内，来保护和控制细胞状态；在LSTM神经元输入时候使用softsign激活函数；
步骤4-4：训练神经网络模型，在神经网络的初始化权重阶段，在[-0.08,0.08]的范围内均匀初始化所有权重参数，使得神经网络模型在训练初始阶段可以记住所有记忆，设置LSTM遗忘门的初始偏置值为1.0，输入门和输出门的初始值为[0,1]区间上的随机浮点数值，然后使用随机梯度下降SGD训练网络，学习率为0.001，衰减因子为0.95，训练模型50轮，并在10轮之后每一轮学习率都乘以衰减因子0.95。
一种安装上述方法的基于LSTM深度学习的燃机NOx超标预警装置，其特征在于，包括电气连接的存储有以上方法实现程序的存储器、处理器、I/O设备和报警装置，I/O设备连接安装燃气轮机的监测软件的计算机和/或网络，访问并且取得实时测点数据。
所述的处理器通过无线传输连接手持用户端。
本发明的优点及积极效果为：
本发明基于LSTM技术构建NOx异常检测模型，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，适用于时间序列的分析拟合。充分利用深度学习的思想和技术来自动选择抽取设备传感器检测的数据信息中的隐藏特征，进而实现基于燃气轮机实时测点数据的在线异常检测。
本专利在于将LSTM预测模型应用于燃机NOx预测，由于NOx的排放需要收到多种因素的影响，主要是烟气温度、燃气的不同以及氧量等因素。因此，这些因素通过一系列反应经过相关设备最终导致NOx排放一般有一段时间，通过实时模型计算，如果发现NOx含量值到达50ppm则可用提前发出污染预测，提前制定减排措施，做到NOx排放的智能监控，提前预警。
利用LSTM方法对原始数据进行处理，可以自适应找出与NOx排放相关联的特征参数，避免传统机器学习方法人工选择特征带来的遗漏或错误。
本发明采集数据量大，分析误差小，预警结果准确率高。
附图说明
图1是本发明的流程方框图；
图2是本发明的神经网络示意图；
图3是本发明实施例的tanh和softsign函数示意图；
图4是本发明实施例的燃气轮机压气机NOx预测值和真实值的偏差。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
实施例1：
如图1-3所示，一种基于LSTM深度学习的燃机NOx超标预警方法，其特征在于：包括以下步骤：
步骤一：获取燃机历史运行数据，并对历史数据进行预处理；
步骤二：根据预处理后的历史数据划分模型训练集与测试集，并以训练集为基础，构造NOx排放为输出的LSTM预测模型；
步骤三：利用测试集数据输入到燃机NOx排放模型，对比NOx排放实际值与预测值偏差是否在合理范围内，并判断模型是否有效；若无效则进行步骤四；若有效满足则保存模型结束；
步骤四：调节LSTM的网络层数、学习率等超参数，调节后重新利用训练数据进行建模预测，直到NOx预测值与实际值偏差在合理范围内；
步骤五：利用LSTM预测模型对实时数据进行预测，当NOx含量达到50ppm时，提前发出NOx环保预警。
步骤一中获取燃机历史运行数据，并对历史数据进行缺失值处理，相关参数至少包括燃机负荷、转速、TCS供热蒸汽温度、控制供油压力、燃机燃气供应压力控制阀出口温度、1号轴承垫金属温度、推力轴承垫金属温度-1(涡轮侧)、轴承排油温度等。
步骤一还包括对历史数据进行归一化处理，
x为某一燃机运行参数，xmin为某一燃机运行参数最小值，xmax为某一燃机运行参数最大值，X1为归一化后燃机运行参数。
步骤二，包括以下步骤：
步骤2-1，对归一化后的数据构造燃机参数矩阵Xi,k，i表示行，为按时间索引，间隔时间为1秒，k表示列，为测点索引，k＝1～199，表示燃机时的运行相关参数共计199个特征，y为输出，代表每个时刻的燃机NOx浓度含量；
步骤2-2，对燃机参数矩阵划分按时间划分为训练集和测试集矩阵；
步骤2-3，对选取的训练集燃机参数矩阵输入到LSTM模型训练输入中，构造以燃机NOx排放为预测目标的燃机预测模型，并预测训练集燃机参数矩阵对应的NOx含量输出值。
步骤3-1：对步骤2中预测的NOx含量值与实际NOx含量值做均方误差统计，并判断均方误差是否在设定阈值范围内，如在设定阈值范围内，则模型有效，否则至步骤四。
计算相关系数矩阵，输入N个测点的数据{X1,X2,...,XN}，依据公式(2)计算每两个测点之间的皮尔逊相关系数，形成相关系数矩阵，
其中rij(i,j＝1,2,...,n)表示原始向量Xi，Xj关联程度的相关系数；
其中，rij为一维向量Xi和Xj的相关系数，Xik表示一维向量Xi中的第k个元素，Xjk表示一维向量Xj中的第k个元素，表示一维向量Xi的平均值，表示一维向量Xj的平均值，计算公式为:
步骤3-2：计算特征值和特征向量，首先解特征方程|λE-R|＝0(其中E是单位向量，R表示相关系数矩阵)求出特征值，并按大小排序，然后分别求出对应特征值λi(i＝1，2，...，n)的特征向量Ui(i＝1,2,...,n)，依据下面公式计算主成分矩阵Y，
步骤3-3：计算每个特征向量的信息贡献率，计算特征值λi(i＝1，2，...，n)的累计方差贡献率CPV(cumulative percent variance)，其公式如下：
步骤4-1对LSTM的超参数进行调节，并重新预测NOx含量，并比较与实际NOx含量值的偏差，直到偏差值满足工业生产要求。
步骤4：训练基于LSTM的故障检测模型。基于前面步骤抽取的特征，训练基于LSTM神经网络的异常检测模型。
步骤4-1：基于步骤3的特征抽取结果，使用有监督学习进行模型训练。给定特征抽取后的数据集合：其中为一组输入的传感器数据向量，yi为训练时的预测传感器数值标签。训练如图2所示的LSTM神经网络模型使得：
其中M表示网络模型，Func表示网络模型所学习到的到y的映射关系。
步骤4-2：选择误差函数。神经网络模型需要对传感器数据进行学习之后进行数值预测进而辅助判断设备的运行状态，因而选择均方误差(Mean Squared Error)误差函数，其定义如下所示：
步骤4-3：确定激活函数。LSTM神经网络中的门控单元的激活函数采用tahn激活函数，用以将输出控制在[0,1]的范围内，来保护和控制细胞状态；还有在LSTM神经元输入时候使用softsign激活函数。tahn激活函数和softsign激活函数如图3所示，其定义分别如下面公式(8)、(9)所示。
步骤4-4：训练神经网络模型。在神经网络的初始化权重阶段，在[-0.08,0.08]的范围内均匀初始化所有权重参数，使得模型在训练初始阶段可以记住所有记忆，设置LSTM遗忘门的初始偏置值为1.0，输入门和输出门的初始值为[0,1]区间上的随机浮点数值。然后使用微批次随机梯度下降训练网络，学习率为0.001，衰减因子为0.95。训练模型50轮，并在10轮之后每一轮学习率都乘以衰减因子0.95。
步骤5-1利用LSTM预测模型对环境NOx含量进行预测，当NOx含量达到50ppm时，提前发出环保预警提示。
给定一组输入数据根据模型M输出预测值计算出预测值和真实值之间的差值d：
设定一个阈值ε用于判断设备状态，如果d≤ε则认为设备处于正常运行状态，反之则认为设备出现异常，进行预警。
图4展示燃气轮机压气机排气NOx预测值与真实值的偏差，从图中可以看出，在设备启动阶段(约06:00～07:00)和停机阶段(约23:00左右)，模型的预测值约与实测值有较大偏差,原因为NOx含量在启停机阶段主要受燃气、氧量的影响，需要经过一系列的反应才能导致NOx含量的变化。其间需要一定的时间。在燃机稳定运行阶段，模型预测值与实测值偏差很小，原因为燃机稳定运行时，其NOx的排放与燃机运行工况有密切联系。在燃机正常运行段，若预测值与实测值偏差较大，可认为设备出现异常。
实施例2：
一种安装上述方法的基于LSTM深度学习的燃机NOx超标预警装置，包括电气连接的存储有以上方法实现程序的存储器、处理器、I/O设备和报警装置，I/O设备连接安装燃气轮机的监测软件的计算机和/或网络，访问并且取得实时测点数据。
处理器通过无线传输连接手持用户端。通过手持设备远距离监控预警。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于LSTM深度学习的燃机NOx超标预警方法，其特征在于：包括以下步骤：
步骤一：获取燃机历史运行数据，并对历史数据进行预处理；
步骤二：根据预处理后的历史数据划分模型训练集与测试集，并以训练集为基础，构造NOx排放为输出的LSTM预测模型；
步骤三：利用测试集数据输入到燃机NOx排放模型，对比NOx排放实际值与预测值偏差是否在合理范围内，并判断模型是否有效；若无效则进行步骤四；若有效满足则保存模型结束；
步骤四：调节LSTM的网络层数、学习率等超参数，调节后重新利用训练数据进行建模预测，直到NOx预测值与实际值偏差在合理范围内；
步骤五：利用LSTM预测模型对实时数据进行预测，当NOx含量达到50ppm时，提前发出NOx环保预警。
2.如权利要求1所述的基于LSTM深度学习的燃机NOx超标预警方法，其特征在于，所述的步骤一中获取燃机历史运行数据，并对历史数据进行缺失值处理，相关参数至少包括燃机负荷、转速、TCS供热蒸汽温度、控制供油压力、燃机燃气供应压力控制阀出口温度、1号轴承垫金属温度、推力轴承垫金属温度-1(涡轮侧)、#5轴承排油温度。
3.如权利要求1所述的基于LSTM深度学习的燃机NOx超标预警方法，其特征在于，所述的步骤一还包括对历史数据进行归一化处理，
x为某一燃机运行参数，xmin为某一燃机运行参数最小值，xmax为某一燃机运行参数最大值，X1为归一化后燃机运行参数。
4.如权利要求1所述的基于LSTM深度学习的燃机NOx超标预警方法，其特征在于，所述的步骤二，包括以下步骤：
步骤2-1，对归一化后的数据构造燃机参数矩阵Xi,k，i表示行，为按时间索引，间隔时间为1秒，k表示列，为测点索引，k＝1～199，表示燃机时的运行相关参数共计199个特征，y为输出，代表每个时刻的燃机NOx浓度含量；
步骤2-2，对燃机参数矩阵划分按时间划分为训练集和测试集矩阵；
步骤2-3，对选取的训练集燃机参数矩阵输入到LSTM模型训练输入中，构造以燃机NOx排放为预测目标的燃机预测模型，并预测训练集燃机参数矩阵对应的NOx含量输出值。
5.如权利要求1所述的基于LSTM深度学习的燃机NOx超标预警方法，其特征在于，所述的步骤一，从燃气轮机的监测软件中选择主要测点数据，测点数据包括：燃机负荷、转速、TCS供热蒸汽温度、控制供油压力、燃机燃气供应压力控制阀出口温度、1号轴承垫金属温度、推力轴承垫金属温度-1(涡轮侧)、#5轴承排油温度、GT IGV位置、空气湿度、燃气轮机压缩机进气温度、燃气轮机进气过滤器压差测点、燃气轮机进气过滤器内部压力、燃气轮机进气静压、燃气轮机压缩机进气温度测点、燃气轮机压缩机出口空气温度、燃气轮机燃烧室壳体压力测点、燃机燃料A母管压力、燃机燃料先导母管压力、燃机主燃料母管压力、燃机燃料顶部母管压力、燃气轮机燃烧室旁路阀位置、燃气轮机叶片通道最高温度、燃气轮机叶片通道最低温度、燃气轮机叶片通道最大温度变化、燃气轮机叶片通道最低温度变化、燃机排气温度最大值、燃机排气温度最小值。
6.如权利要求5所述的基于LSTM深度学习的燃机NOx超标预警方法，其特征在于，所述的燃气轮机进气过滤器压差测点、GT IGV位置测点、燃气轮机压缩机进气温度测点和燃气轮机燃烧室壳体压力测点均设置2个以上测点。
7.一种安装有权利要求1-6所述基于LSTM深度学习的燃机NOx超标预警装置，其特征在于，包括电气连接的存储有以上方法实现程序的存储器、处理器、I/O设备和报警装置，I/O设备连接安装燃气轮机的监测软件的计算机和/或网络，访问并且取得实时测点数据。
8.根据权利要求5所述的基于LSTM深度学习的燃机NOx超标预警装置，其特征在于，所述的处理器通过无线传输连接手持用户端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910806972.2A CN110618610A (zh) | 2019-08-29 | 2019-08-29 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910806972.2A CN110618610A (zh) | 2019-08-29 | 2019-08-29 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110618610A true CN110618610A (zh) | 2019-12-27 |
Family
ID=68922570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910806972.2A Pending CN110618610A (zh) | 2019-08-29 | 2019-08-29 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110618610A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111272436A (zh) * | 2020-02-11 | 2020-06-12 | 上海交通大学 | 一种燃气轮机NOx预测排放监测系统和方法 |
| CN111779578A (zh) * | 2020-07-14 | 2020-10-16 | 南京瑞华动力科技有限公司 | 一种燃气轮机NOx排放预测系统及预测方法 |
| CN111860981A (zh) * | 2020-07-03 | 2020-10-30 | 航天信息(山东)科技有限公司 | 一种基于lstm深度学习的企业国民行业类别预测方法及系统 |
| CN111968708A (zh) * | 2020-10-23 | 2020-11-20 | 浙江浙能技术研究院有限公司 | 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 |
| CN112116157A (zh) * | 2020-09-18 | 2020-12-22 | 广东能源集团科学技术研究院有限公司 | 一种燃机燃烧状态综合预警体系构建的方法及系统 |
| CN112200350A (zh) * | 2020-09-17 | 2021-01-08 | 广东安博通信息科技有限公司 | 烟气排放预测方法、系统及计算机可读存储介质 |
| CN113359425A (zh) * | 2021-07-06 | 2021-09-07 | 浙江浙能技术研究院有限公司 | 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制系统 |
| CN113533875A (zh) * | 2020-04-22 | 2021-10-22 | 杭州释普科技有限公司 | 智能化判断实验室设备运行状态及计算设备利用率的方法 |
| CN114534458A (zh) * | 2022-03-09 | 2022-05-27 | 山东爱亿普环保科技股份有限公司 | 一种喷射脱硝还原剂的控制方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165789A (zh) * | 2018-09-04 | 2019-01-08 | 广东电网有限责任公司 | 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置 |
| CN109242180A (zh) * | 2018-08-31 | 2019-01-18 | 合肥工业大学 | 中长期电力负荷预测方法和系统 |
| CN109359428A (zh) * | 2018-11-27 | 2019-02-19 | 上海海事大学 | 一种锅炉燃烧效率和氮氧化合物排放量的建模方法 |
| US20190063332A1 (en) * | 2017-08-22 | 2019-02-28 | General Electric Company | Systems and methods for nox prediction in a power plant |
| CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
| CN110110915A (zh) * | 2019-04-28 | 2019-08-09 | 上海电力学院 | 一种基于cnn-svr模型的负荷集成预测方法 |
-
2019
- 2019-08-29 CN CN201910806972.2A patent/CN110618610A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190063332A1 (en) * | 2017-08-22 | 2019-02-28 | General Electric Company | Systems and methods for nox prediction in a power plant |
| CN109242180A (zh) * | 2018-08-31 | 2019-01-18 | 合肥工业大学 | 中长期电力负荷预测方法和系统 |
| CN109165789A (zh) * | 2018-09-04 | 2019-01-08 | 广东电网有限责任公司 | 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置 |
| CN109359428A (zh) * | 2018-11-27 | 2019-02-19 | 上海海事大学 | 一种锅炉燃烧效率和氮氧化合物排放量的建模方法 |
| CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
| CN110110915A (zh) * | 2019-04-28 | 2019-08-09 | 上海电力学院 | 一种基于cnn-svr模型的负荷集成预测方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111272436A (zh) * | 2020-02-11 | 2020-06-12 | 上海交通大学 | 一种燃气轮机NOx预测排放监测系统和方法 |
| CN113533875A (zh) * | 2020-04-22 | 2021-10-22 | 杭州释普科技有限公司 | 智能化判断实验室设备运行状态及计算设备利用率的方法 |
| CN111860981A (zh) * | 2020-07-03 | 2020-10-30 | 航天信息(山东)科技有限公司 | 一种基于lstm深度学习的企业国民行业类别预测方法及系统 |
| CN111860981B (zh) * | 2020-07-03 | 2024-01-19 | 航天信息(山东)科技有限公司 | 一种基于lstm深度学习的企业国民行业类别预测方法及系统 |
| CN111779578A (zh) * | 2020-07-14 | 2020-10-16 | 南京瑞华动力科技有限公司 | 一种燃气轮机NOx排放预测系统及预测方法 |
| CN112200350A (zh) * | 2020-09-17 | 2021-01-08 | 广东安博通信息科技有限公司 | 烟气排放预测方法、系统及计算机可读存储介质 |
| CN112116157A (zh) * | 2020-09-18 | 2020-12-22 | 广东能源集团科学技术研究院有限公司 | 一种燃机燃烧状态综合预警体系构建的方法及系统 |
| CN112116157B (zh) * | 2020-09-18 | 2023-05-30 | 广东能源集团科学技术研究院有限公司 | 一种燃机燃烧状态综合预警体系构建的方法及系统 |
| CN111968708A (zh) * | 2020-10-23 | 2020-11-20 | 浙江浙能技术研究院有限公司 | 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 |
| CN111968708B (zh) * | 2020-10-23 | 2020-12-29 | 浙江浙能技术研究院有限公司 | 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 |
| CN113359425A (zh) * | 2021-07-06 | 2021-09-07 | 浙江浙能技术研究院有限公司 | 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制系统 |
| CN114534458A (zh) * | 2022-03-09 | 2022-05-27 | 山东爱亿普环保科技股份有限公司 | 一种喷射脱硝还原剂的控制方法和装置 |
| CN114534458B (zh) * | 2022-03-09 | 2023-04-07 | 山东爱亿普环保科技股份有限公司 | 一种喷射脱硝还原剂的控制方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
| CN110618610A (zh) | 基于LSTM深度学习的燃机NOx超标预警方法与装置 | |
| CN112200433B (zh) | 一种发电厂热力性能分析与优化系统 | |
| CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
| US8793004B2 (en) | Virtual sensor system and method for generating output parameters | |
| AU2006315933B2 (en) | Process model based virtual sensor system and method | |
| CN108052007B (zh) | 火电机组运行优化方法、装置、设备及计算机存储介质 | |
| CN109118384A (zh) | 一种风电机组健康预警方法 | |
| CN111474919B (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
| CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
| CN104536290A (zh) | 基于核主元分析与径向基神经网络的软测量方法及系统 | |
| CN116050665A (zh) | 供热设备故障预测方法 | |
| CN112418306A (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
| Zhang et al. | A new adaptive Mamdani-type fuzzy modeling strategy for industrial gas turbines | |
| CN113569472A (zh) | 一种液体火箭发动机的故障检测方法、系统、设备和介质 | |
| CN206833239U (zh) | 一种基于数据驱动的火电厂控制系统故障检测系统 | |
| CN115774847A (zh) | 一种柴油机性能评估及预测方法和系统 | |
| CN112070156B (zh) | 一种由gru网络的气体排放浓度预测方法及系统 | |
| Pareek et al. | Estimating compressor discharge pressure of gas turbine power plant using type-2 fuzzy logic systems | |
| Li et al. | A symbolic reasoning based anomaly detection for gas turbine subsystems | |
| GAO et al. | Adaptive threshold method for intelligent ship power system equipment | |
| He et al. | A Novel Soft Sensor Model Based on Stacking Ensemble Learning Framework | |
| Tang et al. | Deep neural network based the oxygen content of boiler flue gas | |
| Gupta et al. | Soft computation of turbine inlet temperature of gas turbine power plant using type-2 fuzzy logic systems | |
| CN111651938B (zh) | 基于热力计算与大数据的变煤质机组出力预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191227 |