CN111272436A - 一种燃气轮机NOx预测排放监测系统和方法 - Google Patents
一种燃气轮机NOx预测排放监测系统和方法 Download PDFInfo
- Publication number
- CN111272436A CN111272436A CN202010085791.8A CN202010085791A CN111272436A CN 111272436 A CN111272436 A CN 111272436A CN 202010085791 A CN202010085791 A CN 202010085791A CN 111272436 A CN111272436 A CN 111272436A
- Authority
- CN
- China
- Prior art keywords
- gas turbine
- nox
- module
- neural network
- emission
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 63
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 14
- 239000000446 fuel Substances 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 claims 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 237
- 239000007789 gas Substances 0.000 description 149
- 230000000694 effects Effects 0.000 description 9
- 238000002485 combustion reaction Methods 0.000 description 7
- 230000002787 reinforcement Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 238000012843 least square support vector machine Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000003570 air Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0037—NOx
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Combustion & Propulsion (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种燃气轮机NOx预测排放监测系统,涉及燃气轮机NOx预测排放监测领域,包括输入模块、神经网络模块和输出模块,其中,输入模块包括运行输入子模块和燃气轮机性能计算模型,运行输入子模块向多层感知器神经网络模块输入环境参数、燃气轮机边界参数和输出功率,神经网络模块为可解释多层感知器结构,所述输出模块输出预测排放结果;输入模块、多层感知器神经网络模块、输出模块依次连接。本发明提高了NOx排放预测的准确性、可靠性、实时性和适应性。
Description
技术领域
本发明涉及燃气轮机NOx预测排放监测领域,尤其涉及一种基于可解释多层感知器神经网络的燃气轮机NOx预测排放监测系统。
背景技术
燃气轮机功率重量比高,工作条件灵活多变,广泛应用于管道行业驱动压缩机。燃气轮机作为重要的能源转化设备,燃料燃烧时带来了污染物氮氧化物(NOx) 的排放。管道用燃气轮机虽没有出台污染物排放的控制标准,但《火电厂大气污染物排放标准GB13223-2011》规定,使用天然气燃料的燃气轮机NOx排放要小于50mg/m3。另外,我国管道行业中使用的燃气轮机通常没有安装连续排放监测 (CEM)系统去实时测量NOx排放量,这是因为CEM系统具有以下几个缺点:所用监测设备必须经常校准;操作和维护成本较高;不能根据运行工况变化预测 NOx排放量;未考虑燃气轮机本身性能退化。此外,大口径的西部地区管线(西气东输一线、二线、三线)压气站通常位于无人居住区,对NOx排放监测并不是十分迫切。
Botros和Kibrya等人基于多层感知器(MLP)神经网络模型并利用误差反向传播算法建立的PEM系统(Predictive Emission Monitoring,即预测排放监测)已经在加拿大管道公司的GE-LM1600、GE-LM2500+和RB211-24C三种机型上得到应用,并取得了一定效果。在建立GE-LM2500+机型PEM模型时以环境温度、环境压力、压气机转速、压气机出口压力、燃料流量作为模型输入,NOx排放作为模型输出。具体可以参见他们的文献,Emissionmonitoring module for an RB211-24C gas turbine.ASME Turbo Expo 2009:Power forLand,Sea,and Air,Vol.5,Paper GT2009-59419,Orlando,Florida,USA,June 8-12,2009;Measurements of NOx emissions from DLE and non-DLE gas turbine enginesemployed in natural gas compressor stations and comparison with PEMmodels.Proceedings of the 201410th International Pipeline Conference.Calgary,Alberta,Canada,September 29-October 3, 2014;Neural network based predictiveemission monitoring module for a GE LM2500 gas turbine.Proceedings of the 8thInternational Pipeline Conference.Calgary,Alberta, Canada,September 27-October 1,2010;A neural network based predictive emission monitoring modelfor NOx emission from a gas turbine combustor.ASME Engineering TechnologyConference on Energy.Houston,TX,USA,February 4-5,2002。
Botros和Kibrya等人建立的PEM系统,建模中未考虑相对湿度、负荷以及燃气轮机本身性能退化对NOx排放的影响;未深入探究环境参数、气路参数、燃气轮机性能参数与NOx排放的相关性;对MLP神经网络结构(隐含层和每层隐含节点的数目)的选取也未给出方法或建议;模型预测NOx排放量的机制未得到有效解释。
郑敏捷等以某电站PG9351FA型燃气轮机及其DLN燃烧系统进行NOx排放特性调整试验,以现场NOx试验数据为基础,基于最小二乘支持向量机(LSSVM) 算法建立燃气轮机NOx排放预测模型,并分析影响NOx生成的因素。但主要针对电厂重型燃气轮机,用于DLN燃烧调整用。参见《电站燃气轮机NOx排放特性试验与建模仿真,燃气轮机技术,2017,30(2):42-46》。该燃气轮机NOx排放预测模型,所建模型主要用于DLN燃烧调整,主要针对电厂中的重型燃气轮机,具有较强的局限性。
鉴于传统连续排放监测(CEM)系统的诸多缺点和传统NOx排放预测方法的弊端,本领域的技术人员致力于开发一种基于可解释多层感知器神经网络的燃气轮机 NOx预测排放监测系统。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提高NOx排放预测的准确性、可靠性、实时性和适应性,控制燃气轮机优化运行、降低环境污染、提高能源利用率。
为实现上述目的,本发明提供了一种基于可解释多层感知器神经网络的燃气轮机NOx预测排放监测系统,包括输入模块、神经网络模块和输出模块,其中,输入模块包括运行输入子模块和燃气轮机性能计算模型,运行输入子模块向多层感知器神经网络模块输入环境参数、燃气轮机边界参数和输出功率,神经网络模块为可解释多层感知器结构,输出模块输出预测排放结果;输入模块、多层感知器神经网络模块、输出模块依次连接。
可选地,在上述实施例中的基于可解释多层感知器神经网络的燃气轮机NOx预测排放监测系统中,上述输出功率包括燃气轮机输出功率、动力涡轮输出功率,通过上述燃气轮机性能计算模型计算得到。
可选地,在上述任一实施例中的基于可解释多层感知器神经网络的燃气轮机NOx预测排放监测系统中,上述燃气轮机性能计算模型以进气口、压气机、可调静叶、燃烧室、高压涡轮、动力涡轮、离心压缩机为基础,包括部件模块、工质热物理性质、部件匹配,所述部件模块包括压气机模块、高压透平模块、动力透平模块和离心压缩机模块,所述压气机模块、所述高压透平模块、所述动力透平模块和所述离心压缩机模块由其平衡关系和非设计特性组成,并加入空气、燃料、气体等工质的热物理性质,支持各部件模块的计算和各模块的数据交换,所述部件匹配包括质量守恒、功率守恒和动量守恒,通过所述部件匹配找到燃气轮机工作点,满足整个燃气轮机系统的质量平衡、能量平衡、动量平衡的要求。
可选地,在上述任一实施例中的基于可解释多层感知器神经网络的燃气轮机NOx预测排放监测系统中,上述可解释多层感知器神经网络结构至少包括第一层、中间层和输出层,在第一层、中间层和输出层之间包含中间隐含层,中间隐含层的数量由 ARPSO-AW算法(Attractive and Repulsive Particle Swarm Optimization with Adaptive Weight,即多样性自适应权重的粒子群算法)优化得到。
可选地,在上述任一实施例中的基于可解释多层感知器神经网络的燃气轮机NOx预测排放监测系统中,上述可解释多层感知器神经网络结构的第一层的输入包括环境参数、燃气轮机边界参数和输出功率,中间层设置多个可监测神经元,以压气机、高压涡轮等出口的温度和压力参数作为可监测参数,输出层以NOx排放量作为输出。
进一步地,在上述实施例中的基于可解释多层感知器神经网络的燃气轮机NOx 预测排放监测系统中,上述燃气轮机的边界参数包括:压气机入口温度T1、压气机入口压力P1、动力涡轮转速N2、动力涡轮出口压力P4、动力涡轮输出功率PL参数。
进一步地,在上述实施例中的基于可解释多层感知器神经网络的燃气轮机NOx 预测排放监测系统中,上述燃气轮机的边界参数为压气机入口温度T1和压气机入口压力P1。
本发明提供了一种燃气轮机NOx预测排放监测方法,该方法使用上述燃气轮机NOx预测排放监测系统,包括以下步骤:
S100,学习训练,利用历史测量数据、计算参数和测点设置对所述神经网络模块进行训练;
S200,运行预测,将训练好的NOx排放预测模型用于目标燃气轮机组进行NOx预测排放监测。
可选地,在上述实施例中的燃气轮机NOx预测排放监测方法,上述步骤S100的学习训练,以环境温度T0、大气压力P0、相对湿度Hr、输出功率(燃气轮机或动力涡轮输出功率)PL、压气机入口温度T1和压气机入口压力P1参数作为上述可解释多层感知器神经网络结构的第一层输入;以压气机出口温度T2与压气机出口压力 P2和高压涡轮出口温度T34与高压涡轮出口压力P34作为上述可解释多层感知器神经网络结构的中间层可监测参数;以NOx排放量作为模型输出。
可选地,在上述任一实施例中的燃气轮机NOx预测排放监测方法,上述步骤S100还包括:
S101,选取上述燃气轮机输出功率作为上述可解释多层感知器神经网络结构的第一层的输入时,训练燃气轮机运行时的NOx排放量预测模型;
S102,选取上述动力涡轮输出功率作为上述可解释多层感知器神经网络结构的第一层的输入时,训练燃气轮机停机状态下的NOx排放量预测模型。
可选地,在上述任一实施例中的燃气轮机NOx预测排放监测方法,上述步骤S100,测量不同季节、不同运行工况下温度测点、压力测点、环境湿度及燃气轮机NOx排放量等数据;对于每次测量,调整燃气轮机转速,负荷从40%开始逐渐升高,每个负荷下,保持机组稳定运行20-30分钟,每分钟选取一组数据,并选用不确定度在2%以内的烟气分析测量仪器对NOx排放值进行测量,收集不同季节、不同运行工况下燃气轮机NOx排放量、环境参数、气路参数作为上述历史测量数据。
可选地,在上述任一实施例中的燃气轮机NOx预测排放监测方法,上述气路参数包括但不限于燃气轮机边界参数。
可选地,在上述任一实施例中的燃气轮机NOx预测排放监测方法,上述步骤100 采用ARPSO-AW算法对所述可解释多层感知器神经网络结构进行优化,以所述中间层的压气机出口温度T2、压气机出口压力P2、高压涡轮出口温度T34、高压涡轮出口压力P34的网络计算值与真实测量值之间的均方差,以及NOx排放预测值和测量值之间的均方差度量损失函数,以上述损失函数作为所述ARPSO-AW算法的适应度函数,基于上述适应度函数值最小原则,优化预测模型隐含层数和各层隐含节点数,调整模型结构。
可选地,在上述任一实施例中的燃气轮机NOx预测排放监测方法,上述步骤100,以上述损失函数为目标函数,采用BP误差反向传播算法微调网络隐含层训练参数,实现不同工况下燃气轮机NOx排放预测模型结构和参数自动调整;经过历史测量的通用数据训练,得到预测NOx排放量的最佳模型。
可选地,在上述任一实施例中的燃气轮机NOx预测排放监测方法,上述步骤100,采集目标燃气轮机的环境参数、气路参数和NOx排放值,并计算其性能参数。利用训练好的通用模型对目标燃气轮机的测量数据和计算数据进行强化学习,提高NOx排放预测模型对目标燃气轮机性能退化和环境的适应性,提高模型的精度,确保目标燃气轮机NOx排放实时准确预测。
可选地,在上述任一实施例中的燃气轮机NOx预测排放监测方法,上述步骤100,将训练样本分成代表性样本和非代表性样本,并赋予不同的权值,在模型建立阶段,采用构建模拟决策树逼近训练后的PEM系统NOx预测结果,上述决策树为简单决策树正则化神经网络,在上述目标函数中添加树正则化项。
可选地,在上述任一实施例中的燃气轮机NOx预测排放监测方法,上述步骤100,当训练和优化预测模型时,每一个梯度下降步生成一组新的权重;对于每一组权值,训练决策树模型,将预测模型的输入---中间层输出---NOx预测值之间的参数关系与通过燃气轮机工作机理得到的参数关系进行匹配,通过改变正则化目标函数中正则项的系数,优化预测模型和决策树模型的复杂度,构建可解释性预测模型,提高模型精度和NOx排放预测可靠性。
可选地,在上述任一实施例中的燃气轮机NOx预测排放监测方法,上述步骤200,将学习通过历史测量数据和性能仿真数据训练好的NOx排放预测模型下装到目标燃气轮机监测主服务器,对实时测量数据进行NOx排放量预测。
本发明采用数据驱动技术代替传统方法,基于可解释多层感知神经网络建立燃气轮机污染物排放预测模型,开发一种适用于燃气轮机的NOx预测排放监测(PEM)系统。
本发明相比传统的连续排放监测CEM系统,除具有一定的经济性外,还具有更高的准确性、更好的时间响应性、更高的环境适应性,可以为不同工况下燃气轮机NOx 排放做出预测。
该模型中设置了具有可监测节点的中间层,采用燃气轮机前期不同时间段的历史测量数据和燃气轮机性能仿真模型计算数据,通过智能优化算法(ARPSO-AW)和误差反向传播(BP)算法优化网络结构和调整网络参数,建立燃气轮机运行和停机状态下的NOx排放预测模型,可适应燃气轮机在运行或停机状态下的NOx排放预测,提高模型预测精度和可靠度。相比传统方法(经验法、计算流体力学法、化学反应器网络法),不需要得到燃烧室详细的几何结构尺寸、不需要采用详细的化学反应机理、不依赖高质量数据、通用性较强;利用所建模型对目标燃气轮机的测量数据进行强化学习,提高模型精度;基于已知的输入-中间层-输出参数影响规律解释PEM系统模型预测NOx排放的机制,实现燃气轮机运行和停机状态下的NOx排放量精准预测。本发明所阐述的基于可解释多层感知器神经网络的燃气轮机PEM系统能够提高NOx排放预测的准确性、可靠性、实时性和适应性,能够控制优化运行、降低环境污染、提高能源利用率。本发明考虑了相对湿度、机组负荷、燃气轮机性能对NOx排放量的影响,使PEM系统的通用性得到了扩展,可推广到多种类型燃气轮机排放预测。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是示例性实施例的燃驱机组结构示意图;
图2是示例性实施例的燃气轮机性能计算模型示意图;
图3是示例性实施例的可解释多层感知器结构示意图;
图4是示例性实施例的相对湿度对燃气轮机NOx排放的影响规律;
图5是示例性实施例的燃气轮机运行和停机状态下模型流程图;
图6是示例性实施例的NOx排放预测模型训练流程图;
图7是示例性实施例的NOx排放预测模型精度校核框图;
图8是示例性实施例的燃气轮机预测模型可解释性流程图;
图9是示例性实施例的燃气轮机NOx排放预测效果;
图10是示例性实施例的燃气轮机NOx预测排放监测系统。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件的厚度。
发明人分析了典型的燃气轮机构造,如图1所示,包括压气机、燃烧室、高压涡轮、动力涡轮及压缩机等部件,提出了一种基于可解释多层感知器神经网络的燃气轮机NOx预测排放监测系统,包括输入模块、神经网络模块和输出模块,其中,输入模块包括运行输入子模块和燃气轮机性能计算模型,运行输入子模块向多层感知器神经网络模块输入环境参数、燃气轮机边界参数和输出功率,神经网络模块为可解释多层感知器结构,输出模块输出预测排放结果;输入模块、多层感知器神经网络模块、输出模块依次连接。
发明人分析,对于输出功率,包括燃气轮机输出功率、动力涡轮输出功率,和NOx排放量有较强的耦合关系,但是却无法直接测量得到,因此发明人建立燃气轮机性能计算模型,通过该模型计算可以得到燃气轮机输出功率和动力涡轮输出功率等参数。
燃气轮机性能计算模型一个较佳示例,如图2所示,该模型包括部件模块、工质热物理和部件匹配。在图1所示的燃气轮机基础上,发明人开发出燃气轮机部件模块库,计算燃气轮机功率参数,与温度测点、压力测点、环境湿度及燃气轮机NOx排放量等测量数据构成多层感知器神经网络模块的模型训练样本。
对于可解释多层感知器神经网络结构,至少包括第一层、中间层和输出层。发明人给出了一种结构示例,如图3所示,5层结构,第一层为Layer 1,中间层为Layer 3,输出层为Layer 5,中间隐含层有Layer 2和Layer 4,由ARPSO-AW算法(Attractive and RepulsiveParticle Swarm Optimization with Adaptive Weight,即多样性自适应权重的粒子群算法)优化得到。Layer 1的输入包括环境参数、燃气轮机边界参数和输出功率,其中,燃气轮机边界参数为压气机入口温度T1和压气机入口压力P1;在Layer 3设置多个可监测神经元,以压气机、高压涡轮等出口的温度和压力参数作为可监测参数, Layer 5以NOx排放量作为输出。
发明人进一步分析了燃气轮机环境参数、气路参数、输出功率与NOx排放量之间的相关性,相关性越高,则影响越大,气路参数包括燃气轮机边界参数,具体为:压气机入口温度T1、压气机入口压力P1、压气机出口温度T2、压气机出口压力P2、高压涡轮出口温度T34、高压涡轮出口压力P34、动力涡轮出口温度T4、动力涡轮出口压力P4、高压涡轮转速N1、动力涡轮转速N2等。图4为相对湿度对NOx排放量的影响,通过对比论证筛选出神经网络模块最佳输入参数。具体地,以环境温度T0、大气压力P0、相对湿度Hr、输出功率(燃气轮机或动力涡轮输出功率)PL、压气机入口温度T1和压气机入口压力P1参数作为可解释多层感知器神经网络结构的Layer 1输入;以压气机出口温度T2与压气机出口压力P2和高压涡轮出口温度T34与高压涡轮出口压力P34作为可解释多层感知器神经网络结构的Layer 3可监测参数;以NOx排放量作为Layer 5输出。
发明人在上述基于可解释多层感知器神经网络的燃气轮机NOx预测排放监测系统的基础上,提供了一种燃气轮机NOx预测排放监测方法,包括以下步骤:
S100、学习训练,利用历史测量数据、计算参数和测点设置对所述神经网络模块进行训练;
S200、运行预测,将训练好的NOx排放预测模型用于目标燃气轮机组进行 NOx预测排放量监测。
在上述步骤S100的学习训练中,发明人选择以环境温度T0、大气压力P0、相对湿度Hr、输出功率(燃气轮机或动力涡轮输出功率)PL、压气机入口温度T1和压气机入口压力P1参数作为可解释多层感知器神经网络结构的第一层Layer 1的输入;选择以压气机出口温度T2与压气机出口压力P2和高压涡轮出口温度T34与高压涡轮出口压力P34作为可解释多层感知器神经网络结构的中间层可监测参数;以NOx 排放量作为模型输出。
进一步对步骤S100进行细化,如图5所示:
S101,如果是启机状态,则选取燃气轮机输出功率作为上述可解释多层感知器神经网络结构的第一层的输入时,训练燃气轮机运行时的NOx排放量预测模型;
S102,如果是停机状态,则选取动力涡轮输出功率作为上述可解释多层感知器神经网络结构的第一层的输入时,训练燃气轮机停机状态下的NOx排放量预测模型。
为了使NOx排放量预测模型更加通用,发明人在上述步骤S100的学习训练过程中,测量不同季节、不同运行工况下温度测点、压力测点、环境湿度及燃气轮机NOx 排放量等数据;对于每次测量,调整燃气轮机转速,负荷从40%开始逐渐升高,每个负荷下,保持机组稳定运行20-30分钟,每分钟选取一组数据,并选用不确定度在2%以内的烟气分析测量仪器对NOx排放值进行测量,收集不同季节、不同运行工况下燃气轮机NOx排放量、环境参数、气路参数作为历史测量数据。
对可解释多层感知器神经网络结构进行优化,可以达到更好的NOx排放量预测效果。如图7所示,发明人在上述步骤100中,采用ARPSO-AW算法对可解释多层感知器神经网络结构进行优化,以中间层Layer 3的压气机出口温度T2、压气机出口压力P2、高压涡轮出口温度T34、高压涡轮出口压力P34的网络计算值与真实测量值之间的均方差,以及NOx排放预测值和测量值之间的均方差度量损失函数,以损失函数作为ARPSO-AW算法的适应度函数,基于适应度函数值最小原则,优化预测模型隐含层数和各层隐含节点数,调整模型结构。
另外,以上述损失函数为目标函数,采用BP误差反向传播算法微调网络隐含层训练参数,实现不同工况下燃气轮机NOx排放预测模型结构和参数自动调整;经过历史测量的通用数据训练,得到预测NOx排放量的最佳模型。
作为提高模型的精度措施之一,如图6所示,发明人在上述步骤100中,基于若干台燃气轮机进行模型训练,并采集目标燃气轮机的环境参数、气路参数和NOx排放值,并计算其性能参数。利用训练好的通用模型对目标燃气轮机的测量数据和计算数据进行强化学习,提高NOx排放预测模型对目标燃气轮机性能退化和环境的适应性,确保对目标燃气轮机NOx排放实时准确预测。
由于设置了可监测中间层,而且Layer 1的输入参数、中间层可监测参数(T2、 P2、T34、P34)及NOx输出值之间具有明确的机理关系和影响规律,发明人在上述步骤100,将训练样本分成代表性样本和非代表性样本,并赋予不同的权值,在模型建立阶段,采用构建模拟决策树逼近训练后的NOx预测结果,为预防巨型决策树的出现,上述决策树采用简单决策树正则化神经网络,在目标函数中添加树正则化项。
作为提高模型精度和NOx排放预测可靠性的备选过程之一:当训练和优化预测模型时,每一个梯度下降步生成一组新的权重;对于每一组权值,训练决策树模型,将预测模型的输入---中间层输出---NOx预测值之间的参数关系与通过燃气轮机工作机理得到的参数关系进行匹配,通过改变正则化目标函数中正则项的系数,优化预测模型和决策树模型的复杂度,构建可解释性预测模型。
对于上述步骤200,发明人将学习通过历史测量数据和性能仿真数据训练好的NOx排放预测模型下装到目标燃气轮机监测主服务器,对实时测量数据进行NOx排放量预测,所建模型预测的NOx排放值与实际测得的排放值一致,得到了良好的效果,如图9所示。
发明人搭建的示例性基于多层感知器神经网络的燃气轮机NOx排放预测系统,如图10所示,该系统包括历史数据库、实时数据库、NOx预测通用模型训练及强化学习模块、燃气轮机性能计算模型、主服务器模块和预测结果显示模块组成。历史数据库包括收集的不同季节、不同运行工况下燃气轮机NOx排放量、环境参数、气路参数作为历史测量数据;燃气轮机性能计算模型,通过该模型计算可以得到燃气轮机输出功率和动力涡轮输出功率等参数,供NOx预测通用模型训练及强化学习模块和燃气轮机监测主服务器模块使用;NOx预测通用模型训练及强化学习模块用于学习训练,利用历史数据库中的数据和燃气轮机性能计算模型计算的数据进行训练,并把训练好的NOx排放量预测模型下装到燃气轮机监测主服务器模块;燃气轮机监测主服务器模块使用NOx排放量预测模型,并利用实时数据库及燃气轮机性能计算模型的数据对NOx排放量预测进行预测,并通过预测结果显示模块显示结果。
不确定性分析结果表明:燃气轮机输出功率模型的预测误差为1.32%,动力涡轮输出功率模型的预测误差为1.67%,能够满足实时预测需求。相比常用的MLP浅层神经网络和最小二乘支持向量机,基于MLP浅层神经网络的预测精度为2.84%,基于最小二乘支持向量机的预测精度为2.18%,本发明的预测精度为1.67%。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种燃气轮机NOx预测排放监测系统,其特征在于,包括输入模块、神经网络模块和输出模块,其中,所述输入模块包括运行输入子模块和燃气轮机性能计算模型,所述运行输入子模块向所述多层感知器神经网络模块输入环境参数、燃气轮机边界参数和输出功率,所述神经网络模块为可解释多层感知器结构,所述输出模块输出预测排放结果;所述输入模块、所述多层感知器神经网络模块、所述输出模块依次连接。
2.如权利要求1所述的燃气轮机NOx预测排放监测系统,其特征在于,所述输出功率包括燃气轮机输出功率、动力涡轮输出功率,通过所述燃气轮机性能计算模型计算得到。
3.如权利要求2所述的燃气轮机NOx预测排放监测系统,其特征在于,所述燃气轮机性能计算模型以进气口、压气机、可调静叶、燃烧室、高压涡轮、动力涡轮、离心压缩机为基础,包括部件模块、工质热物理性质、部件匹配,所述部件模块包括压气机模块、高压透平模块、动力透平模块和离心压缩机模块,所述压气机模块、所述高压透平模块、所述动力透平模块和所述离心压缩机模块由其平衡关系和非设计特性组成,并加入空气、燃料、气体等工质的热物理性质,支持各部件模块的计算和各模块的数据交换,所述部件匹配包括质量守恒、功率守恒和动量守恒,通过所述部件匹配找到燃气轮机工作点,满足整个燃气轮机系统的质量平衡、能量平衡、动量平衡的要求。
4.如权利要求3所述的燃气轮机NOx预测排放监测系统,其特征在于,所述可解释多层感知器神经网络结构至少包括第一层、中间层和输出层,在所述第一层、所述中间层和所述输出层之间包含中间隐含层,所述中间隐含层的数量由ARPSO-AW优化得到。
5.如权利要求4所述的燃气轮机NOx预测排放监测系统,其特征在于,所述具有可监测测点的中间层神经网络框架,所述第一层的输入包括环境参数、燃气轮机边界参数和输出功率,所述中间层设置多个可监测神经元,以压气机、高压涡轮等出口的温度和压力参数作为可监测参数,所述输出层以NOx排放量作为输出。
6.一种燃气轮机NOx预测排放监测方法,其特征在于,使用如权利要求5所述燃气轮机NOx预测排放监测系统,所述方法包括以下步骤:
S100、学习训练,利用历史测量数据、计算参数和测点设置对所述神经网络模块进行训练;
S200、运行预测,将训练好的NOx排放预测模型用于目标燃气轮机组进行NOx预测排放监测。
7.如权利要求6所述的燃气轮机NOx预测排放监测方法,其特征在于,所述步骤S100还包括:
S101,选取所述燃气轮机输出功率作为所述可解释多层感知器神经网络结构的所述第一层的输入时,训练燃气轮机运行时的NOx排放量预测模型;
S102,选取所述动力涡轮输出功率作为所述可解释多层感知器神经网络结构的所述第一层的输入时,训练燃气轮机停机状态下的NOx排放量预测模型。
8.如权利要求6或7所述的燃气轮机NOx预测排放监测方法,其特征在于,所述步骤100采用ARPSO-AW算法对所述可解释多层感知器神经网络结构进行优化,以所述中间层的压气机出口温度T2、压气机出口压力P2、高压涡轮出口温度T34、高压涡轮出口压力P34的网络计算值与真实测量值之间的均方差,以及NOx排放预测值和测量值之间的均方差度量损失函数,以所述损失函数作为所述ARPSO-AW算法的适应度函数,基于所述适应度函数值最小原则,优化预测模型隐含层数和各层隐含节点数,调整模型结构。
9.如权利要求8所述的燃气轮机NOx预测排放监测方法,其特征在于,所述步骤100,以所述损失函数为目标函数,采用BP误差反向传播算法微调网络隐含层训练参数,实现不同工况下燃气轮机NOx排放预测模型结构和参数自动调整;经过历史测量的通用数据训练,得到预测NOx排放量的最佳模型。
10.如权利要求9所述的燃气轮机NOx预测排放监测方法,其特征在于,所述步骤100,将训练样本分成代表性样本和非代表性样本,并赋予不同的权值,在模型建立阶段,采用构建模拟决策树逼近训练后的NOx排放量预测结果,所述决策树为简单决策树正则化神经网络,在所述目标函数中添加树正则化项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010085791.8A CN111272436B (zh) | 2020-02-11 | 2020-02-11 | 一种燃气轮机NOx预测排放监测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010085791.8A CN111272436B (zh) | 2020-02-11 | 2020-02-11 | 一种燃气轮机NOx预测排放监测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111272436A true CN111272436A (zh) | 2020-06-12 |
CN111272436B CN111272436B (zh) | 2022-07-12 |
Family
ID=70995031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010085791.8A Active CN111272436B (zh) | 2020-02-11 | 2020-02-11 | 一种燃气轮机NOx预测排放监测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111272436B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114577481A (zh) * | 2020-12-02 | 2022-06-03 | 新智数字科技有限公司 | 燃气内燃机的污染指标监测方法及装置 |
CN116931437A (zh) * | 2023-09-12 | 2023-10-24 | 深圳碳中和生物燃气股份有限公司 | 一种生物质气化炭化炉的控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5361628A (en) * | 1993-08-02 | 1994-11-08 | Ford Motor Company | System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes |
CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
CN109272174A (zh) * | 2018-11-14 | 2019-01-25 | 上海交通大学 | 基于循环神经网络的燃气轮机排气系统工况预测方法 |
CN110441065A (zh) * | 2019-07-04 | 2019-11-12 | 杭州华电江东热电有限公司 | 基于lstm的燃气轮机在线检测方法与装置 |
CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
-
2020
- 2020-02-11 CN CN202010085791.8A patent/CN111272436B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5361628A (en) * | 1993-08-02 | 1994-11-08 | Ford Motor Company | System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes |
CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
CN109272174A (zh) * | 2018-11-14 | 2019-01-25 | 上海交通大学 | 基于循环神经网络的燃气轮机排气系统工况预测方法 |
CN110441065A (zh) * | 2019-07-04 | 2019-11-12 | 杭州华电江东热电有限公司 | 基于lstm的燃气轮机在线检测方法与装置 |
CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
Non-Patent Citations (2)
Title |
---|
G. KIBRYA AND K. K. BOTROS: "A NEURAL NETWORK BASED PREDICTIVE EMISSION MONITORING MODEL FOR NOx EMISSION FROM A GAS TURBINE COMBUSTOR", 《PROCEEDINGS OF ETCE2002 ASME ENGINEERING TECHONOLOGY CONFERENCE ON ENERGY》 * |
张少平等: "基于自适应变异粒子群算法和BP神经网络的短期燃气负荷预测", 《计算机应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114577481A (zh) * | 2020-12-02 | 2022-06-03 | 新智数字科技有限公司 | 燃气内燃机的污染指标监测方法及装置 |
CN114577481B (zh) * | 2020-12-02 | 2024-01-12 | 新奥新智科技有限公司 | 燃气内燃机的污染指标监测方法及装置 |
CN116931437A (zh) * | 2023-09-12 | 2023-10-24 | 深圳碳中和生物燃气股份有限公司 | 一种生物质气化炭化炉的控制方法及系统 |
CN116931437B (zh) * | 2023-09-12 | 2023-11-14 | 深圳碳中和生物燃气股份有限公司 | 一种生物质气化炭化炉的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111272436B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111272436B (zh) | 一种燃气轮机NOx预测排放监测系统和方法 | |
Ying et al. | Nonlinear steady-state model based gas turbine health status estimation approach with improved particle swarm optimization algorithm | |
Brunell et al. | Nonlinear model predictive control of an aircraft gas turbine engine | |
Gul et al. | Multi-objective-optimization of process parameters of industrial-gas-turbine fueled with natural gas by using Grey-Taguchi and ANN methods for better performance | |
RU2675965C2 (ru) | Способ определения режима выбросов | |
Kim et al. | Transient system simulation for an aircraft engine using a data-driven model | |
Tsoutsanis et al. | Non-linear model calibration for off-design performance prediction of gas turbines with experimental data | |
Huang et al. | NOx emission estimation in gas turbines via interpretable neural network observer with adjustable intermediate layer considering ambient and boundary conditions | |
Tamiru et al. | Application of bat algorithm and fuzzy systems to model exergy changes in a gas turbine | |
Asgari et al. | Modeling and simulation of the start-up operation of a heavy-duty gas turbine by using NARX models | |
Yang et al. | Gas turbine engine transient performance and heat transfer effect modelling: A comprehensive review, research challenges, and exploring the future | |
Hosseinimaab et al. | Optimizing the performance of a single-shaft micro gas turbine engine by modifying its centrifugal compressor design | |
Cheng et al. | Surrogate model-based real-time gas path fault diagnosis for gas turbines under transient conditions | |
Faqih et al. | Development of Rowen’s Model for Dry-Low Emission Gas Turbine Dynamic Simulation using Scilab | |
Bahlawan et al. | Development of reliable narx models of gas turbine cold, warm and hot start-up | |
CN115356096B (zh) | 一种压缩机管网系统喘振特性研究系统和方法 | |
Courdier et al. | Power setting sensor fault detection and accommodation for gas turbine engines using artificial neural networks | |
Maldonado et al. | Data-Driven Modeling of a High Capacity Cryogenic System for Control Optimization | |
Guan et al. | Multidimensional analysis and performance prediction of heavy-duty gas turbine based on actual operational data | |
Yan et al. | A tuning scheme of cycle reference point for gas turbine adaptive performance simulation with field data | |
CN113807024B (zh) | 一种基于代理模型的燃气轮机最优动态工作点选择方法 | |
Sheikhbahaei et al. | Optimal tuner selection using Kalman filter for a real-time modular gas turbine model | |
Huang et al. | A Nitrogen Oxides Emission Prediction Model for Gas Turbines Based on Interpretable Multilayer Perceptron Neural Networks | |
Hipple et al. | Using machine learning to increase model performance for a gas turbine system | |
Cheng et al. | Performance prediction of marine intercooled cycle gas turbine based on expanded similarity parameters |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |