CN111967187A - 一种预测燃气轮机启动过程输出数据的建模方法及设备 - Google Patents

一种预测燃气轮机启动过程输出数据的建模方法及设备 Download PDF

Info

Publication number
CN111967187A
CN111967187A CN202010842029.XA CN202010842029A CN111967187A CN 111967187 A CN111967187 A CN 111967187A CN 202010842029 A CN202010842029 A CN 202010842029A CN 111967187 A CN111967187 A CN 111967187A
Authority
CN
China
Prior art keywords
parameters
data
input data
algorithm
output
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
Application number
CN202010842029.XA
Other languages
English (en)
Other versions
CN111967187B (zh
Inventor
张孟然
张琪
鲍其雷
刘青山
刘德玉
毕辉
阮健斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Enn Energy Power Technology Shanghai Co ltd
Original Assignee
Enn Energy Power Technology Shanghai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Enn Energy Power Technology Shanghai Co ltd filed Critical Enn Energy Power Technology Shanghai Co ltd
Priority to CN202010842029.XA priority Critical patent/CN111967187B/zh
Publication of CN111967187A publication Critical patent/CN111967187A/zh
Application granted granted Critical
Publication of CN111967187B publication Critical patent/CN111967187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Fluid Mechanics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种预测燃气轮机启动过程输出数据的建模方法及设备，该方法包括：在燃气轮机多次启动过程中进行参数采集，对应得到多个训练样本；将所述训练样本中部分数据作为网络模型的输入数据，利用灰狼优化GWO算法分析输入数据预测支持向量机SVM算法的控制参数，并利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，得到输出预测模型。本发明提供的预测燃气轮机启动过程输出数据的建模方法及设备，解决了现有预测燃气轮机启动过程输出数据的建模方法存在的模型精度低及通用性低的问题。

Description

一种预测燃气轮机启动过程输出数据的建模方法及设备
技术领域
本发明涉及燃气轮机技术领域，特别涉及一种预测燃气轮机启动过程输出数据的建模方法及设备。
背景技术
燃气轮机是燃气-蒸汽联合循环的核心部件之一，具有效率高、启动快、环境污染小等优点。燃气轮机启动是指燃气轮机从静止(盘车)状态运转到达一定转速的过程。在燃气轮机启动特性研究中，一般采用建立数学仿真模型进行性能评估的方法，通过建立模型来模拟燃气轮机的实际运行过程，进行性能分析和预测，从而获取控制规律，对燃气轮机的运行进行控制，保证燃气轮机的高效稳定运行。
目前燃气轮机启动过程的建模一般使用机理建模或辨识建模方法，机理建模通过获取大量的参数，能够建立精确的数学模型，但是机理建模结构复杂，需要的机组数据过多、计算量大，且不易推广，为缩短开发时间，可以将燃气轮机的机理模型简化、进行静态处理，或者采用反向传播BP神经网络算法进行辨识建模。辨识建模方法关注燃机整体特性，可减少燃气轮机内部复杂的运行机理的研究，能提高燃气轮机开发进度。但是，目前的燃气轮机辨识建模方法大多采用单一算法建模，存在受控量少、权重占比大、参数调节不当、易于陷入局部解等问题。
目前进行微型燃气轮机启动过程建模时，若采用机理建模方式，存在建模周期较长的问题，若采用辨识建模方法，存在模型辨识精度低、通用性差的问题。因此，目前预测燃气轮机启动过程输出数据的辨识建模方法存在模型精度低及通用性低的问题，需要提出模型辨识精度更高的辨识建模方法。
发明内容
本发明提供了一种预测燃气轮机启动过程输出数据的建模方法及设备，用以解决现有预测燃气轮机启动过程输出数据的建模方法存在的模型精度低及通用性低的问题。
根据本发明实施例的第一方面，提供一种预测燃气轮机启动过程输出数据的建模方法，该方法包括：
在燃气轮机多次启动过程中进行参数采集，对应得到多个训练样本；
将所述训练样本中部分数据作为网络模型的输入数据，利用灰狼优化GWO算法分析输入数据预测支持向量机SVM算法的控制参数，并利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，得到输出预测模型。
可选地，所述在燃气轮机多次启动过程中进行参数采集，包括：
在燃气轮机多次启动过程中，监测并采集耦合度不超过设定阈值的至少一类参数；
按照预设采样间隔对采集的参数进行采样及归一化处理后，得到训练样本。
可选地，所述训练样本中作为网络模型输入数据的部分数据包括如下至少一类参数：环境温度、压气机入口压力、天然气流量、启动电流、启动时间；
所述训练样本中作为网络模型输出数据的另一部分数据包括如下至少一类参数：燃机转速、排气温度。
可选地，所述将所述训练样本中部分数据作为网络模型的输入数据，利用GWO算法分析输入数据预测SVM算法的控制参数，包括：
将所述训练样本中部分数据作为网络模型的输入数据，以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，并将分析得到的最优位置参数作为SVM算法的控制参数。
可选地，所述以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，包括：
将GWO算法的控制参数设置为预设GWO参数，利用所述预设GWO参数控制下的GWO算法，计算所述输入数据中各数据对应的位置参数，并确定各位置参数对应的输入数据与网络模型对应输出的预测数据之间的均方误差；
根据所述均方误差，及不同位置参数间的相对距离，在预设的迭代次数内，对所述位置参数进行更新，并确定更新后对应的均方误差最小的位置参数为最优位置参数。
可选地，所述利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，包括：
将所述训练样本中另一部分数据作为网络模型的输出数据，并将GWO算法确定的最优位置参数分别确定为SVM算法的惩罚参数与核参数；
将SVM算法的其它控制参数设置为预设SVM参数，利用所述预设SVM参数及所述惩罚参数与核参数控制下的SVM算法，分析预测所述输入数据对应的输出预测数据；
将所述输出预测数据与所述训练样本中的输出数据进行对比，利用预设的损失函数进行回归训练，调整所述网络模型的模型参数。
可选地，所述调整所述网络模型的模型参数，包括：
根据所述输出预测数据与所述训练样本中输出数据的均方误差，调整所述网络模型的模型参数，至确定的均方误差不超过预设阈值。
可选地，所述SVM算法类型为支持向量回归V-SVR类型，所述SVM算法采用的核函数为径向基核核函数。
根据本发明实施例的第二方面，提供一种预测燃气轮机启动过程输出数据的建模设备，包括：
训练样本获取模块，用于在燃气轮机多次启动过程中进行参数采集，对应得到多个训练样本；
模型训练模块，用于将所述训练样本中部分数据作为网络模型的输入数据，利用灰狼优化GWO算法分析输入数据预测支持向量机SVM算法的控制参数，并利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，得到输出预测模型。
可选地，所述训练样本获取模块在燃气轮机多次启动过程中进行参数采集，包括：
在燃气轮机多次启动过程中，监测并采集耦合度不超过设定阈值的至少一类参数；
按照预设采样间隔对采集的参数进行采样及归一化处理后，得到训练样本。
可选地，所述训练样本中作为网络模型输入数据的部分数据包括如下至少一类参数：环境温度、压气机入口压力、天然气流量、启动电流、启动时间；
所述训练样本中作为网络模型输出数据的另一部分数据包括如下至少一类参数：燃机转速、排气温度。
可选地，所述模型训练模块将所述训练样本中部分数据作为网络模型的输入数据，利用GWO算法分析输入数据预测SVM算法的控制参数，包括：
将所述训练样本中部分数据作为网络模型的输入数据，以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，并将分析得到的最优位置参数作为SVM算法的控制参数。
可选地，所述模型训练模块以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，包括：
将GWO算法的控制参数设置为预设GWO参数，利用所述预设GWO参数控制下的GWO算法，计算所述输入数据中各数据对应的位置参数，并确定各位置参数对应的输入数据与网络模型对应输出的预测数据之间的均方误差；
根据所述均方误差，及不同位置参数间的相对距离，在预设的迭代次数内，对所述位置参数进行更新，并确定更新后对应的均方误差最小的位置参数为最优位置参数。
可选地，所述模型训练模块利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，包括：
将所述训练样本中另一部分数据作为网络模型的输出数据，并将GWO算法确定的最优位置参数分别确定为SVM算法的惩罚参数与核参数；
将SVM算法的其它控制参数设置为预设SVM参数，利用所述预设SVM参数及所述惩罚参数与核参数控制下的SVM算法，分析预测所述输入数据对应的输出预测数据；
将所述输出预测数据与所述训练样本中的输出数据进行对比，利用预设的损失函数进行回归训练，调整所述网络模型的模型参数。
可选地，所述模型训练模块调整所述网络模型的模型参数，包括：
根据所述输出预测数据与所述训练样本中输出数据的均方误差，调整所述网络模型的模型参数，至确定的均方误差不超过预设阈值。
可选地，所述SVM算法类型为支持向量回归V-SVR类型，所述SVM算法采用的核函数为径向基核核函数。
根据本发明实施例的第三方面，提供一种预测燃气轮机启动过程输出数据的建模设备，包括：存储器和处理器；其中：
所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，包括如下步骤：
在燃气轮机多次启动过程中进行参数采集，对应得到多个训练样本；
将所述训练样本中部分数据作为网络模型的输入数据，利用灰狼优化GWO算法分析输入数据预测支持向量机SVM算法的控制参数，并利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，得到输出预测模型。
可选地，所述处理器在燃气轮机多次启动过程中进行参数采集，包括：
在燃气轮机多次启动过程中，监测并采集耦合度不超过设定阈值的至少一类参数；
按照预设采样间隔对采集的参数进行采样及归一化处理后，得到训练样本。
可选地，所述训练样本中作为网络模型输入数据的部分数据包括如下至少一类参数：环境温度、压气机入口压力、天然气流量、启动电流、启动时间；
所述训练样本中作为网络模型输出数据的另一部分数据包括如下至少一类参数：燃机转速、排气温度。
可选地，所述处理器将所述训练样本中部分数据作为网络模型的输入数据，利用GWO算法分析输入数据预测SVM算法的控制参数，包括：
将所述训练样本中部分数据作为网络模型的输入数据，以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，并将分析得到的最优位置参数作为SVM算法的控制参数。
可选地，所述处理器以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，包括：
将GWO算法的控制参数设置为预设GWO参数，利用所述预设GWO参数控制下的GWO算法，计算所述输入数据中各数据对应的位置参数，并确定各位置参数对应的输入数据与网络模型对应输出的预测数据之间的均方误差；
根据所述均方误差，及不同位置参数间的相对距离，在预设的迭代次数内，对所述位置参数进行更新，并确定更新后对应的均方误差最小的位置参数为最优位置参数。
可选地，所述处理器利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，包括：
将所述训练样本中另一部分数据作为网络模型的输出数据，并将GWO算法确定的最优位置参数分别确定为SVM算法的惩罚参数与核参数；
将SVM算法的其它控制参数设置为预设SVM参数，利用所述预设SVM参数及所述惩罚参数与核参数控制下的SVM算法，分析预测所述输入数据对应的输出预测数据；
将所述输出预测数据与所述训练样本中的输出数据进行对比，利用预设的损失函数进行回归训练，调整所述网络模型的模型参数。
可选地，所述处理器调整所述网络模型的模型参数，包括：
根据所述输出预测数据与所述训练样本中输出数据的均方误差，调整所述网络模型的模型参数，至确定的均方误差不超过预设阈值。
可选地，所述SVM算法类型为支持向量回归V-SVR类型，所述SVM算法采用的核函数为径向基核核函数。
根据本发明实施例的第四方面，提供一种芯片，所述芯片与设备中的存储器耦合，使得所述芯片在运行时调用所述存储器中存储的程序指令，实现本申请实施例上述各个方面以及各个方面涉及的任一可能设计的方法。
根据本发明实施例的第五方面，提供一种计算机可读存储介质，该计算机存储介质存储有程序指令，当其在计算机上运行时，使得计算机执行本发明实施例上述各个方面以及各个方面涉及的任一可能设计的方法。
根据本发明实施例的第六方面，提供一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行实现本申请实施例上述各个方面以及各个方面涉及的任一可能设计的方法。
利用本发明提供的预测燃气轮机启动过程输出数据的建模方法及设备，具有以下有益效果：
本发明提供的预测燃气轮机启动过程输出数据的建模方法及设备，将燃气轮机启动过程采集的参数作为训练样本，并根据训练样本，利用GWO算法和SVM算法进行网络模型训练，通过GWO算法对训练样本进行分析，确定SVM算法的控制参数，通过该控制参数控制下的SVM算法对训练样本进行分析，调整网络模型的模型参数，得到燃气轮机启动过程的输出预测模型，解决了现有预测燃气轮机启动过程输出数据的建模方法存在的模型精度低及通用性低的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。
图1为本发明实施例中提供的一种预测燃气轮机启动过程输出数据的建模方法示意图；
图2为本发明实施例中提供的一种GWO算法流程示意图；
图3为本发明实施例中提供的一种环境温度的训练样本数据曲线图；
图4为本发明实施例中提供的一种天然气流量的训练样本数据曲线图；
图5为本发明实施例中提供的一种启动电流的训练样本数据曲线图；
图6为本发明实施例中提供的一种燃机转速的训练样本数据曲线图；
图7为本发明实施例中提供的一种排气温度的训练样本数据曲线图。
图8为本发明实施例中提供的一种环境温度的测试样本数据曲线图；
图9为本发明实施例中提供的一种天然气流量的测试样本数据曲线图；
图10为本发明实施例中提供的一种启动电流的测试样本数据曲线图；
图11为本发明实施例中提供的一种燃机转速的测试样本数据曲线图；
图12为本发明实施例中提供的一种排气温度的测试样本数据曲线图；
图13为本发明实施例中提供的一种SVM优化的燃机转速的预测结果曲线图；
图14为本发明实施例中提供的一种SVM优化的排气温度的预测结果曲线图；
图15为本发明实施例中提供的一种基于时间序列的SVM优化的燃机转速的预测结果曲线图；
图16为本发明实施例中提供的一种基于时间序列的SVM优化的排气温度的预测结果曲线图；
图17为本发明实施例中提供的一种预测燃气轮机启动过程输出数据的建模方法的流程示意图；
图18为本发明实施例中提供的一种基于时间序列的GWO-SVM优化的燃机转速的预测结果曲线图；
图19为本发明实施例中提供的一种基于时间序列的GWO-SVM优化的排气温度的预测结果曲线图；
图20为本发明实施例中提供的一种不同方法输出预测的均方误差示意图；
图21为本发明实施例中提供的一种不同方法输出预测的平方相关系数示意图；
图22为本发明实施例中提供的一种预测燃气轮机启动过程输出数据的建模设备的示意图；
图23为本发明实施例中提供的一种预测燃气轮机启动过程输出数据的建模设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本发明实施例提供的预测燃气轮机启动过程输出数据的建模方法应用了人工智能技术中的机器学习进行模型训练，为了方便理解，下面对本发明实施例中涉及的名词进行解释：
1)SVM(Support Vector Machine，支持向量机)：是一类按监督学习方式对数据进行二元分类的广义线性分类器，SVM利用损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一种具有稀疏性和稳健性的分类算法；SVM可以通过核方法进行非线性分类，是常见的核学习方法之一；
2)GWO(Grey Wolf Optimizer，灰狼优化算法)：灰狼优化算法是通过模拟灰狼群体捕食行为，基于狼群群体协作机制实现优化的一种群智能优化算法；具有结构简单、收敛性能较强、参数少、易实现等特点，能够在局部寻优和全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能，常应用到参数优化、图像分类等领域中。
实施例1
本发明实施例提供一种预测燃气轮机启动过程输出数据的建模方法，应用于微型燃气轮机启动过程的辨识建模场景，如图1所示，该方法包括：
步骤S101，在燃气轮机多次启动过程中进行参数采集，对应得到多个训练样本；
本发明实施例基于微型燃气轮机启动过程的运行数据进行辨识建模，将从微型燃气轮机启动过程中采集的参数作为训练样本，进行辨识建模及模型训练，得到输出预测模型，以下进行详细说明。
在燃气轮机多次启动过程中，监测并采集耦合度不超过设定阈值的至少一类参数；按照预设采样间隔对采集的参数进行采样及归一化处理后，得到训练样本。
具体的，监测并采集燃气轮机启动过程的多组参数，并根据燃气轮机工况特性，选取多组参数中耦合性较小的至少一组参数，组成最小变量组。以时间间隔0.5s为采样点，分别对选取的各组参数进行采样及归一化处理，作为训练样本。
步骤S102，将所述训练样本中部分数据作为网络模型的输入数据，利用灰狼优化GWO算法分析输入数据预测支持向量机SVM算法的控制参数，并利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，得到输出预测模型。
本发明实施例中，训练样本中作为网络模型输入数据的部分数据包括如下至少一类参数：环境温度、压气机入口压力、天然气流量、启动电流、启动时间；所述训练样本中作为网络模型输出数据的另一部分数据包括如下至少一类参数：燃机转速、排气温度。
建模时，首先从训练样本中选择上述部分数据作为网络模型的输入数据，选择另一部分数据作为网络模型的输出数据。具体实施时可根据燃气轮机实际工作情况及建模需求分别选择合适的作为输入数据和输出数据的参数。
然后，将训练样本中部分数据作为网络模型的输入数据，以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，并将分析得到的最优位置参数作为SVM算法的控制参数。
具体的，将GWO算法的控制参数设置为预设GWO参数，利用所述预设GWO参数控制下的GWO算法，计算所述输入数据中各数据对应的位置参数，并确定各位置参数对应的输入数据与网络模型对应输出的预测数据之间的均方误差；根据所述均方误差，及不同位置参数间的相对距离，在预设的迭代次数内，对所述位置参数进行更新，并确定更新后对应的均方误差最小的位置参数为最优位置参数。
上述GWO算法的控制参数为现有GWO算法中用到的控制参数，具体参数不再详述。其中，这些控制参数中，本发明实施例中未特别设置的控制参数可采用现有GWO算法中相关参数的设置方法进行设置。
上述不同位置参数间的相对距离的计算方法采用现有GWO算法中的计算方法，此处不再详述。
上述预设GWO参数包括狼群数量、迭代次数、狼群位置对应的位置参数的参数数量及对应的取值范围、交叉验证参数等，具体取值为预设值。本发明实施例中狼群数量为12，迭代次数为10，位置参数包括SVM算法的惩罚因子c和核参数g，参数c和g的取值范围均为[2,4]，参数c、g步进大小取默认值1，交叉验证参数为2。
具体实施时，GWO算法将输入数据作为狼群并分为四个等级，分别对应α狼、β狼、δ狼和ω狼，根据上述预设GWO参数初始化最大迭代次数和狼群大小，并计算输入数据中各数据对应的位置参数即各灰狼位置。然后，α狼、β狼、δ狼在预设的迭代次数内，对最优解(最优位置参数)进行评估定位。
具体按照如下模型公式计算相关系数向量：
Figure BDA0002641781320000121
其中，t为当前时刻，a为[0,2]区间内的系数向量，x(t)为当前灰狼位置，xp(t)为目标(最优解)当前位置，x(t+1)为下一时刻目标位置，μ1、μ2为[0,1]闭区间内的随机向量，A、C为协同系数向量。
根据确定的相关系数向量，各灰狼进行目标位置搜索，确定与目标位置的距离，并分别计算对应的个体适应度，根据所述距离及个体适应度，将最优解逐步替换，输出最优解位置，具体按照如下模型公式进行目标位置搜索及更新：
Figure BDA0002641781320000131
其中，xα、xβ、xδ为狼群对应的位置向量，x为灰狼的位置向量，Dα、Dβ、Dδ分别为当前候选灰狼与最优三条狼α狼、β狼、δ狼之间的距离，当|A|>1时，灰狼优选分散搜寻目标位置，进入全局搜索；当|A|<1时，进入集中搜索，逐渐优化最优解。
按照上述方法，在每次迭代过程中，保留当前种群中的最好三只灰狼α狼、β狼、δ狼，然后根据它们的位置信息来更新其他灰狼的位置信息，并计算灰狼的个体适应度，将最优解逐步替换，输出最优解位置，即，通过计算每个位置参数对应的适应度函数值，将对应的适应度函数值最小的位置参数确定为最优解位置参数。
本发明实施例中适应度函数为均方误差函数，因此，通过计算各位置参数对应的输入数据与网络模型对应输出的预测数据之间的均方误差，将均方误差小的位置参数作为最优解位置参数。
上述GWO算法的流程图如图2所示，包括如下步骤：
步骤S201，初始化GWO算法参数，包括狼群大小、最大迭代次数等；
步骤S202，确定狼群中α狼、β狼、δ狼和ω狼的位置；
步骤S203，计算各灰狼对应的个体适应度值；
步骤S204，根据各灰狼位置和对应的个体适应度，将最优解逐步替换，保留最优解，更新狼群位置；
步骤S205，确定是否到达最大迭代次数；
若是，执行步骤S206，否则，执行步骤S202。
步骤S206，确定最优解α狼的位置，得到最优位置参数。
根据上述GWO算法确定最优位置参数后，将最优位置参数作为SVM算法的控制参数，利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数。
具体的，将所述训练样本中另一部分数据作为网络模型的输出数据，并将GWO算法确定的最优位置参数分别确定为SVM算法的惩罚参数与核参数；将SVM算法的其它控制参数设置为预设SVM参数，利用所述预设SVM参数及所述惩罚参数与核参数控制下的SVM算法，分析预测所述输入数据对应的输出预测数据；将所述输出预测数据与所述训练样本中的输出数据进行对比，利用预设的损失函数进行回归训练，调整所述网络模型的模型参数。
SVM算法能够实现结构风险最小化原则，能有效解决局部最小值、非线性等问题。结构风险最小化原则需要同时使经验风险Remp(α)和VC维h(置信范围)最小化，使实际风险达到最小化。可以根据如下公式表示的经验风险Remp(α)和实际风险R(α)之间的关联，预计期望风险的上界：
Figure BDA0002641781320000141
其中，h是函数集的VC维数，η为[0，1]区间内的常数，l为输入数据样本数。
具体实施时，利用SVM算法，通过非线性映射函数φ(x)将训练样本中的部分数据作为输入数据，建立高纬特征空间中的线性回归方程：
f(x)＝wφ(x)+b (4)
其中，w为权重系数，b为误差向量，f(x)为回归函数返回的预测值，根据误差最小原则(结构风险最小化)，寻找系数w、b，引入松弛变量，可转化为以下优化问题：
Figure BDA0002641781320000151
其中，ξi、
Figure BDA0002641781320000152
为松弛因子，c为惩罚因子，c越小则说明模型的训练误差越小，样本惩罚越小；ε为不灵敏度损失函数，φ(xi)为第i个输入数据对应的非线性映射函数，yi为输出预测数据，s.t.限制求解需要满足的条件。
对上述公式(5)求解，引入拉格朗日乘子，公式(4)就可以精确为如下公式：
Figure BDA0002641781320000153
其中，
Figure BDA0002641781320000154
k(xi,x)为φ(xi)和φ(x)的向量内积的核函数。
计算拉格朗日乘子的参数求解w，引入拉格朗日函数，转换对偶形式，公式(5)的求解转换为如下公式：
Figure BDA0002641781320000155
利用上述公式(5)、(6)、(7)对输入数据对应的输出数据进行求解，得到对应的输出预测数据，并利用上述公式(3)进行验证，判断是否满足优化条件。
利用上述公式进行输出数据预测的具体计算方法可以采用现有SVM算法，此处不再详述。
通过上述SVM算法进行回归训练，根据SVM算法确定的输出预测数据与所述训练样本中输出数据的均方误差，调整所述网络模型的模型参数，至确定的均方误差不超过预设阈值。
本发明实施例中，SVM算法可以采用Libsvm工具箱优化的SVM算法，SVM算法类型为支持向量回归V-SVR类型，SVM算法采用的核函数为径向基核核函数。
本发明提供的上述预测燃气轮机启动过程输出数据的建模方法，将燃气轮机启动过程采集的参数作为训练样本，并根据训练样本，利用GWO算法和SVM算法进行网络模型训练，通过GWO算法对训练样本进行分析，确定SVM算法的控制参数，通过该控制参数控制下的SVM算法对训练样本进行分析，调整网络模型的模型参数，得到燃气轮机启动过程的输出预测模型，解决了现有预测燃气轮机启动过程输出数据的建模方法存在的模型精度低及通用性低的问题。
实施例2
本实施例以单机功率范围为30KW～1MW的微型燃气轮机为例进行说明。
本实施例中建立燃气轮机启动过程输出数据预测模型时，首先获取训练样本，选取上述微型燃气轮机多组启动过程数据，以时间间隔0.5s为采样点，依据燃气轮机工况特性，选取燃气轮机启动过程中的最小变量组。提取微型燃气轮机在不同环境温度下运行的33组启动过程最小变量组数据即输入数据，其中，32组燃气轮机启动过程数据作为训练样本，1组燃气轮机启动过程数据作为测试样本，每组样本含有1322个数据，本实施例中要求测试结果的转速动态过程参数误差不超过3％，压力、温度参数误差不超过6％。
输入样本的选择要涉及燃气轮机启动过程的重要物理量，且各物理量之间耦合性小，具体可根据燃气轮机特性和模型需求进行选择。在某些参数对模型精度的影响较小可忽略时，可忽略此类参数。例如，某型号燃气轮机启动过程中压气机入口压力变化量几乎为零，则压气机入口压力参数可暂时忽略。
本实施例将训练样本中的环境温度、压气机入口压力、天然气流量、启动电流、启动时间中至少一类参数作为输入数据，将训练样本中的燃机转速和排气温度中至少一类参数作为输出样本。
参照图3，为本发明实施例提供的环境温度的训练样本数据曲线图；
参照图4，为本发明实施例提供的天然气流量的训练样本数据曲线图；
参照图5，为本发明实施例提供的启动电流的训练样本数据曲线图；
参照图6，为本发明实施例提供的燃机转速的训练样本数据曲线图；
参照图7，为本发明实施例提供的排气温度的训练样本数据曲线图；
参照图8，为本发明实施例提供的环境温度的测试样本数据曲线图；
参照图9，为本发明实施例提供的天然气流量的测试样本数据曲线图；
参照图10，为本发明实施例提供的启动电流的测试样本数据曲线图；
参照图11，为本发明实施例提供的燃机转速的测试样本数据曲线图；
参照图12，为本发明实施例提供的排气温度的测试样本数据曲线图。
上述图3～图7仅示例出一组训练样本数据对应的样本数据曲线图，图8～图12示例出一组测试样本数据对应的样本数据曲线图。鉴于本实施例中燃气轮机压气机入口压力变化量几乎为零，因此压气机入口压力可暂时忽略。
鉴于目前预测燃气轮机启动过程输出数据的建模方法常选取环境温度、压气机入口压力、天然气流量、启动电流作为模型的输入数据，燃机转速和排气温度作为模型的输出数据进行模型训练。
以下根据三种示例方法进行说明：
示例一
采用SVM优化建模方法，仅利用SVM算法，将环境温度、压气机入口压力、天然气流量和启动电流作为模型的输入数据，将燃机转速和排气温度作为模型的输出数据，进行模型训练。
参照图13，为本发明实施例提供的SVM优化的燃机转速的预测结果曲线图；
参照图14，为本发明实施例提供的SVM优化的排气温度的预测结果曲线图。
本实施例仅利用SVM算法对上述数据进行模型训练时，模型预测的燃机转速和排气温度的结果分别如图13、图14所示，根据预测结果计算可知燃机转速和排气温度在动态过程中的均方误差接近于2％，满足燃气轮机模型指标要求的最低边界。但是，燃机启动过程中，控制系统会涉及线性和非线性转速控制、加速度控制等。由图13、图14所示的预测结果可知，排气温度在启动时间为5min左右时，出现较大幅度的抖动，分析输入数据及算法，可以确定燃气轮机在脱电机的情况下会出现电机电流突降情况，即模型经过调参使预测结果处于一个上限。根据上述的训练样本数据可知本实施例中此型号燃气轮机的启动时间在6～8min之间。因此燃气轮机输出控制与时间有密切的联系。因此，本发明实施例中在燃气轮机输出数据预测模型的训练过程中，同时将时间特征作为一类输入数据，通过增加参数维度来进一步提高各变量之间耦合性和模型预测的精确度。
本实施例以下以选取训练样本中的环境温度、压气机入口压力、天然气流量、启动电流、启动时间作为输入数据，选取训练样本中的燃机转速和排气温度作为输出数据，对本发明的预测燃气轮机启动过程输出数据的建模方法进行说明。
示例二
采用基于时间序列的SVM优化建模方法，仅利用SVM算法，将环境温度、压气机入口压力、天然气流量、启动电流和启动时间作为模型的输入数据，将燃机转速和排气温度作为模型的输出数据，进行模型训练。
参照图15，为本发明实施例提供的基于时间序列的SVM优化的燃机转速的预测结果曲线图；
参照图16，为本发明实施例提供的基于时间序列的SVM优化的排气温度的预测结果曲线图。
本实施例仅利用SVM算法对上述数据进行模型训练时，模型预测的燃机转速和排气温度的结果分别如图15、图16所示，由图可知，在目前将环境温度、天然气流量、启动电流作为模型的输入数据进行模型训练的基础上，本发明实施例中增加启动时间作为输入数据后得到的预测结果，能够大幅度的提高输入输出数据的相关性，提高模型的预测精度，得到预测更精确的输出数据。
示例三
采用基于时间序列的GWO-SVM优化建模方法，仅利用GWO算法和SVM算法，将环境温度、压气机入口压力、天然气流量、启动电流和启动时间作为模型的输入数据，将燃机转速和排气温度作为模型的输出数据，进行模型训练。
参照图17，为本发明实施例提供的一种预测燃气轮机启动过程输出数据的建模方法的流程示意图，该流程具体包括：
步骤S1701，在燃气轮机多次启动过程中进行参数采集，提取训练样本和测试样本；
在示例二方法的基础上，本发明实施例利用GWO算法对SVM算法进行改进，利用GWO算法分析上述输入数据预测SVM算法的控制参数，并利用SVM算法在所述控制参数的控制下根据上述输入数据，以输出上述输出数据为目标调整网络模型的模型参数，得到输出预测模型。
将训练样本中的环境温度、压气机入口压力、天然气流量、启动电流、启动时间作为输入数据，将训练样本中的燃机转速和排气温度作为输出样本。
以100KW功率等级的燃气轮机为例，选取排气温度、燃机转速作为网络模型输出样本时，燃机转速由零转速到额定转速51000rmp(Revolutions Per Minute，每分钟转速)，燃机启动过程的输入环境温度涉及范围为-40～50℃。鉴于转速涉及范围较大，为加速模型收敛速度，平衡不同的量纲和数量级，可以对原始参数进行归一化标准处理，得到对应的输入数据。
本发明实施例中的网络模型的输入输出关系可表示为：
Figure BDA0002641781320000201
其中，N(t)为燃气轮机t时刻的燃机转速，T4(t)为t时刻排气温度，T1(t)为压气机t时刻入口压力，FCH4(t)为t时刻天然气流量，I(t)为t时刻启动电流，t(t)为t时刻的时间参数。
步骤S1702，初始化GWO算法的控制参数，确定输入数据对应的位置参数；
利用上述获取的训练样本中的样本数据进行模型训练。
将GWO算法的控制参数设置为预设GWO参数，具体的，将GWO算法的狼群数量设置为12，将最大迭代次数设置为10，求解的位置参数设置为SVM算法的惩罚参数c与核参数g，并将参数c、g的取值范围设置为预设范围，将交叉验证参数设置为预设值。
初始化GWO算法狼群位置，确定输入数据对应的狼群的位置参数。具体实施时，可采用现有技术，此处不再详述。
步骤S1703，以均方误差最小为目标，在迭代次数允许的范围内，计算狼群位置；
以输入数据与网络模型输出的预测数据之间的均方误差最小为目标，以均方误差函数作为适应度函数，计算狼群的位置参数对应的适应度函数值作为目标值，若确定狼群中灰狼的位置参数对应的目标值小于α狼对应的目标值，则将α狼目标函数值更新为最优，并更新α狼位置；若目标值介于α狼与β狼之间，则将β狼目标函数值更新为最优，并更新β狼位置；若目标值介于β狼与δ狼之间，则将δ狼目标函数值更新为最优，并更新δ狼位置。
按照上述方法遍历狼群中α狼、β狼、δ狼的灰狼对应的位置参数，确定对应的系数向量A、C、a和随机向量μ1、μ2，然后根据计算的系数向量等，更新狼群位置。具体实施时，可采用上述实施例提供的方法，此处不再详述。
步骤S1704，确定是否满足最大迭代次数；
若是，执行步骤S1705，否则，执行步骤S1703。
步骤S1705，确定最优解的参数c、g为SVM算法的惩罚因子和核参数；
将上述最终更新的狼群位置中α狼的位置参数作为最优解，将其中的参数c确定为SVM算法的惩罚参数，将其中的参数g确定为SVM算法的核参数。
步骤S1706，利用SVM算法，以均方误差最小为目标，进行网络训练；
利用SVM算法对输入数据进行分析预测，确定对应的输出预测数据，并将输出预测数据与训练数据中对应的输出数据进行对比，根据均方误差函数计算对应的均方误差，利用预设的回归函数进行回归训练，调整网络模型的模型参数。
步骤S1707，确定满足预设的终止条件时，停止模型训练，得到已训练的燃气轮机启动过程的输出数据预测模型；
本实施例以均方误差最小为目标，因此，在确定计算的均方误差满足预设条件时，确定满足预设的终止条件。该预设条件可以为均方误差值不超过预设值。
参照图18，为本发明实施例提供的基于时间序列的GWO-SVM优化的燃机转速的预测结果曲线图；
参照图19，为本发明实施例提供的基于时间序列的GWO-SVM优化的排气温度的预测结果曲线图。
本实施例训练得到的网络模型输出的预测数据分别如图18、19所示，由图可知，本实施例训练得到的网络模型输出的预测数据与实际输出数据非常接近，根据与前述实验结果的对比，本实施例利用GWO算法、SVM算法对增加启动时间的训练样本进行训练得到的模型的预测精度，远高于现有的仅利用SVM算法训练得到的模型的预测精度。
步骤S1708，利用测试样本对得到的燃气轮机启动过程的输出数据预测模型进行验证测试。
本实施例中，模型训练结束后，利用上述步骤S1701获取的测试样本数据对得到的输出数据预测模型进行验证测试。将测试样本中的环境温度、压气机入口压力、天然气流量、启动电流、启动时间作为输入数据，输入到输出数据预测模型，得到模型输出的燃机转速和排气温度的预测数据。将该预测数据与训练样本中的实际输出数据进行对比，测试模型的预测精度。
本实施例利用均方误差(MSE)、平方相关系数(r2)来评定模型预测的精确度，计算公式如下：
Figure BDA0002641781320000221
Figure BDA0002641781320000222
其中，f(xi)为第i个输出的预测数据，yi为第i个实际输出数据，i为正整数。
参照图20，为本发明实施例提供的不同方法输出预测的均方误差示意图；
参照图21，为本发明实施例提供的不同方法输出预测的平方相关系数示意图。
按照上述方法分别计算上述三种示例方法训练的模型对应的输出预测的均方误差和平方相关系数，如图20、21所示，经过算法优化后，示例三中模型预测的燃机转速对应的均方误差由0.0097减小到0.0002，排气温度对应的均方误差由0.0112减小到0.0036。经过算法优化后，示例三中模型预测的燃机转速对应的相关系数由0.9437提高到0.9997，排气温度对应的相关系数由0.8150提高到0.9859。因此，验证了本发明实施例提供的基于时间序列的GWO-SVM优化算法的燃机启动过程输出数据预测模型的辨识精度更高。
本实施例上述提供的预测燃气轮机启动过程输出数据的建模方法，结合GWO算法的全局最优解搜索机制和SVM算法较强的拟合能力，将GWO算法分析数据得到的最优位置参数作为SVM算法的控制参数，SVM算法利用较强的回归性，对训练样本进行回归训练，得到输出预测模型，该模型在微型燃气轮机启动过程中辨识精度更高，解决了现有预测燃气轮机启动过程输出数据的建模方法存在的模型精度低及通用性低的问题。
实施例3
以上对本发明中一种预测燃气轮机启动过程输出数据的建模方法进行说明，以下对执行上述操作方法的预测燃气轮机启动过程输出数据的建模设备进行说明。
请参阅图22，本发明实施例提供一种预测燃气轮机启动过程输出数据的建模设备，包括：
训练样本获取模块2201，用于在燃气轮机多次启动过程中进行参数采集，对应得到多个训练样本；
模型训练模块2202，用于将所述训练样本中部分数据作为网络模型的输入数据，利用灰狼优化GWO算法分析输入数据预测支持向量机SVM算法的控制参数，并利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，得到输出预测模型。
可选地，所述训练样本获取模块在燃气轮机多次启动过程中进行参数采集，包括：
在燃气轮机多次启动过程中，监测并采集耦合度不超过设定阈值的至少一类参数；
按照预设采样间隔对采集的参数进行采样及归一化处理后，得到训练样本。
可选地，所述训练样本中作为网络模型输入数据的部分数据包括如下至少一类参数：环境温度、压气机入口压力、天然气流量、启动电流、启动时间；
所述训练样本中作为网络模型输出数据的另一部分数据包括如下至少一类参数：燃机转速、排气温度。
可选地，所述模型训练模块将所述训练样本中部分数据作为网络模型的输入数据，利用GWO算法分析输入数据预测SVM算法的控制参数，包括：
将所述训练样本中部分数据作为网络模型的输入数据，以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，并将分析得到的最优位置参数作为SVM算法的控制参数。
可选地，所述模型训练模块以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，包括：
将GWO算法的控制参数设置为预设GWO参数，利用所述预设GWO参数控制下的GWO算法，计算所述输入数据中各数据对应的位置参数，并确定各位置参数对应的输入数据与网络模型对应输出的预测数据之间的均方误差；
根据所述均方误差，及不同位置参数间的相对距离，在预设的迭代次数内，对所述位置参数进行更新，并确定更新后对应的均方误差最小的位置参数为最优位置参数。
可选地，所述模型训练模块利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，包括：
将所述训练样本中另一部分数据作为网络模型的输出数据，并将GWO算法确定的最优位置参数分别确定为SVM算法的惩罚参数与核参数；
将SVM算法的其它控制参数设置为预设SVM参数，利用所述预设SVM参数及所述惩罚参数与核参数控制下的SVM算法，分析预测所述输入数据对应的输出预测数据；
将所述输出预测数据与所述训练样本中的输出数据进行对比，利用预设的损失函数进行回归训练，调整所述网络模型的模型参数。
可选地，所述模型训练模块调整所述网络模型的模型参数，包括：
根据所述输出预测数据与所述训练样本中输出数据的均方误差，调整所述网络模型的模型参数，至确定的均方误差不超过预设阈值。
可选地，所述SVM算法类型为支持向量回归V-SVR类型，所述SVM算法采用的核函数为径向基核核函数。
上面从模块化功能实体的角度对本申请实施例中的预测燃气轮机启动过程输出数据的建模设备进行了描述，下面从硬件处理的角度对本申请实施例中的预测燃气轮机启动过程输出数据的建模设备进行描述。
实施例4
请参阅图23，本申请实施例中预测燃气轮机启动过程输出数据的建模设备的另一个实施例包括：
处理器2301、存储器2302、收发器2309以及总线系统2311；
所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，包括如下步骤：
在燃气轮机多次启动过程中进行参数采集，对应得到多个训练样本；
将所述训练样本中部分数据作为网络模型的输入数据，利用灰狼优化GWO算法分析输入数据预测支持向量机SVM算法的控制参数，并利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，得到输出预测模型。
图23是本发明实施例提供的一种预测燃气轮机启动过程输出数据的建模设备的结构示意图，该设备2300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(英文全称：central processing units，英文简称：CPU)2301(例如，一个或一个以上处理器)和存储器2302，一个或一个以上存储应用程序2304或数据2306的存储介质2303(例如一个或一个以上海量存储设备)。其中，存储器2302和存储介质2303可以是短暂存储或持久存储。存储在存储介质2303的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对信息处理装置中的一系列指令操作。更进一步地，处理器2301可以设置为与存储介质2303通信，在设备2300上执行存储介质2303中的一系列指令操作。
设备2300还可以包括一个或一个以上电源2310，一个或一个以上有线或无线网络接口2307，一个或一个以上输入输出接口2308，和/或，一个或一个以上操作系统2305，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等。
可选地，所述处理器在燃气轮机多次启动过程中进行参数采集，包括：
在燃气轮机多次启动过程中，监测并采集耦合度不超过设定阈值的至少一类参数；
按照预设采样间隔对采集的参数进行采样及归一化处理后，得到训练样本。
可选地，所述训练样本中作为网络模型输入数据的部分数据包括如下至少一类参数：环境温度、压气机入口压力、天然气流量、启动电流、启动时间；
所述训练样本中作为网络模型输出数据的另一部分数据包括如下至少一类参数：燃机转速、排气温度。
可选地，所述处理器将所述训练样本中部分数据作为网络模型的输入数据，利用GWO算法分析输入数据预测SVM算法的控制参数，包括：
将所述训练样本中部分数据作为网络模型的输入数据，以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，并将分析得到的最优位置参数作为SVM算法的控制参数。
可选地，所述处理器以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，包括：
将GWO算法的控制参数设置为预设GWO参数，利用所述预设GWO参数控制下的GWO算法，计算所述输入数据中各数据对应的位置参数，并确定各位置参数对应的输入数据与网络模型对应输出的预测数据之间的均方误差；
根据所述均方误差，及不同位置参数间的相对距离，在预设的迭代次数内，对所述位置参数进行更新，并确定更新后对应的均方误差最小的位置参数为最优位置参数。
可选地，所述处理器利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，包括：
将所述训练样本中另一部分数据作为网络模型的输出数据，并将GWO算法确定的最优位置参数分别确定为SVM算法的惩罚参数与核参数；
将SVM算法的其它控制参数设置为预设SVM参数，利用所述预设SVM参数及所述惩罚参数与核参数控制下的SVM算法，分析预测所述输入数据对应的输出预测数据；
将所述输出预测数据与所述训练样本中的输出数据进行对比，利用预设的损失函数进行回归训练，调整所述网络模型的模型参数。
可选地，所述处理器调整所述网络模型的模型参数，包括：
根据所述输出预测数据与所述训练样本中输出数据的均方误差，调整所述网络模型的模型参数，至确定的均方误差不超过预设阈值。
可选地，所述SVM算法类型为支持向量回归V-SVR类型，所述SVM算法采用的核函数为径向基核核函数。
本发明实施例还提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述实施例提供的预测燃气轮机启动过程输出数据的建模方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
以上对本申请所提供的技术方案进行了详细介绍，本申请中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (11)

1.一种预测燃气轮机启动过程输出数据的建模方法，其特征在于，包括：
在燃气轮机多次启动过程中进行参数采集，对应得到多个训练样本；
将所述训练样本中部分数据作为网络模型的输入数据，利用灰狼优化GWO算法分析输入数据预测支持向量机SVM算法的控制参数，并利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，得到输出预测模型。
2.根据权利要求1所述的方法，其特征在于，所述在燃气轮机多次启动过程中进行参数采集，包括：
在燃气轮机多次启动过程中，监测并采集耦合度不超过设定阈值的至少一类参数；
按照预设采样间隔对采集的参数进行采样及归一化处理后，得到训练样本。
3.根据权利要求1所述的方法，其特征在于，所述训练样本中作为网络模型输入数据的部分数据包括如下至少一类参数：环境温度、压气机入口压力、天然气流量、启动电流、启动时间；
所述训练样本中作为网络模型输出数据的另一部分数据包括如下至少一类参数：燃机转速、排气温度。
4.根据权利要求1所述的方法，其特征在于，所述将所述训练样本中部分数据作为网络模型的输入数据，利用GWO算法分析输入数据预测SVM算法的控制参数，包括：
将所述训练样本中部分数据作为网络模型的输入数据，以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，并将分析得到的最优位置参数作为SVM算法的控制参数。
5.根据权利要求4所述的方法，其特征在于，所述以所述输入数据与网络模型对应输出的预测数据之间的均方误差最小为目标，利用GWO算法对所述输入数据进行分析，包括：
将GWO算法的控制参数设置为预设GWO参数，利用所述预设GWO参数控制下的GWO算法，计算所述输入数据中各数据对应的位置参数，并确定各位置参数对应的输入数据与网络模型对应输出的预测数据之间的均方误差；
根据所述均方误差，及不同位置参数间的相对距离，在预设的迭代次数内，对所述位置参数进行更新，并确定更新后对应的均方误差最小的位置参数为最优位置参数。
6.根据权利要求4所述的方法，其特征在于，所述利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，包括：
将所述训练样本中另一部分数据作为网络模型的输出数据，并将GWO算法确定的最优位置参数分别确定为SVM算法的惩罚参数与核参数；
将SVM算法的其它控制参数设置为预设SVM参数，利用所述预设SVM参数及所述惩罚参数与核参数控制下的SVM算法，分析预测所述输入数据对应的输出预测数据；
将所述输出预测数据与所述训练样本中的输出数据进行对比，利用预设的损失函数进行回归训练，调整所述网络模型的模型参数。
7.根据权利要求6所述的方法，其特征在于，所述调整所述网络模型的模型参数，包括：
根据所述输出预测数据与所述训练样本中输出数据的均方误差，调整所述网络模型的模型参数，至确定的均方误差不超过预设阈值。
8.根据权利要求1所述的方法，其特征在于，所述SVM算法类型为支持向量回归V-SVR类型，所述SVM算法采用的核函数为径向基核核函数。
9.一种预测燃气轮机启动过程输出数据的建模设备，其特征在于，包括：
训练样本获取模块，用于在燃气轮机多次启动过程中进行参数采集，对应得到多个训练样本；
模型训练模块，用于将所述训练样本中部分数据作为网络模型的输入数据，利用灰狼优化GWO算法分析输入数据预测支持向量机SVM算法的控制参数，并利用SVM算法在所述控制参数的控制下根据输入数据，以输出训练样本中另一部分数据为目标调整所述网络模型的模型参数，得到输出预测模型。
10.一种预测燃气轮机启动过程输出数据的建模设备，其特征在于，包括：存储器和处理器；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，实现如权利要求1～8任一所述方法的步骤。
11.一种计算机程序介质，其特征在于，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～8任一所述方法的步骤。
CN202010842029.XA 2020-08-20 2020-08-20 一种预测燃气轮机启动过程输出数据的建模方法及设备 Active CN111967187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010842029.XA CN111967187B (zh) 2020-08-20 2020-08-20 一种预测燃气轮机启动过程输出数据的建模方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010842029.XA CN111967187B (zh) 2020-08-20 2020-08-20 一种预测燃气轮机启动过程输出数据的建模方法及设备

Publications (2)

Publication Number Publication Date
CN111967187A true CN111967187A (zh) 2020-11-20
CN111967187B CN111967187B (zh) 2023-10-17

Family

ID=73388564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010842029.XA Active CN111967187B (zh) 2020-08-20 2020-08-20 一种预测燃气轮机启动过程输出数据的建模方法及设备

Country Status (1)

Country Link
CN (1) CN111967187B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749506A (zh) * 2020-12-21 2021-05-04 哈尔滨理工大学 基于ceemd和gwo-svr的振动信号预测方法
CN114970325A (zh) * 2022-05-05 2022-08-30 西安交通大学 基于轮盘应力快速评估的燃气轮机安全启动方法及系统
US11480475B2 (en) * 2019-07-03 2022-10-25 Pratt & Whitney Canada Corp. Method and system for measuring temperature in a gas turbine engine

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767946A (zh) * 2017-09-26 2018-03-06 浙江工业大学 基于pca和pso‑kelm模型的乳腺癌诊断系统
CN108183500A (zh) * 2017-11-24 2018-06-19 国网甘肃省电力公司电力科学研究院 一种多能互补的农村微能网容量优化配置方法及装置
CN108520272A (zh) * 2018-03-22 2018-09-11 江南大学 一种改进苍狼算法的半监督入侵检测方法
CN111371607A (zh) * 2020-02-28 2020-07-03 大连大学 一种基于决策灰狼算法优化lstm的网络流量预测方法
CN111369045A (zh) * 2020-02-28 2020-07-03 南京邮电大学 一种短期光伏发电功率预测的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767946A (zh) * 2017-09-26 2018-03-06 浙江工业大学 基于pca和pso‑kelm模型的乳腺癌诊断系统
CN108183500A (zh) * 2017-11-24 2018-06-19 国网甘肃省电力公司电力科学研究院 一种多能互补的农村微能网容量优化配置方法及装置
CN108520272A (zh) * 2018-03-22 2018-09-11 江南大学 一种改进苍狼算法的半监督入侵检测方法
CN111371607A (zh) * 2020-02-28 2020-07-03 大连大学 一种基于决策灰狼算法优化lstm的网络流量预测方法
CN111369045A (zh) * 2020-02-28 2020-07-03 南京邮电大学 一种短期光伏发电功率预测的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
容静: "基于ARIMA 与IGWO-SVM 优化模 型的高铁沉降变形预测研究与应用", 《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》, pages 033 - 46 *
张云等: "采用GWO优化SVM的燃气轮机气路故障诊断", 上海电力学院学报, vol. 35, no. 2, pages 187 - 192 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11480475B2 (en) * 2019-07-03 2022-10-25 Pratt & Whitney Canada Corp. Method and system for measuring temperature in a gas turbine engine
CN112749506A (zh) * 2020-12-21 2021-05-04 哈尔滨理工大学 基于ceemd和gwo-svr的振动信号预测方法
CN114970325A (zh) * 2022-05-05 2022-08-30 西安交通大学 基于轮盘应力快速评估的燃气轮机安全启动方法及系统

Also Published As

Publication number Publication date
CN111967187B (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
CN111967187B (zh) 一种预测燃气轮机启动过程输出数据的建模方法及设备
Xu et al. Predicting fan blade icing by using particle swarm optimization and support vector machine algorithm
CN112686464A (zh) 短期风电功率预测方法及装置
JP2020106470A (ja) 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
CN111190349A (zh) 船舶机舱设备状态监测及故障诊断方法、系统及介质
CN110781316A (zh) 一种融合超平面和持续时间建模的时间感知知识表示学习方法
CN111461286A (zh) 基于进化神经网络的Spark参数自动优化系统和方法
CN114609994A (zh) 基于多粒度正则化重平衡增量学习的故障诊断方法及装置
CN112070272A (zh) 一种输电线路的覆冰厚度预测方法及装置
Wang et al. A novel two-step job runtime estimation method based on input parameters in HPC system
CN114925938A (zh) 一种基于自适应svm模型的电能表运行状态预测方法、装置
Ni et al. Online performance and power prediction for edge TPU via comprehensive characterization
CN118157127A (zh) 基于lstm-mm模型的多天气光伏发电功率预测数字孪生系统
CN117150882A (zh) 发动机油耗预测方法、系统、电子设备及存储介质
US20190180180A1 (en) Information processing system, information processing method, and recording medium
CN116680969A (zh) 一种pso-bp算法的充填体评估参数预测方法及装置
CN116467631A (zh) 电力指纹识别模型训练方法、电力指纹识别方法及装置
CN116224070A (zh) 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统
Metz et al. Fast and Accurate: Machine Learning Techniques for Performance Estimation of CNNs for GPGPUs
CN113742204B (zh) 一种基于模糊测试的深度学习算子测试方法
CN114548229A (zh) 训练数据增广方法、装置、设备和存储介质
CN112348194A (zh) 一种基于精度误差的模型稳定性评估方法
Mulder et al. Fast optimisation of convolutional neural network inference using system performance models
Chen et al. Remaining useful life prognostics of lithium-ion batteries based on a coordinate reconfiguration of degradation trajectory and multiple linear regression
CN117971399B (zh) 容器数量调节方法、智能计算云操作系统以及计算平台

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