CN112149254A - 一种基于Lasso-RF模型的燃气轮机启动过程预测方法 - Google Patents
一种基于Lasso-RF模型的燃气轮机启动过程预测方法 Download PDFInfo
- Publication number
- CN112149254A CN112149254A CN202011020113.XA CN202011020113A CN112149254A CN 112149254 A CN112149254 A CN 112149254A CN 202011020113 A CN202011020113 A CN 202011020113A CN 112149254 A CN112149254 A CN 112149254A
- Authority
- CN
- China
- Prior art keywords
- gas turbine
- fuel
- starting process
- model
- combustion engine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 120
- 230000008569 process Effects 0.000 title claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 8
- 239000007789 gas Substances 0.000 claims description 80
- 239000000446 fuel Substances 0.000 claims description 53
- 238000002485 combustion reaction Methods 0.000 claims description 47
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 8
- 239000003345 natural gas Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000003066 decision tree Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007664 blowing Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007858 starting material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
本发明涉及一种基于Lasso‑RF模型的燃气轮机启动过程预测方法，包括以下步骤：S1：基于燃气轮机启动过程原理，建立燃气轮机启动过程的数学模型；S2：获取燃气轮机的实际启动过程数据，通过预处理筛选多个特征变量；S3：利用Lasso回归算法从多个特征变量进行特征选择，构建训练数据集；S4：利用训练数据集对RF模型进行训练，得到启动过程预测模型；S5：将最近一天的燃气轮机实际启动过程数据输入启动过程预测模型，得到燃气轮机启动过程的预测数据，与现有技术相比，本发明具有准确性高和实时性高等优点。
Description
技术领域
本发明涉及燃气轮机的启动过程，尤其是涉及一种基于Lasso-RF模型的燃气轮机启动过程预测方法。
背景技术
在燃气轮机发电机组启动操作过程中，以往都是凭经验操作或者凭操作票内容操作，这样的操作过程步骤繁多，很容易导致各种人为故障的发生，也会带来巨大的经济损失。基于电厂历史运行数据建立燃气轮机的启动过程模型可以对启动过程中关键属性的历史数据进行集中管理，并实时监测其变化情况，甚至可以对燃气轮机的状态趋势进行有效预测，指导运行人员进行优化操作，帮助运行人员全面并及时的掌握机组最新的启动情况并不断优化。建立燃气轮机启动过程的模型有利于综合研究各因素对启动性能的影响，优化启动时间，对提高发电机组的运行可靠性以及经济性具有重要意义。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高预测准确性和实时性的基于Lasso-RF模型的燃气轮机启动过程预测方法，打破了国内外现有研究很少涉及对多因素长时间的燃气轮机启动过程数据变化的量化分析，基本停留在基于热力学理论的机理建模的研究上的难题。
本发明的目的可以通过以下技术方案来实现：
一种基于Lasso-RF模型的燃气轮机启动过程预测方法，包括以下步骤：
S1：基于燃气轮机启动过程原理，建立燃气轮机启动过程的数学模型；
S2：获取燃气轮机的实际启动过程数据，通过预处理筛选多个特征变量；
S3：利用Lasso回归算法从多个特征变量进行特征选择，构建训练数据集；
S4：利用训练数据集对RF模型进行训练，得到启动过程预测模型；
S5：将最近一天的燃气轮机实际启动过程数据输入启动过程预测模型，得到燃气轮机启动过程的预测数据。
进一步地，所述的燃气轮机启动过程的数学模型的输入参数包括环境温度T0、大气湿度H0、大气压力P0、燃机的燃料流量F0、压气机的进口可调导叶开度IGV和启动电机电流I0，输出参数包括透平排气温度T1和燃机主轴转速R1。
更进一步地，所述的燃气轮机启动过程的数学模型的表达式为：
R1(t+1)＝f(t,T0(t),H0(t),P0(t),...,F0(t),IGV(t),I0(t))
T1(t+1)＝g(t,T0(t),H0(t),P0(t),...,F0(t),IGV(t),I0(t))
其中，f和g分别为非线性函数，T0(t)为t时刻的环境温度，H0(t)为t时刻的大气湿度，P0(t)为t时刻的大气压力，F0(t)为t时刻燃机的燃料流量，IGV(t)为t时刻压气机的进口可调导叶开度，I0(t)为t时刻的启动电机电流，T1(t+1)为t+1时刻的透平排气温度，R1 T1(t+1)为t+1时刻的燃机主轴转速。
进一步地，所述的预处理包括剔除冗余特征和奇异数据。
更进一步地，所述的步骤S2中，筛选得到30个特征变量，所述的30个特征变量包括环境温度、燃料温度、大气压力、燃料供应压力控制阀出口压力、IGV开度、燃料供应压力控制阀出口温度、启动电机功率、大气温度、叶片通道温度、燃料流量控制阀压差、压气机出口压力、燃料临时过滤器压差、旁路阀位置、燃料歧管压力、燃料值班比例、燃机负荷、主燃料压力调阀控制信号输出、燃料值班流体压力、燃料流量、燃料值班临时过滤器压差、燃料压力、燃料值班流量控制阀压差、主燃料B压力调阀控制信号输出、值班燃料流量、压气机出口温度、启动电机电流、天然气成分、燃料顶部流量、主燃料压力基准值和压气机进口温度。
进一步地，所述的Lasso回归算法分别对透平排气温度T1和燃机主轴转速R1进行特征选择。
更进一步地，所述的透平排气温度T1对应的预测特征变量包括压气机出口温度、压气机的进口可调导叶开度、燃料流量、燃料压力、燃料温度、天然气成分、环境温度和大气湿度。
更进一步地，所述的燃机主轴转速R1对应的预测特征变量包括启动电机电流、启动电机功率、燃料压力、压气机出口温度、天然气成分和燃机负荷。
进一步地，所述的步骤S2中，所述的燃气轮机的实际启动过程数据包括任意一周中前六天的燃气轮机的启动过程数据。
进一步地，所述的燃气轮机启动过程的预测数据包括透平排气温度预测数据和燃机主轴转速预测数据。
与现有技术相比，本发明具有以下优点：
1)本发明基于热力学理论机理建模确定燃气轮机启动过程模型的输入输出以及数学模型，并在此基础上，结合燃气轮机启动过程的实际数据，对多因素长时间的燃气轮机启动过程数据变化进行量化分析，建立的启动过程预测模型准确性和实时性更高；
2)本发明采用Lasso回归算法对数据进行降维处理，可以有效地对存在多重共线性的特征进行筛选，有效针对输出参数透平排气温度T1和燃机主轴转速R1选择各自对应的预测特征变量，用少而精的数据解决问题，简化模型，提高模型的预测准确度，并且减少机器学习的运行时间和运算成本，提高预测效率；
3)本发明采用RF模型建立燃气轮机的启动过程预测模型，分别对透平排气温度T1和燃机主轴转速R1进行预测，对燃气轮机启动过程中透平排气温度和燃机主轴转速进行有效预测，准确性、实时性更高，为运行人员调整和优化启动过程提供参考。
附图说明
图1为本发明流程示意图；
图2为燃气轮机输入输出简化示意图；
图3为RF结构原理图；
图4为Lasso-RF建模流程图；
图5为透平排气温度相关性条形图；
图6为燃机主轴转速相关性条形图；
图7为透平排气温度预测结果对比图，其中，图(7a)为整体预测结果对比图，图(7b)为图(7a)中虚线框内的预测结果放大对比图；
图8为燃机主轴转速预测结果对比图，其中，图(8a)为整体预测结果对比图，图(8b)为图(8a)中虚线框内的预测结果放大对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
如图1所示，本发明提供一种基于Lasso-RF模型的燃气轮机启动过程预测方法，包括以下步骤：
S1：基于燃气轮机启动过程原理，建立燃气轮机启动过程的数学模型；
S2：获取燃气轮机的实际启动过程数据，通过预处理筛选多个特征变量；
S3：利用Lasso回归算法从多个特征变量进行特征选择，构建训练数据集；
S4：利用训练数据集对RF模型进行训练，得到启动过程预测模型；
S5：将最近一天的燃气轮机实际启动过程数据输入启动过程预测模型，得到燃气轮机启动过程的预测数据。
燃气轮机启动过程原理为：
燃气轮机的启动过程是指转子从静止零转速状态加速至全速空载的过程，主要包括启动机启动、带动燃机转子转动、燃机点火、转子加速直至达到额定转速几个阶段。在燃机启动之前，辅助设备需提前启动，此时燃机处于低速盘车状态，转速为3r/min，一般规定盘车系统必须至少连续运行1小时。之后启动机启动，即静态频率转换器(staticfrequency converter,SFC)启动，SFC主要由谐波滤波器、隔离变、整流器、电抗器、逆变器、位置传感器以及控制系统等组成。SFC控制的具体开关过程为：选择SFC后，发电机中性点闸刀、励磁变低压侧开关自动分闸，SFC隔离变6kV开关、启动励磁变6kV开关及其低压开关、SFC切换开关盘开关、发电机SFC闸刀自动合闸，SFC谐波滤波器6kV开关延时10s自动合闸投入运行，各谐波滤波器柜冷风机自动投入运行，SFC系统整流柜、逆变柜及直流电抗器风扇自动投入运行。SFC电源取自6kV厂用电，经过隔离变、整流器、逆变器变为频率可变的交流电，输入到发电机定子绕组中，同时在发电机转子中加入直流励磁，将发电机转换为同步电动机方式转动，发电机转速随SFC输出的频率上升而上升，带动燃气轮机加速到清吹转速，之后开始清吹过程。吹扫结束后，燃机惰走至约580r/min时进行点火，随后进行暖机、加速。转速达到2 000r/min时，燃气透平所产生的机械功足以抵消压气机的耗功，SFC启动装置退出，并向汽轮机通入一定量的辅助蒸汽对低压缸进行冷却。机组继续升速，直至达到燃机的额定转速，其转速略高于电网频率。
由上述分析可知，在燃气轮机启动过程中，需要将燃机的主轴转速提高至额定转速，所以燃机主轴转速R1的变化趋势是要实时监测的重要参数，透平排气温度T1是评估燃烧室健康状态的重要参数。因此在本发明主要通过对透平排气温度T1以及燃机主轴转速R1的预测，建立燃气轮机的启动过程模型。由于透平排气温度T1与燃机主轴转速R1是随时间变化的数据序列，因此燃气轮机的启动过程是一个典型的非线性时序模型。为了能够较为准确的描述燃气轮机的启动模型，在选取输入输出参数时要能够尽可能包含启动过程的全部物理量，并且各物理量之间的相关性要尽可能小，本发明中，选择了环境温度T0、大气湿度H0、大气压力P0、燃机的燃料流量F0、压气机的进口可调导叶开度IGV以及启动电机电流I0等作为模型的输入参数，选择透平排气温度T1和燃机主轴转速R1作为模型输出参数，f、g为非线性函数，燃气轮机输入输出简化示意图如图2所示，则燃气轮机启动过程的数学模型的表达式为：
R1(t+1)＝f(t,T0(t),H0(t),P0(t),...,F0(t),IGV(t),I0(t))
T1(t+1)＝g(t,T0(t),H0(t),P0(t),...,F0(t),IGV(t),I0(t))
其中，f和g分别为非线性函数，T0(t)为t时刻的环境温度，H0(t)为t时刻的大气湿度，P0(t)为t时刻的大气压力，F0(t)为t时刻燃机的燃料流量，IGV(t)为t时刻压气机的进口可调导叶开度，I0(t)为t时刻的启动电机电流，T1(t+1)为t+1时刻的透平排气温度，R1 T1(t+1)为t+1时刻的燃机主轴转速。
Lasso回归算法是由1996年Robert Tibshirani首次提出，属于正则化方法的一种，是压缩估计。它通过构造一个惩罚函数得到一个较为精炼的模型，使得它压缩一些系数，同时设定一些系数为零，保留了子集收缩的优点，是一种处理具有复共线性数据的有偏估计，Lasso参数估计定义式为：
其中，xj为输入变量，yj为输出变量，βj为局部最优解，βLasso为全局最优解，λ为非负正则参数，控制着模型的复杂程度，越大对特征较多的线性模型的惩罚力度就越大，从而最终获得一个特征较少的模型，
称为惩罚项。可以采用交叉验证法确定调整参数，选取交叉验证误差最小的值。
Lasso回归算法可以弥补最小二乘法和逐步回归局部最优估计的不足，可以有效地对存在多重共线性的特征进行筛选，即对数据进行降维处理，用尽可能少的数据解决问题。从理论上说，Lasso回归算法对数据类型没有太多的限制，可以接受任何类型的数据，而且不需要对特征进行标准化处理。
RF是一种灵活且易于使用的机器学习模型，以CART决策树为基学习器，所构建的“森林”是决策树的集成，利用多个弱学习器集合成一个强学习器以获得更准确和稳定的预测。采用的集成方法是Bagging，基本原理是随机有放回的选择数据进行训练得到多个决策树，最后采取投票机制决定最优的预测结果，RF的结构如图3所示。
随机森林通过构造不同的训练集来增加基模型间的差异，从而提高组合模型的预测能力，通过k轮训练得到k个分类器{h1(x),h2(x),...,hk(x)}，再用其构造一个采用投票法决定的预测模型系统，其决策函数为：
式中：hi(x)为决策树模型，Y为目标变量，I为示性函数。
随机森林构建预测模型的基本步骤是：
(1)假设一个原始训练数据集D，由M个特征变量和一个目标变量Y组成，而且训练数据集D里面有n个不同的实例；
(2)获取多个训练数据集，使用Bagging对原始训练数据集D进行K次有放回的随机抽样，得到K个新的训练子集{D1,D2,...,DK}[9]，这K个训练子集每一个都包含有n个实例；
(3)从M个特征变量中随机选取m(m<M)个属性构成一个随机特征子空间Xi，作为决策树当前节点的分裂属性集，对每一个节点都从Xi中选出最优的属性进行分裂，针对每个训练子集Di生成对应的决策树hi(x)；
(4)把所有生成的决策树组合到一起生成一个RF模型，将测试样本带入模型，采用众数投票法，输出得到最优的预测结果。
因此，本发明选用Python语言，结合实际运行数据进行数据预处理，并采用Lasso回归算法对数据进行降维处理，利用RF模型建立关键属性的燃气轮机启动过程预测模型，对燃气轮机的启动过程进行预测。
本实施例中，采用来自国内某市热电公司三菱M701F4型燃气轮机2019年的实际运行数据，建立燃气轮机的启动过程预测模型，并对该燃气轮机的启动过程进行预测，该实际运行数据规模庞大，覆盖了全年不同温度、不同湿度以及机组200个测点的参数，这也导致数据冗余、重复杂乱的问题显著。
如图4所示，具体实施过程如下：
1)对实际运行数据进行数据预处理，剔除冗余特征和奇异数据，初步筛选出30个特征变量，并依次定义为x1,x2,...,x30，同时将透平排气温度T1定义为y1，将燃机主轴转速R1定义为y2，30个特征变量具体为：
2)如图5和图6所示，使用Lasso回归算法分别对透平排气温度T1和燃机主轴转速R1进行特征选择，得到与透平排气温度T1相关性系数较高的8个属性，依次为压气机出口温度x13、压气机的进口可调导叶开度x3、燃料流量x10、燃料压力x11、燃料温度x16、天然气成分x14、环境温度x1和大气湿度x19；与燃机主轴转速R1相关性系数较高的6个属性，依次为启动电机电流x28、启动电机功率x4、燃料压力x11、压气机出口温度x13、天然气成分x14和燃机负荷x23。
特征选择对预测模型的建立起着关键作用，在燃机启动过程中众多特征之间存在严重的多重共线性，若将30个特征变量全部用于预测模型的自变量，不仅运行时间长，而且存在不相关或相关性较小的变量，同时由于不同特征值相差很大，量纲不同，会对预测结果产生干扰。因此，对初步筛选的30个特征变量进行归一化处理，剔除冗余特征，不仅可以简化模型，提高模型的预测准确度，还可以减少机器学习的运行时间。
3)将x13,x3,...,x19作为预测透平排气温度T1的特征变量，将x28,x4,...,x23作为预测燃机主轴转速R1的特征变量。我国燃机发电主要用于两班制运行调峰，早启晚停，启停次数多，因此本实施例中选取某周前六天燃气轮机的启动过程数据作为RF模型的训练数据集，建立燃气轮机的启动过程预测模型，将最近一天燃气轮机的启动过程数据作为测试集带入启动过程预测模型中，对透平排气温度T1以及燃机主轴转速R1进行预测，实现燃气轮机的启动过程预测。
如图7和图8所示，为本发明Lasso-RF模型对燃气轮机的启动过程预测数据和现有Lasso-SVM模型对燃气轮机的启动过程预测数据与燃气轮机实际运行数据的对比。
由结果可知，Lasso-RF模型和Lasso-SVM模型都能对燃气轮机启动过程中透平排气温度和燃机主轴转速进行预测，但Lasso-SVM模型误差较大，预测结果有一定的滞后性。以燃机点火过程的预测结果为例，Lasso-RF模型的准确性、实时性更高，为运行人员调整和优化启动过程提供参考。从算法理论上分析，这是因为在创建随机森林的时候使用的是无偏估计，决策树之间是相互独立的，对于不平衡的数据集来说，它可以平衡误差，因此随机森林模型有较高的准确度。而SVM理论上主要是针对低维数的数据样本将其从原始空间映射到一个更高维的空间，使得样本在这个空间中线性可分，并借助核函数解决问题，因此在处理多变量高维度的模型预测问题中误差较大，实时性较差。无论是对透平排气温度T1还是燃机主轴转速R1的预测，Lasso-RF模型的预测效果都明显优于Lasso-SVM模型，说明RF模型具有良好的泛化能力，可以应用于不同的数据集。由于数据来自热电公司的实际运行数据，不免含有噪声成分以及信号采集误差，预测结果说明Lasso-RF模型具有更强的抗干扰性。
如表1和表2所示，为更加直观地比较Lasso-RF、Lasso-SVM预测模型的准确率以及两种模型的运行时间，选用平均绝对误差(Mean Absolute Error，MAE)和均方根误差(RootMean Squared Error，RMSE)作为评价指标。RMSE代表了预测值的离散程度，也叫标准误差，最佳拟合情况为RMSE＝0。结果表明，Lasso-RF模型即使对不同类型的输出参数其评价指标误差都小于Lasso-SVM模型。更重要的是，Lasso-RF模型对透平排气温度的预测时间比Lasso-SVM模型减少了21.24％，对燃机主轴转速的预测时间比Lasso-SVM模型减少了14.29％，因此为缩短启动过程的时间提供了可能。以上共同证明了Lasso-RF构建的燃气轮机启动过程的预测模型具有更好的准确性与优越性。
表1透平排气温度误差指标对比表
表2燃机主轴转速误差指标对比表
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于Lasso-RF模型的燃气轮机启动过程预测方法，其特征在于，包括以下步骤：
S1：基于燃气轮机启动过程原理，建立燃气轮机启动过程的数学模型；
S2：获取燃气轮机的实际启动过程数据，通过预处理筛选多个特征变量；
S3：利用Lasso回归算法从多个特征变量进行特征选择，构建训练数据集；
S4：利用训练数据集对RF模型进行训练，得到启动过程预测模型；
S5：将最近一天的燃气轮机实际启动过程数据输入启动过程预测模型，得到燃气轮机启动过程的预测数据。
2.根据权利要求1所述的一种基于Lasso-RF模型的燃气轮机启动过程预测方法，其特征在于，所述的燃气轮机启动过程的数学模型的输入参数包括环境温度T0、大气湿度H0、大气压力P0、燃机的燃料流量F0、压气机的进口可调导叶开度IGV和启动电机电流I0，输出参数包括透平排气温度T1和燃机主轴转速R1。
3.根据权利要求2所述的一种基于Lasso-RF模型的燃气轮机启动过程预测方法，其特征在于，所述的燃气轮机启动过程的数学模型的表达式为：
R1(t+1)＝f(t,T0(t),H0(t),P0(t),...,F0(t),IGV(t),I0(t))
T1(t+1)＝g(t,T0(t),H0(t),P0(t),...,F0(t),IGV(t),I0(t))
其中，f和g分别为非线性函数，T0(t)为t时刻的环境温度，H0(t)为t时刻的大气湿度，P0(t)为t时刻的大气压力，F0(t)为t时刻燃机的燃料流量，IGV(t)为t时刻压气机的进口可调导叶开度，I0(t)为t时刻的启动电机电流，T1(t+1)为t+1时刻的透平排气温度，R1T1(t+1)为t+1时刻的燃机主轴转速。
4.根据权利要求2所述的一种基于Lasso-RF模型的燃气轮机启动过程预测方法，其特征在于，所述的预处理包括剔除冗余特征和奇异数据。
5.根据权利要求4所述的一种基于Lasso-RF模型的燃气轮机启动过程预测方法，其特征在于，所述的步骤S2中，筛选得到30个特征变量，所述的30个特征变量包括环境温度、燃料温度、大气压力、燃料供应压力控制阀出口压力、IGV开度、燃料供应压力控制阀出口温度、启动电机功率、大气温度、叶片通道温度、燃料流量控制阀压差、压气机出口压力、燃料临时过滤器压差、旁路阀位置、燃料歧管压力、燃料值班比例、燃机负荷、主燃料压力调阀控制信号输出、燃料值班流体压力、燃料流量、燃料值班临时过滤器压差、燃料压力、燃料值班流量控制阀压差、主燃料B压力调阀控制信号输出、值班燃料流量、压气机出口温度、启动电机电流、天然气成分、燃料顶部流量、主燃料压力基准值和压气机进口温度。
6.根据权利要求2所述的一种基于Lasso-RF模型的燃气轮机启动过程预测方法，其特征在于，所述的Lasso回归算法分别对透平排气温度T1和燃机主轴转速R1进行特征选择。
7.根据权利要求6所述的一种基于Lasso-RF模型的燃气轮机启动过程预测方法，其特征在于，所述的透平排气温度T1对应的预测特征变量包括压气机出口温度、压气机的进口可调导叶开度、燃料流量、燃料压力、燃料温度、天然气成分、环境温度和大气湿度。
8.根据权利要求6所述的一种基于Lasso-RF模型的燃气轮机启动过程预测方法，其特征在于，所述的燃机主轴转速R1对应的预测特征变量包括启动电机电流、启动电机功率、燃料压力、压气机出口温度、天然气成分和燃机负荷。
9.根据权利要求1所述的一种基于Lasso-RF模型的燃气轮机启动过程预测方法，其特征在于，所述的步骤S2中，所述的燃气轮机的实际启动过程数据包括任意一周中前六天的燃气轮机的启动过程数据。
10.根据权利要求1所述的一种基于Lasso-RF模型的燃气轮机启动过程预测方法，其特征在于，所述的燃气轮机启动过程的预测数据包括透平排气温度预测数据和燃机主轴转速预测数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011020113.XA CN112149254B (zh) | 2020-09-24 | 2020-09-24 | 一种基于Lasso-RF模型的燃气轮机启动过程预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011020113.XA CN112149254B (zh) | 2020-09-24 | 2020-09-24 | 一种基于Lasso-RF模型的燃气轮机启动过程预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112149254A true CN112149254A (zh) | 2020-12-29 |
| CN112149254B CN112149254B (zh) | 2023-05-02 |
Family
ID=73898001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011020113.XA Active CN112149254B (zh) | 2020-09-24 | 2020-09-24 | 一种基于Lasso-RF模型的燃气轮机启动过程预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149254B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113778862A (zh) * | 2021-08-23 | 2021-12-10 | 中国人民解放军战略支援部队信息工程大学 | 一种基于长短期记忆网络和lasso算法的软件缺陷预测方法 |
| CN117594243A (zh) * | 2023-10-13 | 2024-02-23 | 太原理工大学 | 基于跨模态视图关联发现网络的卵巢癌预后预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3026510A1 (en) * | 2014-11-26 | 2016-06-01 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
| US20180245519A1 (en) * | 2017-02-27 | 2018-08-30 | General Electric Company | System and method for predicting and enhancing power plant startup time |
| CN110080882A (zh) * | 2019-04-16 | 2019-08-02 | 新奥能源动力科技（上海）有限公司 | 一种燃气轮机的启动方法及启动装置 |
| CN110264079A (zh) * | 2019-06-20 | 2019-09-20 | 东北大学 | 基于CNN算法和Lasso回归模型的热轧产品质量预测方法 |
-
2020
- 2020-09-24 CN CN202011020113.XA patent/CN112149254B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3026510A1 (en) * | 2014-11-26 | 2016-06-01 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
| US20180245519A1 (en) * | 2017-02-27 | 2018-08-30 | General Electric Company | System and method for predicting and enhancing power plant startup time |
| CN110080882A (zh) * | 2019-04-16 | 2019-08-02 | 新奥能源动力科技（上海）有限公司 | 一种燃气轮机的启动方法及启动装置 |
| CN110264079A (zh) * | 2019-06-20 | 2019-09-20 | 东北大学 | 基于CNN算法和Lasso回归模型的热轧产品质量预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| PRASHANTH PILLAI ET AL.: "A Hybrid Approach for Fusing Physics and Data for Failure Prediction", 《INTERNATIONAL JOURNAL OF PROGNOSTICS AND HEALTH MANAGEMENT》 * |
| 张兆宇等: "基于神经网络的重型燃气轮机启动过程建模研究", 《热力透平》 * |
| 徐强等: "某Ｆ级重型燃气轮机启动过程仿真研究", 《热力透平》 * |
| 曲成家等: "基于GRNN网络的燃气轮机可靠性预测研究", 《燃气涡轮试验与研究》 * |
| 王文超等: "基于SVR算法的燃气轮机功率预测研究", 《计算机科学》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113778862A (zh) * | 2021-08-23 | 2021-12-10 | 中国人民解放军战略支援部队信息工程大学 | 一种基于长短期记忆网络和lasso算法的软件缺陷预测方法 |
| CN117594243A (zh) * | 2023-10-13 | 2024-02-23 | 太原理工大学 | 基于跨模态视图关联发现网络的卵巢癌预后预测方法 |
| CN117594243B (zh) * | 2023-10-13 | 2024-05-14 | 太原理工大学 | 基于跨模态视图关联发现网络的卵巢癌预后预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112149254B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149254B (zh) | 一种基于Lasso-RF模型的燃气轮机启动过程预测方法 | |
| Zhao et al. | An unknown input nonlinear observer based fractional order PID control of fuel cell air supply system | |
| Zhi et al. | Research on the Pearson correlation coefficient evaluation method of analog signal in the process of unit peak load regulation | |
| CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
| JPWO2015079508A1 (ja) | 再生可能エネルギー対応ガスタービンおよびその制御方法 | |
| Facchini et al. | Exergy analysis of combined cycles using latest generation gas turbines | |
| CN106321219B (zh) | 电厂冷却水泵机组变频调速全系统组合优化运行方案确定方法 | |
| CN108304652A (zh) | 一种基于改进qpso-elm的涡轴发动机起动过程模型辨识方法 | |
| CN104573170A (zh) | 汽轮机最优运行初压的确定方法 | |
| CN112598148A (zh) | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 | |
| CN109270917B (zh) | 一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法 | |
| Guan et al. | Multidimensional analysis and performance prediction of heavy-duty gas turbine based on actual operational data | |
| CN102108931B (zh) | 基于灰色系统预测理论的汽油发动机点火提前角的预测方法 | |
| CN110838725A (zh) | 一种风电场闭环pi控制器参数整定方法及装置 | |
| Yan et al. | A tuning scheme of cycle reference point for gas turbine adaptive performance simulation with field data | |
| CN115578016A (zh) | 一种模型不完备风电场调频能力在线评估方法 | |
| Weimin et al. | Study on the mathematical model and primary frequency regulation characteristics of combined cycle plants | |
| Li et al. | Research of Intelligent Control of Air Compressor at Constant Pressure. | |
| Abo-Khalil et al. | SVR-based wind speed estimation for power control of wind energy generation system | |
| Cooper et al. | A turbocharged diesel generator set model | |
| Ulizar et al. | Handling of a semiclosed cycle gas turbine with a carbon dioxide-argon working fluid | |
| CN111045329A (zh) | 基于自适应模式切换的双馈风机数字物理混合仿真新方法 | |
| Zhang et al. | Research on equivalent electromechanical transient modeling of PMSG-based wind farms | |
| CN117439062A (zh) | 一种双馈风电机组惯量响应特性量化评估方法 | |
| Arenas Sarmiento et al. | Energy Evaluation of Pumping Systems in a Clean Water Plant: A Study Case |
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 |