CN113255238A - 一种基于混合神经网络的燃气利用率预测方法和系统 - Google Patents

Abstract

本发明涉及一种基于混合神经网络的燃气利用率预测方法和系统，涉及燃气蒸汽联合循环发电技术领域。通过获取多个预设周期内的燃气轮机机组的工况参数、燃气耗用量、压缩空气量对应的发电量并以划分完成的工况参数、燃气耗用量、压缩空气量以及对应的发电量建立单一神经网络模型，以燃气耗用量为输入量训练单一神经网络模型，在训练完成时，将单一神经网络模型进行组合生成第一混合神经网络模型，并根据多个预设周期内的第一混合神经网络模型组合生成第二混合神经网络模型，以燃气耗用量作为第二混合神经网络模型的输入参数，得到发电量预测值，提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

Description

一种基于混合神经网络的燃气利用率预测方法和系统

技术领域

本发明涉及燃气蒸汽联合循环发电技术领域，尤其涉及一种基于混合神经网络的燃气利用率预测方法和系统。

背景技术

燃气蒸汽联合循环发电机组（以下简称燃机）具有环境友好，能源利用率高，调节范围大、调节速率快和负荷响应迅速等优势，因此燃机电厂具有高效、低排、启停灵活、调峰性能好等特点。

但由于受火电及新能源的大规模建设，提高电网调峰能力，燃机电厂主要定位于调节城市天然气供需平衡，优化城市电源布局，增强电网和天然气管网的安全运行，承担着双重调峰的重任：既调电峰，又调气峰。在电网侧，由于用电负荷白天高夜晚低的特点，调峰机组采用昼开夜停的运行方式，调峰燃机电厂普遍面临发电小时数低的问题，直接导致机组发电成本高。除了调电峰，燃机电厂的调气峰任务也很重要。燃机的LNG（LiquefiedNatural Gas，液化天然气）气耗量基本占当地城市天然气量的一半以上，沿海区域的燃机大部分建设在LNG的入口， LNG从海外不定期用船舶运来，需要进行及时的存储和传输，LNG存库要有周期和计划，导致LNG下游使用存在波动性。燃机电厂存在“因气限电”的方式，一方面限制了机组的调峰作用，同时又导致启停次数增加，检修时间间隔大大缩短，增加了电厂的维修成本。

因此，如何对燃机机组的燃气利用率进行准确预测，提高燃机电厂运行的可靠性，是目前亟待解决的技术问题。

发明内容

为此，本发明提供一种基于混合神经网络的燃气利用率预测方法和系统，用以克服现有技术中对燃气轮机机组的燃气利用率无法准确预测导致燃气电厂供电可靠性低的问题。

为实现上述目的，本发明一方面提供一种基于混合神经网络的燃气利用率预测方法，包括：

步骤S1、通过获取模块获取燃气轮机机组的历史数据，并将所述历史数据中的工况参数、燃气耗用量、压缩空气量和对应的发电量记录在多个预设周期内，每个所述预设周期包括若干个目标时段；

步骤S2、所述获取模块根据获取的所述历史数据建立燃气轮机机组工况矩阵组A，在完成燃气轮机机组工况矩阵组A的建立时，通过比对模块将燃气轮机机组工况矩阵组中各工况矩阵内的参数进行预处理，所述预处理包括对各工况矩阵中的参数的去噪，在预处理完成时，建立模块根据每个目标时段内的工况参数、燃气耗用量、压缩空气量和对应的发电量建立单一神经网络模型；

步骤S3、在建立所述单一神经网络模型完成时，训练模块将燃气耗用量和发电量进行归一化处理，通过所述训练模块将归一化处理完成的燃气耗用量作为所述单一神经网络模型的输入量、发电量作为所述单一神经网络模型的输出量，对所述单一神经网络模型进行训练，并统计所述输入量一致但所述输出量不同的次数，根据统计的次数确定所述单一神经网络模型的可信度系数Y；

步骤S4、通过建立模块将任意周期内多个所述单一神经网络模型组合生成第一混合神经网络模型，并将多个预设周期内的第一混合神经网络模型组合生成第二混合神经网络模型；

步骤S5、以最后一个预设周期内的燃气耗用量作为第二混合神经网络模型的输入参数，得到下一预设周期内的发电量；

在所述步骤S3中，当所述训练模块确定所述可信度系数完成时，剔除可信度系数Y小于预设可信度系数Y0的所述单一神经网络模型，将可信度系数Y大于等于预设可信度系数Y0的所述单一神经网络模型进行组合以获得第一混合神经网络模型；

当所述训练模块训练所述单一神经网络模型时，将燃气耗用量作为单一神经网络模型的输入量，根据预设迭代次数C0对所述单一神经网络模型进行训练，当训练至预设迭代次数时计算所述单一神经网络模型输出的发电量的预测值和归一化后的所述发电量的实际预测误差，根据该实际预测误差与预设标准预测误差的比对结果判定所述单一神经网络模型是否训练完成，当训练模块判定单一神经网络模型训练未完成时，根据所述实际预测误差与预设标准预测误差的实际预测误差差值选取对应的预设学习率对所述单一神经网络模型进行调参；当判定无法通过对应的预设学习率进行调参克服所述单一神经网络模型输出的发电量的预测误差时，根据实际预测误差差值选取对应的迭代次数调节系数对单一神经网络模型的预设迭代次数进行调节；

当以调节后的预设迭代次数训练所述单一神经网络模型完成时，若所述训练模块判定单一神经网络模型仍未训练完成，所述训练模块根据实际预测误差与预设预测误差的比对结果选取对应的预设可信度系数修正量对预设可信度进行修正。

进一步地，所述获取模块中设有预设工况矩阵A0和预设工况参数差值矩阵C0，A0包括Q0，R0，V0，P0，B0，G0，其中，Q0为预设燃气耗用量，R0为预设压缩空气量，V0为预设燃气轮机机组有效转速，P0为预设压缩机功率，B0为预设压缩比，G0为预设发电量，C0包括Qc，Rc，Vc，Pc，Bc，Gc，其中，Qc为预设燃气耗用量差值，Rc为预设压缩空气量差值，Vc为预设燃气轮机机组有效转速差值，Pc为预设压缩机功率差值，Bc为预设压缩比差值，Gc为预设发电量差值；

当对各工况矩阵中的参数进行去噪时，所述比对模块将各工况矩阵中的参数与预设工况矩阵中的参数进行一一对应比对，依次计算各工况矩阵中各参数与预设工况矩阵中各参数的差值，若其中存在单个参数的差值超出所述预设工况参数差值矩阵中的预设参数差值，所述比对模块用预设工况矩阵中的对应参数替换所述工况矩阵中的参数；若其中存在多个参数的差值且各差值均超出预设参数差值，则用预设工况中的对应的参数分别替换所述工况矩阵中的多个参数。

进一步地，所述训练模块设有预设标准预测误差W0，当对所述单一神经网络进行训练时，根据预设迭代次数D0对所述单一神经网络模型进行训练，当训练至预设迭代次数D0时，将单一神经网络模型输出的发电量的预测值X_i（t）与的归一化后的发电量

进行比对，计算该输出的发电量的预测值X_i（t）和归一化后的发电量

的实际预测误差W，设定W=｜X_i（t）-

｜，计算完成后将实际预测误差W与预设标准预测误差W0进行比对，若W＜W0，所述训练模块判定所述单一神经网络模型训练完成；若W≥W0，所述训练模块判定所述单一神经网络模型训练未完成，计算实际预测误差W和预设标准预测误差W0的实际预测误差差值ΔW，设定ΔW=W-W0，在计算完成时根据该实际预测误差差值与预设预测误差差值的比对结果选取对应的预设学习率对单一神经网络进行调参，

其中，所述训练模块设有第一预设预测误差差值ΔW1、第二预设预测误差差值ΔW2、第三预设预测误差差值ΔW3、第一预设学习率E1、第二预设学习率E2以及第三预设学习率E3，其中ΔW1＜ΔW2＜ΔW3，E1＜E2＜E3，

当ΔW≤ΔW1时，所述训练模块选取第一预设学习率E1对所述单一神经网络模型进行参数调节；

当ΔW1＜ΔW≤ΔW2时，所述训练模块选取第二预设学习率E2对所述单一神经网络模型进行参数调节；

当ΔW2＜ΔW≤ΔW3时，所述训练模块选取第三预设学习率E3对所述单一神经网络模型进行参数调节。

进一步地，当ΔW＞ΔW3时，所述训练模块判定所述单一神经网络模型训练误差较大，无法通过预设学习率进行调参克服单一神经网络模型输出的发电量的预测误差，所述训练模块根据所述实际预测误差差值ΔW与第三预设预测误差差值ΔW3的比对结果选取对应的预设迭代次数调节系数对预设迭代次数进行调节，

其中，所述训练模块还设有第一预设迭代次数调节系数K1、第二预设迭代次数调节系数K2以及第三预设迭代次数调节系数K3，设定1＜K1＜K2＜K3＜2，

当ΔW3＜ΔW≤1.2×ΔW3时，所述训练模块选取第一预设迭代次数调节系数K1对预设迭代次数进行调节；

当1.2×ΔW3＜ΔW≤1.5×ΔW3时，所述训练模块选取第二预设迭代次数调节系数K2对预设迭代次数进行调节；

当ΔW＞1.5×ΔW3时，所述训练模块选取第三预设迭代次数调节系数K3对预设迭代次数进行调节；

当所述训练模块选取第i预设迭代次数调节系数Ki对预设迭代次数进行调节时，设定i=1，2，3，训练模块将调节后的预设迭代次数设置为D1，设定D1=D0×Ki。

进一步地，当完成对所述预设迭代次数的调节时，所述训练模块将所述单一神经网络模型训练至调节后的预设迭代次数后，根据所述单一神经网络模型输出的发电量的预测值X_i（t）与的归一化后的发电量

再次进行比对，并根据比对结果确定单一神经网络模型是否训练完成，当判定单一神经网络模型训练未完成时，根据实际预测误差W与预设预测误差的比对结果选取对应的预设可信度系数修正量对预设可信度系数进行修正，

其中，所述训练模块还设有第一预设预测误差W1、第二预设预测误差W2以及第三预设预测误差W3、第一预设可信度系数修正量ΔY1、第二预设可信度系数修正量ΔY2以及第三预设可信度系数修正量ΔY3，其中W1＜W2＜W3，ΔY1＜ΔY2＜ΔY3，

当W≤W1时，所述训练模块选取第一预设可信度系数修正量ΔY1对预设可信度系数进行修正；

当W1＜W≤W2时，所述训练模块选取第二预设可信度系数修正量ΔY2对预设可信度系数进行修正；

当W2＜W≤W3时，所述训练模块选取第三预设可信度系数修正量ΔY3对预设可信度系数进行修正；

当所述训练模块选取第j预设可信度系数修正量ΔYj对预设可信度系数进行修正时，设定j=1，2，3，将修正后的预设可信度系数设置为Y0＇，设定Y0＇=Y0-ΔYj。

进一步地，对所述单一神经网络模型进行组合获得第一混合神经网络模型包括对多个单一神经网络模型的输出的发电量的预测值与其对应的可信度系数进行加权运算后获得第一混合神经网络模型，具体计算公式为：

其中，H（t）为t时段内第一混合神经网络模型的预测值，X₁（t）为t时段内第1个单一神经网络模型输出的发电量的预测值，X₂（t）为t时段内第2个单一神经网络模型输出的发电量的预测值，X_n（t）为t时段内第n个单一神经网络模型输出的发电量的预测值，f₁（t）为t时段内第1个单一神经网络模型的可信度系数，f₂（t）为t时段内第2个单一神经网络模型的可信度系数，f_n（t）为t时段内第n个单一神经网络模型的可信度系数。

进一步地，在所述步骤S4中，将多个所述预设周期内的第一混合神经网络模型组合生成第二混合神经网络模型包括将所述多个所述预设周期内的第一混合神经网络模型输出的预测值进行加和运算后，求平均值得到第二混合神经网络模型的预测值。

进一步地，当所述训练模块训练单一神经网络模型时，所述训练模块将各工况矩阵中的所述燃气耗用量和发电量分别进行整合，获得燃气耗用量矩阵Q和发电量矩阵G，设定Q（Q1，Q2，Q3，…，Qn），其中Q1为第一燃气耗用量，Q2为第二燃气耗用量，Q3为第三燃气耗用量，Qn为第n燃气耗用量，G（G1，G2，G3，…，Gn）其中，G1第一发电量，G2第二发电量，G3为第三发电量，Gn为第n发电量，在整合完成时，将所述燃气耗用量矩阵中的燃气耗用量和所述发电量矩阵中的发电量进行归一化处理，在归一化处理完成时，将归一化后的燃气耗用量作为所述单一神经网络模型的输入量，并将发电量作为所述单一神经网络模型的输出量训练所述单一神经网络模型；

对所述燃气耗用量进行归一化处理的计算公式为：

其中：

为所述燃气耗用量的第i个值的归一化值，Qi为所述燃气耗用量的第i个值，Qmin为所述燃气耗用量的最小值，Qmax为所述燃气耗用量的最大值；

对所述发电量进行归一化处理的计算公式为：

其中：

为所述发电量的第i个值的归一化值，Gi为所述发电量的第i个值，Gmin为所述发电量的最小值，Gmax为所述发电量的最大值。

进一步地，所述燃气轮机机组工况矩阵组A包括A1,A2,A3,…，An，A1为第一工况矩阵，A2为第二工况矩阵，A3为第三工况矩阵，An为第n工况矩阵，设定A1（Q1，R1，V1，P1，B1，G1），A2（Q2，R2，V2，P2，B2，G2），A3（Q3，R3，V3，P3，B3，G3），An（Qn，Rn，Vn，Pn，Bn，Gn）,其中Qi为燃气耗用量，Ri为压缩空气量，Vi为燃气轮机有效转速，Pi为压缩机功率，Bi为压缩比，Gi为发电量，设定i=1，2，3，…，n。

本发明另一方面提供一种根据上述任一项所述的基于混合神经网络的燃气利用率预测方法的混合神经网络的燃气利用率预测系统，包括：

获取模块，用以获取燃气轮机机组的历史数据，并将所述历史数据划分为若干个周期，在划分周期完成时，将每个周期划分为若干目标时段，在每个目标时段建立燃气轮机工况矩阵组；

比对模块，其与获取模块连接，用以将获取模块获取完成的数据进行比对，并根据比对结果对数据进行预处理；

比对单元，其设置在比对模块内，用以将获取模块建立的燃气轮机机组工况矩阵组中的工况矩阵中的参数进行比对；

调整单元，其设置在比对模块内，与所述比对单元连接，用以根据比对单元的比对结果对燃气轮机机组的工况参数、燃气耗用量、压缩空气量以及发电量进行预处理；

建立模块，其与比对模块连接，用以将比对模块预处理完成的所述工况参数、燃气耗用量、压缩空气量作为输入量，以发电量作为输出量，建立单一神经网络模型；

训练模块，其与建立模块连接，用以根据获取的历史数据中的燃气耗用量对所述建立模块建立的所述单一神经网络模型进行训练。

与现有技术相比，本发明的有益效果在于，通过获取多个预设周期内的燃气轮机机组的工况参数、燃气耗用量、压缩空气量对应的发电量，并将单个预设周期划分为若干个目标时段，将获取的工况参数、燃气耗用量、压缩空气量以及对应的发电量以目标时段进行对应划分，并以划分完成的工况参数、燃气耗用量、压缩空气量以及对应的发电量建立单一神经网络模型，当形成单一神经网络模型时以燃气耗用量为输入量训练单一神经网络模型，在训练完成时，将单一神经网络模型进行组合生成第一混合神经网络模型，并根据多个预设周期内的第一混合神经网络模型组合生成第二混合神经网络模型，在生成第二混合神经网络模型完成时，以最后一个预设周期内的燃气耗用量作为第二混合神经网络模型的输入参数，得到下一预设周期内的发电量，提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

尤其，在获取燃气轮机机组的数据完成时，建立预设周期内的工况矩阵，并对工况矩阵中的参数进行预处理，并在预处理参数完成时，建立单一神经网络模型，并根据获取的历史燃气耗用量数据和发电量数据对单一神经网络模型进行训练，并在训练完成时，将单一神经网络模型进行组合生成多个第一混合神经网络模型，以及将第一混合神经网络模型组合生成第二混合神经网络模型，进一步提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

尤其，在训练单一神经网络模型时，根据预设的迭代次数对单一神经网络模型进行训练，进一步根据单一神经网络模型输出的发电量的预测值和归一化后的发电量的实际预测误差与预设标准预测误差的比对结果判定单一神经网络模型是否训练完成，并在判定未训练完成时，对单一神经网络模型进行参数调节，进一步提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

进一步地，通过设置工况矩阵组，并将历史数据记录在多个周期的工况矩阵中组成工况矩阵组，进一步通过设置预设工况矩阵和预设参数差值矩阵，将工况矩阵组中的各工况矩阵与预设工况矩阵进行比对计算各工况矩阵中的参数与预设工况矩阵中的参数的参数差值，并根据该参数差值与预设参数差值的比对结果对预设工况矩阵组中的各工况矩阵中的参数进行处理，进一步提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

进一步地，通过在训练模块预设可信度系数并根据实际统计的输出量不同的次数确定的单一神经网络模型的可信度系数与预设可信度系数的比对结果对可信度系数低于预设可信度系数的单一神经网络模型进行剔除，并在剔除完成时，将可信度系数高于预设可信度系数的单一神经网络模型作为待训练单一神经网络模型并进行训练，在训练完成时，将多个单一神经网络模型进行组合生成第一混合神经网络模型，并将多个周期的第一混合神经网络模型组合生成第二混合神经网络模型，通过第二混合神经网络模型预测下一周期的发电量，进一步提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

进一步地，当对单一神经网络模型进行训练时，分别将输入量燃气耗用量和输出量发电量进行归一化处理，并在处理完成时，对单一神经网络模型进行训练，进一步地，当对单一神经网络模型进行训练时，根据实际预测误差与预设标准预测误差的比对结果判定单一神经网络模型是否训练完成，并当判定训练未完成时，根据实际预测误差差值与预设预测误差差值的比对结果选取对应的预设学习率以对单一神经网络模型进行调参，并当无法通过对应预设学习率进行调参克服单一神经网络模型输出的发电量的预测误差时，对迭代次数进行调节，并当调节迭代次数完成时，若判定训练未完成，对预设可信度系数进行修正，进一步提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

附图说明

图1为本发明所述一种基于混合神经网络的燃气利用率预测方法的流程图；

图2为本发明所述一种基于混合神经网络的燃气利用率预测设备的结构框图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

请参阅图1所示，其为本发明所述基于混合神经网络的燃气利用率预测方法的流程图。

本发明一方面提供一种基于混合神经网络的燃气利用率预测方法，包括：

步骤S1、通过获取模块获取燃气轮机机组的历史数据，并将所述历史数据中的工况参数、燃气耗用量、压缩空气量和对应的发电量记录在多个预设周期内，每个所述预设周期包括若干个目标时段；

步骤S2、所述获取模块根据获取的所述历史数据建立燃气轮机机组工况矩阵组A，在完成燃气轮机机组工况矩阵组A的建立时，通过比对模块将燃气轮机机组工况矩阵组中各工况矩阵内的参数进行预处理，所述预处理包括对各工况矩阵中的参数的去噪，在预处理完成时，建立模块根据每个目标时段内的工况参数、燃气耗用量、压缩空气量和对应的发电量建立单一神经网络模型；

步骤S3、在建立所述单一神经网络模型完成时，训练模块将燃气耗用量和发电量进行归一化处理，通过所述训练模块将归一化处理完成的燃气耗用量作为所述单一神经网络模型的输入量、发电量作为所述单一神经网络模型的输出量，对所述单一神经网络模型进行训练，并统计所述输入量一致但所述输出量不同的次数，根据统计的次数确定所述单一神经网络模型的可信度系数Y；

步骤S4、通过建立模块将任意周期内多个所述单一神经网络模型组合生成第一混合神经网络模型，并将多个预设周期内的第一混合神经网络模型组合生成第二混合神经网络模型；

步骤S5、以最后一个预设周期内的燃气耗用量作为第二混合神经网络模型的输入参数，得到下一预设周期内的发电量；

在所述步骤S3中，当所述训练模块确定所述可信度系数完成时，剔除可信度系数Y小于预设可信度系数Y0的所述单一神经网络模型，将可信度系数Y大于等于预设可信度系数Y0的所述单一神经网络模型进行组合以获得第一混合神经网络模型；

当所述训练模块训练所述单一神经网络模型时，将燃气耗用量作为单一神经网络模型的输入量，根据预设的迭代次数C0对所述单一神经网络模型进行训练，当训练至预设迭代次数时计算所述单一神经网络模型的输出的发电量的预测值和归一化后的发电量的实际预测误差，根据该实际预测误差与预设标准预测误差的比对结果判定所述单一神经网络模型是否训练完成，当训练模块判定单一神经网络模型训练未完成时，根据所述实际预测误差与预设标准预测误差的实际差值选取对应的预设学习率对所述单一神经网络模型进行调参；当判定无法通过对应的预设学习率进行调参克服所述单一神经网络模型输出的发电量的预测误差时，根据实际预测误差差值选取对应的迭代次数调节系数对单一神经网络模型的预设迭代次数进行调节；

当以调节后的预设迭代次数训练所述单一神经网络模型完成时，若所述训练模块判定单一神经网络模型仍未训练完成，所述训练模块根据所述实际预测误差与预设预测误差的比对结果选取对应的预设可信度系数修正量对预设可信度进行修正。

具体而言，通过获取燃气轮机的历史数据中的工况参数、燃气耗用量、压缩空气量对应的发电量，并将所述工况参数、燃气耗用量、压缩空气量对应的发电量记录在多个预设周期内，将单个预设周期划分为若干个目标时段，将获取的工况参数、燃气耗用量、压缩空气量以及对应的发电量以目标时段进行对应划分，并以划分完成的工况参数、燃气耗用量、压缩空气量以及对应的发电量建立单一神经网络模型，当形成单一神经网络模型时以燃气耗用量为输入量训练单一神经网络模型，在训练完成时，将单一神经网络模型进行组合生成第一混合神经网络模型，并根据多个预设周期内的第一混合神经网络模型组合生成第二混合神经网络模型，在获取第二混合神经网络模型完成时，以最后一个预设周期内的燃气耗用量作为第二混合神经网络模型的输入参数，得到下一预设周期内的发电量，提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

尤其，在获取燃气轮机机组的数据完成时，建立预设周期内的工况矩阵，并对工况矩阵中的参数进行预处理，并在预处理参数完成时，建立单一神经网络模型，并根据获取的历史燃气耗用量数据和发电量数据对单一神经网络模型进行训练，并在训练完成时，将单一神经网络模型进行组合生成多个第一混合神经网络模型，以及将第一混合神经网络模型组合生成第二混合神经网络模型，进一步提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

尤其，在训练单一神经网络模型时，根据预设的迭代次数对单一神经网络模型进行训练，进一步根据单一神经网络模型输出的发电量的预测值和归一化后的发电量的实际预测误差与预设标准预测误差的比对结果判定单一神经网络模型是否训练完成，并在判定未训练完成时，对单一神经网络模型进行参数调节，进一步提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

本发明实施例中，所述可信度系数Y为所述单一神经网络模型输出量与发电量不同的次数和单一神经网络模型总输出次数的比值。

本发明实施例中，所述预设周期内的工况参数、燃气耗用量、压缩空气量以及发电量为燃气轮机机组的历史数据，所述工况参数包括空气压缩机功率、压缩比以及燃气轮机机组有效转速。

本发明所述基于混合神经网络的燃气利用率预测方法，当将所述历史数据的工况参数、燃气耗用量、压缩空气量以及发电量记录在多个所述预设周期内完成时，通过获取模块建立燃气轮机机组工况矩阵组A（A1,A2,A3,…，An）,其中，A1为第一工况矩阵，A2为第二工况矩阵，A3为第三工况矩阵，An为第n工况矩阵，设定A1（Q1，R1，V1，P1，B1，G1），A2（Q2，R2，V2，P2，B2，G2），A3（Q3，R3，V3，P3，B3，G3），An（Qn，Rn，Vn，Pn，Bn，Gn）,其中Qi为燃气耗用量，Ri为压缩空气量，Vi为燃气轮机机组有效转速，Pi为压缩机功率，Bi为压缩比，Gi为发电量，设定i=1，2，3，…，n，在建立燃气轮机机组工况矩阵组完成时，将燃气轮机机组工况矩阵组中各预设工况矩阵中的各参数进行预处理；

所述获取模块中预设工况矩阵A0和预设参数差值矩阵C0，A0包括Q0，R0，V0，P0，B0，G0，其中，Q0为预设燃气耗用量，R0为预设压缩空气量，V0为预设燃气轮机机组有效转速，P0为预设压缩机功率，B0为预设压缩比，G0为预设发电量，C0包括Qc，Rc，Vc，Pc，Bc，Gc，其中，Qc为预设燃气耗用量差值，Rc为预设压缩空气量差值，Vc为预设燃气轮机机组有效转速差值，Pc为预设压缩机功率差值，Bc为预设压缩比差值，Gc为预设发电量差值，所述对预设工况矩阵中的各参数进行预处理包括将各工况矩阵中的参数与预设工况矩阵中的参数一一对应比对后进行去噪；

依次计算各工况矩阵中各参数与预设工况矩阵中各参数的差值，若其中存在单个参数的差值且该差值超出预设参数差值，则用预设工况中的对应参数替换该差值超出预设参数差值的参数；若其中存在多个参数的差值且各差值均超出预设参数差值，则用预设工况中的对应的参数分别替换各差值均超出预设参数差值的参数。

具体而言，通过设置工况矩阵组，并将历史数据记录在多个周期的工况矩阵中组成工况矩阵组，进一步通过设置预设工况矩阵和预设参数差值矩阵，将工况矩阵组中的各工况矩阵与预设工况矩阵进行比对计算各工况矩阵中的参数与预设工况矩阵中的参数的参数差值，并根据该参数差值与预设参数差值的比对结果对预设工况矩阵组中的各工况矩阵中的参数进行处理，进一步提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

本发明所述基于混合神经网络的燃气利用率预测方法，生成所述第一混合神经网络模型包括将可信度系数小于预设可信度系数Y0的所述单一神经网络模型进行剔除，将可信度系数大于等于预设可信度系数Y0的所述单一神经网络模型进行组合，生成第一混合神经网络模型；

对所述单一神经网络模型进行组合生成第一混合神经网络模型包括对多个单一神经网络模型输出的发电量的预测值与其对应的可信度系数进行加权运算后获得第一混合神经网络模型，具体计算公式为：

其中，H（t）为t时段内第一混合神经网络模型的预测值，X₁（t）为t时段内第1个单一神经网络模型输出的发电量的预测值，X₂（t）为t时段内第2个单一神经网络模型输出的发电量的预测值，X_n（t）为t时段内第n个单一神经网络模型输出的发电量的预测值，f₁（t）为t时段内第1个单一神经网络模型的预设可信度系数，f₂（t）为t时段内第2个单一神经网络模型的预设可信度系数，f_n（t）为t时段内第n个单一神经网络模型的预设可信度系数。

将多个所述预设周期内的第一混合神经网络模型组合生成第二混合神经网络模型包括将多个所述预设周期内的第一混合神经网络模型的预测值进行加和运算后，求平均值获得第二混合神经网络模型的预测值。

具体而言，通过在训练模块预设可信度系数并根据实际统计的输出量与实际发电量不同的次数确定的实际可信度系数与预设可信度系数的比对结果对可信度系数低于预设可信度系数的单一神经网络模型进行剔除，并在剔除完成时，将可信度系数高于预设可信度系数的单一神经网络模型作为待训练神经网络模型并进行训练，在训练完成时，将多个单一神经网络模型进行组合生成第一混合神经网络模型，并将多个周期的第一混合神经网络模型组合生成第二混合神经网络模型，通过第二混合神经网络模型预测下一周期的发电量，进一步提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

请继续参阅图1所示，本发明所述基于混合神经网络的燃气利用率预测方法，当所述训练模块以工况参数、燃气耗用量、压缩空气量为输入量、发电量为输出量时，所述训练模块将各工况矩阵中的燃气耗用量和发电量分别进行整合并获得燃气耗用量矩阵Q和发电量矩阵G，设定Q（Q1，Q2，Q3，…，Qn），其中Q1为第一燃气耗用量，Q2为第二燃气耗用量，Q3为第三燃气耗用量，Qn为第n燃气耗用量，G（G1，G2，G3，…，Gn）其中，G1第一发电量，G2第二发电量，G3为第三发电量，Gn为第n发电量，在整合完成时，将燃气耗用量矩阵中的燃气耗用量和发电量矩阵中的发电量进行归一化处理，在归一化处理完成时，将归一化后的燃气耗用量作为单一神经网络模型的输入量、发电量作为单一神经网络模型的输出量训练所述单一神经网络模型，

具体而言，对燃气耗用量进行归一化处理的计算公式为：

其中：

为所述燃气耗用量的第i个值的归一化值，Qi为所述燃气耗用量的第i个值，Qmin为所述燃气耗用量的最小值，Qmax为所述燃气耗用量的最大值；

对发电量进行归一化处理的计算公式为：

其中：

为所述发电量的第i个值的归一化值，Gi为所述发电量的第i个值，Gmin为所述发电量的最小值，Gmax为所述发电量的最大值；

请继续参阅图1所示，本发明所述基于混合神经网络的燃气利用率预测方法，所述训练模块设有预设标准预测误差W0，当对所述单一神经网络进行训练时，根据预设迭代次数D0对所述单一神经网络模型进行训练，当训练至预设迭代次数D0时，将单一神经网络模型输出的发电量的预测值X_i（t）与的归一化后的发电量

进行比对，计算该输出的发电量的预测值X_i（t）和归一化后的发电量

的实际预测误差W，设定W=｜X_i（t）-

｜，计算完成后将实际预测误差W与预设标准预测误差W0进行比对，若W＜W0，所述训练模块判定所述单一神经网络模型训练完成；若W≥W0，所述训练模块判定所述单一神经网络模型训练未完成，计算实际预测误差W和预设标准预测误差W0的实际预测误差差值ΔW，设定ΔW=W-W0，在计算完成时根据该实际预测误差差值与预设预测误差差值的比对结果选取对应的预设学习率对单一神经网络进行调参，

其中，所述训练模块设有第一预设预测误差差值ΔW1、第二预设预测误差差值ΔW2、第三预设预测误差差值ΔW3、第一预设学习率E1、第二预设学习率E2以及第三预设学习率E3，其中ΔW1＜ΔW2＜ΔW3，E1＜E2＜E3，

当ΔW≤ΔW1时，所述训练模块选取第一预设学习率E1对所述单一神经网络模型进行参数调节；

当ΔW1＜ΔW≤ΔW2时，所述训练模块选取第二预设学习率E2对所述单一神经网络模型进行参数调节；

当ΔW2＜ΔW≤ΔW3时，所述训练模块选取第三预设学习率E3对所述单一神经网络模型进行参数调节；

当ΔW＞ΔW3时，所述训练模块判定所述单一神经网络模型训练误差较大，无法通过预设学习率进行调参克服单一神经网络模型输出的发电量的预测误差，训练模块根据所述实际预测误差差值ΔW与第三预设预测误差差值ΔW3的比对结果选取对应的预设迭代次数调节系数对预设迭代次数进行调节，

其中，所述训练模块还设有第一预设迭代次数调节系数K1、第二预设迭代次数调节系数K2以及第三预设迭代次数调节系数K3，设定1＜K1＜K2＜K3＜2，

当ΔW3＜ΔW≤1.2×ΔW3时，所述训练模块选取第一预设迭代次数调节系数K1对预设迭代次数进行调节；

当1.2×ΔW3＜ΔW≤1.5×ΔW3时，所述训练模块选取第二预设迭代次数调节系数K2对预设迭代次数进行调节；

当ΔW＞1.5×ΔW3时，所述训练模块选取第三预设迭代次数调节系数K3对预设迭代次数进行调节；

当所述训练模块选取第i预设迭代次数调节系数Ki对预设迭代次数进行调节时，设定i=1，2，3，训练模块将调节后的预设迭代次数设置为D1，设定D1=D0×Ki。

当完成对所述预设迭代次数的调节时，所述训练模块将所述单一神经网络模型训练至调节后的预设迭代次数后，根据所述单一神经网络模型输出的发电量的预测值X_i（t）与的归一化后的发电量再次进行比对，并根据比对结果确定单一神经网络模型是否训练完成，当判定单一神经网络模型训练未完成时，根据实际预测误差W与预设预测误差的比对结果选取对应的预设可信度系数修正量对预设可信度系数进行修正，

其中，所述训练模块还设有第一预设预测误差W1、第二预设预测误差W2以及第三预设预测误差W3、第一预设可信度系数修正量ΔY1、第二预设可信度系数修正量ΔY2以及第三预设可信度系数修正量ΔY3，其中W1＜W2＜W3，ΔY1＜ΔY2＜ΔY3，

当W≤W1时，选取第一预设可信度系数修正量ΔY1对预设可信度系数进行修正；

当W1＜W≤W2时，选取第二预设可信度系数修正量ΔY2对预设可信度系数进行修正；

当W2＜W≤W3时，选取第三预设可信度系数修正量ΔY3对预设可信度系数进行修正；

当所述训练模块选取第j预设可信度系数修正量ΔYj对预设可信度系数进行修正时，设定j=1，2，3，将修正后的预设可信度系数设置为Y0＇，设定Y0＇=Y0-ΔYj。

具体而言，当对单一神经网络模型进行训练时，分别将输入量燃气耗用量和输出量发电量进行归一化处理，并在处理完成时，对单一神经网络模型进行训练，进一步地，当对单一神经网络模型进行训练时，根据实际预测误差与预设标准预测误差的比对结果判定单一神经网络模型是否训练完成，并当判定训练未完成时，根据实际预测误差差值与预设预测误差差值的比对结果选取对应的预设学习率以对单一神经网络模型进行调参，并当无法通过对应学习率进行调参克服单一神经网络模型输出的发电量的预测误差时，对迭代次数进行调节，并当调节迭代次数完成时，若判定训练未完成，对可信度系数进行修正，进一步提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

请参阅图2所示，其为本发明所述一种基于混合神经网络的燃气利用率预测设备的结构框图。

本发明另一方面提供一种基于混合神经网络的燃气利用率预测方法的混合神经网络的燃气利用率预测设备，包括：

获取模块，用以获取燃气轮机机组的历史数据，并将所述历史数据划分为若干个周期，在划分周期完成时，将每个周期划分为若干目标时段，在每个目标时段建立燃气轮机机组工况矩阵组；

比对模块，其与获取模块连接，用以将获取模块获取完成的数据进行比对，并根据比对结果对数据进行预处理；

比对单元，其设置在比对模块内，用以将获取模块建立的燃气轮机机组工况矩阵组中的工况矩阵中的参数进行比对；

调整单元，其设置在比对模块内，与所述比对单元连接，用以根据比对单元的比对结果对燃气轮机机组的工况参数、燃气耗用量、压缩空气量以及发电量进行预处理；

建立模块，其与比对模块连接，用以将比对模块预处理完成的所述工况参数、燃气耗用量、压缩空气量作为输入量，以发电量作为输出量，建立单一神经网络模型；

训练模块，其与建立模块连接，用以根据获取的历史数据中的燃气耗用量对所述建立模块建立的所述单一神经网络模型进行训练。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。 凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于混合神经网络的燃气利用率预测方法，其特征在于，包括：

步骤S1、通过获取模块获取燃气轮机机组的历史数据，并将所述历史数据中的工况参数、燃气耗用量、压缩空气量和对应的发电量记录在多个预设周期内，每个所述预设周期包括若干个目标时段；

步骤S2、所述获取模块根据获取的所述历史数据建立燃气轮机机组工况矩阵组A，在完成燃气轮机机组工况矩阵组A的建立时，通过比对模块将燃气轮机机组工况矩阵组中各工况矩阵内的参数进行预处理，所述预处理包括对各工况矩阵中的参数的去噪，在预处理完成时，建立模块根据每个目标时段内的工况参数、燃气耗用量、压缩空气量和对应的发电量建立单一神经网络模型；

步骤S3、在建立所述单一神经网络模型完成时，训练模块将燃气耗用量和发电量进行归一化处理，通过所述训练模块将归一化处理完成的燃气耗用量作为所述单一神经网络模型的输入量、发电量作为所述单一神经网络模型的输出量，对所述单一神经网络模型进行训练，并统计所述输入量一致但所述输出量不同的次数，根据统计的次数确定所述单一神经网络模型的可信度系数Y；

步骤S4、通过建立模块将任意周期内多个所述单一神经网络模型组合生成第一混合神经网络模型，并将多个预设周期内的第一混合神经网络模型组合生成第二混合神经网络模型；

步骤S5、以最后一个预设周期内的燃气耗用量作为第二混合神经网络模型的输入参数，得到下一预设周期内的发电量；

在所述步骤S3中，当所述训练模块确定所述可信度系数完成时，剔除可信度系数Y小于预设可信度系数Y0的所述单一神经网络模型，将可信度系数Y大于等于预设可信度系数Y0的所述单一神经网络模型进行组合以获得第一混合神经网络模型；

当所述训练模块训练所述单一神经网络模型时，将燃气耗用量作为单一神经网络模型的输入量，根据预设迭代次数C0对所述单一神经网络模型进行训练，当训练至预设迭代次数时计算所述单一神经网络模型输出的发电量的预测值和归一化后的所述发电量的实际预测误差，根据该实际预测误差与预设标准预测误差的比对结果判定所述单一神经网络模型是否训练完成，当训练模块判定单一神经网络模型训练未完成时，根据所述实际预测误差与预设标准预测误差的实际预测误差差值选取对应的预设学习率对所述单一神经网络模型进行调参；当判定无法通过对应的预设学习率进行调参克服所述单一神经网络模型输出的发电量的预测误差时，根据实际预测误差差值选取对应的迭代次数调节系数对单一神经网络模型的预设迭代次数进行调节；

当以调节后的预设迭代次数训练所述单一神经网络模型完成时，若所述训练模块判定单一神经网络模型仍未训练完成，所述训练模块根据实际预测误差与预设预测误差的比对结果选取对应的预设可信度系数修正量对预设可信度进行修正。

2.根据权利要求1所述的基于混合神经网络的燃气利用率预测方法，其特征在于，所述获取模块中设有预设工况矩阵A0和预设工况参数差值矩阵C0，A0包括Q0，R0，V0，P0，B0，G0，其中，Q0为预设燃气耗用量，R0为预设压缩空气量，V0为预设燃气轮机机组有效转速，P0为预设压缩机功率，B0为预设压缩比，G0为预设发电量，C0包括Qc，Rc，Vc，Pc，Bc，Gc，其中，Qc为预设燃气耗用量差值，Rc为预设压缩空气量差值，Vc为预设燃气轮机机组有效转速差值，Pc为预设压缩机功率差值，Bc为预设压缩比差值，Gc为预设发电量差值；

当对各工况矩阵中的参数进行去噪时，所述比对模块将各工况矩阵中的参数与预设工况矩阵中的参数进行一一对应比对，依次计算各工况矩阵中各参数与预设工况矩阵中各参数的差值，若其中存在单个参数的差值超出所述预设工况参数差值矩阵中的预设参数差值，所述比对模块用预设工况矩阵中的对应参数替换所述工况矩阵中的参数；若其中存在多个参数的差值且各差值均超出预设参数差值，则用预设工况中的对应的参数分别替换所述工况矩阵中的多个参数。

3.根据权利要求2所述的基于混合神经网络的燃气利用率预测方法，其特征在于，所述训练模块设有预设标准预测误差W0，当对所述单一神经网络进行训练时，根据预设迭代次数D0对所述单一神经网络模型进行训练，当训练至预设迭代次数D0时，将单一神经网络模型输出的发电量的预测值X_i（t）与的归一化后的发电量

进行比对，计算该输出的发电量的预测值X_i（t）和归一化后的发电量

的实际预测误差W，设定W=｜X_i（t）-

｜，计算完成后将实际预测误差W与预设标准预测误差W0进行比对，若W＜W0，所述训练模块判定所述单一神经网络模型训练完成；若W≥W0，所述训练模块判定所述单一神经网络模型训练未完成，计算实际预测误差W和预设标准预测误差W0的实际预测误差差值ΔW，设定ΔW=W-W0，在计算完成时根据该实际预测误差差值与预设预测误差差值的比对结果选取对应的预设学习率对单一神经网络进行调参，

其中，所述训练模块设有第一预设预测误差差值ΔW1、第二预设预测误差差值ΔW2、第三预设预测误差差值ΔW3、第一预设学习率E1、第二预设学习率E2以及第三预设学习率E3，其中ΔW1＜ΔW2＜ΔW3，E1＜E2＜E3，

当ΔW≤ΔW1时，所述训练模块选取第一预设学习率E1对所述单一神经网络模型进行参数调节；

当ΔW1＜ΔW≤ΔW2时，所述训练模块选取第二预设学习率E2对所述单一神经网络模型进行参数调节；

当ΔW2＜ΔW≤ΔW3时，所述训练模块选取第三预设学习率E3对所述单一神经网络模型进行参数调节。

4.根据权利要求3所述的基于混合神经网络的燃气利用率预测方法，其特征在于，当ΔW＞ΔW3时，所述训练模块判定所述单一神经网络模型训练误差较大，无法通过预设学习率进行调参克服单一神经网络模型输出的发电量的预测误差，所述训练模块根据所述实际预测误差差值ΔW与第三预设预测误差差值ΔW3的比对结果选取对应的预设迭代次数调节系数对预设迭代次数进行调节，

其中，所述训练模块还设有第一预设迭代次数调节系数K1、第二预设迭代次数调节系数K2以及第三预设迭代次数调节系数K3，设定1＜K1＜K2＜K3＜2，

当ΔW3＜ΔW≤1.2×ΔW3时，所述训练模块选取第一预设迭代次数调节系数K1对预设迭代次数进行调节；

当1.2×ΔW3＜ΔW≤1.5×ΔW3时，所述训练模块选取第二预设迭代次数调节系数K2对预设迭代次数进行调节；

当ΔW＞1.5×ΔW3时，所述训练模块选取第三预设迭代次数调节系数K3对预设迭代次数进行调节；

当所述训练模块选取第i预设迭代次数调节系数Ki对预设迭代次数进行调节时，设定i=1，2，3，训练模块将调节后的预设迭代次数设置为D1，设定D1=D0×Ki。

5.根据权利要求4所述的基于混合神经网络的燃气利用率预测方法，其特征在于，当完成对所述预设迭代次数的调节时，所述训练模块将所述单一神经网络模型训练至调节后的预设迭代次数后，根据所述单一神经网络模型输出的发电量的预测值X_i（t）与的归一化后的发电量

再次进行比对，并根据比对结果确定单一神经网络模型是否训练完成，当判定单一神经网络模型训练未完成时，根据实际预测误差W与预设预测误差的比对结果选取对应的可信度系数修正量对预设可信度系数进行修正，

其中，所述训练模块还设有第一预设预测误差W1、第二预设预测误差W2以及第三预设预测误差W3、第一预设可信度系数修正量ΔY1、第二预设可信度系数修正量ΔY2以及第三预设可信度系数修正量ΔY3，其中W1＜W2＜W3，ΔY1＜ΔY2＜ΔY3，

当W≤W1时，所述训练模块选取第一预设可信度系数修正量ΔY1对预设可信度系数进行修正；

当W1＜W≤W2时，所述训练模块选取第二预设可信度系数修正量ΔY2对预设可信度系数进行修正；

当W2＜W≤W3时，所述训练模块选取第三预设可信度系数修正量ΔY3对预设可信度系数进行修正；

当所述训练模块选取第j预设可信度系数修正量ΔYj对预设可信度系数进行修正时，设定j=1，2，3，将修正后的预设可信度系数设置为Y0＇，设定Y0＇=Y0-ΔYj。

6.根据权利要求5所述的基于混合神经网络的燃气利用率预测方法，其特征在于，对所述单一神经网络模型进行组合获得第一混合神经网络模型包括对多个单一神经网络模型的输出的发电量的预测值与其对应的可信度系数进行加权运算后获得第一混合神经网络模型，具体计算公式为：

其中，H（t）为t时段内第一混合神经网络模型的预测值，X₁（t）为t时段内第1个单一神经网络模型输出的发电量的预测值，X₂（t）为t时段内第2个单一神经网络模型输出的发电量的预测值，X_n（t）为t时段内第n个单一神经网络模型输出的发电量的预测值，f₁（t）为t时段内第1个单一神经网络模型的可信度系数，f₂（t）为t时段内第2个单一神经网络模型的可信度系数，f_n（t）为t时段内第n个单一神经网络模型的可信度系数。

7.根据权利要求6所述的基于混合神经网络的燃气利用率预测方法，其特征在于，在所述步骤S4中，将多个所述预设周期内的第一混合神经网络模型组合生成第二混合神经网络模型包括将所述多个所述预设周期内的第一混合神经网络模型输出的预测值进行加和运算后，求平均值得到第二混合神经网络模型的预测值。

8.根据权利要求7所述的基于混合神经网络的燃气利用率预测方法，其特征在于，当所述训练模块训练单一神经网络模型时，所述训练模块将各工况矩阵中的所述燃气耗用量和发电量分别进行整合，获得燃气耗用量矩阵Q和发电量矩阵G，设定Q（Q1，Q2，Q3，…，Qn），其中Q1为第一燃气耗用量，Q2为第二燃气耗用量，Q3为第三燃气耗用量，Qn为第n燃气耗用量，G（G1，G2，G3，…，Gn）其中，G1第一发电量，G2第二发电量，G3为第三发电量，Gn为第n发电量，在整合完成时，将所述燃气耗用量矩阵中的燃气耗用量和所述发电量矩阵中的发电量进行归一化处理，在归一化处理完成时，将归一化后的燃气耗用量作为所述单一神经网络模型的输入量，并将发电量作为所述单一神经网络模型的输出量训练所述单一神经网络模型；

对所述燃气耗用量进行归一化处理的计算公式为：

其中：

为所述燃气耗用量的第i个值的归一化值，Qi为所述燃气耗用量的第i个值，Qmin为所述燃气耗用量的最小值，Qmax为所述燃气耗用量的最大值；

对所述发电量进行归一化处理的计算公式为：

其中：

为所述发电量的第i个值的归一化值，Gi为所述发电量的第i个值，Gmin为所述发电量的最小值，Gmax为所述发电量的最大值。

9.根据权利要求1所述的基于混合神经网络的燃气利用率预测方法，其特征在于，所述燃气轮机机组工况矩阵组A包括A1,A2,A3,…，An，A1为第一工况矩阵，A2为第二工况矩阵，A3为第三工况矩阵，An为第n工况矩阵，设定A1（Q1，R1，V1，P1，B1，G1），A2（Q2，R2，V2，P2，B2，G2），A3（Q3，R3，V3，P3，B3，G3），An（Qn，Rn，Vn，Pn，Bn，Gn）,其中Qi为燃气耗用量，Ri为压缩空气量，Vi为燃气轮机有效转速，Pi为压缩机功率，Bi为压缩比，Gi为发电量，设定i=1，2，3，…，n。

10.一种根据权利要求1-9任一项所述基于混合神经网络的燃气利用率预测方法的混合神经网络的燃气利用率预测系统，其特征在于，包括：

获取模块，用以获取燃气轮机机组的历史数据，并将所述历史数据划分为若干个周期，在划分周期完成时，将每个周期划分为若干目标时段，在每个目标时段建立燃气轮机工况矩阵组；

比对模块，其与获取模块连接，用以将获取模块获取完成的数据进行比对，并根据比对结果对数据进行预处理；

比对单元，其设置在比对模块内，用以将获取模块建立的燃气轮机机组工况矩阵组中的工况矩阵中的参数进行比对；

调整单元，其设置在比对模块内，与所述比对单元连接，用以根据比对单元的比对结果对燃气轮机机组的工况参数、燃气耗用量、压缩空气量以及发电量进行预处理；

建立模块，其与比对模块连接，用以将比对模块预处理完成的所述工况参数、燃气耗用量、压缩空气量作为输入量，以发电量作为输出量，建立单一神经网络模型；

训练模块，其与建立模块连接，用以根据获取的历史数据中的燃气耗用量对所述建立模块建立的所述单一神经网络模型进行训练。

Images