CN114576554A - 一种基于神经网络的氢气压缩模块控制方法及装置 - Google Patents

一种基于神经网络的氢气压缩模块控制方法及装置 Download PDF

Info

Publication number
CN114576554A
CN114576554A CN202210486312.2A CN202210486312A CN114576554A CN 114576554 A CN114576554 A CN 114576554A CN 202210486312 A CN202210486312 A CN 202210486312A CN 114576554 A CN114576554 A CN 114576554A
Authority
CN
China
Prior art keywords
compression module
compression
neural network
module
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
CN202210486312.2A
Other languages
English (en)
Other versions
CN114576554B (zh
Inventor
刘韬
李煦侃
周雨轩
周慎学
缪文峰
张国民
王峰
冯成
潘尘
刘洪涛
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.)
Zhejiang Zheneng Aerospace Hydrogen Energy Technology Co ltd
Original Assignee
Zhejiang Zheneng Aerospace Hydrogen Energy Technology 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 Zhejiang Zheneng Aerospace Hydrogen Energy Technology Co ltd filed Critical Zhejiang Zheneng Aerospace Hydrogen Energy Technology Co ltd
Priority to CN202210486312.2A priority Critical patent/CN114576554B/zh
Publication of CN114576554A publication Critical patent/CN114576554A/zh
Application granted granted Critical
Publication of CN114576554B publication Critical patent/CN114576554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C5/00—Methods or apparatus for filling containers with liquefied, solidified, or compressed gases under pressures
    • F17C5/06—Methods or apparatus for filling containers with liquefied, solidified, or compressed gases under pressures for filling with compressed gases
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C13/00—Details of vessels or of the filling or discharging of vessels
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C13/00—Details of vessels or of the filling or discharging of vessels
    • F17C13/02—Special adaptations of indicating, measuring, or monitoring equipment
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C13/00—Details of vessels or of the filling or discharging of vessels
    • F17C13/02—Special adaptations of indicating, measuring, or monitoring equipment
    • F17C13/025—Special adaptations of indicating, measuring, or monitoring equipment having the pressure as the parameter
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C13/00—Details of vessels or of the filling or discharging of vessels
    • F17C13/02—Special adaptations of indicating, measuring, or monitoring equipment
    • F17C13/026—Special adaptations of indicating, measuring, or monitoring equipment having the temperature as the parameter
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C2221/00—Handled fluid, in particular type of fluid
    • F17C2221/01—Pure fluids
    • F17C2221/012—Hydrogen
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C2227/00—Transfer of fluids, i.e. method or means for transferring the fluid; Heat exchange with the fluid
    • F17C2227/01—Propulsion of the fluid
    • F17C2227/0128—Propulsion of the fluid with pumps or compressors
    • F17C2227/0157—Compressors
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C2250/00—Accessories; Control means; Indicating, measuring or monitoring of parameters
    • F17C2250/04—Indicating or measuring of parameters as input values
    • F17C2250/0404—Parameters indicated or measured
    • F17C2250/043—Pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C2250/00—Accessories; Control means; Indicating, measuring or monitoring of parameters
    • F17C2250/04—Indicating or measuring of parameters as input values
    • F17C2250/0404—Parameters indicated or measured
    • F17C2250/0439—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C2250/00—Accessories; Control means; Indicating, measuring or monitoring of parameters
    • F17C2250/06—Controlling or regulating of parameters as output values
    • F17C2250/0689—Methods for controlling or regulating
    • F17C2250/0694—Methods for controlling or regulating with calculations
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明实施例提供一种基于神经网络的氢气压缩模块控制方法及装置，所述方法包括：以压缩参数及出口压力作为输入，进行神经网络模型训练，获取压力常量输入到模型，调节可调节参数，使得出口压力等于压力常量，得到压缩参数对应的参数组；以压缩参数、压缩模块输出流量及耗电量作为输入数据，进行神经网络模型模型训练；将参数组输入到模型，得到输出流量及耗电量，并根据实际压缩需求进行权值赋值，根据输出流量及权值、耗电量及权值计算得到的最大值对应的最佳参数组，并输出。采用本方法能够通过结合神经网络算法，按工况需求启动压缩机，在压缩机使用期间保证负荷分配的最优化，确保各压缩机运行在高效率负荷区间，以降低加氢站系统整体能耗。

Description

一种基于神经网络的氢气压缩模块控制方法及装置
技术领域
本发明涉及新能源技术领域，尤其涉及一种基于神经网络的氢气压缩模块控制方法及装置。
背景技术
氢气作为燃料电池车辆的燃料目前主要通过氢瓶储存，需要在加氢站中通过专门的加氢机加注氢气，利用加氢机的储氢罐内的高压氢气与车辆的氢瓶内的低压氢气的压力差，将氢气加注至氢瓶内，在加氢机控制中，从增压模块中出来的高压氢气，经过加氢站内预冷器的处理后，变成预冷后的低温高压氢气，在加氢站氢气加注过程中，增压模块是整套系统能耗最高的部分。
目前的现有技术中，并未有对加氢站内增压模块进行出力智能优化控制的方法和系统。现阶段对增压模块中压缩机控制限于通过对电磁阀的控制实现最基本的启停操作，运行时，各级压缩机或全启，或全停，没有任何的调整优化步骤。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种基于神经网络的氢气压缩模块控制方法及装置。
本发明实施例提供一种基于神经网络的氢气压缩模块控制方法，包括：
获取压缩模块历史工作记录中的压缩参数及压缩模块出口压力，以所述压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，得到压缩参数及压缩模块出口压力的单输出神经网络模型，所述压缩模块由N台连接的压缩机组成，所述压缩参数包括：压缩模块的入口温度、入口压力、环境温度及N台压缩机的启动情况、入口温度、入口压力、出口温度、出口压力、液压油压力、液压油流量、液压油温度；
获取压缩模块出口压力对应的压力常量，将所述压力常量输入到所述单输出神经网络模型，调节所述压缩参数中的可调节参数，使得所述单输出神经网络输出的压缩模块出口压力等于所述压力常量，并对调节后的压缩参数进行记录，得到对应的参数组，所述可调节参数包括：N台压缩机的启动情况、液压油压力、液压油流量；
获取压缩模块历史工作记录中的压缩模块输出流量及压缩模块耗电量，以所述压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，得到压缩参数、压缩模块输出流量及压缩模块耗电量的双输出神经网络模型；
将所述参数组输入到所述双输出神经网络模型，得到输出的压缩模块输出流量及压缩模块耗电量，对所述压缩模块输出流量及压缩模块耗电量进行归一化处理，得到归一化后的压缩模块输出流量及压缩模块耗电量；
获取实际压缩需求，根据所述实际压缩需求对所述压缩模块输出流量及压缩模块耗电量进行权值赋值，并根据压缩模块输出流量及对应权值、压缩模块耗电量及对应权值计算得到对应的压缩模块工作值，并选取所述压缩模块工作值中最大值对应的最佳参数组，输出所述最佳参数组。
在其中一个实施例中，所述方法还包括：
所述单输出神经网络模型、双输出神经网络模型包括输入层、隐层和输出层三层节点；
所述以压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，包括：
对所述输入数据进行归一化处理，并将归一化处理后的输入数据输入到单输出神经网络模型的输入层，并通过单输出神经网络模型的训练确定单输出神经网络模型的隐层的节点个数，并通过单输出神经网络模型的输出层输出训练后的压缩模块出口压力；
所述以压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，包括：
对所述输入数据进行归一化处理，并将归一化处理后的输入数据输入到双输出神经网络模型的输入层，并通过双输出神经网络模型的训练确定双输出神经网络模型的隐层的节点个数，并通过双输出神经网络模型的输出层输出训练后的压缩模块输出流量及压缩模块耗电量。
在其中一个实施例中，所述压缩模块由5台压缩机组成，包括：
由3台压缩机并联组成第一级模块，由2台压缩机并联组成第二级模块，所述第一级模块与第二级模块之间通过串联连接。
在其中一个实施例中，所述方法还包括：
将5台压缩机的出口温度和出口压力通过理想气体方程换算成所述压缩模块的入口温度下的理想压力，并计算每一级的压缩机的理想压力的平均压力值；
将5台压缩机的理想压力分别与对应每一级的平均压力值进行对比，当对比结果中理想压力与对应每一级的平均压力值的差值大于预设阈值时，输出所述理想压力对应的压缩机的报警信息。
在其中一个实施例中，所述方法还包括：
获取压缩机的累计工作时长，并当检测到同一级的压缩机之间的累计工作时长差大于预设时长时，通过压缩机调度优化算法调节压缩机的工作进行调度，所述调度优化算法包括：
Figure 821795DEST_PATH_IMAGE002
Figure 431768DEST_PATH_IMAGE004
其中，
Figure 962368DEST_PATH_IMAGE006
为第一级模块中累计工作时长最长的压缩机的累计工作时长；
Figure 265174DEST_PATH_IMAGE008
为第一级模块中累计工作时长最短的压缩机的累计工作时长；
Figure 746971DEST_PATH_IMAGE010
为第二级模块中累计工作时长最长的压缩机的累计工作时长；
Figure 160635DEST_PATH_IMAGE012
为第一级模块中累计工作时长最短的压缩机的累计工作时；
Figure 841015DEST_PATH_IMAGE014
Figure 49142DEST_PATH_IMAGE016
其中，
Figure 18235DEST_PATH_IMAGE018
为第一级模块中当前选定的第n台压缩机的工作时间数；
Figure 471475DEST_PATH_IMAGE020
为第二级模块中当前选定的第m台压缩机的工作时间数；
并通过所述调度优化算法结合所述压缩模块工作值的计算公式，得到调度优化公式，并通过所述调度优化公式计算得到压缩机工作分析值，并通过所述压缩机工作分析值对所述压缩模块中每一级的压缩机的启动情况进行调度；
所述压缩模块工作值的计算公式，包括：
Figure 271941DEST_PATH_IMAGE022
其中，所述K为压缩模块工作值，Y1为压缩模块耗电量，Y2为压缩模块输出流量，μ1为压缩模块输出流量的对应权值；
所述调度优化公式，包括：
Figure DEST_PATH_IMAGE023
其中，所述K1为压缩机工作分析值，μ2为第一级模块中各台压缩机累计工作时长差的占比赋值，μ3为第二级模块中各台压缩机累计工作时长差的占比赋值，k为第一级压缩机工作的总台数，L为第二级压缩机工作的总台数。
本发明实施例提供一种基于神经网络的氢气压缩模块控制装置，包括：
第一训练模块，用于获取压缩模块历史工作记录中的压缩参数及压缩模块出口压力，以所述压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，得到压缩参数及压缩模块出口压力的单输出神经网络模型，所述压缩模块由N台连接的压缩机组成，所述压缩参数包括：压缩模块的入口温度、入口压力、环境温度及N台压缩机的启动情况、入口温度、入口压力、出口温度、出口压力、液压油压力、液压油流量、液压油温度；
获取模块，用于获取压缩模块出口压力对应的压力常量，将所述压力常量输入到所述单输出神经网络模型，调节所述压缩参数中的可调节参数，使得所述单输出神经网络输出的压缩模块出口压力等于所述压力常量，并对调节后的压缩参数进行记录，得到对应的参数组，所述可调节参数包括：N台压缩机的启动情况、液压油压力、液压油流量；
第二训练模块，用于获取压缩模块历史工作记录中的压缩模块输出流量及压缩模块耗电量，以所述压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，得到压缩参数、压缩模块输出流量及压缩模块耗电量的双输出神经网络模型；
输入模块，用于将所述参数组输入到所述双输出神经网络模型，得到输出的压缩模块输出流量及压缩模块耗电量，对所述压缩模块输出流量及压缩模块耗电量进行归一化处理，得到归一化后的压缩模块输出流量及压缩模块耗电量；
计算模块，用于获取实际压缩需求，根据所述实际压缩需求对所述压缩模块输出流量及压缩模块耗电量进行权值赋值，并根据压缩模块输出流量及对应权值、压缩模块耗电量及对应权值计算得到对应的压缩模块工作值，并选取所述压缩模块工作值中最大值对应的最佳参数组，输出所述最佳参数组。
在其中一个实施例中，所述装置还包括：
第三训练模块，用于对所述输入数据进行归一化处理，并将归一化处理后的输入数据输入到单输出神经网络模型的输入层，并通过单输出神经网络模型的训练确定单输出神经网络模型的隐层的节点个数，并通过单输出神经网络模型的输出层输出训练后的压缩模块出口压力；
第四训练模块，用于对所述输入数据进行归一化处理，并将归一化处理后的输入数据输入到双输出神经网络模型的输入层，并通过双输出神经网络模型的训练确定双输出神经网络模型的隐层的节点个数，并通过双输出神经网络模型的输出层输出训练后的压缩模块输出流量及压缩模块耗电量。
在其中一个实施例中，所述装置还包括：
第二计算模块，用于将5台压缩机的出口温度和出口压力通过理想气体方程换算成所述压缩模块的入口温度下的理想压力，并计算每一级的压缩机的理想压力的平均压力值；
对比模块，用于将5台压缩机的理想压力分别与对应每一级的平均压力值进行对比，当对比结果中理想压力与对应每一级的平均压力值的差值大于预设阈值时，输出所述理想压力对应的压缩机的报警信息。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于神经网络的氢气压缩模块控制方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于神经网络的氢气压缩模块控制方法的步骤。
本发明实施例提供的一种基于神经网络的氢气压缩模块控制方法及装置，获取压缩模块历史工作记录中的压缩参数及压缩模块出口压力，以压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，得到压缩参数及压缩模块出口压力的单输出神经网络模型，压缩模块由N台连接的压缩机组成，压缩参数包括：压缩模块的入口温度、入口压力、环境温度及N台压缩机的启动情况、入口温度、入口压力、出口温度、出口压力、液压油压力、液压油流量、液压油温度；获取压缩模块出口压力对应的压力常量，将压力常量输入到单输出神经网络模型，调节压缩参数中的可调节参数，使得单输出神经网络输出的压缩模块出口压力等于压力常量，并对调节后的压缩参数进行记录，得到对应的参数组，可调节参数包括：N台压缩机的启动情况、液压油压力、液压油流量；获取压缩模块历史工作记录中的压缩模块输出流量及压缩模块耗电量，以压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，得到压缩参数、压缩模块输出流量及压缩模块耗电量的双输出神经网络模型；将参数组输入到双输出神经网络模型，得到输出的压缩模块输出流量及压缩模块耗电量，对压缩模块输出流量及压缩模块耗电量进行归一化处理，得到归一化后的压缩模块输出流量及压缩模块耗电量；获取实际压缩需求，根据实际压缩需求对压缩模块输出流量及压缩模块耗电量进行权值赋值，并根据压缩模块输出流量及对应权值、压缩模块耗电量及对应权值计算得到对应的压缩模块工作值，并选取压缩模块工作值中最大值对应的最佳参数组，输出最佳参数组。这样通过结合神经网络算法，按工况需求启动压缩机，并在压缩机使用期间保证负荷分配的最优化，确保各压缩机运行在高效率负荷区间，以降低加氢站系统整体能耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例中一种基于神经网络的氢气压缩模块控制方法的流程图；
图2为本发明实施例中一种基于神经网络的氢气压缩模块控制装置的结构图；
图3为本发明实施例中电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种基于神经网络的氢气压缩模块控制方法的流程示意图，如图1所示，本发明实施例提供了一种基于神经网络的氢气压缩模块控制方法，包括：
步骤S101，获取压缩模块历史工作记录中的压缩参数及压缩模块出口压力，以所述压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，得到压缩参数及压缩模块出口压力的单输出神经网络模型，所述压缩模块由N台连接的压缩机组成，所述压缩参数包括：压缩模块的入口温度、入口压力、环境温度及N台压缩机的启动情况、入口温度、入口压力、出口温度、出口压力、液压油压力、液压油流量、液压油温度。
具体地，从压缩模块的历史工作记录中可以选取历史压缩参数及压缩模块出口压力，其中，压缩模块为N台连接的压缩机组成，比如可以由5台压缩机组成，分为第一级与第二级，其中第一级由3台压缩机并联组成，第二级由2台压缩机并联组成，一般第一级负责低压区间压缩，第二级负责高压区间压缩，第一级、第二级之间串联布置，以满足增压需求，压缩参数可以包括压缩模块的入口温度、入口压力、环境温度及N台压缩机的启动情况、入口温度、入口压力、出口温度、出口压力、液压油压力、液压油流量、液压油温度，然后以压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，单输出神经网络模型可以为误差反向传播神经网络，是一种前向映射网络，也简称为BP神经网络，主要包含输入层、隐层和输出层三层节点，神经元用节点表示，隐层可以是一层也可以是多层，首先对输入数据进行归一化处理，并将归一化处理后的输入数据输入到单输出神经网络模型的输入层，并通过单输出神经网络模型的训练确定单输出神经网络模型的隐层的节点个数，然后通过单输出神经网络模型的输出层输出训练后的压缩模块出口压力。
步骤S102，获取压缩模块出口压力对应的压力常量，将所述压力常量输入到所述单输出神经网络模型，调节所述压缩参数中的可调节参数，使得所述单输出神经网络输出的压缩模块出口压力等于所述压力常量，并对调节后的压缩参数进行记录，得到对应的参数组，所述可调节参数包括：N台压缩机的启动情况、液压油压力、液压油流量。
具体地，获取压缩模块出口压力对应的压力常量，其中，压力常量表示压缩模块工作情况最理想时的出口压力，可以为35MPa或70MPa，将压力常量输入到单输出神经网络模型，调整压缩参数中的可调节参数，使得单输出神经网络输出的压缩模块出口压力等于压力常量，其中，压缩参数中能够调节的参数包括：N台压缩机的启动情况、液压油压力、液压油流量，调节方案在可调节参数内自由调节，比如只调节1号压缩机的液压油压力，或者调节每台压缩机的液压油流量，或者调节3、4、5号压缩机的启动情况等等，得到调节后的压缩参数并进行记录，得到多组对应的参数组。
步骤S103，获取压缩模块历史工作记录中的压缩模块输出流量及压缩模块耗电量，以所述压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，得到压缩参数、压缩模块输出流量及压缩模块耗电量的双输出神经网络模型。
具体地，从压缩模块的历史工作记录中还可以选取压缩模块输出流量及压缩模块耗电量，然后以压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，双输出神经网络模型可以为误差反向传播神经网络，是一种前向映射网络，也简称为BP神经网络，主要包含输入层、隐层和输出层三层节点，神经元用节点表示，隐层可以是一层也可以是多层，首先对输入数据进行归一化处理，并将归一化处理后的输入数据输入到双输出神经网络模型的输入层，并通过双输出神经网络模型的训练确定双输出神经网络模型的隐层的节点个数，然后通过双输出神经网络模型的输出层输出训练后的压缩模块输出流量及压缩模块耗电量。
步骤S104，将所述参数组输入到所述双输出神经网络模型，得到输出的压缩模块输出流量及压缩模块耗电量，对所述压缩模块输出流量及压缩模块耗电量进行归一化处理，得到归一化后的压缩模块输出流量及压缩模块耗电量。
具体地，将多组参数组入到双输出神经网络模型，得到双输出神经网络模型输出的多组压缩模块输出流量及压缩模块耗电量，并对压缩模块输出流量及压缩模块耗电量的数据进行归一化处理，得到归一化后的多组压缩模块输出流量及压缩模块耗电量数据。
步骤S105，获取实际压缩需求，根据所述实际压缩需求对所述压缩模块输出流量及压缩模块耗电量进行权值赋值，并根据压缩模块输出流量及对应权值、压缩模块耗电量及对应权值计算得到对应的压缩模块工作值，并选取所述压缩模块工作值中最大值对应的最佳参数组，输出所述最佳参数组。
具体地，获取实际压缩需求，根据实际压缩需求对压缩模块输出流量及压缩模块耗电量进行权值赋值，其中，实际需求可以以耗电量为主、也可以以输出时间为主，比如以耗电量为主时，对压缩模块耗电量的权值赋值可以为0.7、0.8，对应的压缩模块输出流量的权值赋值则为0.3、0.2，当以输出时间为主时，对压缩模块输出流量的权值赋值可以为0.7、0.8，对应的压缩模块耗电量的权值赋值则为0.3、0.2，也可以同样看重耗电量和输出时间，则可以将压缩模块输出流量及压缩模块耗电量的权值赋值均为0.5，然后将多组归一化后的压缩模块输出流量及对应权值、压缩模块耗电量及对应权值进行计算得到多个压缩模块工作值，并选取多个压缩模块工作值中的最大值对应的最佳参数组，输出最佳参数组，即为获取实际压缩需求的最佳参数组。
本发明实施例提供的一种基于神经网络的氢气压缩模块控制方法，获取压缩模块历史工作记录中的压缩参数及压缩模块出口压力，以压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，得到压缩参数及压缩模块出口压力的单输出神经网络模型，压缩模块由N台连接的压缩机组成，压缩参数包括：压缩模块的入口温度、入口压力、环境温度及N台压缩机的启动情况、入口温度、入口压力、出口温度、出口压力、液压油压力、液压油流量、液压油温度；获取压缩模块出口压力对应的压力常量，将压力常量输入到单输出神经网络模型，调节压缩参数中的可调节参数，使得单输出神经网络输出的压缩模块出口压力等于压力常量，并对调节后的压缩参数进行记录，得到对应的参数组，可调节参数包括：N台压缩机的启动情况、液压油压力、液压油流量；获取压缩模块历史工作记录中的压缩模块输出流量及压缩模块耗电量，以压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，得到压缩参数、压缩模块输出流量及压缩模块耗电量的双输出神经网络模型；将参数组输入到双输出神经网络模型，得到输出的压缩模块输出流量及压缩模块耗电量，对压缩模块输出流量及压缩模块耗电量进行归一化处理，得到归一化后的压缩模块输出流量及压缩模块耗电量；获取实际压缩需求，根据实际压缩需求对压缩模块输出流量及压缩模块耗电量进行权值赋值，并根据压缩模块输出流量及对应权值、压缩模块耗电量及对应权值计算得到对应的压缩模块工作值，并选取压缩模块工作值中最大值对应的最佳参数组，输出最佳参数组。这样通过结合神经网络算法，按工况需求启动压缩机，并在压缩机使用期间保证负荷分配的最优化，确保各压缩机运行在高效率负荷区间，以降低加氢站系统整体能耗。
在上述实施例的基础上，所述基于神经网络的氢气压缩模块控制方法，还包括：
将5台压缩机的出口温度和出口压力通过理想气体方程换算成所述压缩模块的入口温度下的理想压力，并计算每一级的压缩机的理想压力的平均压力值；
将5台压缩机的理想压力分别与对应每一级的平均压力值进行对比，当对比结果中理想压力与对应每一级的平均压力值的差值大于预设阈值时，输出所述理想压力对应的压缩机的报警信息。
在本发明实施例中，可以实时获得5台压缩机的出口温度和出口压力，并将出口温度和出口压力通过理想气体方程换算成压缩模块的入口温度下的理想压力，即根据出口温度与压缩模块的入口温度的比值，对应调整出口压力，得到对应的理想压力，另外，还可以通过各台压缩机出口压力与其液压油压力的比值，进一步对应调整出口压力，精确理想压力，并计算每一级的压缩机的理想压力的平均压力值，比如计算第一级模块中压缩机的理想压力的平均压力值，第二级模块中压缩机的理想压力的平均压力值，然后将5台压缩机的理想压力分别与对应每一级的平均压力值进行对比，当对比结果中理想压力与平均压力值的差值大于预设阈值时，其中，预设阈值可以为平均压力值的0.5倍，则认为该压缩机存在故障，且需立即停机，输出理想压力对应的压缩机的报警信息。
本发明实施例通过采用压缩机故障预警算法，当某压缩机的出力（压力、温度）发生明显偏移时，提示故障预警。
在上述实施例的基础上，所述基于神经网络的氢气压缩模块控制方法，还包括：
获取压缩机的累计工作时长，并当检测到同一级的压缩机之间的累计工作时长差大于预设时长时，通过压缩机调度优化算法调节压缩机的工作进行调度，所述调度优化算法包括：
Figure 447708DEST_PATH_IMAGE002
Figure 904097DEST_PATH_IMAGE004
其中，
Figure 659563DEST_PATH_IMAGE024
为第一级模块中累计工作时长最长的压缩机的累计工作时长；
Figure DEST_PATH_IMAGE025
为第一级模块中累计工作时长最短的压缩机的累计工作时长；
Figure 284842DEST_PATH_IMAGE026
为第二级模块中累计工作时长最长的压缩机的累计工作时长；
Figure DEST_PATH_IMAGE027
为第一级模块中累计工作时长最短的压缩机的累计工作时；
Figure 631509DEST_PATH_IMAGE014
Figure 575195DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE028
为第一级模块中当前选定的第n台压缩机的工作时间数；
Figure 665510DEST_PATH_IMAGE020
为第二级模块中当前选定的第m台压缩机的工作时间数；
并通过所述调度优化算法结合所述压缩模块工作值的计算公式，得到调度优化公式，并通过所述调度优化公式计算得到压缩机工作分析值，并通过所述压缩机工作分析值对所述压缩模块中每一级的压缩机的启动情况进行调度；
所述压缩模块工作值的计算公式，包括：
Figure 378251DEST_PATH_IMAGE022
其中，所述K为压缩模块工作值，Y1为压缩模块耗电量，Y2为压缩模块输出流量，μ1为压缩模块输出流量的对应权值；
所述调度优化公式，包括：
Figure 99083DEST_PATH_IMAGE023
其中，所述K1为压缩机工作分析值，μ2为第一级模块中各台压缩机累计工作时长差的占比赋值，μ3为第二级模块中各台压缩机累计工作时长差的占比赋值，k为第一级压缩机工作的总台数，L为第二级压缩机工作的总台数。
在本发明实施例中，首先对压缩模块每一台压缩机的工作时间进行累加（当压缩机更换后，工作时间需进行人工清零），当发现处于同一级的几台压缩机，其最大累计运行时间差大于预设时长（比如50h）后，即通过压缩机调度优化算法调节压缩机的工作进行调度，调度优化算法包括：
Figure 31529DEST_PATH_IMAGE002
Figure 332060DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE029
为第一级模块中累计工作时长最长的压缩机的累计工作时长；
Figure 696046DEST_PATH_IMAGE025
为第一级模块中累计工作时长最短的压缩机的累计工作时长；
Figure DEST_PATH_IMAGE030
为第二级模块中累计工作时长最长的压缩机的累计工作时长；
Figure 118937DEST_PATH_IMAGE012
为第一级模块中累计工作时长最短的压缩机的累计工作时；
Figure 37214DEST_PATH_IMAGE014
Figure 938174DEST_PATH_IMAGE016
其中，
Figure 359928DEST_PATH_IMAGE028
为第一级模块中当前选定的第n台压缩机的工作时间数；
Figure 177887DEST_PATH_IMAGE020
为第二级模块中当前选定的第m台压缩机的工作时间数；
然后获取压缩模块工作值的计算公式，包括：
Figure 317882DEST_PATH_IMAGE022
其中，所述K为压缩模块工作值，Y1为压缩模块耗电量，Y2为压缩模块输出流量，μ1为压缩模块输出流量的对应权值；
并通过调度优化算法结合压缩模块工作值的计算公式，得到调度优化公式，包括：
Figure DEST_PATH_IMAGE031
其中，所述K1为压缩机工作分析值，μ2为第一级模块中各台压缩机累计工作时长差的占比赋值，μ3为第二级模块中各台压缩机累计工作时长差的占比赋值，k为第一级压缩机工作的总台数，L为第二级压缩机工作的总台数；
其中，μ2、μ3的占比赋值可以根据实际需求进行设定，比如为了使压缩机累计运行时间接近，确保损耗均匀时，可以将μ2、μ3的占比赋值设定相近，为了使累计运行时长形成较大差值，以便于压缩机分批更换，也可以将μ2、μ3的占比赋值设定大小悬殊；
然后通过调度优化公式计算得到压缩机工作分析值，根据压缩机工作分析值对压缩模块中每一级的压缩机的启动情况进行调度，可以综合考虑压缩机累计工作时间，以使压缩模块每一级中压缩机的损耗尽可能趋于均匀。
本发明实施例通过采用压缩机调度优化算法，在不需要启动全部压缩机时，可以根据用户需要，通过对两级各台压缩机工作时间差的进行权重设置，对压缩机进行轮转，以尽可能使压缩机累计运行时间接近，确保损耗均匀，或使累计运行时长形成较大差值，以便于压缩机分批更换，保证设备连续运转，提高加氢站设备整体可用时间。
图2为本发明实施例提供的一种基于神经网络的氢气压缩模块控制装置，包括：第一训练模块S201、获取模块S202、第二训练模块S203、输入模块S204、计算模块S205，其中：
第一训练模块S201，用于获取压缩模块历史工作记录中的压缩参数及压缩模块出口压力，以所述压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，得到压缩参数及压缩模块出口压力的单输出神经网络模型，所述压缩模块由N台连接的压缩机组成，所述压缩参数包括：压缩模块的入口温度、入口压力、环境温度及N台压缩机的启动情况、入口温度、入口压力、出口温度、出口压力、液压油压力、液压油流量、液压油温度。
获取模块S202，用于获取压缩模块出口压力对应的压力常量，将所述压力常量输入到所述单输出神经网络模型，调节所述压缩参数中的可调节参数，使得所述单输出神经网络输出的压缩模块出口压力等于所述压力常量，并对调节后的压缩参数进行记录，得到对应的参数组，所述可调节参数包括：N台压缩机的启动情况、液压油压力、液压油流量。
第二训练模块S203，用于获取压缩模块历史工作记录中的压缩模块输出流量及压缩模块耗电量，以所述压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，得到压缩参数、压缩模块输出流量及压缩模块耗电量的双输出神经网络模型。
输入模块S204，用于将所述参数组输入到所述双输出神经网络模型，得到输出的压缩模块输出流量及压缩模块耗电量，对所述压缩模块输出流量及压缩模块耗电量进行归一化处理，得到归一化后的压缩模块输出流量及压缩模块耗电量。
计算模块S205，用于获取实际压缩需求，根据所述实际压缩需求对所述压缩模块输出流量及压缩模块耗电量进行权值赋值，并根据压缩模块输出流量及对应权值、压缩模块耗电量及对应权值计算得到对应的压缩模块工作值，并选取所述压缩模块工作值中最大值对应的最佳参数组，输出所述最佳参数组。
在一个实施例中，装置还可以包括：
训练模块，用于对所述输入数据进行归一化处理，并将归一化处理后的输入数据输入到神经网络模型的输入层，并通过神经网络模型的训练确定神经网络模型的隐层的节点个数，并通过神经网络模型的输出层输出训练后的加氢机加注氢气温度。
在一个实施例中，装置还可以包括：
第三训练模块，用于对所述输入数据进行归一化处理，并将归一化处理后的输入数据输入到单输出神经网络模型的输入层，并通过单输出神经网络模型的训练确定单输出神经网络模型的隐层的节点个数，并通过单输出神经网络模型的输出层输出训练后的压缩模块出口压力。
第四训练模块，用于对所述输入数据进行归一化处理，并将归一化处理后的输入数据输入到双输出神经网络模型的输入层，并通过双输出神经网络模型的训练确定双输出神经网络模型的隐层的节点个数，并通过双输出神经网络模型的输出层输出训练后的压缩模块输出流量及压缩模块耗电量。
在一个实施例中，装置还可以包括：
第二计算模块，用于将5台压缩机的出口温度和出口压力通过理想气体方程换算成所述压缩模块的入口温度下的理想压力，并计算每一级的压缩机的理想压力的平均压力值。
对比模块，用于将5台压缩机的理想压力分别与对应每一级的平均压力值进行对比，当对比结果中理想压力与对应每一级的平均压力值的差值大于预设阈值时，输出所述理想压力对应的压缩机的报警信息。
关于基于神经网络的氢气压缩模块控制装置的具体限定可以参见上文中对于基于神经网络的氢气压缩模块控制方法的限定，在此不再赘述。上述基于神经网络的氢气压缩模块控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304，其中，处理器301，存储器302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：获取压缩模块历史工作记录中的压缩参数及压缩模块出口压力，以压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，得到压缩参数及压缩模块出口压力的单输出神经网络模型，压缩模块由N台连接的压缩机组成，压缩参数包括：压缩模块的入口温度、入口压力、环境温度及N台压缩机的启动情况、入口温度、入口压力、出口温度、出口压力、液压油压力、液压油流量、液压油温度；获取压缩模块出口压力对应的压力常量，将压力常量输入到单输出神经网络模型，调节压缩参数中的可调节参数，使得单输出神经网络输出的压缩模块出口压力等于压力常量，并对调节后的压缩参数进行记录，得到对应的参数组，可调节参数包括：N台压缩机的启动情况、液压油压力、液压油流量；获取压缩模块历史工作记录中的压缩模块输出流量及压缩模块耗电量，以压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，得到压缩参数、压缩模块输出流量及压缩模块耗电量的双输出神经网络模型；将参数组输入到双输出神经网络模型，得到输出的压缩模块输出流量及压缩模块耗电量，对压缩模块输出流量及压缩模块耗电量进行归一化处理，得到归一化后的压缩模块输出流量及压缩模块耗电量；获取实际压缩需求，根据实际压缩需求对压缩模块输出流量及压缩模块耗电量进行权值赋值，并根据压缩模块输出流量及对应权值、压缩模块耗电量及对应权值计算得到对应的压缩模块工作值，并选取压缩模块工作值中最大值对应的最佳参数组，输出最佳参数组。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取压缩模块历史工作记录中的压缩参数及压缩模块出口压力，以压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，得到压缩参数及压缩模块出口压力的单输出神经网络模型，压缩模块由N台连接的压缩机组成，压缩参数包括：压缩模块的入口温度、入口压力、环境温度及N台压缩机的启动情况、入口温度、入口压力、出口温度、出口压力、液压油压力、液压油流量、液压油温度；获取压缩模块出口压力对应的压力常量，将压力常量输入到单输出神经网络模型，调节压缩参数中的可调节参数，使得单输出神经网络输出的压缩模块出口压力等于压力常量，并对调节后的压缩参数进行记录，得到对应的参数组，可调节参数包括：N台压缩机的启动情况、液压油压力、液压油流量；获取压缩模块历史工作记录中的压缩模块输出流量及压缩模块耗电量，以压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，得到压缩参数、压缩模块输出流量及压缩模块耗电量的双输出神经网络模型；将参数组输入到双输出神经网络模型，得到输出的压缩模块输出流量及压缩模块耗电量，对压缩模块输出流量及压缩模块耗电量进行归一化处理，得到归一化后的压缩模块输出流量及压缩模块耗电量；获取实际压缩需求，根据实际压缩需求对压缩模块输出流量及压缩模块耗电量进行权值赋值，并根据压缩模块输出流量及对应权值、压缩模块耗电量及对应权值计算得到对应的压缩模块工作值，并选取压缩模块工作值中最大值对应的最佳参数组，输出最佳参数组。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于神经网络的氢气压缩模块控制方法，其特征在于，包括：
获取压缩模块历史工作记录中的压缩参数及压缩模块出口压力，以所述压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，得到压缩参数及压缩模块出口压力的单输出神经网络模型，所述压缩模块由N台连接的压缩机组成，所述压缩参数包括：压缩模块的入口温度、入口压力、环境温度及N台压缩机的启动情况、入口温度、入口压力、出口温度、出口压力、液压油压力、液压油流量、液压油温度；
获取压缩模块出口压力对应的压力常量，将所述压力常量输入到所述单输出神经网络模型，调节所述压缩参数中的可调节参数，使得所述单输出神经网络输出的压缩模块出口压力等于所述压力常量，并对调节后的压缩参数进行记录，得到对应的参数组，所述可调节参数包括：N台压缩机的启动情况、液压油压力、液压油流量；
获取压缩模块历史工作记录中的压缩模块输出流量及压缩模块耗电量，以所述压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，得到压缩参数、压缩模块输出流量及压缩模块耗电量的双输出神经网络模型；
将所述参数组输入到所述双输出神经网络模型，得到输出的压缩模块输出流量及压缩模块耗电量，对所述压缩模块输出流量及压缩模块耗电量进行归一化处理，得到归一化后的压缩模块输出流量及压缩模块耗电量；
获取实际压缩需求，根据所述实际压缩需求对所述压缩模块输出流量及压缩模块耗电量进行权值赋值，并根据压缩模块输出流量及对应权值、压缩模块耗电量及对应权值计算得到对应的压缩模块工作值，并选取所述压缩模块工作值中最大值对应的最佳参数组，输出所述最佳参数组。
2.根据权利要求1所述的基于神经网络的氢气压缩模块控制方法，其特征在于，所述方法还包括：
所述单输出神经网络模型、双输出神经网络模型包括输入层、隐层和输出层三层节点；
所述以压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，包括：
对所述输入数据进行归一化处理，并将归一化处理后的输入数据输入到单输出神经网络模型的输入层，并通过单输出神经网络模型的训练确定单输出神经网络模型的隐层的节点个数，并通过单输出神经网络模型的输出层输出训练后的压缩模块出口压力；
所述以压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，包括：
对所述输入数据进行归一化处理，并将归一化处理后的输入数据输入到双输出神经网络模型的输入层，并通过双输出神经网络模型的训练确定双输出神经网络模型的隐层的节点个数，并通过双输出神经网络模型的输出层输出训练后的压缩模块输出流量及压缩模块耗电量。
3.根据权利要求1所述的基于神经网络的氢气压缩模块控制方法，其特征在于，所述压缩模块由5台压缩机组成，包括：
由3台压缩机并联组成第一级模块，由2台压缩机并联组成第二级模块，所述第一级模块与第二级模块之间通过串联连接。
4.根据权利要求3所述的基于神经网络的氢气压缩模块控制方法，其特征在于，所述方法还包括：
将5台压缩机的出口温度和出口压力通过理想气体方程换算成所述压缩模块的入口温度下的理想压力，并计算每一级的压缩机的理想压力的平均压力值；
将5台压缩机的理想压力分别与对应每一级的平均压力值进行对比，当对比结果中理想压力与对应每一级的平均压力值的差值大于预设阈值时，输出所述理想压力对应的压缩机的报警信息。
5.根据权利要求3所述的基于神经网络的氢气压缩模块控制方法，其特征在于，所述方法还包括：
获取压缩机的累计工作时长，并当检测到同一级的压缩机之间的累计工作时长差大于预设时长时，通过压缩机调度优化算法调节压缩机的工作进行调度，所述调度优化算法包括：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为第一级模块中累计工作时长最长的压缩机的累计工作时长；
Figure DEST_PATH_IMAGE004
为第一级模块中累计工作时长最短的压缩机的累计工作时长；
Figure DEST_PATH_IMAGE005
为第二级模块中累计工作时长最长的压缩机的累计工作时长；
Figure DEST_PATH_IMAGE006
为第一级模块中累计工作时长最短的压缩机的累计工作时；
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为第一级模块中当前选定的第n台压缩机的工作时间数；
Figure DEST_PATH_IMAGE010
为第二级模块中当前选定的第m台压缩机的工作时间数；
并通过所述调度优化算法结合所述压缩模块工作值的计算公式，得到调度优化公式，并通过所述调度优化公式计算得到压缩机工作分析值，并通过所述压缩机工作分析值对所述压缩模块中每一级的压缩机的启动情况进行调度；
所述压缩模块工作值的计算公式，包括：
Figure DEST_PATH_IMAGE011
其中，所述K为压缩模块工作值，Y1为压缩模块耗电量，Y2为压缩模块输出流量，μ1为压缩模块输出流量的对应权值；
所述调度优化公式，包括：
Figure DEST_PATH_IMAGE012
其中，所述K1为压缩机工作分析值，μ2为第一级模块中各台压缩机累计工作时长差的占比赋值，μ3为第二级模块中各台压缩机累计工作时长差的占比赋值，k为第一级压缩机工作的总台数，L为第二级压缩机工作的总台数。
6.一种基于神经网络的氢气压缩模块控制装置，其特征在于，所述装置包括：
第一训练模块，用于获取压缩模块历史工作记录中的压缩参数及压缩模块出口压力，以所述压缩参数及压缩模块出口压力作为输入数据，输入到单输出神经网络模型进行模型训练，得到压缩参数及压缩模块出口压力的单输出神经网络模型，所述压缩模块由N台连接的压缩机组成，所述压缩参数包括：压缩模块的入口温度、入口压力、环境温度及N台压缩机的启动情况、入口温度、入口压力、出口温度、出口压力、液压油压力、液压油流量、液压油温度；
获取模块，用于获取压缩模块出口压力对应的压力常量，将所述压力常量输入到所述单输出神经网络模型，调节所述压缩参数中的可调节参数，使得所述单输出神经网络输出的压缩模块出口压力等于所述压力常量，并对调节后的压缩参数进行记录，得到对应的参数组，所述可调节参数包括：N台压缩机的启动情况、液压油压力、液压油流量；
第二训练模块，用于获取压缩模块历史工作记录中的压缩模块输出流量及压缩模块耗电量，以所述压缩参数、压缩模块输出流量及压缩模块耗电量作为输入数据，输入到双输出神经网络模型进行模型训练，得到压缩参数、压缩模块输出流量及压缩模块耗电量的双输出神经网络模型；
输入模块，用于将所述参数组输入到所述双输出神经网络模型，得到输出的压缩模块输出流量及压缩模块耗电量，对所述压缩模块输出流量及压缩模块耗电量进行归一化处理，得到归一化后的压缩模块输出流量及压缩模块耗电量；
计算模块，用于获取实际压缩需求，根据所述实际压缩需求对所述压缩模块输出流量及压缩模块耗电量进行权值赋值，并根据压缩模块输出流量及对应权值、压缩模块耗电量及对应权值计算得到对应的压缩模块工作值，并选取所述压缩模块工作值中最大值对应的最佳参数组，输出所述最佳参数组。
7.根据权利要求6中所述的基于神经网络的氢气压缩模块控制装置，其特征在于，所述装置还包括：
第三训练模块，用于对所述输入数据进行归一化处理，并将归一化处理后的输入数据输入到单输出神经网络模型的输入层，并通过单输出神经网络模型的训练确定单输出神经网络模型的隐层的节点个数，并通过单输出神经网络模型的输出层输出训练后的压缩模块出口压力；
第四训练模块，用于对所述输入数据进行归一化处理，并将归一化处理后的输入数据输入到双输出神经网络模型的输入层，并通过双输出神经网络模型的训练确定双输出神经网络模型的隐层的节点个数，并通过双输出神经网络模型的输出层输出训练后的压缩模块输出流量及压缩模块耗电量。
8.根据权利要求6中所述的基于神经网络的氢气压缩模块控制装置，其特征在于，所述装置还包括：
第二计算模块，用于将5台压缩机的出口温度和出口压力通过理想气体方程换算成所述压缩模块的入口温度下的理想压力，并计算每一级的压缩机的理想压力的平均压力值；
对比模块，用于将5台压缩机的理想压力分别与对应每一级的平均压力值进行对比，当对比结果中理想压力与对应每一级的平均压力值的差值大于预设阈值时，输出所述理想压力对应的压缩机的报警信息。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于神经网络的氢气压缩模块控制方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于神经网络的氢气压缩模块控制方法的步骤。
CN202210486312.2A 2022-05-06 2022-05-06 一种基于神经网络的氢气压缩模块控制方法及装置 Active CN114576554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210486312.2A CN114576554B (zh) 2022-05-06 2022-05-06 一种基于神经网络的氢气压缩模块控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210486312.2A CN114576554B (zh) 2022-05-06 2022-05-06 一种基于神经网络的氢气压缩模块控制方法及装置

Publications (2)

Publication Number Publication Date
CN114576554A true CN114576554A (zh) 2022-06-03
CN114576554B CN114576554B (zh) 2022-08-02

Family

ID=81767513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210486312.2A Active CN114576554B (zh) 2022-05-06 2022-05-06 一种基于神经网络的氢气压缩模块控制方法及装置

Country Status (1)

Country Link
CN (1) CN114576554B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115076597A (zh) * 2022-06-29 2022-09-20 厚普清洁能源(集团)股份有限公司 一种加注机的加注压力、质量确定方法及加注系统
CN116221059A (zh) * 2023-02-28 2023-06-06 三一氢能有限公司 用于多级压缩系统的压缩比调控方法及调控装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009137527A (ja) * 2007-12-10 2009-06-25 Sanden Corp コンプレッサトルク推定装置
CN103453727A (zh) * 2013-09-13 2013-12-18 柳州职业技术学院 一种面向仓储冷库的分布式制冷控制系统及其控制方法
EP3239626A1 (en) * 2016-04-27 2017-11-01 PLUM spólka z ograniczona odpowiedzialnoscia Method for controlling heat pump operation
CN108734649A (zh) * 2017-04-24 2018-11-02 英特尔公司 神经网络训练机构
CN110513281A (zh) * 2019-07-10 2019-11-29 天津城建大学 基于负荷预测的压缩空气系统优化控制方法
CN110543932A (zh) * 2019-08-12 2019-12-06 珠海格力电器股份有限公司 基于神经网络的空调性能预测方法和装置
CN112346333A (zh) * 2020-11-05 2021-02-09 中国航空工业集团公司西安航空计算技术研究所 一种基于bp神经网络调节的压缩机转速控制方法
CN112560193A (zh) * 2020-12-08 2021-03-26 宋印东 一种基于神经网络算法的压缩机组运行控制方法
CN113946785A (zh) * 2021-10-18 2022-01-18 国家石油天然气管网集团有限公司 最优能耗费用计算系统、能耗模型及其确定方法和设备
CN114046259A (zh) * 2021-11-12 2022-02-15 利欧集团浙江泵业有限公司 一种基于双神经网络模型的离心泵变频控制方法
CN114413613A (zh) * 2021-12-27 2022-04-29 广西电网有限责任公司电力科学研究院 用于空气源热泵干燥系统的多物理场解耦控制方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009137527A (ja) * 2007-12-10 2009-06-25 Sanden Corp コンプレッサトルク推定装置
CN103453727A (zh) * 2013-09-13 2013-12-18 柳州职业技术学院 一种面向仓储冷库的分布式制冷控制系统及其控制方法
EP3239626A1 (en) * 2016-04-27 2017-11-01 PLUM spólka z ograniczona odpowiedzialnoscia Method for controlling heat pump operation
CN108734649A (zh) * 2017-04-24 2018-11-02 英特尔公司 神经网络训练机构
CN110513281A (zh) * 2019-07-10 2019-11-29 天津城建大学 基于负荷预测的压缩空气系统优化控制方法
CN110543932A (zh) * 2019-08-12 2019-12-06 珠海格力电器股份有限公司 基于神经网络的空调性能预测方法和装置
CN112346333A (zh) * 2020-11-05 2021-02-09 中国航空工业集团公司西安航空计算技术研究所 一种基于bp神经网络调节的压缩机转速控制方法
CN112560193A (zh) * 2020-12-08 2021-03-26 宋印东 一种基于神经网络算法的压缩机组运行控制方法
CN113946785A (zh) * 2021-10-18 2022-01-18 国家石油天然气管网集团有限公司 最优能耗费用计算系统、能耗模型及其确定方法和设备
CN114046259A (zh) * 2021-11-12 2022-02-15 利欧集团浙江泵业有限公司 一种基于双神经网络模型的离心泵变频控制方法
CN114413613A (zh) * 2021-12-27 2022-04-29 广西电网有限责任公司电力科学研究院 用于空气源热泵干燥系统的多物理场解耦控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘航铭等: "基于BP神经网络算法的压缩机组运行优化模型", 《油气储运》 *
黄胜忠: "基于RBF神经网络的离心压缩机的性能预测研究", 《煤矿机械》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115076597A (zh) * 2022-06-29 2022-09-20 厚普清洁能源(集团)股份有限公司 一种加注机的加注压力、质量确定方法及加注系统
CN115076597B (zh) * 2022-06-29 2024-03-12 厚普清洁能源(集团)股份有限公司 一种加注机的加注压力、质量确定方法及加注系统
CN116221059A (zh) * 2023-02-28 2023-06-06 三一氢能有限公司 用于多级压缩系统的压缩比调控方法及调控装置
CN116221059B (zh) * 2023-02-28 2024-01-23 三一氢能有限公司 用于多级压缩系统的压缩比调控方法及调控装置

Also Published As

Publication number Publication date
CN114576554B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN114576554B (zh) 一种基于神经网络的氢气压缩模块控制方法及装置
CN110472779B (zh) 一种基于时间卷积网络的电力系统短期负荷预测方法
CN112052890B (zh) 给水泵振动预测方法及装置
CN107368891A (zh) 一种深度学习模型的压缩方法和装置
CN103297626A (zh) 排班方法及装置
CN110781912A (zh) 一种基于通道扩张倒置卷积神经网络的图像分类方法
CN114509951B (zh) 一种基于神经网络的加氢自适应控制方法及装置
CN108629412A (zh) 一种基于无网格最大互信息准则的神经网络训练加速方法
CN107748936A (zh) 基于遗传算法改进的bp神经网络蓄电池寿命预测算法
CN112132279A (zh) 卷积神经网络模型压缩方法、装置、设备及存储介质
CN110659990A (zh) 一种数据量化交易方法
CN116827350A (zh) 基于云边协同的灵活用工平台智能监管方法及系统
CN112149901B (zh) 一种汽轮机低压末级压力场预测方法及装置
CN105450879A (zh) 对用户来电进行处理的方法和装置
WO2011053275A1 (en) Adjusting a point prediction that is part of the long-term product life cycle based forecast
CN114925931A (zh) 台区负荷预测方法及系统
CN115618751A (zh) 一种钢板力学性能预测方法
CN115528750A (zh) 一种面向电网安全稳定的数据模型混合驱动机组组合方法
CN114638421A (zh) 一种发电机组备件需求的预测方法
CN113627655A (zh) 一种配电网灾前故障场景模拟预测方法及装置
CN112150123A (zh) 企业评价模型自定义配置的方法与系统
CN112765451A (zh) 一种基于集成学习算法的客户智能筛选方法和系统
CN111783486A (zh) 一种读卡器设备的维护预警方法及装置
CN117252446B (zh) 一种过程指标萃取及指标智能运行的方法及系统
CN114279061B (zh) 控制空调的方法、装置和电子设备

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