CN115562029A - 一种天然气透平膨胀发电机组的智能控制方法及其系统 - Google Patents
一种天然气透平膨胀发电机组的智能控制方法及其系统 Download PDFInfo
- Publication number
- CN115562029A CN115562029A CN202211266987.2A CN202211266987A CN115562029A CN 115562029 A CN115562029 A CN 115562029A CN 202211266987 A CN202211266987 A CN 202211266987A CN 115562029 A CN115562029 A CN 115562029A
- Authority
- CN
- China
- Prior art keywords
- vector
- pressure
- matrix
- low
- voltage end
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本申请公开了一种天然气透平膨胀发电机组的智能控制方法及其系统，其以高压电和低压端的温度值和压力值的关联特征来表示所述高压端和低压端所蕴含的能量特征，并以这两者之间的差分表示所释放的能量特征，同时，以透平膨胀发电机组在时序上的出力动态特征来表示所述膨胀机的能量利用特征，继而计算所释放的能量特征相对于所述膨胀机的能量利用特征的转移向量来表示能量利用率，进一步地，进行分类处理以得到用于表示低压端的压力应增大或应减小的分类结果。这样，以所述分类结果为根据，降低控制端的气体通过膨胀机中的能量损失。
Description
技术领域
本申请涉及天然气发电技术领域，且更为具体地，涉及一种天然气透平膨胀发电机组的智能控制方法及其系统。
技术背景
天然气在进入城市门站或燃气电场前，根据不同的压力要求，常用调压器进行降压处理。应注意到，当天燃气具备一定的压力和温度时，就具备了一定的能量，在用调压器进行调节时，会造成部分内能损失。天然气透平膨胀发电技术利用天然气在膨胀机内进行绝热膨胀，内能降低而对外做功，并由膨胀机驱动发电机将能量转化为电能并进行回收。
在透平膨胀机中，气体的能量交换发生在导流器的喷嘴叶片间与工作叶轮内。高压气流在喷嘴内进行部分膨胀，然后以一定的速度进入叶轮，推动叶轮旋转。气流进入叶轮后还会进一步膨胀，气流的反冲力进一步推动叶轮旋转，旋转的叶轮轴可驱动发电机组进行发电。
虽然，气体在膨胀机中通过的时间极短，因此绝热效率很高，但在对膨胀机的发电效率进行优化时，该部分热量交换所带来的损失仍是可以优化之处。
因此，期望一种优化的天然气透平膨胀发电机组的智能控制方案，以在控制端降低气体通过膨胀机中的能量损失，进而优化膨胀机的发电效率。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种天然气透平膨胀发电机组的智能控制方法及其系统，其以高压电和低压端的温度值和压力值的关联特征来表示所述高压端和低压端所蕴含的能量特征，并以这两者之间的差分表示所释放的能量特征，同时，以透平膨胀发电机组在时序上的出力动态特征来表示所述膨胀机的能量利用特征，继而计算所释放的能量特征相对于所述膨胀机的能量利用特征的转移向量来表示能量利用率，进一步地，进行分类处理以得到用于表示低压端的压力应增大或应减小的分类结果。这样，以所述分类结果为根据，降低控制端的气体通过膨胀机中的能量损失。
根据本申请的一个方面，提供了一种天然气透平膨胀发电机组的智能控制方法，其包括：
获取高压端在预定时间段内多个预定时间点的温度值和压力值以及低压端在所述预定时间段内多个预定时间点的温度值和压力值，以及，透平膨胀发电机组在所述预定时间段内多个预定时间点的出力；
将所述高压端在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为高压端温度输入向量和高压端压力输入向量后，计算所述高压端温度输入向量的转置向量与所述高压端压力输入向量之间的乘积以得到高压端能量关联矩阵；
将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵；
将所述低压端在所述预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为低压端温度输入向量和低压端压力输入向量后，计算所述低压端温度输入向量的转置向量与所述低压端压力输入向量之间的乘积以得到低压端能量关联矩阵；
将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵；
计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵；
将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量；
计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量；
对所述分类特征向量进行特征值校正以得到校正后分类特征向量；以及
将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小。
在上述天然气透平膨胀发电机组的智能控制方法中，所述将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征矩阵；对所述卷积特征矩阵进行基于局部特征矩阵的均值池化以得到池化特征矩阵；以及，对所述池化特征矩阵进行非线性激活以得到激活特征矩阵；其中，所述第一卷积神经网络的最后一层的输出为所述高压端能量特征矩阵，所述第一卷积神经网络的第一层的输入为所述高压端能量关联矩阵。
在上述天然气透平膨胀发电机组的智能控制方法中，所述将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征矩阵；对所述卷积特征矩阵进行基于局部特征矩阵的均值池化以得到池化特征矩阵；以及，对所述池化特征矩阵进行非线性激活以得到激活特征矩阵；其中，所述第一卷积神经网络的最后一层的输出为所述低压端能量特征矩阵，所述第一卷积神经网络的第一层的输入为所述低压端能量关联矩阵。
在上述天然气透平膨胀发电机组的智能控制方法中，所述计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵，包括：计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间每个对应位置的特征值之间的差值，获得差值得分矩阵，并计算所述差值得分矩阵中每个位置的特征值的绝对值，以获得所述能量差分特征矩阵。
在上述天然气透平膨胀发电机组的智能控制方法中，所述将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量，包括：将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量；使用所述时序编码器的全连接层以如下公式对所述出力输入向量进行全连接编码以提取出所述出力输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中X是所述出力输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘；以及，使用所述时序编码器的一维卷积层以如下公式对所述出力输入向量进行一维卷积编码以提取出所述出力输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述出力向量。
在上述天然气透平膨胀发电机组的智能控制方法中，所述计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量，包括：以如下公式计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量；其中，所述公式为：
其中，Ma表示所述所述能量差分特征矩阵，Va表示所述出力特征向量，V表示所述转移向量，
表示向量相乘。
在上述天然气透平膨胀发电机组的智能控制方法中，所述对所述分类特征向量进行特征值校正以得到校正后分类特征向量，包括：以如下公式对所述分类特征向量进行特征值校正以得到所述校正后分类特征向量；其中，所述公式为：
其中vi表示所述分类特征向量中各个位置的特征值，μ和σ分别表示所述分类特征向量中各个位置的特征值集合的均值和方差，L是所述分类特征向量的长度，log表示以2为底的对数函数值，且α是加权超参数。
在上述天然气透平膨胀发电机组的智能控制方法中，所述将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小，包括：使用所述分类器的全连接层对所述校正后分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种天然气透平膨胀发电机组的智能控制系统，包括：
数据获取模块，用于获取高压端在预定时间段内多个预定时间点的温度值和压力值以及低压端在所述预定时间段内多个预定时间点的温度值和压力值，以及，透平膨胀发电机组在所述预定时间段内多个预定时间点的出力；
高压端能量关联模块，用于将所述高压端在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为高压端温度输入向量和高压端压力输入向量后，计算所述高压端温度输入向量的转置向量与所述高压端压力输入向量之间的乘积以得到高压端能量关联矩阵；
高压端能量特征提取模块，用于将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵；
低压端能量关联模块，用于将所述低压端在所述预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为低压端温度输入向量和低压端压力输入向量后，计算所述低压端温度输入向量的转置向量与所述低压端压力输入向量之间的乘积以得到低压端能量关联矩阵；
低压端能量特征提取模块，用于将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵；
高低压端能量差分模块，用于计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵；
出力编码模块，用于将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量；
分类特征向量生成模块，用于计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量；
特征值校正模块，用于对所述分类特征向量进行特征值校正以得到校正后分类特征向量；以及
压力结果生成模块，用于将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小。
在上述天然气透平膨胀发电机组的智能控制系统中，所述高压端能量特征提取模块，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征矩阵；对所述卷积特征矩阵进行基于局部特征矩阵的均值池化以得到池化特征矩阵；以及，对所述池化特征矩阵进行非线性激活以得到激活特征矩阵；其中，所述第一卷积神经网络的最后一层的输出为所述高压端能量特征矩阵，所述第一卷积神经网络的第一层的输入为所述高压端能量关联矩阵。
与现有技术相比，本申请提供的天然气透平膨胀发电机组的智能控制方法及其系统，其以高压电和低压端的温度值和压力值的关联特征来表示所述高压端和低压端所蕴含的能量特征，并以这两者之间的差分表示所释放的能量特征，同时，以透平膨胀发电机组在时序上的出力动态特征来表示所述膨胀机的能量利用特征，继而计算所释放的能量特征相对于所述膨胀机的能量利用特征的转移向量来表示能量利用率，进一步地，进行分类处理以得到用于表示低压端的压力应增大或应减小的分类结果。这样，以所述分类结果为根据，降低控制端的气体通过膨胀机中的能量损失。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的天然气透平膨胀发电机组的智能控制方法的应用场景图。
图2图示了根据本申请实施例的天然气透平膨胀发电机组的智能控制方法的流程图。
图3图示了根据本申请实施例的天然气透平膨胀发电机组的智能控制方法的架构图。
图4图示了根据本申请实施例的天然气透平膨胀发电机组的智能控制方法中将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量的流程图。
图5图示了根据本申请实施例的天然气透平膨胀发电机组的智能控制系统的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，天然气在进入城市门站或燃气电场前，根据不同的压力要求，常用调压器进行降压处理。应注意到，当天燃气具备一定的压力和温度时，就具备了一定的能量，在用调压器进行调节时，会造成部分内能损失。天然气透平膨胀发电技术利用天然气在膨胀机内进行绝热膨胀，内能降低而对外做功，并由膨胀机驱动发电机将能量转化为电能并进行回收。
在透平膨胀机中，气体的能量交换发生在导流器的喷嘴叶片间与工作叶轮内。高压气流在喷嘴内进行部分膨胀，然后以一定的速度进入叶轮，推动叶轮旋转。气流进入叶轮后还会进一步膨胀，气流的反冲力进一步推动叶轮旋转，旋转的叶轮轴可驱动发电机组进行发电。
虽然，气体在膨胀机中通过的时间极短，因此绝热效率很高，但在对膨胀机的发电效率进行优化时，该部分热量交换所带来的损失仍是可以优化之处。因此，期望一种优化的天然气透平膨胀发电机组的智能控制方案，以在控制端降低气体通过膨胀机中的能量损失，进而优化膨胀机的发电效率。
应可以理解，由于当天燃气具备一定的压力和温度时，就具备了一定的能量，因此压力和温度为天然气产生能量的重要指标。当天然气通过膨胀机进行发电时，若想降低热量交换所带来的能量损失，在本申请的技术方案中，需要在高压端和低压端分别采集温度值和压力值，并以这两端的所述压力值和所述温度值的关联特征来分别表示所述高压端和低压端所蕴含的能量特征，继而以这两者之间的差分表示所释放的能量特征。同时，以所述透平膨胀发电机组在时序上的出力动态特征来表示所述膨胀机的能量利用特征。进一步地，再计算所释放的能量特征相对于所述膨胀机的能量利用特征的转移向量表示出两者的能量利用率特征信息来进行所述低压端的压力控制。这样，就能够在控制端进行压力控制来降低气体通过膨胀机中的能量损失，进而优化膨胀机的发电效率。
具体地，在本申请的技术方案中，首先，通过各个传感器获取高压端在预定时间段内多个预定时间点的温度值和压力值以及低压端在所述预定时间段内多个预定时间点的温度值和压力值，以及，透平膨胀发电机组在所述预定时间段内多个预定时间点的出力。
然后，为了构建所述高压端和所述低压端中的温度值和压力值之间的关联性特征来表示所蕴含的能量特征信息。在本申请的技术方案中，进一步将所述高压端在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为高压端温度输入向量和高压端压力输入向量以分别整合所述温度值和所述压力值在时间维度上的数据信息后，计算所述高压端温度输入向量的转置向量与所述高压端压力输入向量之间的乘积，以构造所述温度和所述压力之间的数据关联性信息，便于后续的关联性特征提取，从而得到高压端能量关联矩阵。接着，将所述高压端能量关联矩阵通过在隐含关联特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型中进行处理，以提取出所述高压端的温度-压力的高维隐含特征来表达所述高压端所蕴含的能量特征，从而得到高压端能量特征矩阵。
进一步地，同样地，对于所述低压端的在预定时间段内多个预定时间点的温度值和压力值，也将其分别按照时间维度排列为低压端温度输入向量和低压端压力输入向量后，计算所述低压端温度输入向量的转置向量与所述低压端压力输入向量之间的乘积来构造出所述温度和所述压力之间的数据关联性信息，从而得到低压端能量关联矩阵。然后，将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型中进行处理，以提取出所述低压端的温度-压力的高维隐含特征来表达所述低压端所蕴含的能量特征，从而得到低压端能量特征矩阵。
接着，计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵，以表示所述天然气在所述膨胀机中所释放的能量特征信息。
应可以理解，为了能够提取出所述膨胀机的能量利用特征来表征所述膨胀机对于能量的利用率特征信息，进一步对于所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力，将其按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器中进行编码，以提取出所述透平膨胀发电机组的出力在时序上的动态特征，以表示所述膨胀机的能量利用隐含特征信息，从而得到出力特征向量。
然后，计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量来表示对于所述所释放的能量特征的转化率信息，即能量利用率，从而得到分类特征向量。进一步再将所述分类特征向量通过分类器以得到用于表示低压端的压力应增大或应减小的分类结果。
特别地，在本申请的技术方案中，所述能量差分特征矩阵在行和列方向上表达压力和温度沿时序分布的关联特征，而所述出力特征向量也在其向量方向上为沿时序分布的出力关联特征，这使得在计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量时，其在时序维度上的分布是基本一致的。但是，考虑到卷积神经网络和时序编码器单独在时序维度上进行特征提取，所述能量差分特征矩阵和所述出力特征向量不可避免会存在时序方向上的特征分布不对齐，从而导致作为所述分类特征向量的转移向量内存在异常特征值，影响分类特征向量的分类能力。
因此，对所述分类特征向量进行自适应实例的信息统计归一化，具体为：
μ和σ是特征集合vi∈V的均值和方差，vi是所述分类特征向量V的特征值，L是所述分类特征向量V的长度，log表示以2为底的对数，且α是加权超参数。
这里，所述自适应实例的信息统计归一化通过将所述分类特征向量V的特征集合作为自适应实例，利用所述分类特征向量V的统计特征的本质内在先验信息来对单个特征值vi进行动态生成式的信息归一化，同时以特征集合的归一化模长信息作为偏置来进行集合分布域内的不变性描述，这样就实现了尽可能屏蔽特殊实例的扰动分布的特征分布的优化，从而提升了所述分类特征向量V的分类能力，进而提高分类的准确性。这样，能够在控制端对于所述低压端的压力进行精准地控制，进而降低气体通过所述膨胀机中的能量损失，优化所述膨胀机的发电效率。
基于此，本申请提出了一种天然气透平膨胀发电机组的智能控制方法，其包括：获取高压端在预定时间段内多个预定时间点的温度值和压力值以及低压端在所述预定时间段内多个预定时间点的温度值和压力值，以及，透平膨胀发电机组在所述预定时间段内多个预定时间点的出力；将所述高压端在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为高压端温度输入向量和高压端压力输入向量后，计算所述高压端温度输入向量的转置向量与所述高压端压力输入向量之间的乘积以得到高压端能量关联矩阵；将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵；将所述低压端在所述预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为低压端温度输入向量和低压端压力输入向量后，计算所述低压端温度输入向量的转置向量与所述低压端压力输入向量之间的乘积以得到低压端能量关联矩阵；将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵；计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵；将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量；计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量；对所述分类特征向量进行特征值校正以得到校正后分类特征向量；以及，将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小。
图1图示了根据本申请实施例的天然气透平膨胀发电机组的智能控制方法的应用场景图。如图1所示，在该应用场景中，首先分别通过温度传感器(例如，如图1中所示意的Se1)和压力传感器(例如，如图1中所示意的Se2)获取高压端(例如，如图1中所示意的E1)在预定时间段内多个预定时间点的温度值和压力值以及低压端(例如，如图1中所示意的E2)在所述预定时间段内多个预定时间点的温度值和压力值，以及，通过功率传感器(例如，如图1中所示意的Se3)获取透平膨胀发电机组(例如，如图1中所示意的G)在所述预定时间段内多个预定时间点的出力。进而，将所述高压端在预定时间段内多个预定时间点的温度值和压力值、所述低压端在所述预定时间段内多个预定时间点的温度值和压力值以及所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力输入至部署有天然气透平膨胀发电机组的智能控制算法的服务器(例如，如图1所示意的S)中，其中，所述服务器能够基于天然气透平膨胀发电机组的智能控制对所述高压端在预定时间段内多个预定时间点的温度值和压力值、所述低压端在所述预定时间段内多个预定时间点的温度值和压力值以及所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力进行处理，以得到用于表示低压端的压力应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的天然气透平膨胀发电机组的智能控制方法的流程图。如图2所示，根据本申请实施例的天然气透平膨胀发电机组的智能控制方法，包括：S110，获取高压端在预定时间段内多个预定时间点的温度值和压力值以及低压端在所述预定时间段内多个预定时间点的温度值和压力值，以及，透平膨胀发电机组在所述预定时间段内多个预定时间点的出力；S120，将所述高压端在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为高压端温度输入向量和高压端压力输入向量后，计算所述高压端温度输入向量的转置向量与所述高压端压力输入向量之间的乘积以得到高压端能量关联矩阵；S130，将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵；S140，将所述低压端在所述预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为低压端温度输入向量和低压端压力输入向量后，计算所述低压端温度输入向量的转置向量与所述低压端压力输入向量之间的乘积以得到低压端能量关联矩阵；S150，将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵；S160，计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵；S170，将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量；S180，计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量；S190，对所述分类特征向量进行特征值校正以得到校正后分类特征向量；以及，S200，将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小。
图3图示了根据本申请实施例的天然气透平膨胀发电机组的智能控制方法的架构图。如图3所示，在该架构图中，首先获取高压端在预定时间段内多个预定时间点的温度值和压力值以及低压端在所述预定时间段内多个预定时间点的温度值和压力值，以及，透平膨胀发电机组在所述预定时间段内多个预定时间点的出力。接着，将所述高压端在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为高压端温度输入向量和高压端压力输入向量后，计算所述高压端温度输入向量的转置向量与所述高压端压力输入向量之间的乘积以得到高压端能量关联矩阵。然后，将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵。进而，将所述低压端在所述预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为低压端温度输入向量和低压端压力输入向量后，计算所述低压端温度输入向量的转置向量与所述低压端压力输入向量之间的乘积以得到低压端能量关联矩阵。接着，将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵。然后，计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵。进而，将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量。接着，计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量。然后，对所述分类特征向量进行特征值校正以得到校正后分类特征向量。进而，将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小。
在步骤S110中，获取高压端在预定时间段内多个预定时间点的温度值和压力值以及低压端在所述预定时间段内多个预定时间点的温度值和压力值，以及，透平膨胀发电机组在所述预定时间段内多个预定时间点的出力。应可以理解，由于当天燃气具备一定的压力和温度时，就具备了一定的能量，因此压力和温度为天然气产生能量的重要指标。当天然气通过膨胀机进行发电时，若想降低热量交换所带来的能量损失，在本申请的技术方案中，需要在高压端和低压端分别采集温度值和压力值，并以这两端的所述压力值和所述温度值的关联特征来分别表示所述高压端和低压端所蕴含的能量特征，继而以这两者之间的差分表示所释放的能量特征。同时，以所述透平膨胀发电机组在时序上的出力动态特征来表示所述膨胀机的能量利用特征。进一步地，再计算所释放的能量特征相对于所述膨胀机的能量利用特征的转移向量表示出两者的能量利用率特征信息来进行所述低压端的压力控制。这样，就能够在控制端进行压力控制来降低气体通过膨胀机中的能量损失，进而优化膨胀机的发电效率。具体地，在本申请的技术方案中，首先，通过各个传感器获取高压端在预定时间段内多个预定时间点的温度值和压力值以及低压端在所述预定时间段内多个预定时间点的温度值和压力值，以及，透平膨胀发电机组在所述预定时间段内多个预定时间点的出力。
在步骤S120中，将所述高压端在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为高压端温度输入向量和高压端压力输入向量后，计算所述高压端温度输入向量的转置向量与所述高压端压力输入向量之间的乘积以得到高压端能量关联矩阵。为了构建所述高压端和所述低压端中的温度值和压力值之间的关联性特征来表示所蕴含的能量特征信息。在本申请的技术方案中，进一步将所述高压端在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为高压端温度输入向量和高压端压力输入向量以分别整合所述温度值和所述压力值在时间维度上的数据信息后，计算所述高压端温度输入向量的转置向量与所述高压端压力输入向量之间的乘积，以构造所述温度和所述压力之间的数据关联性信息，便于后续的关联性特征提取，从而得到高压端能量关联矩阵。
在步骤S130中，将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵。也就是，将所述高压端能量关联矩阵通过在隐含关联特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型中进行处理，以提取出所述高压端的温度-压力的高维隐含特征来表达所述高压端所蕴含的能量特征，从而得到高压端能量特征矩阵。
在一个示例中，在上述天然气透平膨胀发电机组的智能控制方法中，所述将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征矩阵；对所述卷积特征矩阵进行基于局部特征矩阵的均值池化以得到池化特征矩阵；以及，对所述池化特征矩阵进行非线性激活以得到激活特征矩阵；其中，所述第一卷积神经网络的最后一层的输出为所述高压端能量特征矩阵，所述第一卷积神经网络的第一层的输入为所述高压端能量关联矩阵。
在步骤S140中，将所述低压端在所述预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为低压端温度输入向量和低压端压力输入向量后，计算所述低压端温度输入向量的转置向量与所述低压端压力输入向量之间的乘积以得到低压端能量关联矩阵。同样地，对于所述低压端的在预定时间段内多个预定时间点的温度值和压力值，也将其分别按照时间维度排列为低压端温度输入向量和低压端压力输入向量后，计算所述低压端温度输入向量的转置向量与所述低压端压力输入向量之间的乘积来构造出所述温度和所述压力之间的数据关联性信息，从而得到低压端能量关联矩阵。
在步骤S150中，将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵。
在一个示例中，在上述天然气透平膨胀发电机组的智能控制方法中，所述将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征矩阵；对所述卷积特征矩阵进行基于局部特征矩阵的均值池化以得到池化特征矩阵；以及，对所述池化特征矩阵进行非线性激活以得到激活特征矩阵；其中，所述第一卷积神经网络的最后一层的输出为所述低压端能量特征矩阵，所述第一卷积神经网络的第一层的输入为所述低压端能量关联矩阵。
在步骤S160中，计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵。计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵，以表示所述天然气在所述膨胀机中所释放的能量特征信息。
在一个示例中，在上述天然气透平膨胀发电机组的智能控制方法中，所述计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵，包括：计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间每个对应位置的特征值之间的差值，获得差值得分矩阵，并计算所述差值得分矩阵中每个位置的特征值的绝对值，以获得所述能量差分特征矩阵。
在步骤S170中，将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量。应可以理解，为了能够提取出所述膨胀机的能量利用特征来表征所述膨胀机对于能量的利用率特征信息，进一步对于所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力，将其按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器中进行编码，以提取出所述透平膨胀发电机组的出力在时序上的动态特征，以表示所述膨胀机的能量利用隐含特征信息，从而得到出力特征向量。
图4图示了根据本申请实施例的天然气透平膨胀发电机组的智能控制方法中将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量的流程图。如图4所示，在上述天然气透平膨胀发电机组的智能控制方法中，所述将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量，包括：S310，将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量；S320，使用所述时序编码器的全连接层以如下公式对所述出力输入向量进行全连接编码以提取出所述出力输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中X是所述出力输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘；以及，S330，使用所述时序编码器的一维卷积层以如下公式对所述出力输入向量进行一维卷积编码以提取出所述出力输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述出力向量。
在步骤S180中，计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量。也就是，计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量来表示对于所述所释放的能量特征的转化率信息，即能量利用率，从而得到分类特征向量。
在一个示例中，在上述天然气透平膨胀发电机组的智能控制方法中，所述计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量，包括：以如下公式计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量；其中，所述公式为：
其中，Ma表示所述所述能量差分特征矩阵，Va表示所述出力特征向量，V表示所述转移向量，
表示向量相乘。
在步骤S190中，对所述分类特征向量进行特征值校正以得到校正后分类特征向量。特别地，在本申请的技术方案中，所述能量差分特征矩阵在行和列方向上表达压力和温度沿时序分布的关联特征，而所述出力特征向量也在其向量方向上为沿时序分布的出力关联特征，这使得在计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量时，其在时序维度上的分布是基本一致的。但是，考虑到卷积神经网络和时序编码器单独在时序维度上进行特征提取，所述能量差分特征矩阵和所述出力特征向量不可避免会存在时序方向上的特征分布不对齐，从而导致作为所述分类特征向量的转移向量内存在异常特征值，影响分类特征向量的分类能力。因此，对所述分类特征向量进行自适应实例的信息统计归一化。
在一个示例中，在上述天然气透平膨胀发电机组的智能控制方法中，所述对所述分类特征向量进行特征值校正以得到校正后分类特征向量，包括：以如下公式对所述分类特征向量进行特征值校正以得到所述校正后分类特征向量；其中，所述公式为：
其中vi表示所述分类特征向量中各个位置的特征值，μ和σ分别表示所述分类特征向量中各个位置的特征值集合的均值和方差，L是所述分类特征向量的长度，log表示以2为底的对数函数值，且α是加权超参数。
这里，所述自适应实例的信息统计归一化通过将所述分类特征向量V的特征集合作为自适应实例，利用所述分类特征向量V的统计特征的本质内在先验信息来对单个特征值vi进行动态生成式的信息归一化，同时以特征集合的归一化模长信息作为偏置来进行集合分布域内的不变性描述，这样就实现了尽可能屏蔽特殊实例的扰动分布的特征分布的优化，从而提升了所述分类特征向量V的分类能力，进而提高分类的准确性。这样，能够在控制端对于所述低压端的压力进行精准地控制，进而降低气体通过所述膨胀机中的能量损失，优化所述膨胀机的发电效率。
在步骤S200中，将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小。这样，构建一种优化的天然气透平膨胀发电机组的智能控制方案，以根据所述分类结果在控制端降低气体通过膨胀机中的能量损失，进而优化膨胀机的发电效率。
在一个示例中，在上述天然气透平膨胀发电机组的智能控制方法中，所述将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小，包括：使用所述分类器的全连接层对所述校正后分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的天然气透平膨胀发电机组的智能控制方法被阐明，其以高压电和低压端的温度值和压力值的关联特征来表示所述高压端和低压端所蕴含的能量特征，并以这两者之间的差分表示所释放的能量特征，同时，以透平膨胀发电机组在时序上的出力动态特征来表示所述膨胀机的能量利用特征，继而计算所释放的能量特征相对于所述膨胀机的能量利用特征的转移向量来表示能量利用率，进一步地，进行分类处理以得到用于表示低压端的压力应增大或应减小的分类结果。这样，以所述分类结果为根据，降低控制端的气体通过膨胀机中的能量损失。
示例性系统
图5图示了根据本申请实施例的天然气透平膨胀发电机组的智能控制系统的框图。如图5所示，根据本申请实施例的天然气透平膨胀发电机组的智能控制系统100，包括：数据获取模块110，用于获取高压端在预定时间段内多个预定时间点的温度值和压力值以及低压端在所述预定时间段内多个预定时间点的温度值和压力值，以及，透平膨胀发电机组在所述预定时间段内多个预定时间点的出力；高压端能量关联模块120，用于将所述高压端在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为高压端温度输入向量和高压端压力输入向量后，计算所述高压端温度输入向量的转置向量与所述高压端压力输入向量之间的乘积以得到高压端能量关联矩阵；高压端能量特征提取模块130，用于将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵；低压端能量关联模块140，用于将所述低压端在所述预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为低压端温度输入向量和低压端压力输入向量后，计算所述低压端温度输入向量的转置向量与所述低压端压力输入向量之间的乘积以得到低压端能量关联矩阵；低压端能量特征提取模块150，用于将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵；高低压端能量差分模块160，用于计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵；出力编码模块170，用于将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量；分类特征向量生成模块180，用于计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量；特征值校正模块190，用于对所述分类特征向量进行特征值校正以得到校正后分类特征向量；以及，压力结果生成模块200，用于将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小。
在一个示例中，在上述天然气透平膨胀发电机组的智能控制系统中，所述高压端能量特征提取模块，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征矩阵；对所述卷积特征矩阵进行基于局部特征矩阵的均值池化以得到池化特征矩阵；以及，对所述池化特征矩阵进行非线性激活以得到激活特征矩阵；其中，所述第一卷积神经网络的最后一层的输出为所述高压端能量特征矩阵，所述第一卷积神经网络的第一层的输入为所述高压端能量关联矩阵。
这里，本领域技术人员可以理解，上述天然气透平膨胀发电机组的智能控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的天然气透平膨胀发电机组的智能控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的天然气透平膨胀发电机组的智能控制系统100可以实现在各种终端设备中，例如用于天然气透平膨胀发电机组的智能控制的服务器等。在一个示例中，根据本申请实施例的天然气透平膨胀发电机组的智能控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该天然气透平膨胀发电机组的智能控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该天然气透平膨胀发电机组的智能控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该天然气透平膨胀发电机组的智能控制系统100与该终端设备也可以是分立的设备，并且该天然气透平膨胀发电机组的智能控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
Claims (10)
1.一种天然气透平膨胀发电机组的智能控制方法，其特征在于，包括：获取高压端在预定时间段内多个预定时间点的温度值和压力值以及低压端在所述预定时间段内多个预定时间点的温度值和压力值，以及，透平膨胀发电机组在所述预定时间段内多个预定时间点的出力；
将所述高压端在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为高压端温度输入向量和高压端压力输入向量后，计算所述高压端温度输入向量的转置向量与所述高压端压力输入向量之间的乘积以得到高压端能量关联矩阵；
将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵；
将所述低压端在所述预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为低压端温度输入向量和低压端压力输入向量后，计算所述低压端温度输入向量的转置向量与所述低压端压力输入向量之间的乘积以得到低压端能量关联矩阵；
将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵；
计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵；
将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量；
计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量；
对所述分类特征向量进行特征值校正以得到校正后分类特征向量；以及将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小。
2.根据权利要求1所述的天然气透平膨胀发电机组的智能控制方法，其特征在于，所述将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征矩阵；
对所述卷积特征矩阵进行基于局部特征矩阵的均值池化以得到池化特征矩阵；以及
对所述池化特征矩阵进行非线性激活以得到激活特征矩阵；
其中，所述第一卷积神经网络的最后一层的输出为所述高压端能量特征矩阵，所述第一卷积神经网络的第一层的输入为所述高压端能量关联矩阵。
3.根据权利要求2所述的天然气透平膨胀发电机组的智能控制方法，其特征在于，所述将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征矩阵；
对所述卷积特征矩阵进行基于局部特征矩阵的均值池化以得到池化特征矩阵；以及
对所述池化特征矩阵进行非线性激活以得到激活特征矩阵；
其中，所述第一卷积神经网络的最后一层的输出为所述低压端能量特征矩阵，所述第一卷积神经网络的第一层的输入为所述低压端能量关联矩阵。
4.根据权利要求3所述的天然气透平膨胀发电机组的智能控制方法，其特征在于，所述计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵，包括：计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间每个对应位置的特征值之间的差值，获得差值得分矩阵，并计算所述差值得分矩阵中每个位置的特征值的绝对值，以获得所述能量差分特征矩阵。
5.根据权利要求4所述的天然气透平膨胀发电机组的智能控制方法，其特征在于，所述将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量，包括：
将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量；
使用所述时序编码器的全连接层以如下公式对所述出力输入向量进行全连接编码以提取出所述出力输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中X是所述出力输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘；以及
使用所述时序编码器的一维卷积层以如下公式对所述出力输入向量进行一维卷积编码以提取出所述出力输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，W为卷积核的尺寸，X表示所述出力向量。
6.根据权利要求5所述的天然气透平膨胀发电机组的智能控制方法，其特征在于，所述计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量，包括：以如下公式计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量；
其中，所述公式为：
其中，Ma表示所述所述能量差分特征矩阵，Va表示所述出力特征向量，V表示所述转移向量，
表示向量相乘。
7.根据权利要求6所述的天然气透平膨胀发电机组的智能控制方法，其特征在于，所述对所述分类特征向量进行特征值校正以得到校正后分类特征向量，包括：
以如下公式对所述分类特征向量进行特征值校正以得到所述校正后分类特征向量；
其中，所述公式为：
其中vi表示所述分类特征向量中各个位置的特征值，μ和σ分别表示所述分类特征向量中各个位置的特征值集合的均值和方差，L是所述分类特征向量的长度，log表示以2为底的对数函数值，且α是加权超参数。
8.根据权利要求7所述的天然气透平膨胀发电机组的智能控制方法，其特征在于，所述将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小，包括：
使用所述分类器的全连接层对所述校正后分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
9.一种天然气透平膨胀发电机组的智能控制系统，其特征在于，包括：数据获取模块，用于获取高压端在预定时间段内多个预定时间点的温度值和压力值以及低压端在所述预定时间段内多个预定时间点的温度值和压力值，以及，透平膨胀发电机组在所述预定时间段内多个预定时间点的出力；
高压端能量关联模块，用于将所述高压端在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为高压端温度输入向量和高压端压力输入向量后，计算所述高压端温度输入向量的转置向量与所述高压端压力输入向量之间的乘积以得到高压端能量关联矩阵；
高压端能量特征提取模块，用于将所述高压端能量关联矩阵通过作为过滤器的第一卷积神经网络模型以得到高压端能量特征矩阵；
低压端能量关联模块，用于将所述低压端在所述预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为低压端温度输入向量和低压端压力输入向量后，计算所述低压端温度输入向量的转置向量与所述低压端压力输入向量之间的乘积以得到低压端能量关联矩阵；
低压端能量特征提取模块，用于将所述低压端能量关联矩阵通过作为过滤器的第二卷积神经网络模型以得到低压端能量特征矩阵；
高低压端能量差分模块，用于计算所述高压端能量特征矩阵与所述低压端能量特征矩阵之间的能量差分特征矩阵；
出力编码模块，用于将所述透平膨胀发电机组在所述预定时间段内多个预定时间点的出力按照时间维度排列为出力输入向量后通过包含一维卷积层的时序编码器以得到出力特征向量；
分类特征向量生成模块，用于计算所述能量差分特征矩阵相对于所述出力特征向量的转移向量作为分类特征向量；
特征值校正模块，用于对所述分类特征向量进行特征值校正以得到校正后分类特征向量；以及
压力结果生成模块，用于将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示低压端的压力应增大或应减小。
10.根据权利要求9所述的天然气透平膨胀发电机组的智能控制系统，其特征在于，所述高压端能量特征提取模块，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征矩阵；
对所述卷积特征矩阵进行基于局部特征矩阵的均值池化以得到池化特征矩阵；以及
对所述池化特征矩阵进行非线性激活以得到激活特征矩阵；
其中，所述第一卷积神经网络的最后一层的输出为所述高压端能量特征矩阵，所述第一卷积神经网络的第一层的输入为所述高压端能量关联矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211266987.2A CN115562029B (zh) | 2022-10-17 | 2022-10-17 | 一种天然气透平膨胀发电机组的智能控制方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211266987.2A CN115562029B (zh) | 2022-10-17 | 2022-10-17 | 一种天然气透平膨胀发电机组的智能控制方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115562029A true CN115562029A (zh) | 2023-01-03 |
| CN115562029B CN115562029B (zh) | 2023-06-16 |
Family
ID=84746022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211266987.2A Active CN115562029B (zh) | 2022-10-17 | 2022-10-17 | 一种天然气透平膨胀发电机组的智能控制方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115562029B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699046A (zh) * | 2009-10-30 | 2010-04-28 | 浙江大学 | 单轴燃气-蒸汽联合循环发电机组总出力的分割方法 |
| GB201505455D0 (en) * | 2014-05-30 | 2015-05-13 | Highview Entpr Ltd | Improvements in air purification units |
| CN106437912A (zh) * | 2016-11-07 | 2017-02-22 | 北京市燃气集团有限责任公司 | 一种天然气压差发电系统及其控制方法 |
| CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
| CN110516951A (zh) * | 2019-08-22 | 2019-11-29 | 南京工业大学 | 一种动态时间间隔的综合能源系统调度方法 |
| CN110544025A (zh) * | 2019-08-21 | 2019-12-06 | 河海大学 | 电转气-储气罐组合的气电综合能源系统优化调度方法 |
| CN111400937A (zh) * | 2020-04-29 | 2020-07-10 | 上海电力大学 | 一种综合能源系统潮流计算方法 |
| CN112819604A (zh) * | 2021-01-19 | 2021-05-18 | 浙江省农村信用社联合社 | 基于融合神经网络特征挖掘的个人信用评估方法与系统 |
| CN114004047A (zh) * | 2021-09-29 | 2022-02-01 | 南京国电南自电网自动化有限公司 | 一种电热气互联多能源系统矩阵化运算模型建模方法 |
| CN114475350A (zh) * | 2022-02-14 | 2022-05-13 | 杭州鸽然科技有限公司 | 智能充电系统及其工作方法 |
| CN114580123A (zh) * | 2022-02-21 | 2022-06-03 | 武汉大学 | 一种电力天然气互联系统分布式协同校正控制方法 |
| CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产系统 |
-
2022
- 2022-10-17 CN CN202211266987.2A patent/CN115562029B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699046A (zh) * | 2009-10-30 | 2010-04-28 | 浙江大学 | 单轴燃气-蒸汽联合循环发电机组总出力的分割方法 |
| GB201505455D0 (en) * | 2014-05-30 | 2015-05-13 | Highview Entpr Ltd | Improvements in air purification units |
| CN106437912A (zh) * | 2016-11-07 | 2017-02-22 | 北京市燃气集团有限责任公司 | 一种天然气压差发电系统及其控制方法 |
| CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
| CN110544025A (zh) * | 2019-08-21 | 2019-12-06 | 河海大学 | 电转气-储气罐组合的气电综合能源系统优化调度方法 |
| CN110516951A (zh) * | 2019-08-22 | 2019-11-29 | 南京工业大学 | 一种动态时间间隔的综合能源系统调度方法 |
| CN111400937A (zh) * | 2020-04-29 | 2020-07-10 | 上海电力大学 | 一种综合能源系统潮流计算方法 |
| CN112819604A (zh) * | 2021-01-19 | 2021-05-18 | 浙江省农村信用社联合社 | 基于融合神经网络特征挖掘的个人信用评估方法与系统 |
| CN114004047A (zh) * | 2021-09-29 | 2022-02-01 | 南京国电南自电网自动化有限公司 | 一种电热气互联多能源系统矩阵化运算模型建模方法 |
| CN114475350A (zh) * | 2022-02-14 | 2022-05-13 | 杭州鸽然科技有限公司 | 智能充电系统及其工作方法 |
| CN114580123A (zh) * | 2022-02-21 | 2022-06-03 | 武汉大学 | 一种电力天然气互联系统分布式协同校正控制方法 |
| CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王忠平等: "天然气管网压力能回收综合利用研究", 《2016 中国燃气运营与安全研讨会》, pages 155 - 159 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115562029B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115437416B (zh) | 一种天然气透平膨胀发电系统压力控制方法 | |
| CN115359300B (zh) | 风力发电机部件智能化加工制造系统及其制造方法 | |
| CN115099285A (zh) | 基于神经网络模型的智能检测方法及其系统 | |
| CN115719298A (zh) | 一种纺织加弹机 | |
| CN112377985B (zh) | 基于反馈神经网络的供热机组调峰下限评估方法及系统 | |
| CN115511227B (zh) | 一种基于稳定学习的风力发电功率预测方法及装置 | |
| El-Masri | On thermodynamics of gas-turbine cycles: Part 1—Second law analysis of combined cycles | |
| CN115392370A (zh) | 用于火力发电设备的故障诊断方法及其系统 | |
| CN117968088B (zh) | 用于天然气发电装置的烟气余热回收控制系统及方法 | |
| CN115562029B (zh) | 一种天然气透平膨胀发电机组的智能控制方法及其系统 | |
| CN115456053A (zh) | 海上风力发电机组的风轮散热系统及其方法 | |
| CN108459585B (zh) | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 | |
| CN116956090A (zh) | 基于相关性分析和fcm聚类的汽轮机运行状态参数优化方法 | |
| CN117950314A (zh) | 风力发电机组的停机控制系统及方法 | |
| CN113095596B (zh) | 基于多级Gate-SA-TCN的光伏功率预测方法 | |
| CN115450852A (zh) | 风机的智能转速监控系统及其监控方法 | |
| CN115345018A (zh) | 一种水储热压缩空气储能系统设计方法及装置 | |
| Du Rand et al. | Fault diagnosis of generation IV nuclear HTGR components–Part II: The area error enthalpy–entropy graph approach | |
| Seyyedi et al. | A new iterative approach to the optimization of thermal energy systems: Application to the regenerative Brayton cycle | |
| CN112670976A (zh) | 可控负荷被攻击下的电-气耦合系统多能流计算与分析 | |
| CN111624979A (zh) | 一种基于慢特征分析的工业闭环控制回路多振荡检测与溯源方法 | |
| Zhang et al. | Improved LeNet-5 Network for Equipment Fault Diagnosis of Ultra-supercritical Units | |
| Ju et al. | Fault diagnosis of power plant condenser with the optimized deep forest algorithm | |
| CN112329589B (zh) | 一种基于高维特征算法的人脸识别方法 | |
| CN116010896B (zh) | 基于对抗训练与Transformer的风力发电机故障诊断方法 |
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 |