[發明專利]基于LSTM深度學習的燃機NOx超標預警方法與裝置

在審

• 申請號: 201910806972.2
• 申請日: 2019-08-29
• 公開（公告）號: CN110618610A
• 公開（公告）日: 2019-12-27
• 發明（設計）人: 俞利鋒;李勇輝;方繼輝
• 申請（專利權）人: 杭州華電江東熱電有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 37268 濟南瑞宸知識產權代理有限公司
• 代理人: 徐健

1.一種基于LSTM深度學習的燃機NOx超標預警方法，其特征在于：包括以下步驟：

步驟一：獲取燃機歷史運行數據，并對歷史數據進行預處理；

步驟二：根據預處理后的歷史數據劃分模型訓練集與測試集，并以訓練集為基礎，構造NOx排放為輸出的LSTM預測模型；

步驟三：利用測試集數據輸入到燃機NOx排放模型，對比NOx排放實際值與預測值偏差是否在合理范圍內，并判斷模型是否有效；若無效則進行步驟四；若有效滿足則保存模型結束；

步驟四：調節LSTM的網絡層數、學習率等超參數，調節后重新利用訓練數據進行建模預測，直到NOx預測值與實際值偏差在合理范圍內；

步驟五：利用LSTM預測模型對實時數據進行預測，當NOx含量達到50ppm時，提前發出NOx環保預警。

2.如權利要求1所述的基于LSTM深度學習的燃機NOx超標預警方法，其特征在于，所述的步驟一中獲取燃機歷史運行數據，并對歷史數據進行缺失值處理，相關參數至少包括燃機負荷、轉速、TCS供熱蒸汽溫度、控制供油壓力、燃機燃氣供應壓力控制閥出口溫度、1號軸承墊金屬溫度、推力軸承墊金屬溫度-1(渦輪側)、#5軸承排油溫度。

3.如權利要求1所述的基于LSTM深度學習的燃機NOx超標預警方法，其特征在于，所述的步驟一還包括對歷史數據進行歸一化處理，

x為某一燃機運行參數，x_min為某一燃機運行參數最小值，x_max為某一燃機運行參數最大值，X1為歸一化后燃機運行參數。

4.如權利要求1所述的基于LSTM深度學習的燃機NOx超標預警方法，其特征在于，所述的步驟二，包括以下步驟：

步驟2-1，對歸一化后的數據構造燃機參數矩陣X_i,k，i表示行，為按時間索引，間隔時間為1秒，k表示列，為測點索引，k＝1～199，表示燃機時的運行相關參數共計199個特征，y為輸出，代表每個時刻的燃機NOx濃度含量；

步驟2-2，對燃機參數矩陣劃分按時間劃分為訓練集和測試集矩陣；

步驟2-3，對選取的訓練集燃機參數矩陣輸入到LSTM模型訓練輸入中，構造以燃機NOx排放為預測目標的燃機預測模型，并預測訓練集燃機參數矩陣對應的NOx含量輸出值。

5.如權利要求1所述的基于LSTM深度學習的燃機NOx超標預警方法，其特征在于，所述的步驟一，從燃氣輪機的監測軟件中選擇主要測點數據，測點數據包括：燃機負荷、轉速、TCS供熱蒸汽溫度、控制供油壓力、燃機燃氣供應壓力控制閥出口溫度、1號軸承墊金屬溫度、推力軸承墊金屬溫度-1(渦輪側)、#5軸承排油溫度、GT IGV位置、空氣濕度、燃氣輪機壓縮機進氣溫度、燃氣輪機進氣過濾器壓差測點、燃氣輪機進氣過濾器內部壓力、燃氣輪機進氣靜壓、燃氣輪機壓縮機進氣溫度測點、燃氣輪機壓縮機出口空氣溫度、燃氣輪機燃燒室殼體壓力測點、燃機燃料A母管壓力、燃機燃料先導母管壓力、燃機主燃料母管壓力、燃機燃料頂部母管壓力、燃氣輪機燃燒室旁路閥位置、燃氣輪機葉片通道最高溫度、燃氣輪機葉片通道最低溫度、燃氣輪機葉片通道最大溫度變化、燃氣輪機葉片通道最低溫度變化、燃機排氣溫度最大值、燃機排氣溫度最小值。

6.如權利要求5所述的基于LSTM深度學習的燃機NOx超標預警方法，其特征在于，所述的燃氣輪機進氣過濾器壓差測點、GT IGV位置測點、燃氣輪機壓縮機進氣溫度測點和燃氣輪機燃燒室殼體壓力測點均設置2個以上測點。

7.一種安裝有權利要求1-6所述基于LSTM深度學習的燃機NOx超標預警裝置，其特征在于，包括電氣連接的存儲有以上方法實現程序的存儲器、處理器、I/O設備和報警裝置，I/O設備連接安裝燃氣輪機的監測軟件的計算機和/或網絡，訪問并且取得實時測點數據。

8.根據權利要求5所述的基于LSTM深度學習的燃機NOx超標預警裝置，其特征在于，所述的處理器通過無線傳輸連接手持用戶端。