[發明專利]燃氣輪機的補償模型的訓練方法及使用

在審

• 申請號: 202111067557.3
• 申請日: 2021-09-13
• 公開（公告）號: CN113761803A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 韓博;孫嘉嫻;胡春艷;沈友昊;康芳
• 申請（專利權）人: 中國科學院工程熱物理研究所
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F119/08
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 樊曉

1.一種燃氣輪機的補償模型的訓練方法，包括：

獲取燃氣輪機的多個第一傳感器參數分別對應的實際運行數據和多個第二傳感器參數分別對應的實際運行數據，其中，將所述多個第一傳感器參數包括待解析參數，所述第一傳感器參數的實際運行數據和所述第二傳感器參數的實際運行數據的采集時間相同；

將所述多個第一傳感器參數中，除所述待解析參數之外的第一傳感器參數分別對應的實際運行數據輸入機理模型，輸出所述待解析參數的估計值，其中，所述機理模型用于表征所述多個第一傳感器參數之間的函數關系；

計算所述待解析參數的估計值和所述待解析參數的實際運行數據之間的差，得到所述待解析參數的差值；

將所述多個第二傳感器參數分別對應的實際運行數據作為補償模型的輸入值，將所述待解析參數的差值作為樣本標簽，訓練所述補償模型。

2.根據權利要求1所述的方法，還包括：

將所述燃氣輪機的運行過程劃分為多個運行階段；

確定每個所述運行階段分別對應的目標第二傳感器參數；

針對每個所述運行階段，利用所述目標第二傳感器參數的實際運行數據作為所述補償模型的輸入值，將所述待解析參數的差值作為樣本標簽，訓練所述補償模型。

3.根據權利要求2所述的方法，還包括：

確定每個所述運行階段分別對應的目標補償模型；

其中，針對每個所述運行階段，利用所述目標第二傳感器參數的實際運行數據作為所述補償模型的輸入值，將所述待解析參數的差值作為樣本標簽，訓練所述補償模型包括：

針對每個所述運行階段，利用所述目標第二傳感器參數的實際運行數據作為所述目標補償模型的輸入值，將所述待解析參數的差值作為樣本標簽，訓練所述目標補償模型。

4.根據權利要求1或2所述的方法，其中，多個所述第一傳感器參數包括以下至少之一：

多個所述第二傳感器參數包括以下至少之一：

轉速、IGV與燃油流量之比、壓氣機壓比。

5.根據權利要求4所述的方法，其中，多個運行階段包括：起動階段、全速空載階段和負荷調整階段。

6.根據權利要求1所述的方法，其中，所述機理模型為：

其中，p₁為壓氣機進口壓力，單位：Pa；

p₂為壓氣機出口壓力，單位：Pa；

T₁為壓氣機進口溫度，單位：K；

T₂為壓氣機出口溫度，單位：K；

η_c為壓氣機效率；

k為空氣比熱比。

7.根據權利要求1所述的方法，其中，所述補償模型包括多層神經網絡，所述多層神經網絡包括：

輸入層，神經元數量與所述輸入變量個數一致；

隱藏層，是標準神經元層或卷積神經網絡層，所述隱藏層的數量不少于一層，且各所述隱藏層的神經元數量不少于所述輸入變量個數；

輸出層，神經元數量與所述輸出變量個數一致。

8.根據權利要求7所述的方法，還包括：對用于所述補償模型訓練的樣本進行標準化處理，進而消除所述樣本的數值量級差異對所述多層神經網絡訓練過程的影響，所述標準化處理包括：

獲得所述樣本的均值和標準差；

在所述樣本減去所述均值后再除以所述標準差。

9.根據權利要求7所述的方法，其中，對所述多層神經網絡進行訓練還包括：

采用隨機梯度下降算法使代價函數逐漸收斂至最小值；

迭代過程中采用反向傳播算法根據隨機選取的小批量樣本數據計算代價函數的梯度值。

10.一種利用權利要求1～9中任一項所述的補償模型的方法，包括：

獲取待測量的燃氣輪機的第二傳感器參數的數據；

將所述待測量的燃氣輪機的第二傳感器參數的數據輸入訓練完成的所述補償模型；

通過訓練完成的所述補償模型輸出所述待測量的燃氣輪機的補償值；

通過所述補償值與所述待解析參數的估計值得到所述第二傳感器參數的解析余度。