【技术实现步骤摘要】
本专利技术属于燃气轮机控制，尤其涉及一种微型燃气轮机在线自适应高效率智能控制方法。
技术介绍
1、wang等首次对单轴mgt的变转速运行性能进行了全面的解析研究。他们推导出最佳转速的解析解，分析了不同压比和温比对变速运行机组性能的影响。研究表明，温比对效率和最佳转速的影响比压比大的多，最佳转速可以归纳为关于功率的曲线。通过对一台轴功率为3mw单轴燃气轮机进行不同轴转速的数值模拟，推导出一定负载范围内的最佳运行转速。结果表明，在40％负荷下燃气轮机以额定转速的83％运行时可以获得3.0％绝对效率提升。与恒定转速运行效率相比，相当于12.8％的相对效率提升。且环境温度越低，效率提升的效果越明显。duan等基于mgt的非线性仿真模型对比了回热循环、简单循环下恒转速与变转速运行方式对燃气轮机热效率的影响。结果表明，回热循环的变转速运行模式可以获得最高的整机热效率。还有研究基于rowen模型建立了mgt发电系统的动态仿真模型。采用变转速运行方式，通过建立最佳转速与功率之间的多项式关系提高燃气轮机的运行效率。
2、上述现有技术中基于多项式的最高效率控制仅通过功率计算当前时刻的最优转速值，忽略了环境温度和发动机性能偏差导致的最优转速的变化。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种微型燃气轮机在线自适应高效率智能控制方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种微型燃气轮机在线自适应高效率智能控制方法，包括以下步骤：>
3、基于bp神经网络建立高效率最优转速调节控制方法；
4、基于深度学习网络和极限学习机构建深度极限学习机预测模型；
5、基于深度学习网络和在线顺序极限学习机构建在线深度极限学习机更新模型；
6、将燃气轮机的燃油流量和转速输入所述深度极限学习机预测模型中计算燃气轮机的状态参数预测值；
7、设置性能偏离判定阈值，当所述状态参数预测值小于等于性能偏离判定阈值时，按照高效率最优转速调节控制方法计算最优转速；
8、当所述状态参数预测值大于性能偏离判定阈值时，基于在线深度极限学习机更新模型重新训练最优转速控制律，获得最新最优转速控制律，基于最新最优转速控制律更新高效率最优转速调节控制方法中的bp高效率最优转速控制律，同时通过深度极限学习机预测模型更新在线深度极限学习机更新模型。
9、优选地，所述高效率最优转速调节控制方法包括：
10、将环境温度和负载功率作为输入，通过bp转速调节规律计算出输入条件下燃气轮机获得最高效率的转速值；
11、基于所述最高效率的转速值，燃气轮机转速控制器通过调节燃油流量的方法使燃气轮机的实际轴转速跟踪最佳转速的变化。
12、优选地，所述bp转速调节规律的方法包括：
13、在燃气轮机工作转速范围内均匀取n个转速值，将所述n个转速值输入到发动机的非线性模型中，去除令燃气轮机超温和喘振的转速值，获得备选数据集，从备选数据集中选出效率最高对应的转速，然后通过选出的转速和对应的环境温度、功率训练bp神经网络，通过训练好的bp神经网络获取燃气轮机在相同工况条件下效率最高的转速值。
14、优选地，所述深度学习网络通过自动编码器构建，所述自动编码器包括编码器和解码器；编码器的编码过程为：
15、h＝g(w1x+b1)；
16、式中，g(·)表示编码器激活函数，w1和b1分别表示编码器的权重和偏置矩阵，x表示输入数据；
17、解码器的解码过程为：
18、z＝f(w2x+b2)；
19、式中，f(·)表示解码器激活函数，w2和b2分别表示解码器权重和偏置矩阵。
20、优选地，获得所述状态参数预测值的方法包括：
21、所述深度极限学习机预测模型包括深度极限学习机-自编码器深度网络和基于极限学习机的转换模型；
22、首先基于深度极限学习机-自编码器深度网络获得输出矩阵，再通过基于elm的转换模型建立所述输出矩阵与深度极限学习机预测模型输出值的非线性关系，基于所述非线性关系获得预测值。
23、优选地，所述深度极限学习机预测模型进行数据更新时基于动态遗忘因子平衡旧样本数据集和新样本数据集；
24、平衡方法包括：计算深度极限学习机预测模型的训练误差，当所述训练误差小于训练误差阈值时不遗忘旧样本数据集，当所述训练误差大于等于训练误差阈值时遗忘旧样本数据集。
25、优选地，所述动态遗忘因子的更新函数表达式为：
26、
27、式中，e表示模型当前的训练误差，λmin表示遗忘因子的最小值，μ表示控制λ向λmin逼近速率的步长，et表示设定的训练误差阈值。
28、优选地，所述控制方法还包括评价深度极限学习机预测模型的性能，评价指标包括均方根误差、平均绝对误差、平均绝对百分比误差和相关系数。
29、与现有技术相比，本专利技术具有如下优点和技术效果：
30、本专利技术公开了一种微型燃气轮机在线自适应高效率智能控制方法，自适应高效率智能控制原理如下：将燃气轮机的燃油流量和转速等控制量输入机载深度预测模型，结合当前时刻的环境条件计算燃气轮机的状态参数预测值。设置性能偏离判定阈值，当所述状态参数预测值小于等于性能偏离判定阈值时，按照高效率最优转速调节控制方法计算最优转速；当所述状态参数预测值大于性能偏离判定阈值时，基于在线深度极限学习机进行训练，获得最优转速控制律，并进行更新。本专利技术将强时变因素(环境温度)和弱时变因素(性能退化)解耦。将强时变因素考虑在高效率控制内环，性能退化等弱时变因素考虑在自适应更新控制外环，最大程度减少了更新控制律的频率，更加便于控制器的工程实现。本专利技术提出的在线自适应高效率控制策略弥补了传统基于多项式控制策略无法适应燃气轮机时变性的缺点。本专利技术通过设计bp最优转速控制律，综合考虑了环境温度和功率对最优转速的影响，通过设计在线更新环节，解决了发动机性能偏差下最优转速的适应性问题。能够实现最优转速在不同环境温度和发动机性能偏差下更新，保证燃气轮机高效率控制在各种工作场景下的有效性。
本文档来自技高网...【技术保护点】
1.一种微型燃气轮机在线自适应高效率智能控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的微型燃气轮机在线自适应高效率智能控制方法，其特征在于，
3.根据权利要求1所述的微型燃气轮机在线自适应高效率智能控制方法，其特征在于，
4.根据权利要求1所述的微型燃气轮机在线自适应高效率智能控制方法，其特征在于，
5.根据权利要求1所述的微型燃气轮机在线自适应高效率智能控制方法，其特征在于，
6.根据权利要求1所述的微型燃气轮机在线自适应高效率智能控制方法，其特征在于，
7.根据权利要求6所述的微型燃气轮机在线自适应高效率智能控制方法，其特征在于，
8.根据权利要求1所述的微型燃气轮机在线自适应高效率智能控制方法，其特征在于，
【技术特征摘要】
1.一种微型燃气轮机在线自适应高效率智能控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的微型燃气轮机在线自适应高效率智能控制方法，其特征在于，
3.根据权利要求1所述的微型燃气轮机在线自适应高效率智能控制方法，其特征在于，
4.根据权利要求1所述的微型燃气轮机在线自适应高效率智能控制方法，其特征在于，
...【专利技术属性】
技术研发人员：刘永葆，杨睿，贺星，王强，夏舸，刘之萌，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。