滤波在数据驱动的燃气轮机参数预测中的应用.pdf

第52 卷第3期2023年0 9 月文章编号：16 7 2-5549(2 0 2 3)0 3-0 18 4-0 6滤波在数据驱动的燃气轮机参数预测中的应用热力透平THERMALTURBINEVol.52 No.3Sep.2023李刚正，刘尚明（清华大学能源与动力工程系，北京10 0 0 8 4）摘要：在直接使用神经网络模型对燃气轮机的状态参数进行预测时，发现预测结果往往不够精确。通过观察采集到的机组实际运行数据发现，误差很可能是由实时数据的噪声引起的。结合其他学者的研究经验，提出了一种先对原始数据进行滤波处理，再将其输入神经网络进行计算的方法。对同一组数据的预测情况的比较结果证明了该滤波环节对提高神经网络预测精度十分有效。关键词：燃气轮机；神经网络；数据驱动；滤波中图分类号：TK472Application of Filter in Data Driven Predictionof Gas Turbine ParametersLI Gangzheng,LIU Shangming(Department of Energy and Power Engineering,Tsinghua University,Beijing 100084,China)Abstract:The prediction results of state parameters in gas turbines are not accurate enough with direct applicationof neural network models.By observing the actual collected data during unit operation,it was found that the error waslikely caused by the noise of real-time data.Combined with the research experience of other scholars,it was proposedto carry out the filering of original data firstly and then put it in neural network to calculate.For the filteringprocedure,its effectiveness of improving the prediction accuracy of neural network has been verified by comparison ofprediction of the same group of data.Key words:gas turbine;neural network;data driven;filter对于燃气轮机这类高度非线性系统，国内外很多学者都采用了神经网络工具对其运行参数进行预测，以实现对整个机器健康状态的管理和故障的预警。Asgari 等 提出了将神经网络应用于燃气轮机建模的方法，但未考虑机器运行时采集的数据往往质量较低，将其直接输人神经网络进行训练后,效果并不很理想。孙嘉娴等2 采用数据驱动的燃气轮机模型对燃气轮机的机理模型进行误差补偿,结果表明在机理模型中增加基于数据驱动的前馈神经网络模型后，模型的精度有较大的提升。肖晋飞3 提出了一种自联想神经网络建模的方式对燃气轮机的仿真数据进行了预测，对神经网络的输入数据进行了稳态因子计算，进而简化了数据样本，使输入数据整体的质量得到提高。谭湘敏等4 提出将数据按照燃气轮机的运文献标志码：Adoi:10.13707/ki.31-1922/th.2023.03.004行过程进行分类，通过不同神经网络对不同物理过程的数据进行计算，实际上也提高了神经网络所处理的数据的质量。贾佩霖5 在构建燃气轮机仿真模型时，考虑了环境变量的线性变化,将环境参数以折合的形式输入神经网络，使得训练后的神经网络有更大的适用范围。对传感器采集的参数进行降噪处理是一种提高神经网络输人数据质量的方法。关于噪声抑制,刘芬等6 提出了一种卡尔曼滤波迭代算法,并进一步地将卡尔曼滤波应用于非线性系统中，以估计值替代原始数据进行计算。李莹7 在地震数据降噪研究中,采用深度学习的方法尝试分离出噪声数据，以原始数据与噪声数据之差作为纯净数据进行计算。彭志云8 将噪声作为一个服从高斯分布的序收稿日期：2 0 2 2-0 2-2 1作者简介：李刚正（2 0 0 0 一），男，清华大学能源与动力工程系在读硕士研究生，主要从事燃气轮机建模、仿真与控制研究。184修订日期：2 0 2 3-0 6-2 3滤波在数据驱动的燃气轮机参数预测中的应用列值,基于此进行了小波变换,所涉及的数据时序信号处理方法给其他处理模式提供了一定的指导。本文将以燃气轮机运行的实际数据为基础，通过滤波环节构造降噪后的信号序列,并以此来讨论在神经网络系统中增加滤波优化环节以降低噪声影响的可行性。1基于数据的燃气轮机建模燃气轮机是一个具有高度非线性性质的系统。通常情况下，燃气轮机的物理模型是基于其设计值而构建的，这样的模型很难反映燃气轮机运行的真实情况，特别是对于发生了性能退化的燃气轮机，物理模型所产生的误差将被放大。而基于数据的燃气轮机模型采用人工神经网络系统对真实的运行数据进行处理,其基准有一定的自适应能力，可以根据燃气轮机的实际运行状态做出调整，进而实现对燃气轮机的健康管理和故障诊断,在实际应用中相比于物理模型有显著优势。燃气轮机的人工神经网络模型的精度取决于神经网络的质量。神经网络由输入层、隐含层、输出层3个部分组成，常用的神经网络有前向式神经网络（BP神经网络）和反馈式神经网络（NARX神经网络)2 种，其结构如图1、图2 所示。输入层输出层隐含层图1BP神经网络输人层X()隐含层X(t-1)输出层X(t-2)Y(t)Y(t-1)Y(t-2)图2 反馈式神经网络在相关研究中,刘微11 采用了BP神经网络热力透平模型,周奎12 、Asgari 等1 采用了反馈式神经网络模型。一般情况下,反馈式神经网络由于具有反馈调节，其预测精度通常优于BP神经网络。但文献13 指出，神经网络的质量还取决于其隐含层结构、传递函数、输入参数、训练数据的质量等，而反馈式神经网络在训练集数据质量不高的情况下,其反馈调节功能反而可能会强化部分低质量数据的影响，进而降低神经网络整体的计算输出质量。因此为了能更好地构建反馈式神经网络模型，需要对数据做相应的预处理。为了使数据模型更加准确，本文针对多个参数构建了不同的神经网络，并用同一组数据进行训练，通过比较预测结果筛选出3个质量最高的神经网络。为了采用数据模型预测燃气轮机的真实情况，在神经网络的输入变量中考虑了环境因素，通过引人环境参数构造折合参数，使数据模型能够准确反映大多数环境下燃气轮机的运行情况。尽管本文对数据进行了一定的预处理，对神经网络参数也进行了大规模的筛选，但平均而言数据模型的计算结果与实际值之间仍然存在约1.5%的相对误差。通过对输人输出数据的观察，发现误差集中的区域往往存在较大的数据波动。为了进一步降低误差,提高数据模型的预测精度，需要对数据本身的噪声进行进一步的处理。W2楼数据噪声的影响2.1神经网络的设置利用人工神经网络对燃气轮机的压气机部件进行建模，如图3所示。压气机转速空气流量G进口导叶开度IGV图3压气机的神经网络模型建模时通常将压气机的进口空气流量G、主轴转速N和进口导叶开度作为输入参数9,将环境压力Po1、环境温度toi作为环境参数输人，用于185压气机出口温度t第3期参数的约化10 。神经网络的输出为压气机的出口温度t,考虑到环境因素的影响,用折合参数替代绝对参数进行计算。相应的关系式如下：to18=toaPo1Poat2t2tNN式中：toa、Po a 分别为标准情况（设计条件下）的环境温度和压力；to1、Po 1分别为实际情况下的环境温度和压力；与为折合后的环境温度和压力；G为压气机的空气流量；q为燃料流量；t为进口气体温度；t为出口气体温度；N为燃气轮机转速。为了便于神经网络的计算,所有参数均归一化到0 1区间内。采用上海漕泾电站9F级燃气轮机的实际运行数据，调试好神经网络参数并训练完成后，模型对t的预测值如图4所示，预测值与实际值的相对误差如图5所示。1r0.90.80.70.60.50.40.20.10图4神经网络对压气机出口温度的预测结果2.2输入数据的局限性由图4和图5可以看到，神经网络的预测结果在某些区域与实际值符合得并不很好，分析表明这很有可能是由于输人数据的波动造成的。图6、图7 分别是输人参数空气流量G、主轴转速N186滤波在数据驱动的燃气轮机参数预测中的应用2.01031.51.00.5(1)0-0.5(2)-1.0X-1.5(3)-2.0-2.5(4)-3.00(5)图5预测值与实际值的相对误差的相对值。不难发现，输人数据整体呈现上升趋(6)势，但邻近数据之间有很大的起伏，这主要是由传感器获得数据时的舍入误差和参数的一些随机起伏导致的。显然这样的起伏应该归为噪声，而非真实参数的变化。这样的噪声表现在数据上则是大量的“尖点”，而这样的尖点对于神经网络的训练和预测都是十分不利的。因此在输人神经网络之前,需要增加一个滤波环节来消除这一类噪声。1.00.90.80.70.60.50.30.20.101.00.90.8实际值X预测值5001000150020002.5003 000数据点XXXX500100015002 0002.5003 000数据点50010001500 20002.5003000数据点图6 空气流量输人变化趋势0.70.50.40.30.20.10KXXXXXX5001 000150020002.5003 000数据点图7主轴转速输人变化趋势X滤波在数据驱动的燃气轮机参数预测中的应用3滤波环节的工作原理从数学角度而言，为了让离散的数据点所绘制的曲线尽可能平滑,尖点尽可能少,亦即使邻近数据之间的变化量尽可能小，就需要使后一个数据对前一个数据有一定的依赖性,类似于物理中的惯性。但由于输入的数据都采自实际运行过程，因此在实现这个目标的同时还要尽可能地保证数据的真实性、完整性不被破坏。1个由数据点构成的离散序列可表示为：X=(x1,x2,xn对此可以构造1个降噪后的离散序列：Y=tyl,y2,yn1其满足：Ji=X1y;=x;+f(x,)x;式中:x;=x;-x;-1。所构造的数据列Y相比于原始数据列X,相邻数据之间的差值被函数f所限制，称f为调节函数。根据函数f的不同表现形式，可以产生不同的数据列Y。称数据列Y为X经过滤波环节调整后的参数列。为了使变换后的参数仍能反映物理参数的真实情况，函数需要满足如下几个条件：f()E 0,1(11)(12)f(0)=1limf()=0d(xf()0dx式(11)能保证2 个数列的增减趋势相同,且降低相邻数据之间的跃变;式(13)能确保在极端数据的情况下通过函数f(x)的限制,将数据约束在一定范围内。式（12）和式（14）共同确保数据的真实性，即原始参数值如果有较大变化，经过滤波环节后仍然具有相对大的变化，尖点不会被直接抹平；而在原始参数值变化较小时，函数f（x）的影响也相对小,处理后的数据也接近原始参数。满足上述条件的任意函数都可以作为滤波环节的调节函数f（x），一种简单的方案是通过指数函数进行调节：(x)=a,a=(,1)热力透平通过的不同取值可以调整函数的调节能力，即可通过调整参数来修改数据的惯性。例如=0.4时，函数f()和xf(x)的图像如图8 和图9所示。1.00.90.8y0.70.6(7)0.5(8)0.40(9)0.40 r(10)0.350.300.250.200.150.100.050(13)不难发现：使用式（15）所示函数时,函数的(14)变化较为均匀,因此对数据变化的敏感性不够强，函数的预期效果应该在较大时变化平缓;x从0增大时函数值迅速变化；在足够大时函数缓慢逼近0 值。在实际数据中，相邻2 个数据点之差往往不会太大。以本次使用的训练集和测试集数据为例,将其折算成相对数据后,相邻数据点的差距最大也不超过整体的9%，因此可以对滤波环节的函数放宽要求，在保持简洁形式的同时，使其在特定区间内满足前文提及的条件即可。例如=10-5时，函数f（）和xf（x）图像如图10 和图11所示,显然在整个定义域内,函数并不能满足需求,但在(0,0.1）区间内函数f(x）和xf(x）均(15)满足要求,且在该区间内，函数对数据的变化比之1870.2图8 a=0.4时f(x)图像0.20.4X图9=0.4时xf(x)图像0.40.60.60.80.81.01.0第3期前更为敏感,因此这样的函数更加适合作为滤波环节的调整函数。1.00.90.80.70.60.50.40.30.20.100.0350.0300.0250.0200.0150.0100.0050图11a=10-5时 xf(x)图像添加滤波环节前后的比较增加滤波环节前后的输人数据参数变化对比如图12、图13所示，可以看到调整后的数据比调整前更加集中，数据的尖点更少。将通过滤波环节处理的数据和未通过滤波环节处理的数据分别输入前文所述参数相同的反馈式神经网络之中，并使用同一个测试集数据进行预测，结果如图14所示。不难看出,输入相同参数的神经网络在增加滤波环节后，预测结果相比之前更加接近实际情况，精度得到显著提高。在绝对参数下,压气机出口温度为6 13 6 30 K时，未添加滤波环节的神经网络对其预测的最大误差约为1.7 K。而增加了滤波环节后,除了1个数据点的误差为1.5K,其余数据点误差不超过1.1K,误差整体降低了约35%。188滤波在数据驱动的燃气轮机参数预测中的应用1.00.90.80.70.60.50.40.30.20.10图12增加滤波环节前后的主轴转速0.20.4X图10a=10-时f(x)图像0.20.4X*一调整前一一调整后500100015002.000数据点0.60.80.60.82.50030001.01.0r0.90.80.70.60.50.30.20.101.0图13增加滤波环节前后的空气流量1.00.90.810.70.60.50.40.20.10图14增加滤波环节前后神经网络预测结果以绝对参数预测值与实际值之间的相对误差作为评判标准，添加滤波环节前后预测值的误差分布如图15所示。为了量化滤波环节对误差的影响，图15中纵坐标所代表的是滤波前后误差之差的绝对值,计算如下：E。=Ie 2 /-l e t I式中：ei为未经过滤波环节的相对误差；e2为经*一调整前一一调整后5001 00015002.000数据点+滤波后预测值5001 00015002.000数据点2.5003000实际值滤波前预测值2.5003.000(16)滤波在数据驱动的燃气轮机参数预测中的应用过滤波环节后的相对误差。3.0103+2.5+2.0+#+X+1.5XX1.0X热力透平各类机组,这些优势是物理模型所不具备的。本文基于实际数据的特点，提出了在将数据+无滤波环节相对误差有滤波环节相对误差+X+输人神经网络之前，先进行滤波以降低噪声,从而提高神经网络的预测精度的方案。从结果来看，降噪后的神经网络对于预测组的大多数数据都能输出更加精确的预测结果，整体误差从1.5%降+低到了1%，仅在极少数数据位置产生了较大偏XX+差。其原因可能是数据本身的值过小，滤波调整XX+0.5欢X0支X500图15添加滤波环节前后预测结果相对误差图16 为增加滤波环节后预测值误差的变化情况，小于0 表示误差减小，大于0 表示误差增大。通过误差的图像可以看到,对于大多数数据，增加了滤波环节后其预测误差都有显著减小，特别是对于本身误差较大的数据,增加滤波环节后，误差有明显降低，神经网络预测的整体精度得以提高。1.5,10-31.00.500.5-1.0-1.5-2.02.505 结 论基于数据的燃气轮机模型在燃气轮机运行参数的预测中有很好的应用前景，特别是考虑了环境因素后,数据模型的误差基本在2%之内,整体误差约为1.5%，且模型能适用于各种环境下的使其产生了较大的相对误差。总体来看，在燃气XtX轮机参数预测中，使用本文所述的滤波环节来提XX100015002.000数据点5001 00015002.0002.5003000数据点图16滤波环节修正的误差+LX2.5003000高神经网络的精度是可行的。参考文献：1】A S G A R IH,CH ENX Q.燃气轮机的建模、仿真与控制-基于人工神经网络的方法M.鲁峰，李秋红，译.北京：科学出版社，2 0 18.2 孙嘉娴，谢振伟，谭湘敏，等.基于机理数据协同驱动的重型燃气轮机控制系统参数解析余度构建研究J.燃气轮机技术,2 0 2 2,35(2):12-18.3肖晋飞基于人工神经网络的热工过程建模方法研究及应用D.南京：东南大学,2 0 2 0.4谭湘敏，李伟，沈友昊，等.基于数据驱动的重型燃气轮机多模融合建模方法研究J.燃气轮机技术，2 0 2 2,35（2）：39-46.5贾佩霖.基于代理模型的燃气轮机多目标优化方法研究D.大连：大连理工大学,2 0 2 1.6 刘芬,范洪强,吕涛,等.基于卡尔曼滤波的含噪声小样本数据处理方法J上海大学学报（自然科学版），2 0 2 2，2 8(3):427-439.7 李莹.基于深度学习的地震数据降噪与断层识别研究D.天津：天津职业技术师范大学，2 0 2 1.8 彭志云.基于数据降噪和深度学习的风速预测模型研究D.重庆:重庆大学,2 0 2 0.9李俊昆,张绪炎，杨志鹏.基于非线性自回归神经网络的燃气轮机建模方法研究J.发电设备，2 0 2 1,35（2）：8 2-8 8.10张兆宇,刘尚明.基于数据的燃气轮机建模与控制技术概述J.热力透平,2 0 19,48(2)：8 9-9 5.11】刘微.基于燃气轮机的燃气蒸汽联合循环系统分析与建模【D .保定：华北电力大学，2 0 15.12周奎.神经网络在燃气轮机建模仿真和性能监测中的应用D.北京：清华大学,2 0 17.13李刚正.基于数据驱动的燃气轮机融合建模方法研究D.北京：清华大学，2 0 2 2.189