[发明专利]一种燃气轮机燃烧优化控制方法及系统

权利要求书

1.一种燃气轮机燃烧优化控制方法，其特征在于：包括下列步骤：

S1，挖掘收集燃气轮机运行的历史工况数据，通过矩阵映射投影、建造新的数据映射空间数据，建立PCA降维处理模块；

S2，将经过降维处理模块处理后的数据进行归一化，结合燃气轮机循环发电效率构建训练样本和预测样本，并进行深度学习和预测分析，建立BP神经网络预测输出模块；

S3，结合神经网络预测输出模块神经网络非线性拟合结果，通过数据种群初始化及计算效率适应度，建立燃气轮机燃烧效率系统影响因素的基于BP神经网络遗传算法优化模块；

S4，接口电厂的实时运行参数，利用基于BP神经网络遗传算法优化模块进行参数配比寻优，利用寻优得到的最优工况指导燃气轮机燃烧过程。

2.根据权利要求1所述的燃气轮机燃烧优化控制方法，其特征在于：燃气轮机运行的历史数据包括环境温度、压气机进口温度、燃气压力、可调空气进口导叶的开度信号、燃料气体温度、值班燃料比例、燃气轮机转速和排气平均温度的历史数据。

3.根据权利要求2所述的燃气轮机燃烧优化控制方法，其特征在于：每间隔设定时间测试记录历史数据并形成数据库，通过燃料热值、燃料流速、燃料密度，功率因数和无功功率参数计算燃气轮机循环发电机组效率。

4.根据权利要求2所述的燃气轮机燃烧优化控制方法，其特征在于：步骤S2中，环境温度、压气机进口温度、燃气压力、可调空气进口导叶的开度信号、燃料气体温度、值班燃料比例、燃气轮机转速和排气平均温度的历史数据作为输入，燃气轮机循环发电效率作为输出，采用BP神经网络进行学习和预测，完成BP神经网络的训练过程。

5.根据权利要求1-4任一项所述的燃气轮机燃烧优化控制方法，其特征在于：PCA降维处理模块的处理包括如下步骤：

S201，对历史工况大数据进行标准化处理，假设样本观测数据矩阵为：

按照下列方式对原始工况数据进行标准化处理：

S202，计算样本相关系数矩阵，经标准化处理的相关系数矩阵为：

该式中，

S203，计算相关系数矩阵R的特征值和相应特征向量：

特征值：λ₁，λ₂，…,λ_p

特征向量：a_i＝(a_i1,a_i2,…,a_ip),i＝1,2,….p；

S204，选择重要的主成分，写出主成分表达式：

记贡献率ε是指某个主成分的方差占全部总方差的比重，表示某个特征值占全部特征值合计的比重，即

根据上述计算公式得到的结果选择主成分；

S205，计算主成分得分，分别代入主成分表达式，从而得到新数据，进行筛选和最终降维处理。

6.根据权利要求1-5任一项所述的燃气轮机燃烧优化控制方法，其特征在于：步骤S2中，样本的深度学习包括如下步骤：

S211，将经过降维预处理之后的数据构成训练网络的样本；

S212，确定训练网络的初始参数，初始参数包括最大训练次数、隐含层神经元数量、网络学习速率和训练的目标误差；

S213，计算中间层各单位的输入输出，公式如下：

计算输出层各单元的输入输出，公式如下：

计算输出层各单元的一般化误差，公式如下：

计算中间层各单元的一般化误差，公式如下：

S214，调整中间层至输入层、输入层至中间层之间的连接权，公式如下：

S215，更新学习输入模式及学习次数，当误差小于设定值时结束学习。