[发明专利]基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法

权利要求书

1.基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法，其特征在于，具体步骤为：

步骤1、选取代表燃气轮机性能状态的特征参数，所述特征参数选择燃气轮机效率，以其来表征燃气轮机性能状态；

步骤2、对燃气轮机效率进行系统全面的机理分析，获取影响燃气轮机效率的边界条件参数；

步骤3、从燃气-蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的历史健康数据和当前运行数据，并将机组运行全工况的历史健康数据分为训练数据和测试数据；

步骤4、对步骤3中的机组运行全工况的历史健康数据进行归一化处理；

步骤5、基于广义回归神经网络的方法，根据机组运行全工况的历史健康数据建立健康状态燃气轮机效率的广义回归神经网络预测模型，并利用机组运行全工况的历史健康数据进行广义回归神经网络预测模型的训练和测试；

步骤6、步骤5广义回归神经网络预测模型训练好之后，计算步骤5中得到的燃气轮机效率预测值与实际运行值之间的相对残差；

步骤7、利用箱型图分析法对燃气轮机效率相对残差进行分析，确定燃气轮机效率处于异常状态时阈值；

步骤8、依据燃气轮机效率相对残差进行相应的监测和分析；

所述步骤6中，相对残差具体为：

式中：m为样本机组运行全工况的历史健康数据个数，η_pi为广义回归神经网络预测模型的健康状态燃气轮机效率预测值，η_ri为燃气轮机效率实际运行值；

所述步骤7中，箱型图分析法具体步骤为：

步骤7.1、对步骤6中的燃气轮机效率相对残差e_i进行统计分析，计算其下四分位数Q_L、上四分位数Q_U、四分位数间距IQR；

其中，Q_L称为下四分位数，表示全部机组运行全工况的历史健康数据中有四分之一的数据取值比它小；Q_U称为上四分位数，表示全部机组运行全工况的历史健康数据中有四分之一的数据取值比它大；IQR称为四分位数间距，是上四分位数Q_U与下四分位数Q_L之差，其间包含了全部观察值的一半；

步骤7.2、箱型图把异常值定义为小于Q_L-1.5IQR或大于Q_U+1.5IQR的值；从ei的定义可知e_i≥0，而且随着e_i的增大，燃气轮机状态发生异常的可能性增大，因此，可以将Q_U+1.5IQR作为燃气轮机性能状态出现异常的阈值；

所述步骤8中，依据燃气轮机效率相对残差e_i进行相应的监测和分析，具体步骤为：

步骤8.1、计算当前运行数据燃气轮机效率相对残差e_i的值，判定其是否满足e_i＞Q_U+1.5IQR，若满足，记录当前运行数据，等待下一步的判定；否则认为燃气轮机性能处于正常状态；

步骤8.2、进行后续连续运行数据的判定，若e_i≤Q_U+1.5IQR，则认为燃气轮机性能处于正常状态；反之若连续多组运行数据都满足e_i＞Q_U+1.5IQR，判定燃气轮机性能处于异常状态，需要进行燃气轮机健康诊断。

2.根据权利要求1所述基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法，其特征在于，所述步骤2中，影响燃气轮机效率的边界条件参数为：燃气轮机有功功率、大气温度、大气压力、IGV阀门开度、天然气标准体积流量、天然气温度、天然气压力。

3.根据权利要求1或2所述基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法，其特征在于，所述步骤4中，归一化处理，具体为：

x’＝(x-x_min)/(x_max-x_min)

式中，x_max和x_min为样本机组运行全工况的历史健康数据的最大值与最小值，x为原始样本机组运行全工况的历史健康数据，x’为归一化后的数值。