一种基于神经网络算法的压缩机组运行控制方法

摘要

本发明公开了一种基于神经网络算法的压缩机组运行控制方法，根据压缩空气用气量和最高用气压力设备的压力需求值初步选定空气压缩机的类型种类和台数，根据初步选定的空气压缩机种类及参数获取其功率计算数学模型，建立神经网络模型，合理选取模型输入变量，其输出量为空气压缩机组排气量及各空气压缩机轴功率，通过训练学习建立输入输出量之间的非线性映射关系，能够降低压缩空气管网压力波动，优化空气压缩机组功耗。

说明书

技术领域

本发明涉及管道输送压力控制技术领域，尤其涉及一种基于神经网络算法的压缩机组运行控制方法。

背景技术

压缩空气作为昂贵的二次能源广泛应用于各类工业领域，空气压缩机作为压缩空气的主要高能耗设备，其能耗占整个空压站系统用电量95％，以十年生命周期进行计算，其运行成本占总成本的78％，是名副其实的耗电主力，随着国家节能减排要求越来越高，在保证压缩空气系统运行能力的基础上，选择合适的技术控制使空压机组在最高效的工况下进行工作成为一种新的节能方向。

由于用气设备及用气点很多,用气量随着生产负荷的波动,有时会出现瞬时用气量很大的情况,这通常会造成一个压缩空气系统管网压力波动很大。所有压缩空气系统都具有保证系统正常运行的最低压力,系统供气压力超过最低压力，那么系统将正厂运行，系统供气压力继续增加将会导致系统耗气量及能耗的增加，为保证系统供气始终满足所有生产活动的正常运行，一般情况下，企业会提升整个系统的供气压力，使得压力波动最低点高于最高用气压力设备的压力需求值，这就导致在其他时段内供气压力一直高于正常用气压力，造成系统能耗增加。所以，如何及时有效控制空气压缩机组运行工况保持系统管网压力保证用气设备正常运行是目前需要研究的方向，针对传统的压缩空气系统保证管网压力方法的缺陷，有必要提出一种能够快速反应管网压力变化，且高效优化压缩空气系统送气量及压力的运行控制方案。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是降低压缩空气管网压力波动，优化空气压缩机组功耗。

为解决上述技术问题，本发明提供如下技术方案：包括，

根据实际情况设定空气压缩机的种类及数量，建立空压机组运行控制模型；

根据空压机组种类及数量，利用广义回归神经网络建立空压机组控制数学模型，以概率密度函数替代固有的方程形式，广义回归神经网络建立在非参数核回归基础上，以空压机组在实际供气系统运行过程中收集到的不同位置不同时间的各点压力变化率、空气流量、温度、湿度、管网设定压力值、压缩机组输入空气量作为样本数据，收集大量多组样本数据，以样本数据为后验条件，从样本数据里求得自变量和因变量之间的联结概率密度函数之后，直接计算出因变量对自变量的回归值；

上述每组样本数据分为训练样本与验证样本，训练样本主要用于建立广义回归神经网络输入输出非线性关系，验证样本主要用于评价及确定平滑参数σ最终值。

作为本发明所述的基于神经网络算法的压缩机组运行控制方法的一种优选方案，其中：选定空气压缩机包括离心式空气压缩机和螺杆式空气压缩机，离心式空气压缩机和螺杆式空气压缩机的种类分别为A

作为本发明所述的基于神经网络算法的压缩机组运行控制方法的一种优选方案，其中：若需要微调输气量时，则采用螺杆式空气压缩机；

若需要粗调输气量时，则采用离心式空气压缩机。

作为本发明所述的基于神经网络算法的压缩机组运行控制方法的一种优选方案，其中：建立空气压缩机数学模型，

选取单台变频螺杆式空气压缩机或离心式空气压缩机进行压缩机的能耗分析，压缩机所需驱动功可表示为：

其中，W

理论驱动功率：

实际消耗功率：

η

其中，z为螺杆式空气压缩机阳转子齿数；n

作为本发明所述的基于神经网络算法的压缩机组运行控制方法的一种优选方案，其中：将定长输送管道不同点的压力值变化率作为算法模型的输入变量之一，通过不同变量的输入值变化，输出所需压缩空气量及压缩空气机组控制方案。

作为本发明所述的基于神经网络算法的压缩机组运行控制方法的一种优选方案，其中：通过在输送管道不同位置设置压力传感器测量不同点的压力值变化率，利用神经网络算法模型输出各空气压缩机当前状态下所需产气量，控制压缩机组启停及输气量，以达到所需最低管道输气压力。

作为本发明所述的基于神经网络算法的压缩机组运行控制方法的一种优选方案，其中：建立广义回归神经网络模型，

以概率密度函数替代固有的方程形式，以样本数据为后验条件从样本数据里求得自变量和因变量之间的联结概率密度函数之后，直接计算出因变量对自变量的回归值。

即条件均值为，

对于未知的概率密度函数f(x,y)，可由x和y的观测样本经非参数估计得:

其中，X

用

将上述两式代换，则有：

对于上式中的积分项，利用性质

其中，估计值

作为本发明所述的基于神经网络算法的压缩机组运行控制方法的一种优选方案，其中：确定广义回归神经网络算法中的平滑参数σ值，

令平滑参数以增量Δσ在一定的范围内(σ

在一组样本数据中，除去验证样本，用剩余样本训练神经网络，用验证样本进行测试，所述剩余样本为训练样本；

用构建的网络模型计算测试样本的误差绝对值，即预测误差；

重复在另一组样本数据中，除去验证样本，用训练样本训练神经网络，用验证样本进行测试、用构建的网络模型计算测试样本的误差绝对值，直到所有的训练样本都有一次用于测试，求得预测误差的平均值，将其作为寻优的目标函数包括，

采用高斯核时的平滑参数的下限σ

其中，D

光滑因子的上限σ

其中，D

作为本发明所述的基于神经网络算法的压缩机组运行控制方法的一种优选方案，其中：进行初始化，所述初始化为对训练样本的学习过程，训练样本确定，则相应的网络结构和各神经元之间的连接权值也随之确定，网络的训练为确定光滑因子的过程，广义回归神经网络的学习算法在训练过程中改变光滑因子，调整各单元的传递函数，以获得最佳的回归估计结果。

作为本发明所述的基于神经网络算法的压缩机组运行控制方法的一种优选方案，其中：采用多个压力传感器测量输气管线不同位置点的压力变化，将各点压力变化率、空气流量、温度、湿度、管网设定压力值作为神经网络输入量，将各压缩机排气量及功率作为输出量。

本发明的有益效果：本发明提供的一种基于神经网络算法的压缩机组运行控制方法考虑多种输入量作为神经网络输入变量，通过多种输入量的变化检测，预测输出量的变化，实现控制模型的高效精确预测，在保证输气管网压力的情况下，通过神经网络的非线性关系获得在确定输入量下压缩机组的最优产气策略，以降低系统能耗，输出量为各压缩机产气量及功耗，在产气量确定的条件下，需满足压缩机组功耗最低的要求，对于压缩机组的控制根据不同压缩机的类型及能力进行合理分配。

同工况下，本控制模型气体管网内部压差波动范围预估约在0.01Mpa-0.03Mpa之间，相较于传统控制模型的压差波动范围(△P)约在0.08Mpa-0.1Mpa之间，管网内部压力值将被有效控制在可接受范围内。

压差波动范围的缩小能够有效降低管道内实际供给气体压力(一般略高于系统用气设备中气体最大需求压力)，降低空气压缩机组的功耗5-7％，具有一定的经济效益。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为基于神经网络算法的压缩机组运行控制方法的广义回归神经网络结构图。

图2为基于神经网络算法的压缩机组运行控制方法的广义回归神经网络算法的预测流程框图。

图3为基于神经网络算法的压缩机组运行控制方法的压缩机组运行控制示意图。

图4为基于神经网络算法的压缩机组运行控制方法的压缩机管网压力波动值的对比图。

图5为基于神经网络算法的压缩机组运行控制方法的压缩机的轴功率的对比图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～图3，为本发明的第一个实施例，提供了一种基于神经网络算法的压缩机组运行控制方法，包括：

压缩空气系统主要包括生产、调压和输送三个部分。其中生产部分为压缩空气的输出源，也是主要的耗能部分，生产环节主要由压缩机组构成；输送部分主要将产生的压缩空气输送至用气端口，主要包括储气罐、管网和阀门等；调压环节主要调压站实现。

系统基本工作流程包括，气体在压缩机中进行压缩，然后以较高的压力输出，经过调压站调压后以需求压力通过管网输送至用气末端。当产气大于用气，气体将储存至储气罐，相反，当用气大于产气，储存在储气罐中的气体将进行补充。

本实施例中空气压缩机组采用变频螺杆式空气压缩机和离心式压缩机两种，以两种压缩机为对象，建立统一的数学计算模型，具体步骤包括：

S1：确定实际压缩模型，由气体状态方程推导压缩过程气体多变指数计算方程，利用进出口温度、进排气压力计算气体多变指数：

其中，P

S2：推导空气压缩所需要的理论压缩功，即单位体积气体压缩所需消耗空气压缩机的理论压缩功包括：

其中，W

S3：根据空气压缩机理论驱动功计算空压机加载运行时，理论驱动功率包括：

考虑实际情况下空气压缩机的消耗功率包括：

η

其中，z为螺杆式空气压缩机阳转子齿数；n

S4：选择合适的空气压缩机组组成数量，根据实际情况及经验判断螺旋式空气压缩机组的型号及数量、离心式空气压缩机组的型号及数量，要求其能够满足输气管线中最小至最大用气量需求，且不同输气量需求至少有三种及以上的组合方案可供控制系统比对选择，以获得最佳控制策略，满足功耗最小的最终目的。

进一步的，收集实际运行过程中空压机组运行数据，建立空压机运行数据库，包括学习样本和评估样本，即网络输入变量X＝[x

其中：输入变量中x

输出变量中P

在实际生产过程中，每一组变量X对应着唯一的变量Y。

基于上述，利用广义回归神经网络建立空气压缩系统压缩机组运行控制网络模型，以空压机组在实际运行过程中的运行数据作为广义回归神经网络的训练样本数据库和验证样本数据库，定义和设置基于广义回归神经网络算法的空压机组运行控制模型，实现网络模型的基本建立。

广义回归神经网络的理论基础是非线性核回归分析，非独立变量y相对于独立变量x的回归分析实际上是计算具有最大概率值的y。

设随机变量x和y的联合概率密度函数为f(x,y)，已知x的观测值为X，则y相对于X的回归，即条件均值包括：

对于未知的概率密度函数f(x,y)，可由x和y的观测样本经非参数估计得:

其中，X

用

将上述两式代换，则有：

对于上式中的积分项，利用性质

在上式中，估计值

采用人工神经网络建立压缩机组运行控制模型是将整个压缩机组视作一个“黑盒子”，运用人工神经网络的自组织、自适应、自学习能力，学习其输入输出性，以获得较真实表征负荷特征的模型网络参数(权值阀值矩阵、平滑参数等)，通过收集到的输入变量X，输出变量Y组成的学习样本数据库，对广义回归神经网络模型进行训练学习，网络训练的目的就在于生成合适的权值矩阵以及阈值向量。

较佳的，确定广义回归神经网络算法中的平滑参数σ值，使平滑参数σ在(σ

计算平滑参数的下限σ

其中，D

计算平滑参数的上限σ

其中，D

确定平滑参数σ值：

(1)令平滑参数以增量Δσ在一定的范围内(σ

(2)在学习样本中训练神经网络，用验证样本进行测试；

(3)用构建的网络模型计算测试样本的误差绝对值，称其为预测误差；

(4)重复(2)、(3)，直到所有的训练样本都有一次用于测试，求得预测误差的平均值，将其作为寻优的目标函数，包括：

采用上述方法建立基于广义神经网络的压缩机组控制模型。

本实施例综合考虑压缩机组的不同种类，以输气管线中不同位置的压力变化率以及压力波动情况作为输气管线中压缩空气需求量的特征因变量，并将其作为广义回归神经网络模型的主要输入量，通过建立基于广义回归神经网络算法的压缩机组运行控制模型，对输气管线中压缩空气需求量进行计算，最终输出空气压缩机组的产气量以及各压缩机的最佳输出功率，以获得最小功耗，得到在满足输气量的情况下最小输出功率的一种控制方法。

实施例2

本实施例提供一种基于神经网络算法的压缩机组运行控制方法，将输气管线中不同位置间压力降、压力变化率、输气管线中的流量、输出控制量、温度、湿度、管网压力设定值作为压缩机组运行控制模型的输入值，多种输入量作为神经网络输入变量，通过多种输入量的变化检测，预测输出量的变化，实现控制模型的高效精确预测，通过神经网络的非线性关系获得在确定输入量下压缩机组的最优产气策略，以降低系统能耗，根据不同压缩机的类型及能力，控制压缩机组，满足产气量需求。其优势在于：

①本实施例模型下，通过两种不同数量的空气压缩机对系统内部气体进行补充，可满足不同工况下气体需求量，基于神经网络模型，对压力变化及气体需求量具有较好的预测和迅速补充能力；

②参照图4，传统气体供应管网内部随生产负荷的波动，产生的压差波动范围(△P)约在0.08Mpa-0.1Mpa之间。同工况下，本控制模型气体管网内部压差波动范围(△P)预估约在0.01Mpa-0.03Mpa之间，管网内部压力值将被有效控制在可接受范围内；

③参照图5，压差波动范围的缩小能够有效降低管道内实际供给气体压力(一般略高于系统用气设备中气体最大需求压力)，降低空气压缩机组的功耗5-7％，具有一定的经济效益；

④在满足压力需求的情况下，压差波动小，能够有效减少因气体压力波动对设备产生的反复冲击，系统各部分设备使用寿命均会有所增加，同样具有较高的经济性。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。