一种基于OS-ELM的压缩机性能在线预测方法及系统技术方案

本发明专利技术公开了一种基于OS

【技术实现步骤摘要】
一种基于OS
‑
ELM的压缩机性能在线预测方法及系统


[0001]本专利技术属于压缩机性能预测模型建模
，具体涉及一种基于OS
‑
ELM的压缩机性能在线预测方法及系统。

技术介绍

[0002]压缩机因其运行效率高、输送流量大等优点已被广泛应用于工业领域。目前压缩机获取性能曲线的主要途径为试验测量或以已知数据为基础进行性能换算。前者直接对压缩机的性能进行实测，因此获得的性能曲线较为真实可靠，但试验费用也比较昂贵且所耗时间长。后者则是基于压缩机的历史运行数据，在一定相似性的假设下对其性能进行换算，即通常所说的基于数据驱动建模。该方法虽能减少试验时间与费用，但其过分依赖于相似性假设的准确性。一般情况下，只要有足够的可靠运行数据信息，模型的性能预测精度就会越高，但前提条件是压缩机需运行在稳定的工况范围内，一旦运行环境或工况发生变化，模型的性能预测精度也将会急剧下降，并不能有效解决因工况变化频繁带来的模型
‑
工况不匹配的问题。因此，如何快速地建立以及在线更新压缩机的性能预测模型，有效地解决模型的在线更新问题成为了当前研究的热点。

技术实现思路

[0003]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于OS
‑
ELM的压缩机性能在线预测方法及系统，解决了现有技术中压缩机的性能预测模型预测精度下降，不能有效解决因工况变化频繁带来的模型
‑
工况不匹配的问题。
[0004]为了达到上述目的，本专利技术采用以下技术方案予以实现：一种基于OS
‑
ELM的压缩机性能在线预测方法，包括以下步骤：
[0005]步骤S1、采集压缩机运行性能数据作为训练样本集；
[0006]步骤S2、将训练样本集进行预处理；
[0007]步骤S3、利用预处理过后的训练样本集构建基于OS
‑
ELM的压缩机性能预测模型；
[0008]步骤S4、通过在线设置滑动窗口，将在线滑动窗口内的数据分为新训练样本集和测试样本集，测试样本集验证基于OS
‑
ELM的压缩机性能预测模型与工况的匹配性，基于OS
‑
ELM的压缩机性能预测模型的预测误差小于设定值，则投入使用，否则进入步骤S5；
[0009]步骤S5、将在线滑动窗口内新训练样本集输入步骤S2的训练样本集，执行步骤S3
‑
S4。
[0010]优选的，所述数据样本中压缩机的介质入口压力、流量、温度和转速作为输入值，压缩机的输出压比和温比作为输出值。
[0011]优选的，所述步骤S2将训练样本集进行归一化处理，统一映射到[
‑
1,1]区间。
[0012]优选的，所述映射采用式(1)进行映射，
[0013][0014]其中，Y为归一化处理后的数据，X为数据样本，X
min
为数据样本中的最小值，X
max
为数据样本中的最大值。
[0015]优选的，所述步骤S4中新训练样本集和测试样本集的中的数据比为3:1。
[0016]优选的，所述步骤S3包括以下步骤：
[0017]步骤S31、将训练样本集中的输入OS
‑
ELM网络进行参数训练，随机选取输入连接权值a
i
与隐含层节点的阈值b
i
,i＝1,
…
,L，其中N0为数据样本的个数且N0≥L；
[0018]步骤S32、计算初始隐含层输出矩阵H0，
[0019][0020]其中，g(a
i
x
i
+b
i
)为激活函数，L为隐含层节点，x
i
的含义是压缩机的介质入口压力、流量、温度和转速，y
i
的含义是压缩机的输出压比和温比；
[0021]步骤S33、计算初始输出连接权值向量其中其中并置K＝0，K为迭代次数；
[0022]步骤S34、新训练样本集(x
K+1
,y
K+1
)加入训练样本集Ω0，计算第K+1次隐含层输出矩阵H
K+1
，并根据下式更新P
K+1
和β
K+1
；
[0023][0024]步骤S35、令K＝K+1，返回步骤S34进行更新迭代，直到所有样本数据训练结束，得到基于OS
‑
ELM的压缩机性能预测模型。
[0025]优选的，所述步骤S4包括在线设置滑动窗口长度M、误差阈值E以及数据更新频率F，将在线滑动窗口内的数据分为新训练样本集和测试样本集，测试样本集验证基于OS
‑
ELM的压缩机性能预测模型与工况的匹配性，对预测输出数据进行效果评估，模型预测误差频率大于F且预测输出误差大于E，将在线滑动窗口内新训练样本集输入步骤S2的训练样本集，执行步骤S3
‑
S4，直至预测误差频率小于F且预测输出误差小于E，否则模型在线应用。
[0026]优选的，所述步骤S4预测误差采用均方根误差RMSE和最大误差绝对值MAE的准则来评价，N个测试样本则有：来评价，N个测试样本则有：其中y
i
为实际输出值，Y
i
为模型预测输出值。
[0027]本专利技术还公开以一种基于OS
‑
ELM的压缩机性能在线预测系统，其特征在于，包括数据采集模块、数据处理模块、构建模型模块和更新模型模块；
[0028]数据采集模块用于采集压缩机运行性能数据作为数据样本；
[0029]数据处理模块用于对数据样本进行预处理；
[0030]构建模型模块用于采用预处理过后的训练样本集构建基于OS
‑
ELM的压缩机性能预测模型；
[0031]更新模型模块用于在变化工况时利用在线滑动窗口指导基于OS
‑
ELM的压缩机性
能预测模型的在线更新并在线预测输出结果。
[0032]与现有技术相比，本专利技术具有以下有益效果：本专利技术采集压缩机的运行性能数据并进行预处理，采用OS
‑
ELM算法来构建基于OS
‑
ELM的压缩机性能预测模型，另外，本专利技术通过在线滑动窗口技术能够实时跟踪运行工况的变化，实现全工况下压缩机性能预测模型的快速准确建立，有效解决因压缩机运行工况多变带来的模型
‑
工况不匹配问题，实现模型的在线实时更新应用。
[0033]进一步地，训练样本集和测试样本集的中的数据比为3:1，基于OS
‑
ELM的压缩机性能预测模型的有效性更好。
[0034]进一步地，通过采用OS
‑
ELM算法的在线学习模式进行实时数据学习，从而实现了对模型的在线实时更新。
[0035]进一步地，本专利技术通过在线滑动窗口技术，避免了因噪声或其他因素引起模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于OS
‑
ELM的压缩机性能在线预测方法，其特征在于，包括以下步骤：步骤S1、采集压缩机运行性能数据作为训练样本集；步骤S2、将训练样本集进行预处理；步骤S3、利用预处理过后的训练样本集构建基于OS
‑
ELM的压缩机性能预测模型；步骤S4、通过在线设置滑动窗口，将在线滑动窗口内的数据分为新训练样本集和测试样本集，测试样本集验证基于OS
‑
ELM的压缩机性能预测模型与工况的匹配性，基于OS
‑
ELM的压缩机性能预测模型的预测误差小于设定值，则投入使用，否则进入步骤S5；步骤S5、将在线滑动窗口内新训练样本集输入步骤S2的训练样本集，执行步骤S3
‑
S4。2.根据权利要求1所述的一种基于OS
‑
ELM的压缩机性能在线预测方法，其特征在于，所述数据样本中压缩机的介质入口压力、流量、温度和转速作为输入值，压缩机的输出压比和温比作为输出值。3.根据权利要求1所述的一种基于OS
‑
ELM的压缩机性能在线预测方法，其特征在于，所述步骤S2将训练样本集进行归一化处理，统一映射到[
‑
1,1]区间。4.根据权利要求3所述的一种基于OS
‑
ELM的压缩机性能在线预测方法，其特征在于，所述映射采用式(1)进行映射，其中，Y为归一化处理后的数据，X为数据样本，X
min
为数据样本中的最小值，X
max
为数据样本中的最大值。5.根据权利要求1所述的一种基于OS
‑
ELM的压缩机性能在线预测方法，其特征在于，所述步骤S4中新训练样本集和测试样本集的中的数据比为3:1。6.根据权利要求3所述的一种基于OS
‑
ELM的压缩机性能在线预测方法，其特征在于，所述步骤S3包括以下步骤：步骤S31、将训练样本集中的输入OS
‑
ELM网络进行参数训练，随机选取输入连接权值a
i
与隐含层节点的阈值b
i
,i＝1,
…
,L，其中N0为数据样本的个数且N0≥L；步骤S32、计算初始隐含层输出矩阵H0，其中，g(a
i
x
i
...

【专利技术属性】
技术研发人员：叶俊锋，曾维哲，黄修喜，刘德干，蔡琼锋，黄文斐，陈贞良，肖刚，陈振才，林觉吉，
申请(专利权)人：华能海南发电股份有限公司东方电厂，
类型：发明
国别省市：