基于GWO优化BP神经网的天然气管道离心压缩机防喘振控制阀开度预测

《Algorithms》:Prediction of Surge Control Valve Opening for Centrifugal Compressors in Natural Gas Pipelines Based on GWO-Optimized BP Neural Network Qingfeng Sun, Jinxin Tang, Weidong Li and Xingguang Wu

【字体: 大 中 小 】 时间:2026年04月02日 来源:Algorithms 2.1

编辑推荐:

  离心压缩机是驱动天然气管道系统运行的核心设备。在低输量工况下,天然气常通过防喘振控制阀回流至压缩机以增加流量、避免喘振。然而,如何合理确定防喘振控制阀的开度仍是生产中的关键问题。为预测离心压缩机防喘振控制阀的开度,研究人员提出了一种基于灰狼优化算法(Grey

  
离心压缩机是驱动天然气管道系统运行的核心设备。在低输量工况下,天然气常通过防喘振控制阀回流至压缩机以增加流量、避免喘振。然而,如何合理确定防喘振控制阀的开度仍是生产中的关键问题。为预测离心压缩机防喘振控制阀的开度,研究人员提出了一种基于灰狼优化算法(Grey Wolf Optimizer, GWO)优化的BP(Backpropagation)神经网络模型。压缩机壳体振动、动力涡轮转速、压缩机入口压力、压缩机出口温度和燃气轮机功率五个关键参数被确定为与防喘振控制阀开度相关的关键因素,并从物理角度对这些参数的关系进行了分析。与其他五种平行模型相比,GWO-BP方法有效优化了神经网络的初始权重和阈值,降低了陷入局部最优的概率,显著提高了预测精度和稳定性。GWO-BP模型的均方根误差(Root Mean Square Error, RMSE)、决定系数(R-square)和平均绝对误差(Mean Absolute Error, MAE)均为最优拟合,预测值与实际防喘振控制阀开度吻合良好,平均相对偏差仅为4.65%,表明该文提出的GWO-BP模型具有良好的防喘振控制阀开度预测能力。
天然气管道系统中,离心压缩机作为核心动力设备,其安全稳定运行直接关系到能源输送效率与能源安全。当前,节能减排与碳达峰碳中和目标对天然气工业提出了更高要求。压缩机在低输量工况下易发生喘振——一种强气流脉动与压力振荡的不稳定状态,会对推力轴承、干气密封、叶轮等部件造成损害,严重时可引发火灾爆炸事故。防喘振控制阀通过将部分天然气从出口回流至入口来提高进气流量、避免喘振,但其开度设置依赖操作人员经验:开度过小无法有效缓解喘振,开度过大则导致大量气体回流,降低压缩机运行效率,增加能耗。现有研究多集中于防喘振控制方案设计与硬件改进,对开度预测关注不足,且多仅考虑流量单一因素,忽略了转速、功率、振动等多参数耦合影响。因此,基于压缩机多维运行参数精准预测防喘振控制阀开度,对于优化管网调度、降低能耗、保障安全具有重要意义。基于此背景,研究人员发表在《Algorithms》期刊上的这项工作,构建了GWO-BP混合预测模型,为低流量天然气管道防喘振控制阀开度的优化设置提供了新方法。

该研究的技术路线主要包括以下环节。样本数据来源于中国南方某天然气输送管道压气站的两套30MW燃气轮机驱动压缩机组,采集2023年1月至2024年9月的运行数据,经筛选后获得532组有效样本。特征选择采用Pearson相关系数分析法,从22个原始运行参数中筛选出5个关键特征,并剔除高共线性变量。模型构建采用三层BP神经网络结构(单隐层),以tansig函数为隐层传递函数、purlin函数为输出层传递函数,trainlm为训练算法;以均方误差(Mean Square Error, MSE)为适应度函数,利用GWO算法优化神经网络的初始权重与阈值。模型验证采用十折交叉验证,并与支持向量机(Support Vector Machine, SVM)、决策树(Decision Tree, DT)、K近邻(K-Nearest Neighbor, KNN)、常规BP神经网络及粒子群优化BP神经网络(PSO-BP)五种平行模型进行性能对比。

数据加工与物理分析部分。研究人员采集了涵盖压缩机壳体振动、燃机室壳体振动、动力涡轮壳体振动、入口空气温度、压缩机入口压差、燃料气出口压力、累计燃料气流量、燃料气出口温度、动力涡轮转速、压缩机入口压力、压缩机功率、低压涡轮燃气温度、压缩机入口温度、压缩机出口温度、空冷器出口温度、非驱动端轴振动X向与Y向、压缩机驱动端轴振动X向与Y向、箱体温度的22项参数指标。经Pearson相关性分析,设定0.7为共线性阈值,剔除了与壳体振动高度相关的燃机室壳体振动(相关系数0.92)、与入口空气温度高度相关的另一温度参数(相关系数0.95)等变量,最终保留压缩机壳体振动、动力涡轮转速、压缩机入口压力、压缩机出口温度和燃气轮机功率五项关键特征。从物理机理看,压缩机壳体振动是气流不稳定性的直接表征,与开度呈显著正相关,阀门开大可增加回流、稳定流场;涡轮转速通过相似定律影响流量与压比,转速升高使工况点远离喘振线,所需开度减小;入口压力决定气体密度,低压时质量流量下降,需开大阀门补充流量;出口温度升高反映压缩功损失和效率下降,高温气体密度降低,需增加开度防止喘振;燃气轮机功率直接指示能量输入,功率增加时压缩功和有效流量同步上升,开度需求降低。

模型性能评估部分。研究人员将数据集按9:1划分为训练集与测试集,输入层节点数设为5(对应五项关键特征),输出层节点数1(开度),隐层节点经试错法确定为10。GWO算法参数设置为灰狼种群规模30、最大迭代次数50。评价指标采用均方根误差(Root Mean Square Error, RMSE)、决定系数(R-square)和平均绝对误差(Mean Absolute Error, MAE)。对比结果显示:SVM和决策树各项评价指标表现较差,尤其RMSE和MAE较高,数据拟合能力弱;KNN算法曲线更接近中心,综合表现较好;常规BP神经网络在R-square和MAE上表现尚可,但RMSE偏高;PSO-BP模型在三项指标上均有改善,RMSE和MAE显著降低;GWO-BP模型表现最优,各项指标均接近雷达图中心区域。在预测值与实测值对比中,SVM、决策树、KNN和常规BP的数据点离散分布于对角线两侧,预测误差较大;PSO-BP数据点更为集中;GWO-BP数据点几乎紧密分布于对角线上,预测误差最小、精度最高。误差分布山脊图显示,GWO-BP模型的误差曲线最集中于零点附近,分布最窄、峰度最高,平均相对偏差仅4.65%,显著优于其他模型。

讨论与结论部分。研究结论指出,防喘振控制阀开度的合理设置是保障离心压缩机安全稳定运行与高效节能的关键。该工作提出的GWO-BP模型利用灰狼算法全局优化BP神经网络的初始权重和阈值,有效克服了传统BP神经网络易陷入局部最优、收敛速度慢的缺陷。经Pearson相关性分析和物理机理阐释,压缩机壳体振动、动力涡轮转速、压缩机入口压力、压缩机出口温度和燃气轮机功率被确认为影响开度的核心参数。基于532组实际运行数据的验证表明,GWO-BP模型在R-square、RMSE和MAE三项指标上均优于SVM、决策树、KNN、常规BP和PSO-BP五种对比模型,预测平均相对偏差仅4.65%,具备良好的工程应用价值。未来研究方向包括:在不同压气站和运行条件下进一步验证模型泛化能力;将预测模型与现有防喘振控制系统集成,实现自适应阀门调度;探索开度在线预测技术,推动模型从离线验证向工业现场在线应用的转化。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号