[发明专利]用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机的数据驱动的模型的方法

说明书

技术领域

本发明涉及一种用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机的数据驱动的模型的方法。

背景技术

为了技术系统的自动运行，可以使用数据驱动的模型，它们在表示技术系统的运行参数的相应的训练数据的基础上被学习。这种经过学习的数据驱动的模型在此应当反映技术系统的特性以及可以紧接着用于建立起相应的技术系统的监督模型和/或调节模型。这些监督或调节模型然后可以在技术系统的真实运行中使用，以便在当前的运行参数的基础上调整系统的相应的调整参数或自动化地确定技术系统的错误运行工况。

数据驱动的模型用来学习的训练数据，通常不是均匀地分布在技术系统的运行参数的状态空间内。在此，通常在技术系统的代表正常运行的运行区域中存在比运行的或用于技术系统的错误运行工况的分界区域中更多的数据。这个问题尤其在控制燃气轮机和风力轮机时出现，它们为了避免受损而通常不在分界区域中运行。因此在燃气轮机或风力轮机的经常频繁使用的运行区域中存在极大量的可用训练数据记录，但它们的信息内容却大部分是冗余的。反之，针对极少启动的运行模式则存在很少的数据。

因此针对用于数据驱动的模型的学习的训练数据存在不同数据密度的区域。这些数据密度通常在选出相应的训练数据和在此基础上生成相应的技术系统的模型时不予考虑。这一点可能导致，在数据驱动的模型的基础上被计算的相应的调节模型和监督模型，在技术系统运行中发出错误的或未达最佳标准的调节行为或错误的警告。因此例如可能的是，在燃气轮机或风力轮机运行时出现的且在数据驱动的模型的训练阶段中没有被包含的寒冷天气事件，导致了错误警报的触发。仅用针对典型的运行工况的训练数据学习的数据驱动的模型，同样可能导致模型误差提高，从而使基于此的调节模型或控制模型在技术系统的真实运行中无法最佳地调整相应的调整参数，例如所输入的气体的量或在燃气轮机中前导向叶片的位置。这一点可能导致技术系统的功率或效率或使用寿命的变小。

传统上，在生成技术系统的数据驱动的模型时，在清除异常测值或错误之后，或使用训练数据的全部的数据记录，或使用随机选出的这些数据记录。对所有训练数据的考虑产生了极大的且始终不断增长的训练数据量，这会使相应的数据驱动的模型的生成变慢以及导致一个或若干计算机的资源问题（例如缺少的主要存储参数），用这些计算机生成了数据驱动的模型。对训练数据记录的随机选出的简单的限制虽然加速了数据驱动的模型的计算，但也提高了关于技术系统的相关信息丢失的风险。这个问题在代表技术系统的动态特性的数据驱动的模型中由此加剧，即，始终有定量的时间上关联的数据记录被共同在模型学习时考虑到。

发明内容

本发明所要解决的技术问题是，创造一种用于在计算机支持下生成数据驱动的模型的方法，该方法用较小量的计算资源学习了技术系统的一种良好的数据驱动的模型。

该技术问题通过独立权利要求解决。本发明的扩展设计在从属权利要求中限定。

按本发明的方法用于在计算机支持下生成技术系统的以及尤其是燃气轮机或风力轮机的数据驱动的模型。数据驱动的模型优选用于使用于技术系统内的自动化的监督和/或诊断和/或调节任务（MPC）并且在训练数据的基础上被建立，训练数据包括多个数据记录，这些数据记录分别代表技术系统的多个运行参数。多个运行参数指的是测量参数以及可能时也指的是技术系统的调整参数。测量参数在此指的是这样的参数，它们在技术系统的周边环境旁或周边环境内通过合适的传感器求出或从传感器参数推导得出。调整参数是技术系统的这样的运行参数，它们能被调整或改变，以便由此影响技术系统的运行。

按本发明的方法迭代地运行，其中，针对多个迭代步骤，数据驱动的模型和密度评估器分别借助来自训练数据的数据记录被学习。在迭代结束后被学习的数据驱动的模型然后是用按本发明的方法生成的数据驱动的模型。（被学习的）密度评估器为来自训练数据的数据记录发出了各一个置信度，各数据记录与来自训练数据的其它数据记录的相似性越大，那么这个置信度就越高。数据记录的相似性在一种优选的实施形式中通过在由数据记录代表的数据点的空间内的相应的间隔程度说明。密度评估器在此通过其置信度说明，是否为了一个相应的数据记录而在数据空间内存在高密度以及因此存在许多类似的按训练数据的数据记录。可以用来实现刚刚说明的密度评估器的方法，已被现有技术充分公开且因此不再详细阐释。在一种优选的实施形式中，使用一种方法作为密度评估器，该方法以神经云（Neural Clouds）为基础。在此优选使用这样一种方法，其在文献[1]中被说明。这个文献的所有公开内容通过引用而成为本应用的内容。