CN111859807A - 汽轮机初压寻优方法、装置、设备及存储介质 - Google Patents
汽轮机初压寻优方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111859807A CN111859807A CN202010720947.5A CN202010720947A CN111859807A CN 111859807 A CN111859807 A CN 111859807A CN 202010720947 A CN202010720947 A CN 202010720947A CN 111859807 A CN111859807 A CN 111859807A
- Authority
- CN
- China
- Prior art keywords
- initial pressure
- neural network
- value
- optimizing
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 claims abstract description 164
- 239000011159 matrix material Substances 0.000 claims abstract description 138
- 238000005457 optimization Methods 0.000 claims abstract description 79
- 230000002068 genetic effect Effects 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 66
- 210000002569 neuron Anatomy 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 48
- 238000003062 neural network model Methods 0.000 claims description 45
- 238000012795 verification Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 30
- 230000008569 process Effects 0.000 description 20
- 230000004913 activation Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种汽轮机初压寻优方法、装置、设备及存储介质,所述方法包括:获取火电机组的运行历史数据,从中提取热耗率并确定相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入‑输出”矩阵;建立热耗率神经网络预测模型并采用遗传算法进行神经网络结构寻优,确定最优热耗率神经网络预测模型;确定火电机组在预设负荷下的运行区间及运行区间内任一初压值对应的特征变量值,生成特征变量矩阵并带入最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将最终初压值作为汽轮机初压的寻优结果,从而精准确定最优汽轮机初压,提高了火电机组运行经济性。
Description
技术领域
本发明涉及火力发电技术领域,尤其涉及一种汽轮机初压寻优方法、装置、设备及存储介质。
背景技术
通常情况下,受环境和火电机组自身因素的影响,火电机组都不会运行在设计工况下,而是偏离额定或者经济工况运行,这也就意味着火电机组的循环效率降低,提高火电机组的热经济性,就要求火电机组在不同负荷工况下的运行状态最佳,就是要确定火电机组在变工况条件下的最优蒸汽压力(即汽轮机初压),对于给定负荷,均能对应一个初压优化区间,在此区间范围内的每一个初压值均对应不同的机组热耗率,而热耗率最小时对应的主蒸汽压力,即为最优初压,找到火电机组在不同负荷下的最优初压对提高火电机组热经济性和节能降耗具有重要意义。
目前常用的火电机组汽轮机初压寻优方法有理论寻优方法和试验寻优方法,但是,理论寻优法需要采用质量和能量平衡方程建立复杂的机组全工况理论计算模型,不仅计算量大,而且热耗率计算过程中对某些参数的线性化处理和经验拟合也使得模型精度不高,难于实际推广,而试验寻优方法虽然便于实施,但是出于试验成本考虑,典型负荷点处压力选择不可能无限选取,因此所确定的最优初压仅仅是所选压力的最优值,不一定是机组运行的最优值,存在一定局限性。
所以,本质上存在着如何精准确定最优汽轮机初压,提高火电机组运行经济性的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提出一种汽轮机初压寻优方法、装置、设备及存储介质,旨在解决如何精准确定最优汽轮机初压,提高火电机组运行经济性的技术问题。
为实现上述目的,本发明提供一种汽轮机初压寻优方法,所述汽轮机初压寻优方法包括以下步骤:
获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率并确定与所述热耗率相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入-输出”矩阵,并按照预设比例将矩阵数据划分为训练集数据、验证集数据和测试集数据;
根据所述训练集数据和所述验证集数据建立并训练热耗率神经网络预测模型,采用遗传算法结合所述测试集数据进行神经网络结构寻优,确定最优热耗率神经网络预测模型;
确定所述火电机组在预设负荷下的运行区间及所述运行区间内任一初压值对应的特征变量值,并生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
优选地,所述获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率并确定与所述热耗率相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入-输出”矩阵,并按照预设比例将矩阵数据划分为训练集数据、验证集数据和测试集数据,具体包括:
获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率,并确定与所述热耗率相关的热耗率特征变量;
根据所述热耗率和所述热耗率特征变量构建热耗率矩阵;
对所述热耗率矩阵进行归一化处理,生成“输入-输出”矩阵;
获取所述“输入-输出”矩阵中的矩阵数据,并按照预设比例将所述矩阵数据划分为训练集数据、验证集数据和测试集数据。
优选地,所述根据所述训练集数据和所述验证集数据建立并训练热耗率神经网络预测模型,采用遗传算法结合所述测试集数据进行神经网络结构寻优,确定最优热耗率神经网络预测模型,具体包括:
随机生成多个样本个体,根据所述样本个体组建样本寻优种群,并确定当前样本个体;
根据所述当前样本个体获得隐含层层数和神经元个数,并搭建初始神经网络模型,根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练,获得热耗率神经网络预测模型;
根据所述测试集数据和所述热耗率神经网络预测模型确定所述当前样本个体对应的适应度值,采用遗传算法结合所述适应度值进行神经网络结构寻优,确定最优热耗率神经网络预测模型。
优选地,所述随机生成多个样本个体,根据所述样本个体组建样本寻优种群,并确定当前样本个体,具体包括:
随机生成多个样本个体,其中,每个样本个体代表神经网络隐含层层数和每层神经元个数的一组可行解;
根据所述样本个体组建初始样本寻优种群;
将所述初始样本寻优种群作为当前样本寻优种群,将所述当前样本寻优种群中的样本个体作为当前样本个体。
优选地,所述根据所述当前样本个体获得隐含层层数和神经元个数,并搭建初始神经网络模型,根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练,获得热耗率神经网络预测模型,具体包括:
对所述当前样本个体进行解码,获取解码后的隐含层层数和神经元个数;
采用解码后的隐含层层数和神经元个数搭建初始神经网络模型,其中,所述初始神经网络模型对应的神经网络的输入层神经元个数为所述热耗率特征变量的个数,所述神经网络的输出层神经元个数为1;
根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练,获得热耗率神经网络预测模型。
优选地,所述根据所述测试集数据和所述热耗率神经网络预测模型确定所述当前样本个体对应的适应度值,采用遗传算法结合所述适应度值进行神经网络结构寻优,确定最优热耗率神经网络预测模型,具体包括:
将所述测试集数据输入所述热耗率神经网络预测模型进行热耗率预测,获得热耗率预测结果;
对所述热耗率预测结果进行反归一化处理,获得热耗率预测值;
从所述测试集数据中提取实际热耗率值;
根据所述热耗率预测值和所述实际热耗率值计算均方根误差值;
根据所述均方根误差值确定所述当前样本个体对应的适应度值;
判断当前样本寻优种群迭代次数是否等于预设样本寻优种群迭代次数阈值;
在所述当前样本寻优种群迭代次数不等于所述预设样本寻优种群迭代次数阈值时,对所述当前样本个体进行选择、交叉和变异操作,生成待选样本寻优种群,将所述待选样本寻优种群作为新的当前样本寻优种群,并返回所述将所述当前样本寻优种群中的样本个体作为当前样本个体的步骤;
在所述当前样本寻优种群迭代次数等于所述预设样本寻优种群迭代次数阈值时,将所述当前样本个体对应的适应度值作为第一适应度值;
对所述第一适应度值进行排序;
根据排序结果将最小的第一适应度值作为第一目标适应度值;
将所述第一目标适应度值对应的当前样本个体作为目标样本个体;
将所述目标样本个体对应的热耗率神经网络预测模型作为最优热耗率神经网络预测模型。
优选地,所述确定所述火电机组在预设负荷下的运行区间及所述运行区间内任一初压值对应的特征变量值,并生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果,具体包括:
确定所述火电机组在预设负荷下的运行区间,在所述运行区间内随机生成多个初压值个体,根据所述初压值个体组建初压寻优种群,并确定当前初压值个体;
确定与所述当前初压值个体对应的特征变量值,根据所述当前初压值个体对应的当前初压值和所述特征变量值生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同当前初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
优选地,所述确定所述火电机组在预设负荷下的运行区间,在所述运行区间内随机生成多个初压值个体,根据所述初压值个体组建初压寻优种群,并确定当前初压值个体,具体包括:
确定所述火电机组在预设负荷下的运行区间,在所述运行区间内随机生成多个初压值个体,其中,每个初压值个体对应所述运行区间内的一个初压值;
根据所述初压值个体组建初始初压寻优种群;
将所述初始初压寻优种群作为当前初压寻优种群,将所述当前初压寻优种群中的初压值个体作为当前初压值个体。
优选地,所述确定与所述当前初压值个体对应的特征变量值,根据所述当前初压值个体对应的当前初压值和所述特征变量值生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同当前初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果,具体包括:
确定与所述当前初压值个体对应的特征变量值,并根据所述当前初压值个体对应的当前初压值和所述特征变量值生成特征变量矩阵;
对所述特征变量矩阵进行归一化处理,获得归一化后的目标特征变量矩阵;
获取所述目标特征变量矩阵中的特征变量参数;
将所述特征变量参数输入所述最优热耗率神经网络预测模型进行模型预测计算,获得热耗率值;
根据所述热耗率值确定所述当前初压值个体对应的适应度值;
判断当前初压寻优种群迭代次数是否等于预设初压寻优种群迭代次数阈值;
在所述当前初压寻优种群迭代次数不等于所述预设初压寻优种群迭代次数阈值时,对所述当前初压值个体进行选择、交叉和变异操作,生成待选初压寻优种群,将所述待选初压寻优种群作为新的当前初压寻优种群,并返回所述将所述当前初压寻优种群中的初压值个体作为当前初压值个体的步骤;
在所述当前初压寻优种群迭代次数等于所述预设初压寻优种群迭代次数阈值时,将所述当前初压值个体对应的适应度值作为第二适应度值;
对所述第二适应度值进行排序;
根据排序结果将最小的第二适应度值作为第二目标适应度值;
将所述第二目标适应度值对应的当前初压值个体作为目标初压值个体;
将所述目标初压值个体对应的初压值作为在最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
此外,为实现上述目的,本发明还提出一种汽轮机初压寻优装置,所述汽轮机初压寻优装置包括:
数据预处理模块,用于获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率并确定与所述热耗率相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入-输出”矩阵,并按照预设比例将矩阵数据划分为训练集数据、验证集数据和测试集数据;
神经网络结构寻优模块,用于根据所述训练集数据和所述验证集数据建立并训练热耗率神经网络预测模型,采用遗传算法结合所述测试集数据进行神经网络结构寻优,确定最优热耗率神经网络预测模型;
汽轮机初压寻优模块,用于确定所述火电机组在预设负荷下的运行区间及所述运行区间内任一初压值对应的特征变量值,并生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
此外,为实现上述目的,本发明还提出一种汽轮机初压寻优设备,所述汽轮机初压寻优设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽轮机初压寻优程序,所述汽轮机初压寻优程序配置有实现如上所述的汽轮机初压寻优方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有汽轮机初压寻优程序,所述汽轮机初压寻优程序被处理器执行时实现如上文所述的汽轮机初压寻优方法的步骤。
本发明提出的汽轮机初压寻优方法,通过获取火电机组的运行历史数据,从中提取热耗率并确定相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入-输出”矩阵;建立热耗率神经网络预测模型并采用遗传算法进行神经网络结构寻优,确定最优热耗率神经网络预测模型;确定火电机组在预设负荷下的运行区间及运行区间内任一初压值对应的特征变量值,生成特征变量矩阵并带入最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将最终初压值作为汽轮机初压的寻优结果,从而精准确定最优汽轮机初压,提高了火电机组运行经济性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的汽轮机初压寻优设备结构示意图;
图2为本发明汽轮机初压寻优方法第一实施例的流程示意图;
图3为本发明汽轮机初压寻优方法第二实施例的流程示意图;
图4为本发明汽轮机初压寻优方法第三实施例的流程示意图;
图5为本发明汽轮机初压寻优方法第三实施例的样本个体位数及其含义的示意图;
图6为本发明汽轮机初压寻优方法第四实施例的流程示意图;
图7为本发明汽轮机初压寻优装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的汽轮机初压寻优设备结构示意图。
如图1所示,该汽轮机初压寻优设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组建之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键,可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对汽轮机初压寻优设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及汽轮机初压寻优程序。
在图1所示的汽轮机初压寻优设备中,网络接口1004主要用于连接外网,与其他网络设备进行数据通信;用户接口1003主要用于连接用户设备,与所述用户设备进行数据通信;本发明设备通过处理器1001调用存储器1005中存储的汽轮机初压寻优程序,并执行本发明实施例提供的汽轮机初压寻优方法。
基于上述硬件结构,提出本发明汽轮机初压寻优方法实施例。
参照图2,图2为本发明汽轮机初压寻优方法第一实施例的流程示意图。
在第一实施例中,所述汽轮机初压寻优方法包括以下步骤:
步骤S10,获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率并确定与所述热耗率相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入-输出”矩阵,并按照预设比例将矩阵数据划分为训练集数据、验证集数据和测试集数据。
需要说明的是,本实施例的执行主体可为汽轮机初压寻优设备,还可为其他可实现相同或相似功能的设备,本实施例对此不作限制,在本实施例中,以汽轮机初压寻优设备为例进行说明。
应当理解的是,整个方案的实施流程包括三部分,分别与步骤S10、步骤S20、步骤S30对应,其中,第一部分,数据预处理;第二部分,神经网络结构寻优,该部分又可细分为种群初始化、神经网络模型搭建及训练、使用遗传算法对神经网络结构进行寻优三个流程;第三部分,汽轮机初压寻优,该部分又可细分为种群初始化、使用最优热耗率神经网络模型预测对热耗率进行预测两个流程。
可以理解的是,获取火电机组的运行历史数据的方式可为从本地数据库获取,也可为从云端数据库获取,还可为其他获取方式,本实施例对此不作限制。
步骤S20,根据所述训练集数据和所述验证集数据建立并训练热耗率神经网络预测模型,采用遗传算法结合所述测试集数据进行神经网络结构寻优,确定最优热耗率神经网络预测模型。
需要说明的是,建立以热耗率为模型输出量的神经网络自适应预测模型。该模型为多输入单输出模型,选取与热耗率关联较大的变量(热耗率特征变量)作为模型的输入量,选取热耗率作为模型的输出量,建立热耗率神经网络预测模型,在此基础上,使用遗传算法寻找该神经网络的最优结构(即,隐含层层数和每层神经元个数),计算热耗率预测值Y*与实际值Y的均方根误差,并将其作为遗传算法的适应度函数,以该值最小为目标进行寻优。
应当理解的是,本实施例中可自动建立并优化热耗率神经网络预测模型,对不同机组能够进行模型结构的自调整,具有良好的精确度和通用性。具体内容包括:
1.种群初始化。使用二进制编码随机生成若干位数相同的样本个体,每个样本个体即为代表着神经网络隐含层层数和每层神经元个数的一组可行解,样本个体数量即为初始种群大小。设定种群的迭代次数。除了可以使用二进制编码随机生成样本个体外,还可为其他方式,本实施例对此不作限制。
2.神经网络模型搭建及训练。对初始种群中的样本个体进行解码,采用解码后的隐含层层数和神经元个数搭建神经网络模型。其中神经网络的输入层神经元个数为特征参数的个数,神经网络的输出层神经元个数为1。输入层和隐含层的激活函数均采用Relu函数,输出层的激活函数采用Sigmoid函数。带入训练集和验证集数据,采用Adam优化器进行热耗率神经网络预测模型的训练。还可为其他函数和优化器进行处理,本实施例对此不作限制。
训练好模型后,将测试集数据带入模型进行热耗率预测,并将预测结果反归一化得到热耗率预测值,计算该预测值与测试集中实际热耗率的均方根误差,将其作为遗传算法中的适应度函数,以适应度函数值最小为遗传算法的寻优目标。
3.对种群中的每个个体均重复神经网络模型的搭建及训练过程,得到不同个体对应的适应度值。
4.对所有个体进行选择、交叉和变异操作,生成新一代种群。对新一代种群中的各个个体重复进行神经网络模型的搭建及训练过程,并计算相应的适应度值。当种群迭代次数满足设定值时,遗传算法对神经网络结构的寻优过程结束,将计算过程中适应度值最小的个体记录为最优个体,对应的神经网络模型即为最终选定的热耗率神经网络预测模型。
步骤S30,确定所述火电机组在预设负荷下的运行区间及所述运行区间内任一初压值对应的特征变量值,并生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
需要说明的是,在获得机组最优结构的最优热耗率预测模型之后,确定机组在某一给定负荷下的可行初压运行区间及该区间内任一初压对应的其他特征变量值,将这些特征变量值进行归一化处理后送入优化好的神经网络模型中进行热耗率的预测。在此基础上,使用遗传算法寻找最优汽轮机初压,以热耗率最小为遗传算法的目标函数进行寻优。
本实施例中避免了现有理论滑压优化和试验滑压优化两种方法中模型复杂、费时费力的缺点,节约了时间成本和计算成本,具有更好的寻优性能。具体内容包括:
1.确定给定负荷下汽轮机初压的可运行区间,该区间即为遗传算法对汽轮机初压的寻优区间。
2.种群初始化。采用浮点编码随机生成若干个初压值个体,每个初压值个体即为可行区间的某一初压值,初压值个体数量即为初始种群大小,同时设定种群迭代次数。除了采用浮点编码随机生成初压值个体外,还可为通过其他方式生成,本实施例对此不作限制。
3.使用最优热耗率神经网络预测模型对热耗率进行预测,确定与种群中不同初压值所对应的其他特征变量取值,将初压与其组合后进行归一化处理,生成特征变量矩阵,将该矩阵中的每一行特征变量作为输入参数依次带入已优化好结构参数的神经网络模型中进行热耗率预测,依次得到不同个体所对应热耗率值,以该值作为遗传算法的适应度值,以适应度值最小作为遗传算法的优化目标。
4.对所有初压值个体进行选择、交叉和变异操作,生成新一代种群;对新一代种群中的各个个体重复使用最优热耗率神经网络预测模型对热耗率进行预测,并判断是否存在目标函数最优值。当种群迭代次数满足设定值时,遗传算法对汽轮机初压的寻优过程结束,将计算过程中适应度值最小的个体记录为最优个体,即其对应的初压值为最终初压值。
本实施例中通过获取火电机组的运行历史数据,从中提取热耗率并确定相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入-输出”矩阵;建立热耗率神经网络预测模型并采用遗传算法进行神经网络结构寻优,确定最优热耗率神经网络预测模型;确定火电机组在预设负荷下的运行区间及运行区间内任一初压值对应的特征变量值,生成特征变量矩阵并带入最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将最终初压值作为汽轮机初压的寻优结果,从而精准确定最优汽轮机初压,提高了火电机组运行经济性。
在一实施例中,如图3所示,基于第一实施例提出本发明汽轮机初压寻优方法第二实施例,所述步骤S10,包括:
步骤S101,获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率,并确定与所述热耗率相关的热耗率特征变量。
可以理解的是,从电厂的DCS或SIS数据库中按一定时间间隔(如每2秒)获取出一段时间内的火电机组的运行历史数据,选取其中表示机组稳定运行的数据,共计m组,在取出的历史运行数据中提取热耗率,将提取的热耗率作为目标参数,用y表示,然后选择与热耗率关联较大的包含汽轮机初压在内的i个变量作为热耗率特征变量,用x表示。
需要说明的是,热耗率指的是火电机组每发1kw·h电能所消耗的热量。
步骤S102,根据所述热耗率和所述热耗率特征变量构建热耗率矩阵。
应当理解的是,根据热耗率和热耗率特征变量构建热耗率矩阵X,其中热耗率矩阵X为包含热耗率特征变量x的特征矩阵,用于后续的神经网络训练。
应当理解的是,热耗率矩阵X如下:
其中,上述矩阵中的特征变量即为热耗率特征变量,上标表示样本序号,下标表示特征变量序号。
步骤S103,对所述热耗率矩阵进行归一化处理,生成“输入-输出”矩阵。
需要说明的是,对热耗率矩阵X进行归一化处理,生成大小为m×(i+1)的“输入-输出矩阵”A(A可以表示为[X,Y])。
应当理解的是,输入输出矩阵A如下:
步骤S104,获取所述“输入-输出”矩阵中的矩阵数据,并按照预设比例将所述矩阵数据划分为训练集数据、验证集数据和测试集数据。
应当理解的是,在获得输入输出矩阵后,获取输入输出矩阵中的矩阵数据,将所述矩阵数据按预设比例划分为训练集数据、验证集数据和测试集数据,可将输入输出矩阵A的行数按照8:2划分,其中后20%的数据作为测试集,再将前80%的数据按照9:1划分为训练集和验证集,也可为其他划分方式,本实施例对此不作限制。
本实施例中通过获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率,并确定与所述热耗率相关的热耗率特征变量;根据所述热耗率和所述热耗率特征变量构建热耗率矩阵;对所述热耗率矩阵进行归一化处理,生成“输入-输出”矩阵;获取所述“输入-输出”矩阵中的矩阵数据,并按照预设比例将所述矩阵数据划分为训练集数据、验证集数据和测试集数据,从而获得了用于后续热耗率神经网络预测模型的建立、训练,及神经网络结构寻优的数据,提高了整体方案的准确性及可靠性。
在一实施例中,如图4所示,基于第一实施例或第二实施例提出本发明汽轮机初压寻优方法第三实施例,在本实施例中,基于第一实施例进行说明,所述步骤S20,包括:
步骤S201,随机生成多个样本个体,根据所述样本个体组建样本寻优种群,并确定当前样本个体。
进一步地,所述步骤S201,包括:
(1)随机生成多个样本个体,其中,每个样本个体代表神经网络隐含层层数和每层神经元个数的一组可行解。
需要说明的是,随机生成多个样本个体,每个样本个体即为代表着神经网络隐含层层数和每层神经元个数的一组可行解,该个体由二进制编码构成,每个位置上随机生成数字“1”或“0”,个体长度为总共为a位。其中前a1位表示隐含层数量,后a2位表示每层神经元个数,a=a1+a2。例如,某个体为“1100110110”,共10位,前3位数字为“110”,后7位数字为“0110110”,转换为十进制即表示此时的神经网络隐含层数量为6层,每层有54个神经元,表示样本个体位数及其含义的示意图如图5所示,其中,N1表示神经网络隐含层层数,N2表示每层神经元个数。
可以理解的是,除了可以通过二进制编码随机生成多个样本个体外,还可以通过其他方式生成,本实施例对此不作限制。
(2)根据所述样本个体组建初始样本寻优种群。
可以理解的是,根据随机生成的样本个体组建初始样本寻优种群,可先设定初始样本寻优种群的大小为d,即随机生成d个长度相同的样本个体,还可为先确定样本个体数量,再确定初始样本寻优种群大小,本实施例对此不作限制。
(3)将所述初始样本寻优种群作为当前样本寻优种群,将所述当前样本寻优种群中的样本个体作为当前样本个体。
步骤S202,根据所述当前样本个体获得隐含层层数和神经元个数,并搭建初始神经网络模型,根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练,获得热耗率神经网络预测模型。
进一步地,所述步骤S202,包括:
(1)对所述当前样本个体进行解码,获得解码后的隐含层层数和神经元个数。
(2)采用解码后的隐含层层数和神经元个数搭建初始神经网络模型,其中,所述初始神经网络模型对应的神经网络的输入层神经元个数为所述热耗率特征变量的个数,所述神经网络的输出层神经元个数为1。
应当理解的是,所述神经元个数为隐含层的神经元个数,对当前样本个体进行解码,获得隐含层层数和神经元个数,并根据隐含层层数和神经元个数搭建初始神经网络模型,其中,神经网络的输入层神经元个数为热耗率特征变量的个数,初始神经网络模型的隐含层层数和隐含层的神经元个数分别设置为解码后的参数,神经网络的输出层神经元为1个,其中,输入层和隐含层的激活函数均可采用Relu函数,输出层的激活函数可采用Sigmoid函数,还可采用其他函数,本实施例对此不作限制,在本实施例中,仅以此进行举例说明。
(3)根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练,获得热耗率神经网络预测模型。
步骤S203,根据所述测试集数据和所述热耗率神经网络预测模型确定所述当前样本个体对应的适应度值,采用遗传算法结合所述适应度值进行神经网络结构寻优,确定最优热耗率神经网络预测模型。
进一步地,所述步骤S203,包括:
(1)将所述测试集数据输入所述热耗率神经网络预测模型进行热耗率预测,获得热耗率预测结果。
(2)对所述热耗率预测结果进行反归一化处理,获得热耗率预测值。
(3)从所述测试集数据中提取实际热耗率值。
(4)根据所述热耗率预测值和所述实际热耗率值计算均方根误差值。
(5)根据所述均方根误差值确定所述当前样本个体对应的适应度值。
(6)判断当前样本寻优种群迭代次数是否等于预设样本寻优种群迭代次数阈值。
(7)在所述当前样本寻优种群迭代次数不等于所述预设样本寻优种群迭代次数阈值时,对所述当前样本个体进行选择、交叉和变异操作,生成待选样本寻优种群,将所述待选样本寻优种群作为新的当前样本寻优种群,并返回所述将所述当前样本寻优种群中的样本个体作为当前样本个体的步骤。
(8)在所述当前样本寻优种群迭代次数等于所述预设样本寻优种群迭代次数阈值时,将所述当前样本个体对应的适应度值作为第一适应度值。
(9)对所述第一适应度值进行排序。
(10)根据排序结果将最小的第一适应度值作为第一目标适应度值。
(11)将所述第一目标适应度值对应的当前样本个体作为目标样本个体。
(12)将所述目标样本个体对应的热耗率神经网络预测模型作为最优热耗率神经网络预测模型。
需要说明的是,将训练集数据和验证集数据输入初始神经网络模型,可采用Adam优化器进行热耗率神经网络预测模型的训练和评估,获得训练好的热耗率神经网络预测模型,还可采用其他优化器进行热耗率神经网络预测模型的训练和评估,本实施例对此不作限制。
可以理解的是,将测试集数据代入训练好的热耗率神经网络预测模型进行热耗率预测,获得热耗率预测结果,对所述热耗率预测结果进行反归一化处理,获得热耗率预测值Y*,从所述测试集数据中提取实际热耗率值,计算热耗率预测值Y*与从测试集数据中提取的实际热耗率值Y的均方根误差,并将其作为遗传算法中的适应度函数,计算得出的均方根误差值即为该样本个体对应的适应度值,以该值最小为目标函数,然后对当前样本寻优种群中的每个样本个体重复进行上述步骤,得到不同样本个体对应的适应度值。
需要说明的是,判断当前样本寻优种群迭代次数是否等于预设样本寻优种群迭代次数阈值,在当前样本寻优种群迭代次数不等于预设样本寻优种群迭代次数阈值时,则对所有样本个体进行选择、交叉和变异操作,生成新一代的当前样本寻优种群,然后再重复进行上述步骤,直至当前样本寻优种群迭代次数与预设样本寻优种群迭代次数阈值相等,遗传算法对热耗率神经网络预测模型的寻优过程结束,将适应度值最小的样本个体作为目标样本个体,将目标样本个体对应的热耗率神经网络预测模型作为最终选定的最优热耗率神经网络预测模型。
本实施例中通过随机生成多个样本个体,根据所述样本个体组建样本寻优种群,并确定当前样本个体;根据所述当前样本个体获得隐含层层数和神经元个数,并搭建初始神经网络模型,根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练,获得热耗率神经网络预测模型;根据所述测试集数据和所述热耗率神经网络预测模型确定所述当前样本个体对应的适应度值,采用遗传算法结合所述适应度值进行神经网络结构寻优,确定最优热耗率神经网络预测模型,通过这种方式可以确定后续用来对初压值进行寻优的最优热耗率神经网络预测模型,提升了整体方案的准确性。
在一实施例中,如图6所示,基于第一实施例或第二实施例提出本发明汽轮机初压寻优方法第三实施例,在本实施例中,基于第一实施例进行说明,所述步骤S30,包括:
步骤S301,确定所述火电机组在预设负荷下的运行区间,在所述运行区间内随机生成多个初压值个体,根据所述初压值个体组建初压寻优种群,并确定当前初压值个体。
进一步地,所述步骤S301,包括:
(1)确定所述火电机组在预设负荷下的运行区间,在所述运行区间内随机生成多个初压值个体,其中,每个初压值个体对应所述运行区间内的一个初压值。
(2)根据所述初压值个体组建初始初压寻优种群
可以理解的是,确定所述火电机组的汽轮机初压在预设负荷下的运行区间,该区间即为遗传算法对汽轮机初压的寻优区间,在所述运行区间内采用浮点编码随机生成多个初压值个体,每个初压值个体对应所述运行区间内的一个初压值,初压值个体数量即为初始初压寻优种群大小。
(3)将所述初始初压寻优种群作为当前初压寻优种群,将所述当前初压寻优种群中的初压值个体作为当前初压值个体。
步骤S302,确定与所述当前初压值个体对应的特征变量值,根据所述当前初压值个体对应的当前初压值和所述特征变量值生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同当前初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
进一步地,所述步骤S302,包括:
(1)确定与所述当前初压值个体对应的特征变量值,并根据所述当前初压值个体对应的当前初压值和所述特征变量值生成特征变量矩阵。
需要说明的是,可确定不同当前初压值所对应的其他i-1个特征变量值。
可以理解的是,确定每个当前初压值个体对应的多个特征变量值,因此,根据多个当前初压值和多个特征变量值可生成特征变量矩阵。
(2)对所述特征变量矩阵进行归一化处理,获得归一化后的目标特征变量矩阵。
需要说明的是,对生成的特征变量矩阵进行归一化处理,将归一化后的特征变量矩阵作为目标变量矩阵。
(3)获取所述目标特征变量矩阵中的特征变量参数。
可以理解的是,从目标特征变量矩阵中获取每一行的特征变量参数。
(4)将所述特征变量参数输入所述最优热耗率神经网络预测模型进行模型预测计算,获得热耗率值。
(5)根据所述热耗率值确定所述当前初压值个体对应的适应度值。
可以理解的是,将特征变量参数输入最优热耗率神经网络预测模型中进行模型预测计算,即可得到不同初压值个体所对应的热耗率值,将上述的热耗率预测方法作为适应度函数,计算得出的不同热耗率值即为不同初压值个体对应的适应度值,以该值最小为目标函数。
(6)判断当前初压寻优种群迭代次数是否等于预设初压寻优种群迭代次数阈值。
(7)在所述当前初压寻优种群迭代次数不等于所述预设初压寻优种群迭代次数阈值时,对所述当前初压值个体进行选择、交叉和变异操作,生成待选初压寻优种群,将所述待选初压寻优种群作为新的当前初压寻优种群,并返回所述将所述当前初压寻优种群中的初压值个体作为当前初压值个体的步骤。
(8)在所述当前初压寻优种群迭代次数等于所述预设初压寻优种群迭代次数阈值时,根据所述当前初压值个体对应的适应度值确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
需要说明的是,所述预设寻优种群迭代次数阈值可根据实际情况进行设置,例如,5次、8次等,本实施例对此不作限制。
需要说明的是,预设寻优种群迭代次数阈值可在组建种群时进行设置,也可为一开始便设置好,然后再组建种群,还可为其他时刻进行设置,本实施例对此不作限制。
应当理解的是,判断当前初压寻优种群迭代次数是否等于预设初压寻优种群迭代次数阈值,在当前初压寻优种群迭代次数不等于预设初压寻优种群迭代次数阈值时,则对所有初压值个体进行选择、交叉和变异操作,生成新一代的当前初压寻优种群,然后再重复进行上述步骤,直至当前初压寻优种群迭代次数与预设初压寻优种群迭代次数阈值相等,遗传算法对初压值的寻优过程结束,将适应度值最小的初压值个体作为目标初压值个体,将目标初压值个体对应的初压值作为最终初压值。
(9)在所述当前初压寻优种群迭代次数等于所述预设初压寻优种群迭代次数阈值时,将所述当前初压值个体对应的适应度值作为第二适应度值。
(10)对所述第二适应度值进行排序。
(11)根据排序结果将最小的第二适应度值作为第二目标适应度值。
(12)将所述第二目标适应度值对应的当前初压值个体作为目标初压值个体。
(13)将所述目标初压值个体对应的初压值作为在最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
在本实施例中通过确定所述火电机组在预设负荷下的运行区间,在所述运行区间内随机生成多个初压值个体,根据所述初压值个体组建初压寻优种群,并确定当前初压值个体;确定与所述当前初压值个体对应的特征变量值,根据所述当前初压值个体对应的当前初压值和所述特征变量值生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同当前初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果,从而精准确定最优汽轮机初压。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有汽轮机初压寻优程序,所述汽轮机初压寻优程序被处理器执行时实现如上文所述的汽轮机初压寻优方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图7,本发明实施例还提出一种汽轮机初压寻优装置,所述汽轮机初压寻优装置包括:
数据预处理模块10,用于获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率并确定与所述热耗率相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入-输出”矩阵,并按照预设比例将矩阵数据划分为训练集数据、验证集数据和测试集数据。
可以理解的是,获取火电机组的运行历史数据的方式可为从本地数据库获取,也可为从云端数据库获取,还可为其他获取方式,本实施例对此不作限制。
神经网络结构寻优模块20,用于根据所述训练集数据和所述验证集数据建立并训练热耗率神经网络预测模型,采用遗传算法结合所述测试集数据进行神经网络结构寻优,确定最优热耗率神经网络预测模型。
需要说明的是,建立以热耗率为模型输出量的神经网络自适应预测模型。该模型为多输入单输出模型,选取与热耗率关联较大的变量(热耗率特征变量)作为模型的输入量,选取热耗率作为模型的输出量,建立热耗率神经网络预测模型,在此基础上,使用遗传算法寻找该神经网络的最优结构(即,隐含层层数和每层神经元个数),计算热耗率预测值Y*与实际值Y的均方根误差,并将其作为遗传算法的适应度函数,以该值最小为目标进行寻优。
应当理解的是,本实施例中可自动建立并优化热耗率神经网络预测模型,对不同机组能够进行模型结构的自调整,具有良好的精确度和通用性。具体内容包括:
1.种群初始化。使用二进制编码随机生成若干位数相同的样本个体,每个样本个体即为代表着神经网络隐含层层数和每层神经元个数的一组可行解,样本个体数量即为初始种群大小。设定种群的迭代次数。除了可以使用二进制编码随机生成样本个体外,还可为其他方式,本实施例对此不作限制。
2.神经网络模型搭建及训练。对初始种群中的样本个体进行解码,采用解码后的隐含层层数和神经元个数搭建神经网络模型。其中神经网络的输入层神经元个数为特征参数的个数,神经网络的输出层神经元个数为1。输入层和隐含层的激活函数均采用Relu函数,输出层的激活函数采用Sigmoid函数。带入训练集和验证集数据,采用Adam优化器进行热耗率神经网络预测模型的训练。还可为其他函数和优化器进行处理,本实施例对此不作限制。
训练好模型后,将测试集数据带入模型进行热耗率预测,并将预测结果反归一化得到热耗率预测值,计算该预测值与测试集中实际热耗率的均方根误差,将其作为遗传算法中的适应度函数,以适应度函数值最小为遗传算法的寻优目标。
3.对种群中的每个个体均重复神经网络模型的搭建及训练过程,得到不同个体对应的适应度值。
4.对所有个体进行选择、交叉和变异操作,生成新一代种群。对新一代种群中的各个个体重复进行神经网络模型的搭建及训练过程,并计算相应的适应度值。当种群迭代次数满足设定值时,遗传算法对神经网络结构的寻优过程结束,将计算过程中适应度值最小的个体记录为最优个体,对应的神经网络模型即为最终选定的热耗率神经网络预测模型。
汽轮机初压寻优模块30,用于确定所述火电机组在预设负荷下的运行区间及所述运行区间内任一初压值对应的特征变量值,并生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
需要说明的是,在获得机组最优结构的最优热耗率预测模型之后,确定机组在某一给定负荷下的可行初压运行区间及该区间内任一初压对应的其他特征变量值,将这些特征变量值进行归一化处理后送入优化好的神经网络模型中进行热耗率的预测。在此基础上,使用遗传算法寻找最优汽轮机初压,以热耗率最小为遗传算法的目标函数进行寻优。
本实施例中避免了现有理论滑压优化和试验滑压优化两种方法中模型复杂、费时费力的缺点,节约了时间成本和计算成本,具有更好的寻优性能。具体内容包括:
1.确定给定负荷下汽轮机初压的可运行区间,该区间即为遗传算法对汽轮机初压的寻优区间。
2.种群初始化。采用浮点编码随机生成若干个初压值个体,每个初压值个体即为可行区间的某一初压值,初压值个体数量即为初始种群大小,同时设定种群迭代次数。除了采用浮点编码随机生成初压值个体外,还可为通过其他方式生成,本实施例对此不作限制。
3.使用最优热耗率神经网络预测模型对热耗率进行预测,确定与种群中不同初压值所对应的其他特征变量取值,将初压与其组合后进行归一化处理,生成特征变量矩阵,将该矩阵中的每一行特征变量作为输入参数依次带入已优化好结构参数的神经网络模型中进行热耗率预测,依次得到不同个体所对应热耗率值,以该值作为遗传算法的适应度值,以适应度值最小作为遗传算法的优化目标。
4.对所有初压值个体进行选择、交叉和变异操作,生成新一代种群;对新一代种群中的各个个体重复使用最优热耗率神经网络预测模型对热耗率进行预测,并判断是否存在目标函数最优值。当种群迭代次数满足设定值时,遗传算法对汽轮机初压的寻优过程结束,将计算过程中适应度值最小的个体记录为最优个体,即其对应的初压值为最终初压值。
本实施例中通过获取火电机组的运行历史数据,从中提取热耗率并确定相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入-输出”矩阵;建立热耗率神经网络预测模型并采用遗传算法进行神经网络结构寻优,确定最优热耗率神经网络预测模型;确定火电机组在预设负荷下的运行区间及运行区间内任一初压值对应的特征变量值,生成特征变量矩阵并带入最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将最终初压值作为汽轮机初压的寻优结果,从而精准确定最优汽轮机初压,提高了火电机组运行经济性。
在一实施例中,所述数据预处理模块10,还用于获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率,并确定与所述热耗率相关的热耗率特征变量;根据所述热耗率和所述热耗率特征变量构建热耗率矩阵;对所述热耗率矩阵进行归一化处理,生成“输入-输出”矩阵;获取所述“输入-输出”矩阵中的矩阵数据,并按照预设比例将所述矩阵数据划分为训练集数据、验证集数据和测试集数据。
在一实施例中,所述神经网络结构寻优模块20,还用于随机生成多个样本个体,根据所述样本个体组建样本寻优种群,并确定当前样本个体;根据所述当前样本个体获得隐含层层数和神经元个数,并搭建初始神经网络模型,根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练,获得热耗率神经网络预测模型;根据所述测试集数据和所述热耗率神经网络预测模型确定所述当前样本个体对应的适应度值,采用遗传算法结合所述适应度值进行神经网络结构寻优,确定最优热耗率神经网络预测模型。
在一实施例中,所述神经网络结构寻优模块20,还用于随机生成多个样本个体,其中,每个样本个体代表神经网络隐含层层数和每层神经元个数的一组可行解;根据所述样本个体组建初始样本寻优种群;将所述初始样本寻优种群作为当前样本寻优种群,将所述当前样本寻优种群中的样本个体作为当前样本个体。
在一实施例中,所述神经网络结构寻优模块20,还用于对所述当前样本个体进行解码,获取解码后的隐含层层数和神经元个数;采用解码后的隐含层层数和神经元个数搭建初始神经网络模型,其中,所述初始神经网络模型对应的神经网络的输入层神经元个数为所述热耗率特征变量的个数,所述神经网络的输出层神经元个数为1;根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练,获得热耗率神经网络预测模型。
在一实施例中,所述神经网络结构寻优模块20,还用于将所述测试集数据输入所述热耗率神经网络预测模型进行热耗率预测,获得热耗率预测结果;对所述热耗率预测结果进行反归一化处理,获得热耗率预测值;从所述测试集数据中提取实际热耗率值;根据所述热耗率预测值和所述实际热耗率值计算均方根误差值;根据所述均方根误差值确定所述当前样本个体对应的适应度值;判断当前样本寻优种群迭代次数是否等于预设样本寻优种群迭代次数阈值;在所述当前样本寻优种群迭代次数不等于所述预设样本寻优种群迭代次数阈值时,对所述当前样本个体进行选择、交叉和变异操作,生成待选样本寻优种群,将所述待选样本寻优种群作为新的当前样本寻优种群,并返回所述将所述当前样本寻优种群中的样本个体作为当前样本个体的步骤;在所述当前样本寻优种群迭代次数等于所述预设样本寻优种群迭代次数阈值时,将所述当前样本个体对应的适应度值作为第一适应度值;对所述第一适应度值进行排序;根据排序结果将最小的第一适应度值作为第一目标适应度值;将所述第一目标适应度值对应的当前样本个体作为目标样本个体;将所述目标样本个体对应的热耗率神经网络预测模型作为最优热耗率神经网络预测模型。
在一实施例中,所述汽轮机初压寻优模块30,还用于确定所述火电机组在预设负荷下的运行区间,在所述运行区间内随机生成多个初压值个体,根据所述初压值个体组建初压寻优种群,并确定当前初压值个体;确定与所述当前初压值个体对应的特征变量值,根据所述当前初压值个体对应的当前初压值和所述特征变量值生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同当前初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
在一实施例中,所述汽轮机初压寻优模块30,还用于确定所述火电机组在预设负荷下的运行区间,在所述运行区间内随机生成多个初压值个体,其中,每个初压值个体对应所述运行区间内的一个初压值;根据所述初压值个体组建初始初压寻优种群;将所述初始初压寻优种群作为当前初压寻优种群,将所述当前初压寻优种群中的初压值个体作为当前初压值个体。
在一实施例中,所述汽轮机初压寻优模块30,还用于确定与所述当前初压值个体对应的特征变量值,并根据所述当前初压值个体对应的当前初压值和所述特征变量值生成特征变量矩阵;对所述特征变量矩阵进行归一化处理,获得归一化后的目标特征变量矩阵;获取所述目标特征变量矩阵中的特征变量参数;将所述特征变量参数输入所述最优热耗率神经网络预测模型进行模型预测计算,获得热耗率值;根据所述热耗率值确定所述当前初压值个体对应的适应度值;判断当前初压寻优种群迭代次数是否等于预设初压寻优种群迭代次数阈值;在所述当前初压寻优种群迭代次数不等于所述预设初压寻优种群迭代次数阈值时,对所述当前初压值个体进行选择、交叉和变异操作,生成待选初压寻优种群,将所述待选初压寻优种群作为新的当前初压寻优种群,并返回所述将所述当前初压寻优种群中的初压值个体作为当前初压值个体的步骤;在所述当前初压寻优种群迭代次数等于所述预设初压寻优种群迭代次数阈值时,将所述当前初压值个体对应的适应度值作为第二适应度值;对所述第二适应度值进行排序;根据排序结果将最小的第二适应度值作为第二目标适应度值;将所述第二目标适应度值对应的当前初压值个体作为目标初压值个体;将所述目标初压值个体对应的初压值作为在最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
在本发明所述汽轮机初压寻优装置的其他实施例或具体实现方法可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该估算机软件产品存储在如上所述的一个估算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台智能汽轮机初压寻优设备(可以是手机,估算机,汽轮机初压寻优设备,空调器,或者网络汽轮机初压寻优设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (12)
1.一种汽轮机初压寻优方法,其特征在于,所述汽轮机初压寻优方法包括以下步骤:
获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率并确定与所述热耗率相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入-输出”矩阵,并按照预设比例将矩阵数据划分为训练集数据、验证集数据和测试集数据;
根据所述训练集数据和所述验证集数据建立并训练热耗率神经网络预测模型,采用遗传算法结合所述测试集数据进行神经网络结构寻优,确定最优热耗率神经网络预测模型;
确定所述火电机组在预设负荷下的运行区间及所述运行区间内任一初压值对应的特征变量值,并生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
2.如权利要求1所述的汽轮机初压寻优方法,其特征在于,所述获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率并确定与所述热耗率相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入-输出”矩阵,并按照预设比例将矩阵数据划分为训练集数据、验证集数据和测试集数据,具体包括:
获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率,并确定与所述热耗率相关的热耗率特征变量;
根据所述热耗率和所述热耗率特征变量构建热耗率矩阵;
对所述热耗率矩阵进行归一化处理,生成“输入-输出”矩阵;
获取所述“输入-输出”矩阵中的矩阵数据,并按照预设比例将所述矩阵数据划分为训练集数据、验证集数据和测试集数据。
3.如权利要求1所述的汽轮机初压寻优方法,其特征在于,所述根据所述训练集数据和所述验证集数据建立并训练热耗率神经网络预测模型,采用遗传算法结合所述测试集数据进行神经网络结构寻优,确定最优热耗率神经网络预测模型,具体包括:
随机生成多个样本个体,根据所述样本个体组建样本寻优种群,并确定当前样本个体;
根据所述当前样本个体获得隐含层层数和神经元个数,并搭建初始神经网络模型,根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练,获得热耗率神经网络预测模型;
根据所述测试集数据和所述热耗率神经网络预测模型确定所述当前样本个体对应的适应度值,采用遗传算法结合所述适应度值进行神经网络结构寻优,确定最优热耗率神经网络预测模型。
4.如权利要求3所述的汽轮机初压寻优方法,其特征在于,所述随机生成多个样本个体,根据所述样本个体组建样本寻优种群,并确定当前样本个体,具体包括:
随机生成多个样本个体,其中,每个样本个体代表神经网络隐含层层数和每层神经元个数的一组可行解;
根据所述样本个体组建初始样本寻优种群;
将所述初始样本寻优种群作为当前样本寻优种群,将所述当前样本寻优种群中的样本个体作为当前样本个体。
5.如权利要求4所述的汽轮机初压寻优方法,其特征在于,所述根据所述当前样本个体获得隐含层层数和神经元个数,并搭建初始神经网络模型,根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练,获得热耗率神经网络预测模型,具体包括:
对所述当前样本个体进行解码,获取解码后的隐含层层数和神经元个数;
采用解码后的隐含层层数和神经元个数搭建初始神经网络模型,其中,所述初始神经网络模型对应的神经网络的输入层神经元个数为所述热耗率特征变量的个数,所述神经网络的输出层神经元个数为1;
根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练,获得热耗率神经网络预测模型。
6.如权利要求4所述的汽轮机初压寻优方法,其特征在于,所述根据所述测试集数据和所述热耗率神经网络预测模型确定所述当前样本个体对应的适应度值,采用遗传算法结合所述适应度值进行神经网络结构寻优,确定最优热耗率神经网络预测模型,具体包括:
将所述测试集数据输入所述热耗率神经网络预测模型进行热耗率预测,获得热耗率预测结果;
对所述热耗率预测结果进行反归一化处理,获得热耗率预测值;
从所述测试集数据中提取实际热耗率值;
根据所述热耗率预测值和所述实际热耗率值计算均方根误差值;
根据所述均方根误差值确定所述当前样本个体对应的适应度值;
判断当前样本寻优种群迭代次数是否等于预设样本寻优种群迭代次数阈值;
在所述当前样本寻优种群迭代次数不等于所述预设样本寻优种群迭代次数阈值时,对所述当前样本个体进行选择、交叉和变异操作,生成待选样本寻优种群,将所述待选样本寻优种群作为新的当前样本寻优种群,并返回所述将所述当前样本寻优种群中的样本个体作为当前样本个体的步骤;
在所述当前样本寻优种群迭代次数等于所述预设样本寻优种群迭代次数阈值时,将所述当前样本个体对应的适应度值作为第一适应度值;
对所述第一适应度值进行排序;
根据排序结果将最小的第一适应度值作为第一目标适应度值;
将所述第一目标适应度值对应的当前样本个体作为目标样本个体;
将所述目标样本个体对应的热耗率神经网络预测模型作为最优热耗率神经网络预测模型。
7.如权利要求1所述的汽轮机初压寻优方法,其特征在于,所述确定所述火电机组在预设负荷下的运行区间及所述运行区间内任一初压值对应的特征变量值,并生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果,具体包括:
确定所述火电机组在预设负荷下的运行区间,在所述运行区间内随机生成多个初压值个体,根据所述初压值个体组建初压寻优种群,并确定当前初压值个体;
确定与所述当前初压值个体对应的特征变量值,根据所述当前初压值个体对应的当前初压值和所述特征变量值生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同当前初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
8.如权利要求7所述的汽轮机初压寻优方法,其特征在于,所述确定所述火电机组在预设负荷下的运行区间,在所述运行区间内随机生成多个初压值个体,根据所述初压值个体组建初压寻优种群,并确定当前初压值个体,具体包括:
确定所述火电机组在预设负荷下的运行区间,在所述运行区间内随机生成多个初压值个体,其中,每个初压值个体对应所述运行区间内的一个初压值;
根据所述初压值个体组建初始初压寻优种群;
将所述初始初压寻优种群作为当前初压寻优种群,将所述当前初压寻优种群中的初压值个体作为当前初压值个体。
9.如权利要求8所述的汽轮机初压寻优方法,其特征在于,所述确定与所述当前初压值个体对应的特征变量值,根据所述当前初压值个体对应的当前初压值和所述特征变量值生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同当前初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果,具体包括:
确定与所述当前初压值个体对应的特征变量值,并根据所述当前初压值个体对应的当前初压值和所述特征变量值生成特征变量矩阵;
对所述特征变量矩阵进行归一化处理,获得归一化后的目标特征变量矩阵;
获取所述目标特征变量矩阵中的特征变量参数;
将所述特征变量参数输入所述最优热耗率神经网络预测模型进行模型预测计算,获得热耗率值;
根据所述热耗率值确定所述当前初压值个体对应的适应度值;
判断当前初压寻优种群迭代次数是否等于预设初压寻优种群迭代次数阈值;
在所述当前初压寻优种群迭代次数不等于所述预设初压寻优种群迭代次数阈值时,对所述当前初压值个体进行选择、交叉和变异操作,生成待选初压寻优种群,将所述待选初压寻优种群作为新的当前初压寻优种群,并返回所述将所述当前初压寻优种群中的初压值个体作为当前初压值个体的步骤;
在所述当前初压寻优种群迭代次数等于所述预设初压寻优种群迭代次数阈值时,将所述当前初压值个体对应的适应度值作为第二适应度值;
对所述第二适应度值进行排序;
根据排序结果将最小的第二适应度值作为第二目标适应度值;
将所述第二目标适应度值对应的当前初压值个体作为目标初压值个体;
将所述目标初压值个体对应的初压值作为在最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
10.一种汽轮机初压寻优装置,其特征在于,所述汽轮机初压寻优装置包括:
数据预处理模块,用于获取火电机组的运行历史数据,从所述运行历史数据中提取热耗率并确定与所述热耗率相关的热耗率特征变量,构建热耗率矩阵并进行归一化处理,生成“输入-输出”矩阵,并按照预设比例将矩阵数据划分为训练集数据、验证集数据和测试集数据;
神经网络结构寻优模块,用于根据所述训练集数据和所述验证集数据建立并训练热耗率神经网络预测模型,采用遗传算法结合所述测试集数据进行神经网络结构寻优,确定最优热耗率神经网络预测模型;
汽轮机初压寻优模块,用于确定所述火电机组在预设负荷下的运行区间及所述运行区间内任一初压值对应的特征变量值,并生成特征变量矩阵,将所述特征变量矩阵带入所述最优热耗率神经网络预测模型,预测不同初压值对应的热耗率值,采用遗传算法进行汽轮机初压寻优,确定最终初压值,并将所述最终初压值作为汽轮机初压的寻优结果。
11.一种汽轮机初压寻优设备,其特征在于,所述汽轮机初压寻优设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽轮机初压寻优程序,所述汽轮机初压寻优程序配置有实现如权利要求1至9中任一项所述的汽轮机初压寻优方法的步骤。
12.一种存储介质,其特征在于,所述存储介质上存储有汽轮机初压寻优程序,所述汽轮机初压寻优程序被处理器执行时实现如权利要求1至9中任一项所述的汽轮机初压寻优方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720947.5A CN111859807A (zh) | 2020-07-23 | 2020-07-23 | 汽轮机初压寻优方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720947.5A CN111859807A (zh) | 2020-07-23 | 2020-07-23 | 汽轮机初压寻优方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111859807A true CN111859807A (zh) | 2020-10-30 |
Family
ID=72950217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010720947.5A Pending CN111859807A (zh) | 2020-07-23 | 2020-07-23 | 汽轮机初压寻优方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859807A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112691783A (zh) * | 2020-12-09 | 2021-04-23 | 华润电力技术研究院有限公司 | 一种煤粉锅炉制粉系统调控方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060230006A1 (en) * | 2003-01-15 | 2006-10-12 | Massimo Buscema | System and method for optimization of a database for the training and testing of prediction algorithms |
CN104573170A (zh) * | 2014-10-13 | 2015-04-29 | 芜湖扬宇机电技术开发有限公司 | 汽轮机最优运行初压的确定方法 |
CN109932903A (zh) * | 2019-02-25 | 2019-06-25 | 北京妙微科技有限公司 | 多父代优化网络和遗传算法的风机控制多目标优化方法 |
CN110046710A (zh) * | 2019-04-11 | 2019-07-23 | 山东师范大学 | 一种神经网络的非线性函数极值优化方法及系统 |
CN110689171A (zh) * | 2019-09-05 | 2020-01-14 | 哈尔滨工程大学 | 一种基于e-lstm的汽轮机健康状态预测方法 |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
-
2020
- 2020-07-23 CN CN202010720947.5A patent/CN111859807A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060230006A1 (en) * | 2003-01-15 | 2006-10-12 | Massimo Buscema | System and method for optimization of a database for the training and testing of prediction algorithms |
CN104573170A (zh) * | 2014-10-13 | 2015-04-29 | 芜湖扬宇机电技术开发有限公司 | 汽轮机最优运行初压的确定方法 |
CN109932903A (zh) * | 2019-02-25 | 2019-06-25 | 北京妙微科技有限公司 | 多父代优化网络和遗传算法的风机控制多目标优化方法 |
CN110046710A (zh) * | 2019-04-11 | 2019-07-23 | 山东师范大学 | 一种神经网络的非线性函数极值优化方法及系统 |
CN110689171A (zh) * | 2019-09-05 | 2020-01-14 | 哈尔滨工程大学 | 一种基于e-lstm的汽轮机健康状态预测方法 |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
Non-Patent Citations (2)
Title |
---|
牛晓晓等: "基于神经网络的柴油机性能预测模型优化", 《内燃机学报》, vol. 36, no. 6, pages 561 - 568 * |
胡冰等: "应用BP神经网络确定汽轮机组滑压运行的最优初压", 《热力发电》, no. 7, pages 24 - 26 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112691783A (zh) * | 2020-12-09 | 2021-04-23 | 华润电力技术研究院有限公司 | 一种煤粉锅炉制粉系统调控方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876054B (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
CN114186749B (zh) | 基于强化学习及遗传算法的柔性车间调度方法及模型 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
CN106610867B (zh) | 一种片上网络任务调度方法及装置 | |
CN114943372A (zh) | 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置 | |
CN112015719A (zh) | 基于正则化和自适应遗传算法的水文预测模型的构建方法 | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN111859807A (zh) | 汽轮机初压寻优方法、装置、设备及存储介质 | |
CN106292296A (zh) | 基于ga‑svm的水岛加药在线控制方法和装置 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
CN117420443A (zh) | 基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
CN111539558A (zh) | 一种采用优化极限学习机的电力负荷预测方法 | |
CN115207921B (zh) | 一种光伏接入配电网的位置优化方法及系统 | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN116338502A (zh) | 一种基于随机噪声增强和循环神经网络的燃料电池寿命预测方法 | |
CN115967092A (zh) | 一种数据驱动的新能源电力系统非参数概率最优潮流预测-分析一体化方法 | |
CN115660038A (zh) | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
CN110162704B (zh) | 基于多因子遗传算法的多规模关键用户提取方法 | |
CN110910164A (zh) | 产品销售预测方法、系统、计算机设备和存储介质 | |
CN114841472B (zh) | 基于DNA发夹变异的GWO优化Elman的电力负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |