CN113467237B - 基于深度学习的主蒸汽温度的动态建模方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的主蒸汽温度的动态建模方法，涉及电站过热汽温智能控制技术领域，解决了火电机组的动态前馈模型精度低、适应性差的技术问题，其技术方案要点是本申请所述的基于深度学习的主蒸汽温度的动态建模方法，采用混合深度神经网络建立准确的主蒸汽温度特性辨识模型，在此基础上，根据主蒸汽温度的主要干扰参数建立基于DNN全连接神经网络的动态前馈模型，以此实现主蒸汽温度的控制调节。从而抑制干扰参数对主蒸汽温度控制系统的影响，提高控制系统的控制品质，最终提高主蒸汽温度的调节精度和鲁棒性。

Description

基于深度学习的主蒸汽温度的动态建模方法

技术领域

本公开涉及电站过热汽温智能控制技术领域，尤其涉及一种基于深度学习的主蒸汽温度的动态建模方法。

背景技术

近年来，以风电、光伏为主的可再生能源迅速发展，提升火电机组的灵活性调峰能力可很大程度上提高可再生能源的消纳水平，主蒸汽温度是火电机组的重要参数，其控制效果对机组的安全性和经济性有直接的影响。然而，机组在灵活调峰时，因负荷大范围变动、磨煤机切换和炉膛燃烧不稳定等因素的影响，主蒸汽温度剧烈波动，控制精度和控制品质下降，严重制约了机组参与电网灵活调峰的能力。

为削弱机组灵活调峰运行时干扰参数对过热汽温系统的不利影响，提升主蒸汽温度控制系统的鲁棒性，目前主要采用的方法包括增加前馈优化逻辑及优化控制器参数等。其中，在控制系统中增加前馈优化逻辑，能够提升系统动态响应能力，较好的克服干扰参数对控制系统的负面影响。然而，机组负荷波动频繁，系统动态超调问题严重，传统动态前馈模型的精度低、适应性差，难以满足控制系统稳定性和鲁棒性要求，无法应用于实际工程中。

如何在系统特性的基础上建立准确动态前馈模型，并将其应用实际生产过程，是亟需解决的问题。

发明内容

本公开提供了一种基于深度学习的主蒸汽温度的动态建模方法，其技术目的是在火电机组的调峰过程中，建立精度高、适应性强的动态前馈模型，以提高火电机组的调峰能力。

本公开的上述技术目的是通过以下技术方案得以实现的：

一种基于深度学习的主蒸汽温度的动态建模方法，所述主蒸汽温度为火电机组末级过热器的出口温度，该火电机组中包含过热汽温系统和控制系统，且该火电机组处于调峰运行状态，该方法包括：

S1：根据所述过热气温系统的运行特性，确定所述主蒸汽温度的特性，并确定所述控制系统干扰参数；其中，所述主蒸汽温度的特性指由导前区影响因素和滞后区影响因素的变化而引起主蒸汽温度的变化；

S2：根据所述主蒸汽温度的特性、所述控制系统干扰参数和所述末级过热器的物理结构，基于混合深度神经网络的基础上训练主蒸汽温度特性辨识模型；

S3：根据所述主蒸汽温度的特性，在所述主蒸汽温度特性辨识模型的基础上，基于DNN全连接神经网络训练动态前馈模型；

S4：根据所述动态前馈模型对所述主蒸汽温度进行动态建模；

其中，所述导前区影响因素包括负荷、喷水减温器入口蒸汽温度、减温喷水阀位和减温喷水阀门前后压差；所述滞后区影响因素包括负荷、喷水减温器出口蒸汽温度、煤量、风量、主汽压和烟气温度；所述控制系统干扰参数包括负荷、煤量和主汽压。

本公开的有益效果在于：本申请所述的基于深度学习的主蒸汽温度的动态建模方法，采用混合深度神经网络建立准确的主蒸汽温度特性辨识模型，在此基础上，根据主蒸汽温度的主要干扰参数建立基于DNN全连接神经网络的动态前馈模型，以此实现主蒸汽温度的控制调节。从而抑制干扰参数对主蒸汽温度控制系统的影响，提高控制系统的控制品质，最终提高主蒸汽温度的调节精度和鲁棒性。

附图说明

图1为本申请所述方法的流程图；

图2为对混合深度神经网络训练得到主蒸汽温度特性辨识模型的流程图；

图3为对DNN全连接神经网络训练得到动态前馈模型的流程图；

图4为本申请Modbus数据传输流程示意图；

图5为对动态前馈模型的输出信号进行数据处理和数据传输的模块示意图；

图6为主蒸汽温度控制系统前馈优化后输出结果和实际主蒸汽温度测点数据的对比示意图。

具体实施方式

下面将结合附图对本公开技术方案进行详细说明。在本申请的描述中，需要理解地是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量，仅用来区分不同的组成部分。

本申请所述的主蒸汽温度为火电机组末级过热器的出口温度，该火电机组中包括过热气温系统和控制系统，且该火电机组处于调峰运行状态；本申请中，主蒸汽温度为火电机组的末级过热器出口温度，其设计值为571℃。图1为本申请所述方法的流程图，如图1所示，该方法包括：步骤S1：根据所述过热气温系统的运行特性，确定所述主蒸汽温度的特性，并确定所述控制系统干扰参数；其中，所述主蒸汽温度的特性指由导前区影响因素和滞后区影响因素的变化而引起主蒸汽温度的变化。

其中，所述导前区影响因素包括负荷、喷水减温器入口蒸汽温度、减温喷水阀位和减温喷水阀门前后压差；所述滞后区影响因素包括负荷、喷水减温器出口蒸汽温度、煤量、风量、主汽压和烟气温度；所述控制系统干扰参数包括负荷、煤量和主汽压。

步骤S2：根据所述主蒸汽温度的特性、所述控制系统干扰参数和所述末级过热器的物理结构，基于混合深度神经网络的基础上训练主蒸汽温度特性辨识模型。

具体地，混合深度神经网络包括LSTM网络层和DNN网络层，对混合深度神经网络进行训练的步骤如图2所示，包括：

步骤S21：将所述导前区影响因素作为导前区输入输入到所述LSTM网络层，得到导前区输出。

其中，所述导前区输入为F_in，F_in包括负荷、喷水减温器入口蒸汽温度、减温喷水阀位和减温喷水阀门前后压差。

导前区输出为喷水减温器出口蒸汽温度F_out，F_out＝f_LSTM(F_in)。

步骤S22：将所述导前区输出和部分所述滞后区影响因素作为滞后区输入输入到所述 LSTM网络层,得到第一滞后区输出。

滞后区输入为L_in，L_in包括负荷、喷水减温器出口蒸汽温度、煤量、风量、主汽压和烟气温度。

步骤S23：将所述第一滞后区输出输入到所述DNN网络层，得到第二滞后区输出。

第二滞后区输出为主蒸汽温度L_out，L_out＝f_DNN(f_LSTM([L_in,F_out]))，[L_in,F_out]表示输入层L_in与输出层F_out之间的数据连接操作。

步骤S24：重复所述步骤S21至S23，直至得到网络参数确定的所述主蒸汽温度特性辨识模型(F_out,L_out)＝f_model(F_in,L_in)。该主蒸汽温度特性辨识模型的输出变量包括喷水减温器出口温度和主蒸汽温度。

所述LSTM网络层计算函数为out_LSTM＝f_LSTM(in_LSTM)，in_LSTM为LSTM网络层的输入，out_LSTM为LSTM网络层的输出。

具体地，LSTM网络层包括：若隐藏单元个数为h，给定时间步长t的小批量输入 x_t∈R^n×d和上一时间步隐藏状态h_t-1∈R^n×h，n表示样本数，d表示输入个数；输入门、遗忘门和输出门以及与隐藏状态记忆细胞的公式如下：

输入门：

遗忘门：

输出门：

备选记忆细胞：

当前时间步记忆细胞的隐藏状态h_t∈R^n×h的计算融合了上一时间步记忆细胞和当前时间步备选记忆细胞的信息，则当前时间步更新记忆细胞状态的表述式为

通过输出门来控制从记忆元胞到隐藏状态h_t的信息的流动过程的表述式为 h_t＝O_t⊙tanh(C_t)。

其中，和/>分别表示输入x_t和隐藏状态h_t-1对应的输入门权重矩阵，bⁱ表示输入门偏置；/>和/>分别表示输入x_t和隐藏状态h_t-1对应的遗忘门权重矩阵，b^f表示遗忘门偏置；/>和/>分别表示输入x_t和隐藏状态h_t-1对应的输出门权重矩阵，b^o表示输出门偏置；和/>分别表示输入x_t和隐藏状态h_t-1对应的备选记忆元胞权重矩阵，b^c表示备选记忆元胞偏置；C_t-1表示上一时间步t-1的记忆细胞的状态。

在LSTM网络层中，所述遗忘门、输入门和输出门使用σ函数作为激活函数；在生成备选记忆细胞时，使用双曲正切函数tanh作为激活函数。

所述DNN网络层计算函数为out_DNN＝f_DNN(in_DNN)，in_DNN为DNN网络层的输入，out_DNN为DNN网络层的输出。

具体地，DNN网络层包括：若第i层的权重矩阵为Wⁱ,第i-1层的输出向量为a^i-1，第i层的偏置矩阵为bⁱ，则第i层输出aⁱ的表述式为σ函数作为激活函数。

步骤S3：根据所述主蒸汽温度的特性，在所述主蒸汽温度特性辨识模型的基础上，基于DNN全连接神经网络训练动态前馈模型。

具体地，动态前馈模型的训练过程如图3所示，包括：

S31：向所述DNN全连接神经网络的输入层输入D_in进行训练，得到所述DNN全连接神经网络的输出层的输出为减温器阀位D_out，0≤D_out≤100；其中，D_in包括负荷、负荷变化率、煤量、煤量变化率、主汽压、主汽压变化率。

S32：若所述减温器阀位D_out满足减温器的阀门输出范围约束Loss_μ，则将[D_out,F_other]作为F_in，即F_in＝[D_out,F_other]输入到所述主蒸汽温度特性辨识模型进行辨识，直至所述DNN 全连接神经网络的精度达到要求或达到最大迭代次数，得到所述动态前馈模型。

其中，所述DNN全连接神经网络的损失函数为： 表示Loss_μ相对于Loss_set权重。

表示减温器的阀门输出范围约束，n表示样本数，ReLU表示线性整流函数，D_outi表示第i个样本的减温器阀门值。

表示滞后区主蒸汽温度输出与主蒸汽温度设定值偏差约束，为第i个输入样本的输入到所述主蒸汽温度特性辨识模型计算的滞后区温度输出值，Y_seti对应主蒸汽温度设定值。

F_other为除减温喷水阀位外其他的主蒸汽温度特性辨识模型的导前区输入。

S4：根据所述动态前馈模型对所述主蒸汽温度进行动态建模。

动态前馈模型均训练完成后，通过DCS(Distributed Control System，集散控制系统)对主蒸汽温度的控制逻辑进行改造，设计DCS的智能控制逻辑，图4即为本申请中 DCS的智能控制逻辑示意图。

具体地，在原有的控制系统增加图4所示的智能优化逻辑，手动操作用于选择动态前馈逻辑是否参与主蒸汽温度的控制调节，其中动态前馈模型的输出信号是DNN动态前馈模型计算后，经DCS数据处理模块处理后所得。

对动态前馈模型的输出信号进行数据处理和数据传输的模块如图5所示，包括外挂 Modbus通讯模块、信号输入模块、信号输出模块、DCS Modbus通讯模块、DCS信号处理模块和DCS自动控制模块。

数据传输的具体流程为：外挂Modbus通讯模块接受DCS Modbus通讯模块的数据信号，经动态前馈模型计算，输出数据信号至外挂Modbus通讯模块。外挂Modbus通讯模块将数据信号传输到DCS Modbus通讯模块，再经DCS信号处理模块的数据规范化处理后，传入DCS控制逻辑中参与主蒸汽温度的调节作用。

本申请的实施例为某660MW燃煤灵活调峰机组的主蒸汽温度控制系统，在阀门全开工况下，过热蒸汽流量设计值为2150t/h，主汽压力为17.72MPa.g，主蒸汽温度为571℃，给水温度为286℃。过热管的规格如表1所示。

表1

图6给出了一段时间内(2021年1月1日00:00到2020年1月1日06:00)主蒸汽温度控制系统前馈优化后输出结果和实际主蒸汽温度测点数据的对比。进一步统计后，对于整个测试集，模型预测值的均方根误差(RMSE)为1.164，平均相对误差(MAE)为 1.206。可以看到，模型预测误差很小，满足实际工程中的需要。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于深度学习的主蒸汽温度的动态建模方法，其特征在于，所述主蒸汽温度为火电机组末级过热器的出口温度，该火电机组中包含过热汽温系统和控制系统，且该火电机组处于调峰运行状态，该方法包括：

S1：根据所述过热汽温系统的运行特性，确定所述主蒸汽温度的特性，并确定所述控制系统干扰参数；其中，所述主蒸汽温度的特性指由导前区影响因素和滞后区影响因素的变化而引起主蒸汽温度的变化；

S2：根据所述主蒸汽温度的特性、所述控制系统干扰参数和所述末级过热器的物理结构，基于混合深度神经网络的基础上训练主蒸汽温度特性辨识模型；

S3：根据所述主蒸汽温度的特性，在所述主蒸汽温度特性辨识模型的基础上，基于DNN全连接神经网络训练动态前馈模型；

S4：根据所述动态前馈模型对所述主蒸汽温度进行动态建模；

其中，所述导前区影响因素包括负荷、喷水减温器入口蒸汽温度、减温喷水阀位和减温喷水阀门前后压差；所述滞后区影响因素包括负荷、喷水减温器出口蒸汽温度、煤量、风量、主汽压和烟气温度；所述控制系统干扰参数包括负荷、煤量和主汽压；

其中，所述混合深度神经网络包括LSTM网络层和DNN网络层，对所述混合深度神经网络进行训练，则所述步骤S2包括：

S21：将所述导前区影响因素作为导前区输入输入到所述LSTM网络层，得到导前区输出；其中，所述导前区输入为F_in，F_in包括负荷、喷水减温器入口蒸汽温度、减温喷水阀位和减温喷水阀门前后压差；所述导前区输出为喷水减温器出口蒸汽温度F_out，F_out＝f_LSTM(F_in)；

S22：将所述导前区输出和部分所述滞后区影响因素作为滞后区输入输入到所述LSTM网络层,得到第一滞后区输出；其中，所述滞后区输入为L_in，L_in包括负荷、喷水减温器出口蒸汽温度、煤量、风量、主汽压和烟气温度；所述LSTM网络层计算函数为out_LSTM＝f_LSTM(in_LSTM)，in_LSTM为LSTM网络层的输入，out_LSTM为LSTM网络层的输出；

S23：将所述第一滞后区输出输入到所述DNN网络层，得到第二滞后区输出；其中，所述DNN网络层计算函数为out_DNN＝f_DNN(in_DNN)，in_DNN为DNN网络层的输入，out_DNN为DNN网络层的输出；所述第二滞后区输出为主蒸汽温度L_out，L_out＝f_DNN(f_LSTM([L_in,F_out]))，[L_in,F_out]表示输入层L_in与输出层F_out之间的数据连接操作；

S24：重复所述步骤S21至S23，直至得到网络参数确定的所述主蒸汽温度特性辨识模型(F_out,L_out)＝f_model(F_in,L_in)；

其中，所述LSTM网络层包括：若隐藏单元个数为h，给定时间步长t的小批量输入x_t∈R^{n ×d}和上一时间步隐藏状态h_t-1∈R^n×h，n表示样本数，d表示输入个数；输入门、遗忘门和输出门以及与隐藏状态记忆细胞的公式如下：

输入门：

遗忘门：

输出门：

备选记忆细胞：

当前时间步记忆细胞的隐藏状态h_t∈R^n×h的计算融合了上一时间步记忆细胞和当前时间步备选记忆细胞的信息，则当前时间步更新记忆细胞状态的表述式为

通过输出门来控制从记忆元胞到隐藏状态h_t的信息的流动过程的表述式为h_t＝O_t⊙tanh(C_t)；

其中，和/>分别表示输入x_t和隐藏状态h_t-1对应的输入门权重矩阵，bⁱ表示输入门偏置；/>和/>分别表示输入x_t和隐藏状态h_t-1对应的遗忘门权重矩阵，b^f表示遗忘门偏置；和/>分别表示输入x_t和隐藏状态h_t-1对应的输出门权重矩阵，b^o表示输出门偏置；/>和分别表示输入x_t和隐藏状态h_t-1对应的备选记忆元胞权重矩阵，b^c表示备选记忆元胞偏置；C_t-1表示上一时间步t-1的记忆细胞的状态；

在LSTM网络层中，所述遗忘门、输入门和输出门使用σ函数作为激活函数；在生成备选记忆细胞时，使用双曲正切函数tanh作为激活函数；

所述DNN网络层包括：若第i层的权重矩阵为Wⁱ,第i-1层的输出向量为a^i-1，第i层的偏置矩阵为bⁱ，则第i层输出aⁱ的表述式为σ函数作为激活函数；

所述步骤S3包括：

S31：向所述DNN全连接神经网络的输入层输入D_in进行训练，得到所述DNN全连接神经网络的输出层的输出为减温器阀位D_out，0≤D_out≤100；其中，D_in包括负荷、负荷变化率、煤量、煤量变化率、主汽压、主汽压变化率；

S32：若所述减温器阀位D_out满足减温器的阀门输出范围约束Loss_μ，则将[D_out,F_other]作为F_in，即F_in＝[D_out,F_other]输入到所述主蒸汽温度特性辨识模型进行辨识，直至所述DNN全连接神经网络的精度达到要求或达到最大迭代次数，得到所述动态前馈模型；

其中，所述DNN全连接神经网络的损失函数为： 表示Loss_μ相对于Loss_set权重；

表示减温器的阀门输出范围约束，n表示样本数，ReLU表示线性整流函数，D_outi表示第i个样本的减温器阀门值；

表示滞后区主蒸汽温度输出与主蒸汽温度设定值偏差约束，/>为第i个输入样本的输入到所述主蒸汽温度特性辨识模型计算的滞后区温度输出值，Y_seti对应主蒸汽温度设定值；

F_other为除减温喷水阀位外其他的主蒸汽温度特性辨识模型的导前区输入。