CN113836819A - 一种基于时序关注的床温预测方法 - Google Patents

Abstract

本发明公开了属于智慧发电技术领域的一种基于时序关注的床温预测方法。包括：对历史数据库中数据的缺值和坏点进行均值补全，并对数据进行归一化；以AGC指令、一次风风量、二次风上部风量、二次风下部风量、总燃料量、排渣量和回料阀开度为预测模型的输入变量，以床温为预测模型的输出变量，且对输入变量进行时序调整；建立基于时序关注的LSTM神经网络预测模型，将历史数据集按时序依次划分为训练集和验证集，并利用训练集对预测模型进行训练，利用验证集对预测模型的超参数进行选择；将机组实时运行数据输入预测模型中对机组床温进行预测。本发明能有效地对循环流化床机组床温参数进行精准预测，提高了机组运行的稳定性和安全性。

Description

一种基于时序关注的床温预测方法

技术领域

本发明涉及智慧发电技术领域，尤其涉及一种基于时序关注的床温预测方法。

背景技术

随着社会发展，人均能源需求越来越大。在很长一段时间内，化石能源都在能源行业中占据主导地位。我国能源结构中能源消耗在很长一段时间以来都是以化石能源为主，化石能源中有65％以上的消耗量来自于煤炭，煤炭由此在我国能源结构中占据了绝对的优势地位。然而，化石能源的燃烧会产生大量碳氧化物、氮氧化物等，这对环境产生极大的破坏。到2030年，我国能源消费总量要小于60亿吨标准煤，其中非化石能源占比要达到20％。因此，我国的能源结构体系需要从化石能源逐渐转换为非化石能源。

基于对环境以及可持续发展的考虑，火电机组在灵活性和污染物排放方面受到了严格的限制。由于在燃料适应性、污染物控制和负荷调节方面的优势，循环流化床(CFB)燃烧技术在过去50年中取得了重大进展。到2017年，中国有超过4000台CFB锅炉机组，总容量超过100千兆瓦。CFB燃烧技术正朝着更高参数和更大容量的方向发展。到2020年，已经有46台超临界CFB锅炉投入使用，总容量接近17000兆瓦。随着越来越多的间歇性可再生能源如风能、太阳能以及分布式发电系统接入电网，火电机组面临着快速变负荷，超低负荷运行的要求。火电厂控制系统需要保证安全、经济的运行，预测机组的关键参数，指导机组的进一步运行。

针对循环流化床机组运行参数的精准预测模型可以为现场运行提供更多的指导和帮助。在许多的循环流化床研究中都发现维持正常的床温是循环流化床锅炉稳定运行的关键。在炉内过程中，几乎所有的控制和调节都是围绕维持稳定的床温进行的。本发明提供一种基于时序关注的床温预测方法，通过该方法对机组当前运行数据进行时序特征提取，利用时序关注的方式对相关时序段进行选择，实现了对循环流化床机组床温的精准预测，可以为机组运行安全提供更可靠保障，有利于提高锅炉运行效率及机组运行控制优化。

发明内容

本发明的目的是提出一种基于时序关注的床温预测方法，其特征在于，包括以下步骤：

步骤1：对历史数据库中数据的缺值和坏点进行均值补全，并对数据进行归一化，建立基于时序关注的LSTM神经网络预测模型；

步骤2：以AGC指令、一次风风量、二次风上部风量、二次风下部风量、总燃料量、排渣量和回料阀开度为预测模型的输入变量，以床温为预测模型的输出变量，且对输入变量进行时序调整；

步骤3：所述基于时序关注的LSTM神经网络预测模型将历史数据集按时序依次划分为训练集和验证集，并利用训练集对预测模型进行训练，利用验证集对预测模型的超参数进行选择；

步骤4：将机组实时运行数据输入预测模型中对机组床温进行预测。

所述步骤1中对历史数据库中数据的缺值和坏点进行均值补全的方法如下：

对于单值点，利用双向LSTM模型学习前后数据的变化进行均值补全；对于连续多值点，通过其余变量对该变量的缺值进行重构，对该时间段数据进行填补，若坏点的其余变量都为缺值或坏点，则删除该时间段数据。

所述步骤1中对数据进行归一化的方法如下：

其中，x_min和x_max分别为数据中的最小值和最大值；y_i代表标准化之后的数据；x_i表示处理之前的数据。

所述步骤2具体包括以下子步骤：

步骤21：从t+k-m+1时刻开始，在输出变量y的采样序列中截取长度为m的输出时间序列Y{y_t+k-m+1,y_t+k-m+2,...y_t+k}，其中，k为预测时间长度，m为判断相似度的序列长度；

步骤22：分别从t-n-m+1时刻到t-n时刻截取输入变量x的采样值，得到输入时间序列X{x_t-n-m+1,x_t-n-m+2,...x_t-n}，其中，n从0到N-1，N为时间序列修正值的上限；

步骤23：分别计算输入时间序列X{x_t-n-m+1,x_t-n-m+2,...x_t-n}与输出时间序列Y{y_t+k-m+1,y_t+k-m+2,...y_t+k}的皮尔逊相关系数；

步骤24：计算出N个皮尔逊相关系数后，以最大的皮尔逊相关系数作为输入变量与输出变量的相似度，并以相似度对应的n值作为时间校正值；

步骤25：根据步骤24中得到的相似度对输入变量进行过滤，并将相似度低的输入变量删除；同时根据时间校正值，将输入变量的拦截窗口向历史时刻的方向移动n个样本。

所述步骤23中皮尔逊相关系数的计算公式如下：

式中：

与

分别表示输入时间序列X{x_t-n-m+1,x_t-n-m+2,...x_t-n}与输出时间序列Y{y_t+k-m+1,y_t+k-m+2,...y_t-n+k}的平均值；x_i与y_i分别代表输入时间序列X{x_t-n-m+1,x_t-n-m+2,...x_t-n}中的第i个x与输出时间序列Y{y_t+k-m+1,y_t+k-m+2,...y_t-n+k}中的第i个y。

步骤1或步骤3中基于时序关注的LSTM神经网络预测模型具体如下：

首先建立LSTM神经网络为：

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

f_t＝σ(W_fx_t+U_fh_t-1+b_f)

o_t＝σ(W_ox_t+U_oh_t-1+b_o)

h_t＝o_t×tanh(c_t)

式中，W和U均为权值,b表示为偏置值；σ为sigmoid激活函数，其表达式为

tanh激活函数表达式为

x_t表征网络层当前时刻的输入；h_t-1表示网络层在循环过程中的上一时刻输出；c_t表示当前时刻的细胞状态；o_t，f_t，i_t分别表示当前时刻的输出门向量、遗忘门向量以及输入门向量；

表示新的候选细胞状态；

然后针对LSTM神经网络的输出采用时序关注模型进行计算，计算公式为：

H^C＝CNN(H)

out＝W_hh_t+W_vv_t

式中：

W_a用于计算LSTM层的最后时刻输出状态h_t与时序上的提取信息

之间的相关性；W_h，W_v均为权重矩阵，用于对变量进行加权求和；H表示LSTM层的输出，其中H的行向量代表同意一个特征在不同时间步上的时序，列向量表示在同一时间步上的m个特征值；CNN代表一维卷积神经网络。

所述步骤3中验证集的大小为1000。

本发明的有益效果在于：

本发明方法采用长短期记忆神经网络对输入数据中的时序关系进行提取，采用滑动皮尔逊方法对输入变量进行时序调整，减少了变量间惯性因素对预测模型的影响；采用时序关注模式对时序信息进行进一步筛选，提高了模型预测精度；另外，本发明能有效地对循环流化床机组床温参数进行精准预测，为现场运行人员提供帮助和指导，提高了机组运行的稳定性和安全性。

附图说明

图1为本发明基于时序关注的床温预测方法的实施流程图；

具体实施方式

本发明提出一种基于时序关注的床温预测方法，下面结合附图和具体实施例对本发明做进一步说明。

图1为本发明基于时序关注的床温预测方法的实施流程图，按以下步骤进行：

S1、数据处理及数据清洗：缺值、坏点值处理部分，针对单值点，神经网络插补法主要利用正常数据作为训练，利用双向LSTM模型学习前后数据的变化对缺失值、坏点数据进行填补；针对连续多值点，通过其余变量对该变量的缺失值进行重构，对该段数据进行填补，若坏点的其余变量都为坏点或缺值，则删除该时间段数据。这种填补方式能很好地根据数据分布形式进行填充，保证了数据分布的稳定性，有利于预测模型的训练，本实施例中预测模型的建立具体表示在步骤S3中。

数据归一化部分，归一化方式采用最大最小归一化方法。最大最小归一化方法为：

其中x_min和x_max数据中的最小值和最大值；y_i代表标准化之后的数据；x_i表述处理之前的数据.其中最大值与最小值，在工程应用中由运行专家进行设定。

S2、变量时序调整：步骤如下：以AGC指令，一次风风量，二次风上部风量，二次风下部风量，总燃料量，排渣量，回料阀开度的相关测点作为模型输入，以床温作为模型输出。

为了便于描述，我们设定当前时间定义为t，预测时间为t+k，目标变量为y，输入变量为x，N为时间序列修正值的上限，m为判断相似度的序列长度。算法步骤如下。

1.在目标变量y的采样序列中截取一个从t+k-m+1开始的长度为m的时间序列Y{y_t+k-m+1,y_t+k-m+2,...y_t+k}。

2.n从0到N-1，分别从t-n-m+1时刻到t-n时刻截取输入变量x的采样值，得到序列X{x_t-n-m+1,x_t-n-m+2,...x_t-n}。

3.分别计算序列X{x_t-n-m+1,x_t-n-m+2,...x_t-n}与序列Y{y_t+k-m+1,y_t+k-m+2,...y_t+k}的皮尔逊相关系数。皮尔逊相关系数的公式如下所示。

式中：

分别表示序列X，Y的平均值。x_i,y_i分别代表序列X中的第i个x，以及序列Y中的第i个y。表1为各测试点的相关系数。

表1

4.计算出N个相关系数后，以最大的相关系数作为输入变量与目标变量的相似度，并以其对应的n值作为时间校正值。

5.根据获得的相似度对变量进行选择，并将相似度低的变量删除。同时根据获得的时间校正值对变量进行时间调整。根据时间修正值，将变量的拦截窗口向历史时刻的方向移动n个样本。

以单侧床温为例，对模型输入进行相关性计算机时序调整值计算，计算结果如表格所示。以根据专家经验，设置阈值为0.15.选择出来的模型输入为1号给煤机转速、左侧一次风风量、左侧床压、右侧床压以及右侧下部二次风。

S3、预测模型构建：本文的预测模型依次由两部分组成。第一个部分为长短期记忆神经网络模型(LSTM)进行预测，LSTM模型能够充分考虑数据的时序关系，表达为如下公式：

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

f_t＝σ(W_fx_t+U_fh_t-1+b_f)

o_t＝σ(W_ox_t+U_oh_t-1+b_o)

h_t＝o_t×tanh(c_t)

式中，W和U均为权值,b表示为偏置值；σ为sigmoid激活函数，其表达式为

tanh激活函数表达式为

x_t表征网络层当前时刻的输入；h_t-1表示网络层在循环过程中的上一时刻输出；c_t表示当前时刻的细胞状态；o_t，f_t，i_t分别表示当前时刻的输出门向量、遗忘门向量以及输入门向量；

表示新的候选细胞状态；

第二部分采用时序关注模型的神经网络，针对LSTM网络层的输出进行计算。计算公式如下所示：

H^C＝CNN(H)

out＝W_hh_t+W_vv_t

式中：

W_a用于计算不同长度的向量之间的相似性，本发明中用于计算LSTM层的最后时刻输出状态h_t与时序上的提取信息

之间的相关性。W_h，W_v均为权重矩阵，用于对变量进行加权求和。

基于时序关注模式的LSTM神经网络，在传统LSTM神经网络层之后加入时序注意力机制。为了便于陈述我们定义以下变量，H表示LSTM层的输出，其中H的行向量代表同意一个特征在不同时间步上的时序，列向量表示在同一时间步上的m个特征值。首先对H矩阵进行一维卷积操作，得到H^C矩阵，其中卷积核的尺度为1×d，d表示任务所需关注时序段的最大长度。需要注意的是，卷积操作之后将数据在时序方向进行加权和操作。卷积操作的卷积核数量为k，因此每一个特征会生成k个不同的卷积结果。单一特征变量利用生成的不同卷积核滤波结果进行关注度计算。最终根据关注度对滤波结果进行加权求和。

LSTM网络层输出了经过变换的时序数据信息。该时序注意力机制首先对该层的输入进行信息提取，其主要操作为卷积操作。接着对提取之后的信息进行相似度计算。这里对提取之后的时序信息与最后时刻的LSTM网络层输出进行了相似度计算。根据相似度计算值对相关信息进行加权，保证了更高相似度的信息能够有更大的权重值。使得网络模型对相关数据进行更多的关注，提高模型的计算效率。

通过这样的计算过程，将时序数据中的时序信息通过卷积滤波的操作进行提取。再根据计算所得的关注度选择与时序部分中同最后时刻的状态h_t相类似的数据信息。

模型训练部分，以1号给煤机转速、左侧一次风风量、左侧床压、右侧床压以及右侧下部二次风作为模型输入，以床温作为输出，模型利用训练集进行参数训练，训练采用Adam优化器。利用验证集对网络模型超参数进行选择。根据最小的验证集预测误差选择最佳的模型超参数。模型超参数包含：时间步长、LSTM层神经元数量、LSTM层层数、关注层卷积核大小、批训练的数据集容量、学习率、卷积核数量。

S4、在线预测：根据构建好的预测模型，将实时预测数据输入模型中，模型通过计算得出预测的床温值。

结果表明本方法能有效地对循环流化床机组床温参数进行精准预测，为现场运行人员提供帮助和指导，提高了机组运行的稳定性和安全性。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于时序关注的床温预测方法，其特征在于，包括以下步骤：

步骤1：对历史数据库中数据的缺值和坏点进行均值补全，并对数据进行归一化，建立基于时序关注的LSTM神经网络预测模型；

步骤2：以AGC指令、一次风风量、二次风上部风量、二次风下部风量、总燃料量、排渣量和回料阀开度为预测模型的输入变量，以床温为预测模型的输出变量，且对输入变量进行时序调整；

步骤3：所述基于时序关注的LSTM神经网络预测模型将历史数据集按时序依次划分为训练集和验证集，并利用训练集对预测模型进行训练，利用验证集对预测模型的超参数进行选择；

步骤4：将机组实时运行数据输入预测模型中对机组床温进行预测。

2.根据权利要求1所述基于时序关注的床温预测方法，其特征在于，所述步骤1中对历史数据库中数据的缺值和坏点进行均值补全的方法如下：

对于单值点，利用双向LSTM模型学习前后数据的变化进行均值补全；对于连续多值点，通过其余变量对该变量的缺值进行重构，对该时间段数据进行填补，若坏点的其余变量都为缺值或坏点，则删除该时间段数据。

3.根据权利要求1所述基于时序关注的床温预测方法，其特征在于，所述步骤1中对数据进行归一化的方法如下：

其中，x_min和x_max分别为数据中的最小值和最大值；y_i代表标准化之后的数据；x_i表示处理之前的数据。

4.根据权利要求1所述基于时序关注的床温预测方法，其特征在于，所述步骤2具体包括以下子步骤：

步骤21：从t+k-m+1时刻开始，在输出变量y的采样序列中截取长度为m的输出时间序列Y{y_t+k-m+1,y_t+k-m+2,...y_t+k}，其中，k为预测时间长度，m为判断相似度的序列长度；

步骤22：分别从t-n-m+1时刻到t-n时刻截取输入变量x的采样值，得到输入时间序列X{x_t-n-m+1,x_t-n-m+2,...x_t-n}，其中，n从0到N-1，N为时间序列修正值的上限；

步骤23：分别计算输入时间序列X{x_t-n-m+1,x_t-n-m+2,...x_t-n}与输出时间序列Y{y_t+k-m+1,y_t+k-m+2,...y_t+k}的皮尔逊相关系数；

步骤24：计算出N个皮尔逊相关系数后，以最大的皮尔逊相关系数作为输入变量与输出变量的相似度，并以相似度对应的n值作为时间校正值；

步骤25：根据步骤24中得到的相似度对输入变量进行过滤，并将相似度低的输入变量删除；同时根据时间校正值，将输入变量的拦截窗口向历史时刻的方向移动n个样本。

5.根据权利要求4所述基于时序关注的床温预测方法，其特征在于，所述步骤23中皮尔逊相关系数的计算公式如下：

式中：

与

分别表示输入时间序列X{x_t-n-m+1,x_t-n-m+2,...x_t-n}与输出时间序列Y{y_t+k-m+1,y_t+k-m+2,...y_t-n+k}的平均值；x_i与y_i分别代表输入时间序列X{x_t-n-m+1,x_t-n-m+2,...x_t-n}中的第i个x与输出时间序列Y{y_t+k-m+1,y_t+k-m+2,...y_t-n+k}中的第i个y。

6.根据权利要求1所述基于时序关注的床温预测方法，其特征在于，步骤1或步骤3中基于时序关注的LSTM神经网络预测模型具体如下：

首先建立LSTM神经网络为：

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

f_t＝σ(W_fx_t+U_fh_t-1+b_f)

o_t＝σ(W_ox_t+U_oh_t-1+b_o)

h_t＝o_t×tanh(c_t)

式中，W和U均为权值,b表示为偏置值；σ为sigmoid激活函数，其表达式为

tanh激活函数表达式为

x_t表征网络层当前时刻的输入；h_t-1表示网络层在循环过程中的上一时刻输出；c_t表示当前时刻的细胞状态；o_t，f_t，i_t分别表示当前时刻的输出门向量、遗忘门向量以及输入门向量；

表示新的候选细胞状态；

然后针对LSTM神经网络的输出采用时序关注模型进行计算，计算公式为：

H^C＝CNN(H)

out＝W_hh_t+W_vv_t

式中：

W_a用于计算LSTM层的最后时刻输出状态h_t与时序上的提取信息

之间的相关性；W_h，W_v均为权重矩阵，用于对变量进行加权求和；H表示LSTM层的输出，其中H的行向量代表同意一个特征在不同时间步上的时序，列向量表示在同一时间步上的m个特征值；CNN代表一维卷积神经网络。

7.根据权利要求1所述基于时序关注的床温预测方法，其特征在于，所述步骤3中验证集的大小为1000。

Images