CN114139305A - 基于汽轮机调节级压力预测模型的单阀门流量特性优化方法 - Google Patents

基于汽轮机调节级压力预测模型的单阀门流量特性优化方法 Download PDF

Info

Publication number
CN114139305A
CN114139305A CN202111353011.4A CN202111353011A CN114139305A CN 114139305 A CN114139305 A CN 114139305A CN 202111353011 A CN202111353011 A CN 202111353011A CN 114139305 A CN114139305 A CN 114139305A
Authority
CN
China
Prior art keywords
valve
data
pressure
stage
model
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
Application number
CN202111353011.4A
Other languages
English (en)
Inventor
郝晓光
金飞
王斌
包建东
杨春来
李剑锋
侯倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111353011.4A priority Critical patent/CN114139305A/zh
Publication of CN114139305A publication Critical patent/CN114139305A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)
  • Control Of Turbines (AREA)

Abstract

本发明涉及一种基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，包括如下步骤：步骤1：采集汽轮机组历史运行数据S*；步骤2：对采集到的数据进行预处理；步骤3：将归一化后得到的数据集D*划分为训练集和测试集；步骤4：构造LSTM神经网络的模型；步骤5：使用WOA算法优化LSTM网络超参数；步骤6：利用步骤5所建立的汽轮机调节级压力预测模型对汽轮机单阀门流量特性优化。本发明避免了传统的试验较繁琐，且消除了传统试验过程中主蒸汽压力波动所带来的误差，减轻了工作人员的工作量，在不影响机组安全稳定运行的基础上实现对单阀门流量特性的优化，从而提高机组阀门响应速度，保障机组一次调频过程稳定运行。

Description

基于汽轮机调节级压力预测模型的单阀门流量特性优化方法
技术领域
本发明涉及一种基于汽轮机调节级压力预测模型的单阀门流量特性优化方法。
背景技术
随着我国经济的快速发展，用电结构也在发生明显的变化。从而导致全国电网负荷的峰谷差加剧，为保证用户用电量，电网经常处在调峰状态下导致调峰机组处于变工况乃至深度变工况的运行之中。汽轮机在变工况运行时，沿通流部分各级的蒸汽流量、喷嘴和动叶前后的汽压、湿度、汽温、效率和焓降等参数都将随工况的变化而变动，这与最初的参数设定值有着较大的偏差。所以保障机组在深度调峰状态下的变工况运行是现在面临的主要问题。在汽轮机变工况计算中，调节级级的变工况计算是基础，其中最主要的就是对调节级通用特性曲线的计算。然而，调节级特性曲线是由机组出厂时所提供的，而且仅仅只是机组额定负荷运行时的曲线，所以当机组处于变工况运行时，很难应用该曲线来指导运行。所以对变工况下调节级压力实现预测是一个迫切解决的问题，而且对提高一次调频的精度与水平，对阀门的流量特性曲线优化也有着重要的意义。
鲸鱼优化算法(Whale Optimization Algorithm,WOA)是一种新型的群体智能优化算法，算法模拟的是鲸鱼捕食的过程，根据不同的捕食阶段可以分为三个方面分别为：搜索猎物、包围猎物和捕食猎物，其中可以采用随机的或者最佳搜索代理来模拟捕食过程。较其他优化算法相比操作简单、可调参数少和全局优化能力较强，在实际优化问题中有着很好的效果。
长短期记忆(Long Short-Term Memory,LSTM)神经网络是为了解决循环神经网络的梯度消失和梯度爆炸问题所提出的建模方法。LSTM网络结构当中添加了叫做记忆单元的结构来记忆过去的信息，并且增加输入门、遗忘门和输出门来控制对历史信息的传递，使得LSTM网络模型对数据有着较好的预测和学习效果。但是传统的LSTM网络模型超参数的选取多依赖经验选取，从而造成预测精度较低，因此使用鲸鱼优化算法对LSTM网络模型的超参数进行优化，使建立的模型预测精度更加准确。
发明内容
本发明所要解决的技术问题是提供一种基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，提高机组阀门响应速度，保障机组一次调频过程稳定运行。
本发明所采用的技术方案是：
一种基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，其包括如下步骤：
步骤1：采集汽轮机组历史运行数据S*；步骤2：对采集到的数据进行预处理；步骤3：将归一化后得到的数据集D*划分为训练集和测试集，其中数据集D*的80％作为训练集
Figure BDA0003356474970000021
剩余20％数据作为测试集
Figure BDA0003356474970000022
步骤4：构造LSTM神经网络的模型；步骤5：使用WOA算法优化LSTM网络超参数；步骤6：利用步骤5所建立的汽轮机调节级压力预测模型对汽轮机单阀门流量特性优化。
进一步的，步骤1中采集的历史运行数据包括机组功率P、综合阀位指令Rf、主蒸汽流量Q1、主蒸汽压力P0、主蒸汽温度T、调节级后温度Ta、调节级压力Pa、阀门CV1开度R1、阀门CV2开度R2、阀门CV3开度R3、阀门CV4开度R4、阀门CV1阀后压力P1、阀门CV2阀后压力P2、阀门CV3阀后压力P3、阀门CV4阀后压力P4。
进一步的，在采集数据时，每季度选择5天，全年共计20天的历史运行数据S*，数据采样时间间隔为2s，采集数据范围内包含多种工况的运行数据，并且包括所有阀门全开到全关状态。
进一步的，在步骤2中，对机组的稳定运行工况判断和筛选，其具体步骤如下：
步骤2-1：对步骤1所采集的历史运行数据S*进行稳定工况判定，并将稳定工况数据提取出来，其稳定工况判定公式如下：
Figure BDA0003356474970000023
式中，xi(k)＝(x1(k),x2(k)，x3(k)……，xN(k))表示步骤1中所采集的历史运行数据S*，k为采样时间，ximax和ximin分别表示对应历史运行数据S*集中xi(k)的最大值与最小值；N为数据样本S*总数，a为正整数，θ取值范围为0.05％～0.2％；
如果满足式1则
Figure BDA0003356474970000024
Figure BDA0003356474970000025
表示经过筛选过后获得的机组处于稳定工况的运行数据；
步骤2-2：根据步骤2-1对历史数据进行稳定工况判定，得到初筛后的数据集D，将处理后的数据集D进行归一化处理将样本映射到[0,1]之间，得到数据集D*；其归一化公式为：
Figure BDA0003356474970000031
式2中X*为归一化后的数据，Xmin、Xmax为数据集D的每列的最小值与最大值，X为数据集D中的样本数据。
进一步的，在步骤3中，根据汽轮机调节级特性选取机组功率P、综合阀位指令Rf、主蒸汽流量Q1、主蒸汽压力P0、主蒸汽温度T、调节级后温度Ta、阀门CV1开度R1、阀门CV2开度R2、阀门CV3开度R3、阀门CV4开度R4、阀门CV1阀后压力P1、阀门CV2阀后压力P2、阀门CV3阀后压力P3、阀门CV4阀后压力P4作为LSTM网络模型的输入变量，即输入变量X(k)＝[P,P0，T，Ta,R1,R2,R3,R4,P1,P2,P3,P4]，将调节级压力Pa作为模型的输出变量，即Y(k)＝[Pa]。
进一步的，在步骤4的具体模型构建步骤包括：
步骤4-1：初始化LSTM神经网络的网络结构、隐藏层神经元数目m、学习率lr、训练次数n，初始化训练步长；设置输入门it、遗忘门ft和输出门ot，其中各门控计算更新公式如下：
Figure BDA0003356474970000032
其中，it为输入门主要决定保留多少当前信息输入到当前时刻的单元，ot输出门主要用来决定当前时刻的单元状态有多少的输出，ft为遗忘门主要用于决定保留上一时刻的单元状态ct-1信息到当前时刻单元状态ct中，
Figure BDA0003356474970000033
为当前输入的单元状态，ht表示为网络的最终输出，σ和tanh分别为sigmoid激活函数和双曲正切激活函数，wi,wo,wf,wc和bi,bo,bf,bc分别为对应的权值矩阵和偏置矩阵；
步骤4-2：将步骤3中得到的训练集数据
Figure BDA0003356474970000034
中的变量
X(k)＝[P,P0,T,Ta,R1,R2,R3,R4,P1,P2,P3,P4]作为模型的输入，调节级压力Pa作为模型的输出变量Y(k)＝[Pa]分别送入步骤4-1所初始化的LSTM神经网络模型，可以得到基于LSTM的汽轮机调节级压力预测模型。
进一步的，步骤5的具体步骤包括：
步骤5-1：初始化种群的各个参数，设定种群规模n*，最大迭代次数T，将LSTM网络中的隐藏层神经元数目m、学习率lr和训练次数n作为WOA算法的优化参数；设置隐藏层神经元m的区间范围为[20,100],学习率lr的区间范围为
[0.0001,0.01],训练次数n的区间范围为[500,5000]；
步骤5-2：初始化适应度函数；
步骤5-3：使用训练集数据
Figure BDA0003356474970000041
对LSTM网络超参数进行寻优，根据步骤5-2建立的适应度函数，计算每个粒子的适应度值f并与个体的极值pbest＝(p1，p2,p3,p4,……pi-1，pi)，i＝1，2，3……，N进行比较，如果f<pi，则用fi替换掉pi，否则不进行替换；
步骤5-4：WOA算法首先假设当前的最佳解是目标猎物位置或者最靠近猎物的位置，然后使用位置更新模型对其位置进行不断更新，其位置更新模型公式如下：
Figure BDA0003356474970000042
其中：
Figure BDA0003356474970000043
Figure BDA0003356474970000044
式中t为迭代次数；p为之间的随机数表示随机概率来决定鲸鱼捕食的方式；Tmax为最大迭代次数；X*(t)表示当前最优鲸鱼位置；X(t)表示当前鲸鱼位置向量；X(t+1)为下一次迭代后解的位置向量；Xrand(t)为从种群中任意选取某一鲸鱼的位置；l为[-1,1]之间的随机数；b为常数，设置为1用于定义对数螺旋的形状；D为包围步长；D*为鲸鱼位置与最优鲸鱼位置之间的距离；A,C为随机系数向量；a为控制参数，且a为从2到0随迭代次数增加而线性减少；rA和rC为[0，1]之间的随机数；
在迭代过程中随机产生一个[0，1]之间的随机数p，当p<0.5时，若|A|<1，选择收缩包围机制对位置进行更新，即式5中的X(t+1)＝X*(t)-A·D；若|A|≥1，选择进入随机搜索阶段，随机的选择鲸鱼来更新位置，即式5中的X(t+1)＝Xrand(t)-A·D**；当p≥0.5时，使用螺旋式机制来更新位置，即式5中的X(t+1)＝D*eblcos(2πl)+X*(t)；
步骤5-5：对经过步骤5-4更新完位置的个体，计算种群内个体的适应度f，适应度计算函数在步骤5-2中，适应度越小，则保留该个体位置，如果达到最大迭代次数则输出的最优参数作为LSTM网络模型的隐藏层神经元数目m、学习率lr和训练次数n，否则返回步骤5-4继续寻优；
步骤5-6：将步骤5-5所得到的最优参数隐藏层神经元数目m、学习率lr和训练次数n带入到网络当中，得到优化过后的基于WOA-LSTM的汽轮机调节级压力预测模型，模型输入变量X(k)＝[P,P0,T，Ta，R1,R2,R3,R4,P1,P2,P3,P4]，模型的输出变量为汽轮机调节级压力Y(k)＝[Pa]。
进一步的，在步骤5-2中，适应度函数计算公式如下：
Figure BDA0003356474970000051
式中f为适应度函数值，N为数据样本总量，
Figure BDA0003356474970000052
为LSTM网络模型输出的网络预测值，
Figure BDA0003356474970000053
为调节级压力的实际值。
进一步的，在步骤5-6中，为衡量汽轮机调节级压力预测模型精度，使用测试集数据
Figure BDA0003356474970000054
对网络模型精度进行评价，使用均方根误差来评价模型的精度，其RMSE计算公式如下：
Figure BDA0003356474970000055
其中yi表示测试集数据
Figure BDA0003356474970000056
中的实际调节级压力值，
Figure BDA0003356474970000057
表示模型调节级压力预测值，n为测试集数据
Figure BDA0003356474970000058
的样本总数。
进一步的，步骤6具体包括如下步骤：
步骤6-1：利用预测模型模拟阀门流量特性试验，确定某一主蒸汽压力P0和机组功率P，将阀门CV1开度设置为0-100％即R1为0-100％线性增大，剩余三个阀门开度设置为全开状态，其余数据变量值保持不变，构成输入数据变量集X*(k)＝[P,P0,T,Ta,R1,R2,R3,R4,P1,P2,P3,P4]，将X*(k)作为输入变量带入步骤5建立的调节级压力预测模型当中，可以得到阀门CV1变化对应的调节级压力值Pa；
步骤6-2：利用佛留格尔公式计算主蒸汽流量，其计算公式如下：
Figure BDA0003356474970000061
式中Pa0为额定工况下调节级压力，Pa为步骤6-1所得到的调节级压力预测值，Ta0为额定工况下调节级后温度，Ta为对应的调节级后温度，Q1为对应的主蒸汽流量；
步骤6-3：根据步骤6-2计算得到的主蒸汽流量Q*数据作为纵坐标与对应的CV1阀门开度作为横坐标，可以得到优化后的CV1阀门流量特性曲线，重复步骤6-1和步骤6-2可以得到其余阀门流量特性曲线，从而得到对汽轮机单阀门流量特性曲线。
本发明的积极效果为：本发明提出使用数据挖掘的方法，通过对机组的历史运行数据深度学习来获取机组历史工况内的运行信息，进而实现对汽轮机阀门流量特性参数的优化，通过建立汽轮机调节级压力预测模型，模拟实现单阀门流量特性试验，避免了传统的试验较繁琐，且消除了传统试验过程中主蒸汽压力波动所带来的误差，减轻了工作人员的工作量，在不影响机组安全稳定运行的基础上实现对单阀门流量特性的优化，从而提高机组阀门响应速度，保障机组一次调频过程稳定运行。
附图说明
图1为本发明流程框图；
图2为本发明系统流程图。
具体实施方式
如附图1、2所示，本发明包括如下步骤：
步骤1：对汽轮机组历史运行数据进行采集。在全年选择20天(每季度选择5天)的历史运行数据S*，数据采样时间间隔为2s，采集数据范围内包含多种工况的运行数据，并且包括所有阀门全开到全关状态。采集的主要参数包括机组功率P、综合阀位指令Rf、主蒸汽流量Q1、主蒸汽压力P0、主蒸汽温度T、调节级后温度Ta、调节级压力Pa、阀门CV1开度R1、阀门CV2开度R2、阀门CV3开度R3、阀门CV4开度R4、阀门CV1阀后压力P1、阀门CV2阀后压力P2、阀门CV3阀后压力P3、阀门CV4阀后压力P4；
步骤2：对采集到的数据进行预处理，为减少模型建模误差，需要对机组的稳定运行工况判断和筛选。其具体步骤如下：
步骤2-1：对步骤1所采集的历史运行数据S*进行稳定工况判定，并将稳定工况数据提取出来，其稳定工况判定公式如下：
Figure BDA0003356474970000071
式中，xi(k)＝(x1(k),x2(k),x3(k)……,xN(k))表示步骤1中所采集的历史运行数据S*，k为采样时间，ximax和ximin分别表示对应历史运行数据S*集中xi(k)的最大值与最小值。N为数据样本S*总数，a为正整数，θ取值范围为0.05％～0.2％。
如果满足式1则
Figure BDA0003356474970000072
Figure BDA0003356474970000073
表示经过筛选过后获得的机组处于稳定工况的运行数据。
步骤2-2：根据步骤2-1对历史数据进行稳定工况判定，得到初筛后的数据集D，将处理后的数据集D进行归一化处理将样本映射到[0,1]之间，得到数据集D*。其归一化公式为：
Figure BDA0003356474970000074
式2中X*为归一化后的数据，Xmin、Xmax为数据集D的每列的最小值与最大值，X为数据集D中的样本数据。
步骤3：将归一化后得到的数据集D*划分为训练集和测试集，其中数据集D*的80％作为训练集
Figure BDA0003356474970000075
剩余20％数据作为测试集
Figure BDA0003356474970000076
根据汽轮机调节级特性选取机组功率P、综合阀位指令Rf、主蒸汽流量Q1、主蒸汽压力P0、主蒸汽温度T、调节级后温度Ta、阀门CV1开度R1、阀门CV2开度R2、阀门CV3开度R3、阀门CV4开度R4、阀门CV1阀后压力P1、阀门CV2阀后压力P2、阀门CV3阀后压力P3、阀门CV4阀后压力P4作为LSTM网络模型的输入变量，即输入变量X(k)＝[P，P0，T，Ta，R1，R2，R3，R4，P1，P2，P3，P4]，将调节级压力Pa作为模型的输出变量，即Y(k)＝[Pa]。
步骤4：构造LSTM神经网络的模型，其具体模型构建步骤如下：
步骤4-1：初始化LSTM神经网络的网络结构、隐藏层神经元数目m、学习率lr、训练次数n，初始化训练步长。设置输入门it、遗忘门ft和输出门ot，其中各门控计算更新公式如下：
Figure BDA0003356474970000081
其中，it为输入门主要决定保留多少当前信息输入到当前时刻的单元，ot输出门主要用来决定当前时刻的单元状态有多少的输出，ft为遗忘门主要用于决定保留上一时刻的单元状态ct-1信息到当前时刻单元状态ct中，
Figure BDA0003356474970000082
为当前输入的单元状态，ht表示为网络的最终输出，σ和tanh分别为sigmoid激活函数和双曲正切激活函数，wi,wo,wf,wc和bi,bo,bf,bc分别为对应的权值矩阵和偏置矩阵。
步骤4-2：将步骤3中得到的训练集数据
Figure BDA0003356474970000083
中的变量X(k)＝[P,P0,T,Ta,R1，R2，R3，R4，P1，P2，P3，P4]作为模型的输入，调节级压力Pa作为模型的输出变量Y(k)＝[Pa]分别送入步骤4-1所初始化的LSTM神经网络模型，可以得到基于LSTM的汽轮机调节级压力预测模型；
步骤5：为提高LSTM网络模型精度使用WOA算法优化LSTM网络超参数，其具体步骤如下：
步骤5-1：初始化种群的各个参数，设定种群规模n*，最大迭代次数T，将LSTM网络中的隐藏层神经元数目m、学习率lr和训练次数n作为WOA算法的优化参数。设置隐藏层神经元m的区间范围为[20,100],学习率lr的区间范围为[0.0001,0.01],训练次数n的区间范围为[500,5000]。
步骤5-2：初始化适应度函数，适应度函数的选择则会直接影响网络模型训练的精度，其适应度函数计算公式如下：
Figure BDA0003356474970000091
式中f为适应度函数值，N为数据样本总量，
Figure BDA0003356474970000092
为LSTM网络模型输出的网络预测值，
Figure BDA0003356474970000093
为调节级压力的实际值；
步骤5-3：使用训练集数据
Figure BDA0003356474970000094
对LSTM网络超参数进行寻优，根据步骤5-2建立的适应度函数，计算每个粒子的适应度值f并与个体的极值pbest＝(p1,p2，p3，p4，……pi-1，pi)，i＝1,2，3……，N进行比较，如果f<pi，则用fi替换掉pi，否则不进行替换；
步骤5-4：WOA算法首先假设当前的最佳解是目标猎物位置或者最靠近猎物的位置，然后使用位置更新模型对其位置进行不断更新，其位置更新模型公式如下：
Figure BDA0003356474970000095
其中：
Figure BDA0003356474970000096
Figure BDA0003356474970000097
式中t为迭代次数；p为之间的随机数表示随机概率来决定鲸鱼捕食的方式；Tmax为最大迭代次数；X*(t)表示当前最优鲸鱼位置；X(t)表示当前鲸鱼位置向量；X(t+1)为下一次迭代后解的位置向量；Xrand(t)为从种群中任意选取某一鲸鱼的位置；l为[-1，1]之间的随机数；b为常数，设置为1用于定义对数螺旋的形状；D为包围步长；D*为鲸鱼位置与最优鲸鱼位置之间的距离；A，C为随机系数向量；a为控制参数，且a为从2到0随迭代次数增加而线性减少；rA和rC为[0，1]之间的随机数；
在迭代过程中随机产生一个[0，1]之间的随机数p，当p<0.5时，若|A|<1，选择收缩包围机制对位置进行更新，即式5中的X(t+1)＝X*(t)-A·D；若
|A|≥1，选择进入随机搜索阶段，随机的选择鲸鱼来更新位置，即式5中的X(t+1)＝Xrand(t)-A·D**。当p≥0.5时，使用螺旋式机制来更新位置，即式5中的X(t+1)＝D*eblcos(2πl)+X*(t)。
步骤5-5：对经过步骤5-4更新完位置的个体，计算种群内个体的适应度f，适应度计算函数在步骤5-2中，适应度越小，则保留该个体位置，如果达到最大迭代次数则输出的最优参数作为LSTM网络模型的隐藏层神经元数目m、学习率lr和训练次数n，否则返回步骤5-4继续寻优；
步骤5-6：将步骤5-5所得到的最优参数隐藏层神经元数目m、学习率lr和训练次数n带入到网络当中，得到优化过后的基于WOA-LSTM的汽轮机调节级压力预测模型，模型输入变量X(k)＝[P,P0,T,Ta,R1,R2,R3,R4,P1,P2,P3，P4]，模型的输出变量为汽轮机调节级压力Y(k)＝[Pa]；为衡量汽轮机调节级压力预测模型精度，使用测试集数据
Figure BDA0003356474970000101
对网络模型精度进行评价，使用均方根误差(Root Mean Square Error,RMSE)来评价模型的精度，其均方根误差值越小说明模型精度越高。其RMSE计算公式如下：
Figure BDA0003356474970000102
其中yi表示测试集数据
Figure BDA0003356474970000103
中的实际调节级压力值，
Figure BDA0003356474970000104
表示模型调节级压力预测值，n为测试集数据
Figure BDA0003356474970000105
的样本总数。
步骤6：利用步骤5所建立的汽轮机调节级压力预测模型对汽轮机单阀门流量特性优化，其具体步骤如下：
步骤6-1：利用预测模型模拟阀门流量特性试验，确定某一主蒸汽压力P0和机组功率P，将阀门CV1开度设置为0-100％即R1为0-100％线性增大，剩余三个阀门开度设置为全开状态，其余数据变量值保持不变，构成输入数据变量集X*(k)＝[P，P0,T，Ta,R1,R2，R3,R4,P1,P2,P3,P4]，将X*(k)作为输入变量带入步骤5建立的调节级压力预测模型当中，可以得到阀门CV1变化对应的调节级压力值Pa；
步骤6-2：利用佛留格尔公式计算主蒸汽流量，其计算公式如下：
Figure BDA0003356474970000106
式中Pa0为额定工况下调节级压力，Pa为步骤6-1所得到的调节级压力预测值，Ta0为额定工况下调节级后温度，Ta为对应的调节级后温度，Q1为对应的主蒸汽流量。
步骤6-3：根据步骤6-2计算得到的主蒸汽流量Q*数据作为纵坐标与对应的CV1阀门开度作为横坐标，可以得到优化后的CV1阀门流量特性曲线，重复步骤6-1和步骤6-2可以得到其余阀门流量特性曲线，从而得到对汽轮机单阀门流量特性曲线。
目前对汽轮机阀门流量特性优化主要方法有理论计算和阀门流量特性试验，但是上述两种方法的实现都有着严格的调节。理论计算受到机组运行条件限制，很难应用实际；阀门流量特性试验受到试验时机组负荷变化范围限制，且该试验还会影响机组的安全稳定运行。
本发明提出一种基于汽轮机调节级压力预测的单阀门流量特性优化方法，在本方法当中包括对数据的采集、输入输出变量的确定、利用WOA算法优化LSTM网络参数、WOA-LSTM网络的调节级压力预测模型构建和基于调节级压力预测模型的单阀门流量特性优化。本方法提出利用汽轮机组的历史运行数据，根据汽轮机调节级特性选取影响调节级压力参数变量集；使用WOA优化算法对LSTM网络模型的超参数进行寻优处理，其中寻优超参数包括网络的神经元个数、学习率和训练次数，构建WOA-LSTM网络模型来实现对调节级压力的精确预测；根据调节级压力预测模型得到单阀门开度变化时的调节级压力变化曲线，进而得到单阀门流量特性优化曲线。本发明对于汽轮机的运行优化、技术改造、节能降耗和安全稳定运行有着重要的意义。

Claims (10)

1.一种基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，其特征在于其包括如下步骤：
步骤1：采集汽轮机组历史运行数据S*；步骤2：对采集到的数据进行预处理；步骤3：将归一化后得到的数据集D*划分为训练集和测试集，其中数据集D*的80％作为训练集
Figure FDA0003356474960000011
剩余20％数据作为测试集
Figure FDA0003356474960000012
步骤4：构造LSTM神经网络的模型；步骤5：使用WOA算法优化LSTM网络超参数；步骤6：利用步骤5所建立的汽轮机调节级压力预测模型对汽轮机单阀门流量特性优化。
2.根据权利要求1所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，其特征在于步骤1中采集的历史运行数据包括机组功率P、综合阀位指令Rf、主蒸汽流量Q1、主蒸汽压力P0、主蒸汽温度T、调节级后温度Ta、调节级压力Pa、阀门CV1开度R1、阀门CV2开度R2、阀门CV3开度R3、阀门CV4开度R4、阀门CV1阀后压力P1、阀门CV2阀后压力P2、阀门CV3阀后压力P3、阀门CV4阀后压力P4。
3.根据权利要求1或2所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，其特征在于在采集数据时，每季度选择5天，全年共计20天的历史运行数据S*，数据采样时间间隔为2s，采集数据范围内包含多种工况的运行数据，并且包括所有阀门全开到全关状态。
4.根据权利要求1所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，其特征在于在步骤2中，对机组的稳定运行工况判断和筛选，其具体步骤如下：
步骤2-1：对步骤1所采集的历史运行数据S*进行稳定工况判定，并将稳定工况数据提取出来，其稳定工况判定公式如下：
Figure FDA0003356474960000013
式中，xi(k)＝(x1(k)，x2(k)，x3(k)……，xN(k))表示步骤1中所采集的历史运行数据S*，k为采样时间，ximax和ximin分别表示对应历史运行数据S*集中xi(k)的最大值与最小值；N为数据样本S*总数，a为正整数，θ取值范围为0.05％～0.2％；
如果满足式1则
Figure FDA0003356474960000014
Figure FDA0003356474960000015
表示经过筛选过后获得的机组处于稳定工况的运行数据；
步骤2-2：根据步骤2-1对历史数据进行稳定工况判定，得到初筛后的数据集D，将处理后的数据集D进行归一化处理将样本映射到[0，1]之间，得到数据集D*；其归一化公式为：
Figure FDA0003356474960000021
式2中
Figure FDA0003356474960000024
为归一化后的数据，Xmin、Xmax为数据集D的每列的最小值与最大值，X为数据集D中的样本数据。
5.根据权利要求3所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，其特征在于在步骤3中，根据汽轮机调节级特性选取机组功率P、综合阀位指令Rf、主蒸汽流量Q1、主蒸汽压力P0、主蒸汽温度T、调节级后温度Ta、阀门CV1开度R1、阀门CV2开度R2、阀门CV3开度R3、阀门CV4开度R4、阀门CV1阀后压力P1、阀门CV2阀后压力P2、阀门CV3阀后压力P3、阀门CV4阀后压力P4作为LSTM网络模型的输入变量，即输入变量X(k)＝[P，P0，T，Ta，R1，R2，R3，R4，P1，P2，P3，P4]，将调节级压力Pa作为模型的输出变量，即Y(k)＝[Pa]。
6.根据权利要求5所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，其特征在于在步骤4的具体模型构建步骤包括：
步骤4-1：初始化LSTM神经网络的网络结构、隐藏层神经元数目m、学习率lr、训练次数n，初始化训练步长；设置输入门it、遗忘门ft和输出门ot，其中各门控计算更新公式如下：
Figure FDA0003356474960000022
其中，it为输入门主要决定保留多少当前信息输入到当前时刻的单元，ot输出门主要用来决定当前时刻的单元状态有多少的输出，ft为遗忘门主要用于决定保留上一时刻的单元状态ct-1信息到当前时刻单元状态ct中，
Figure FDA0003356474960000023
为当前输入的单元状态，ht表示为网络的最终输出，σ和tanh分别为sigmoid激活函数和双曲正切激活函数，wi，wo，wf，wc和bi，bo，bf，bc分别为对应的权值矩阵和偏置矩阵；
步骤4-2：将步骤3中得到的训练集数据
Figure FDA0003356474960000031
中的变量X(k)＝[P，P0，T，Ta，R1，R2，R3，R4，P1，P2，P3，P4]作为模型的输入，调节级压力Pa作为模型的输出变量Y(k)＝[Pa]分别送入步骤4-1所初始化的LSTM神经网络模型，可以得到基于LSTM的汽轮机调节级压力预测模型。
7.根据权利要求6所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，其特征在于步骤5的具体步骤包括：
步骤5-1：初始化种群的各个参数，设定种群规模n*，最大迭代次数T，将LSTM网络中的隐藏层神经元数目m、学习率lr和训练次数n作为WOA算法的优化参数；设置隐藏层神经元m的区间范围为[20，100]，学习率lr的区间范围为[0.0001，0.01]，训练次数n的区间范围为[500，5000]；
步骤5-2：初始化适应度函数；
步骤5-3：使用训练集数据
Figure FDA0003356474960000032
对LSTM网络超参数进行寻优，根据步骤5-2建立的适应度函数，计算每个粒子的适应度值f并与个体的极值pbest＝(p1，p2，p3，p4，……pi-1，pi)，i＝1，2，3……，N进行比较，如果f＜pi，则用fi替换掉pi，否则不进行替换；
步骤5-4：WOA算法首先假设当前的最佳解是目标猎物位置或者最靠近猎物的位置，然后使用位置更新模型对其位置进行不断更新，其位置更新模型公式如下：
Figure FDA0003356474960000033
其中：
Figure FDA0003356474960000034
Figure FDA0003356474960000035
式中t为迭代次数；p为之间的随机数表示随机概率来决定鲸鱼捕食的方式；Tmax为最大迭代次数；X*(t)表示当前最优鲸鱼位置；X(t)表示当前鲸鱼位置向量；X(t+1)为下一次迭代后解的位置向量；Xrand(t)为从种群中任意选取某一鲸鱼的位置；l为[-1，1]之间的随机数；b为常数，设置为1用于定义对数螺旋的形状；D为包围步长；D*为鲸鱼位置与最优鲸鱼位置之间的距离；A，C为随机系数向量；a为控制参数，且a为从2到0随迭代次数增加而线性减少；rA和rC为[0，1]之间的随机数；
在迭代过程中随机产生一个[0，1]之间的随机数p，当p＜0.5时，若|A|＜1，选择收缩包围机制对位置进行更新，即式5中的X(t+1)＝X*(t)-A·D；若|A|≥1，选择进入随机搜索阶段，随机的选择鲸鱼来更新位置，即式5中的X(t+1)＝Xrand(t)-A·D**；当p≥0.5时，使用螺旋式机制来更新位置，即式5中的X(t+1)＝D*eblcos(2πl)+X*(t)；
步骤5-5：对经过步骤5-4更新完位置的个体，计算种群内个体的适应度f，适应度计算函数在步骤5-2中，适应度越小，则保留该个体位置，如果达到最大迭代次数则输出的最优参数作为LSTM网络模型的隐藏层神经元数目m、学习率lr和训练次数n，否则返回步骤5-4继续寻优；
步骤5-6：将步骤5-5所得到的最优参数隐藏层神经元数目m、学习率lr和训练次数n带入到网络当中，得到优化过后的基于WOA-LSTM的汽轮机调节级压力预测模型，模型输入变量X(k)＝[P，P0，T，Ta，R1，R2，R3，R4，P1，P2，P3，P4]，模型的输出变量为汽轮机调节级压力Y(k)＝[Pa]。
8.根据权利要求7所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，其特征在于在步骤5-2中，适应度函数计算公式如下：
Figure FDA0003356474960000041
式中f为适应度函数值，N为数据样本总量，
Figure FDA0003356474960000042
为LSTM网络模型输出的网络预测值，
Figure FDA0003356474960000043
为调节级压力的实际值。
9.根据权利要求7所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，其特征在于在步骤5-6中，为衡量汽轮机调节级压力预测模型精度，使用测试集数据
Figure FDA0003356474960000044
对网络模型精度进行评价，使用均方根误差来评价模型的精度，其RMSE计算公式如下：
Figure FDA0003356474960000051
其中yi表示测试集数据
Figure FDA0003356474960000052
中的实际调节级压力值，
Figure FDA0003356474960000053
表示模型调节级压力预测值，n为测试集数据
Figure FDA0003356474960000054
的样本总数。
10.根据权利要求7所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方法，其特征在于步骤6具体包括如下步骤：
步骤6-1：利用预测模型模拟阀门流量特性试验，确定某一主蒸汽压力P0和机组功率P，将阀门CV1开度设置为0-100％即R1为0-100％线性增大，剩余三个阀门开度设置为全开状态，其余数据变量值保持不变，构成输入数据变量集X*(k)＝[P，P0，T，Ta，R1，R2，R3，R4，P1，P2，P3，P4]，将X*(k)作为输入变量带入步骤5建立的调节级压力预测模型当中，可以得到阀门CV1变化对应的调节级压力值Pa；
步骤6-2：利用佛留格尔公式计算主蒸汽流量，其计算公式如下：
Figure FDA0003356474960000055
式中Pa0为额定工况下调节级压力，Pa为步骤6-1所得到的调节级压力预测值，Ta0为额定工况下调节级后温度，Ta为对应的调节级后温度，Q1为对应的主蒸汽流量；
步骤6-3：根据步骤6-2计算得到的主蒸汽流量Q*数据作为纵坐标与对应的CV1阀门开度作为横坐标，可以得到优化后的CV1阀门流量特性曲线，重复步骤6-1和步骤6-2可以得到其余阀门流量特性曲线，从而得到对汽轮机单阀门流量特性曲线。
CN202111353011.4A 2021-11-16 2021-11-16 基于汽轮机调节级压力预测模型的单阀门流量特性优化方法 Pending CN114139305A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111353011.4A CN114139305A (zh) 2021-11-16 2021-11-16 基于汽轮机调节级压力预测模型的单阀门流量特性优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111353011.4A CN114139305A (zh) 2021-11-16 2021-11-16 基于汽轮机调节级压力预测模型的单阀门流量特性优化方法

Publications (1)

Publication Number Publication Date
CN114139305A true CN114139305A (zh) 2022-03-04

Family

ID=80393362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111353011.4A Pending CN114139305A (zh) 2021-11-16 2021-11-16 基于汽轮机调节级压力预测模型的单阀门流量特性优化方法

Country Status (1)

Country Link
CN (1) CN114139305A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781614A (zh) * 2022-04-27 2022-07-22 电子科技大学 一种锂离子电池健康状态预测方法
CN114881207A (zh) * 2022-04-26 2022-08-09 北京和隆优化科技股份有限公司 基于lstm深度循环神经网络的蒸汽压力预测方法及装置
CN115808944A (zh) * 2023-02-09 2023-03-17 国能大渡河枕头坝发电有限公司 一种定子温升试验控制方法
CN116127716A (zh) * 2022-12-19 2023-05-16 华北电力科学研究院有限责任公司 汽轮机阀门流量特性辨识方法及装置
CN116184828A (zh) * 2023-01-12 2023-05-30 华能山东发电有限公司白杨河发电厂 自适应汽轮机高调阀特性曲线在线实时优化方法与系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881207A (zh) * 2022-04-26 2022-08-09 北京和隆优化科技股份有限公司 基于lstm深度循环神经网络的蒸汽压力预测方法及装置
CN114781614A (zh) * 2022-04-27 2022-07-22 电子科技大学 一种锂离子电池健康状态预测方法
CN114781614B (zh) * 2022-04-27 2023-09-15 电子科技大学 一种锂离子电池健康状态预测方法
CN116127716A (zh) * 2022-12-19 2023-05-16 华北电力科学研究院有限责任公司 汽轮机阀门流量特性辨识方法及装置
CN116127716B (zh) * 2022-12-19 2024-03-26 华北电力科学研究院有限责任公司 汽轮机阀门流量特性辨识方法及装置
CN116184828A (zh) * 2023-01-12 2023-05-30 华能山东发电有限公司白杨河发电厂 自适应汽轮机高调阀特性曲线在线实时优化方法与系统
CN116184828B (zh) * 2023-01-12 2023-10-10 华能山东发电有限公司白杨河发电厂 自适应汽轮机高调阀特性曲线在线实时优化方法与系统
CN115808944A (zh) * 2023-02-09 2023-03-17 国能大渡河枕头坝发电有限公司 一种定子温升试验控制方法
CN115808944B (zh) * 2023-02-09 2023-06-02 国能大渡河枕头坝发电有限公司 一种定子温升试验控制方法

Similar Documents

Publication Publication Date Title
CN114139305A (zh) 基于汽轮机调节级压力预测模型的单阀门流量特性优化方法
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
CN111340273A (zh) 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法
CN104200268B (zh) 一种基于粒子群优化极限学习机的带钢出口厚度预测方法
CN108320016A (zh) 一种建筑能耗短期预测方法
CN112182709B (zh) 大型水库叠梁门分层取水设施的下泄水温快速预测方法
CN108197751A (zh) 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法
CN106650920A (zh) 一种基于优化极限学习机的预测模型
CN106778838A (zh) 一种预测空气质量的方法
CN114362175B (zh) 基于深度确定性策略梯度算法的风电功率预测方法及系统
CN113112077A (zh) 基于多步预测深度强化学习算法的hvac控制系统
CN105701572A (zh) 一种基于改进高斯过程回归的光伏短期出力预测方法
CN114119273A (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
CN114662201B (zh) 一种自然通风智能调控的寻优方法
CN111461466A (zh) 基于lstm时间序列的供暖户阀调节方法、系统及设备
CN115907191B (zh) 一种自适应建筑光伏表皮模型预测控制方法
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
CN114330119B (zh) 一种基于深度学习的抽蓄机组调节系统辨识方法
CN114811713A (zh) 基于混合深度学习的二级网户间均衡供热调控方法
CN115751441A (zh) 基于二次侧流量的供热系统热力站热量调节方法及系统
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN113962140A (zh) 基于ga-lstm的汽轮机阀门流量特性函数的优化方法
CN113591957A (zh) 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法
CN117313795A (zh) 一种基于改进dbo-lstm的智慧楼宇能耗预测方法
CN114234392B (zh) 一种基于改进pso-lstm的空调负荷精细预测方法

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