CN114139442A - 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法 - Google Patents
基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法 Download PDFInfo
- Publication number
- CN114139442A CN114139442A CN202111352981.2A CN202111352981A CN114139442A CN 114139442 A CN114139442 A CN 114139442A CN 202111352981 A CN202111352981 A CN 202111352981A CN 114139442 A CN114139442 A CN 114139442A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- steam turbine
- main steam
- flow characteristic
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
Abstract
本发明涉及一种基于K‑means‑LSTM的汽轮机阀门流量特性函数的优化方法,在此方法当中包括对数据的采集、输入输出变量的确定、利用K‑means方法对机组历史数据进行聚类分析、K‑means‑LSTM网络模型的构建和阀门流量特性函数优化;本发明在估算和预测汽轮机阀门流量特性方面大大减少了实施和验证的工作量,可高效率处理大量数据,有效解决汽轮机阀门流量数据丢失问题和预测未来测量值。
Description
技术领域
本发明涉及一种基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法。
背景技术
随着电力的使用越来越多,对于所供电能的质量要求也渐渐提高,为了能够给居民供给高质量稳定的电能,需要使用一些优化手段来维持电网频率稳定。常采用一次调频手段来对电网频率进行调节。一次调频精度受汽轮机阀门流量特性影响,所以为了改善一次调频精度,有必要对汽轮机阀门流量特性曲线进行优化。
K-means是一种将全部数据划分为不同集群的聚类分析方法,通过每个集群的中心来概述所包含的负荷曲线,简单高效,可处理大量数据。该算法在问题解决能力和计算复杂性之间有一个很好的平衡,可用于解决汽轮机阀门流量数据丢失和预测未来测量值。
长短期记忆(Long Short-Term Memory,LSTM)神经网络是是一种对循环神经网络的改进网络,通过门限结构对单元状态进行控制,可以保存需要长时间记忆的信息,同时遗忘不太重要的信息,LSTM应用单元状态能够很好地实现该功能。同时LSTM在反向传播过程中有些误差可以直接通过门,有些也可以直接被遗忘,从而解决了梯度消失与梯度爆炸的问题,所以此法可广泛应用于长时间依赖性的问题中。
发明内容
本发明所要解决的技术问题是提供一种基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法,改善一次调频速度与精确度,保障汽轮机安全稳定运行。
本发明所采用的技术方案是:
一种基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法,其包括如下步骤:步骤1:采集历史运行数据;步骤2:将采集到的数据进行归一化处理;步骤3:使用K-means算法对数据进行聚类;步骤4:构造LSTM神经网络的模型;步骤5:通过步骤3和步骤4得到基于K-means-LSTM的汽轮机阀门流量特性函数优化的模型,得到模型优化输出的输出变量汽轮机主蒸汽流量 将优化出的汽轮机主蒸汽流量作为纵坐标与综合阀位指令Rf作为横坐标绘制汽轮机阀门流量特性曲线,得到经K-means-LSTM网络模型优化过后的汽轮机阀门流量特性曲线。
进一步的,在步骤一中,采集的历史数据参数包括主蒸汽压力P、主蒸汽温度T、主蒸汽流量G1、高压缸排汽压力Pg、调节级温度T0、调节级压力Pa、综合阀位指令Rf、发电机输出功率N0、修正因数C。
进一步的,在采集数据时,每个季度选择一个月的运行数据,数据采样间隔10s,将此时间跨度范围内的燃烧系统故障点以及停机部分的数据剔除。
进一步的,在步骤2中,采用Z-score标准化方法,给予原始数据的均值和标准差进行数据的标准化。
进一步的,经过处理的数据符合标准正态分布,即均值为0,标准差为1,转化函数为:
式1中x*为归一化后的数据,μ为所有样本数据的均值,σ为所有样本数据的标准差;
将综合阀位指令Rf、主蒸汽压力P、主蒸汽温度T、调节级压力Pa、调节级温度T0、高压缸排汽压力Pg作为模型的输入变量构成输入向量X(k)=[Rf,P,T,Pa,T0,Pg],将汽轮机的主蒸汽流量G1作为模型的输出变量Y(k)=[G1];汽轮机的主蒸汽流量采用福留格尔公式计算:
式2中G01为变化后的主蒸汽流量,Pa1代表变化后的调节级压力,Pa代表变化前调节级压力,T01代表变化后调节级温度,T0代表变化前调节级温度,N01为变化后发电机输出功率,N0为变化前发电机输出功率,C为修正因数;将通过式1标准化后的综合阀位指令Rf、主蒸汽压力P、主蒸汽温度T、调节级压力Pa、调节级温度T0、高压缸排汽压力Pg数据以及主蒸汽流量G01作为训练集数据Dtrain。
进一步的,步骤3的具体方法包括如下步骤:
步骤3-1:输入训练集数据Dtrain,将运行数据依据综合阀位指令Rf、主蒸汽压力P的大小、主蒸汽温度T的高低这三个相关参数,以欧氏距离最短的原则进行划分聚簇;
步骤3-2:确定训练集数据所需划分的簇数k,从n个数据点中随机选取k个点c1,c2,…,ck作为初始中心点;
步骤3-3:划分聚簇,计算训练集数据Dtrain中每个数据点p1,p2,…,pn与中心点c1,c2,…,ck的欧氏距离d,将数据点划分到最近的中心点聚簇集合S1,S2,…,Sk中;数据对象pj与第i(1≤i≤k)个聚类中心点的欧氏距离d的计算公式为:
步骤3-4:更新聚类中心点,分别计算每个聚簇集合Si(1≤i≤k)中数据点的均值为:
将均值c′i更新为K-means算法中每个聚类的新中心点,并计算各簇的误差平方和SSE:
步骤3-5:判断结果,若迭代次数达到设定上限或者目标函数SSE收敛,则返回聚类中心点,聚类结束划分成的k簇数据构成总数据集D,输出聚类结果;否则继续进行上述步骤3-3至步骤3-5。
进一步的,步骤4中LSTM神经网络模型的构造方法包括如下步骤:
步骤4-1:初始化LSTM神经网络的网络结构、隐藏层层数和输出层层数,初始化训练补偿;
设置LSTM神经网络输入层到隐藏层的连接矩阵U、隐藏层到隐藏层的连接矩阵W、隐藏层到输出层的连接权重V均为随机的实数;
步骤4-2:设置LSTM神经网络的遗忘门、输入门、输出门;
遗忘门可决定记忆单元需要保留的历史信息,其计算公式为:
ft=σ(Wf·[ht-1,xt]+bf) (6)
式6中,σ为sigmoid激活函数;Wf为遗忘门的权重矩阵;ht-1为t-1时刻的输出;xt为t时刻的输入;bf为遗忘门的偏置;
it=σ(Wi·[ht-1,xt]+bi) (7)
在式7和式8中,Wi、Wc分别为输入门和候选向量的权重矩阵;bi、bc分别为输入门和候选向量的偏置;
输出门的功能为选择性输出细胞状态保存的信息,由tanh函数将细胞状态的内容处理为[-1,1],并用sigmoid函数确定需要输出的内容部分;
ot=σ(Wo·[ht-1,xt]+bo) (10)
ht=ot·tanh(ct) (11)
在式10和式11中,Wo、bo分别表示输出门的权重矩阵及其偏置。
进一步的,在步骤5中,通过步骤3和步骤4得到基于K-means-LSTM的汽轮机阀门流量特性函数优化的模型,通过此模型可以反映出输入变量X(k)=[Rf,P,T,Pa,T0,Pg]和汽轮机的主蒸汽流量G1之间的映射关系,即最优拟合函数
一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现优化方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现优化方法的步骤。
本发明的积极效果为:
本发明在估算和预测汽轮机阀门流量特性方面大大减少了实施和验证的工作量,可高效率处理大量数据,有效解决汽轮机阀门流量数据丢失问题和预测未来测量值。只需要了解少量的变量先前值,就可以准确的做到负荷估算,聚类效果明显。调试过程简便,主要需要调试的参数仅仅是簇数k,既考虑到了数据分布情况,又可以避免离群样本点的干扰。通过对大量的历史数据进行深度学习获得最优拟合函数,可以很好地解决长时依赖问题,有效筛选有用信息,删除无用信息,有效避免了梯度丢失和梯度爆炸的问题,从而改善汽轮机阀位指令与主蒸汽流量之间的关系,得到最佳汽轮机阀门流量特性曲线。K-means聚类结果可有效地表征综合阀位指令、主蒸汽压力P、主蒸汽温度的空间聚集状态,LSTM模型能准确地反映监测数据在时间维度上的变化趋势,且模型的预测精度较高,为更高效、快捷准确反映汽轮机阀门流量特性,两者的结合有效的改善了汽轮机一次调频的速度和精度,保障汽轮机安全稳定运行,对维持电网频率稳定具有重要意义。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明步骤框图;
图2为本发明系统流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
如附图1、2所示,本发明包括如下步骤:
步骤1:采集历史运行数据。通过火力发电厂的控制系统获取大量机组运行数据,对其进行筛选,每个季度选择一个月的运行数据,数据采样间隔10s,将此时间跨度范围内的燃烧系统故障点以及停机部分的数据剔除。采集的主要参数包括主蒸汽压力P、主蒸汽温度T、主蒸汽流量G1、高压缸排汽压力Pg、调节级温度T0、调节级压力Pa、综合阀位指令Rf、发电机输出功率N0、修正因数C。
步骤2:将采集到的数据进行归一化处理,采用Z-score标准化方法,给予原始数据的均值和标准差进行数据的标准化。经过处理的数据符合标准正态分布,即均值为0,标准差为1,转化函数为:
式1中x*为归一化后的数据,μ为所有样本数据的均值,σ为所有样本数据的标准差。
将综合阀位指令Rf、主蒸汽压力P、主蒸汽温度T、调节级压力Pa、调节级温度T0、高压缸排汽压力Pg作为模型的输入变量构成输入向量X(k)=[Rf,P,T,Pa,T0,Pg],将汽轮机的主蒸汽流量G1作为模型的输出变量Y(k)=[G1]。汽轮机的主蒸汽流量采用福留格尔公式计算:
式2中G01为变化后的主蒸汽流量,Pa1代表变化后的调节级压力,Pa代表变化前调节级压力,T01代表变化后调节级温度,T0代表变化前调节级温度,N01为变化后发电机输出功率,N0为变化前发电机输出功率,C为修正因数。将通过式1标准化后的综合阀位指令Rf、主蒸汽压力P、主蒸汽温度T、调节级压力Pa、调节级温度T0、高压缸排汽压力Pg数据以及主蒸汽流量G01作为训练集数据Dtrain。
步骤3:使用K-means算法对数据进行聚类,具体步骤如下:
步骤3-1:输入训练集数据Dtrain,将运行数据依据综合阀位指令Rf、主蒸汽压力P的大小、主蒸汽温度T的高低这三个相关参数,以欧氏距离最短的原则进行划分聚簇。
步骤3-2:确定训练集数据所需划分的簇数k,从n个数据点中随机选取k个点c1,c2,…,ck作为初始中心点(初始的聚类中心点);
步骤3-3:划分聚簇,计算训练集数据Dtrain中每个数据点p1,p2,…,pn与中心点c1,c2,…,ck的欧氏距离d,将数据点划分到最近的中心点聚簇集合S1,S2,…,Sk中;数据对象pj与第i(1≤i≤k)个聚类中心点的欧氏距离d的计算公式为:
步骤3-4:更新聚类中心点,分别计算每个聚簇集合Si(1≤i≤k)中数据点的均值为:
将均值c′i更新为K-means算法中每个聚类的新中心点,并计算各簇的误差平方和SSE:
步骤3-5:判断结果,若迭代次数达到设定上限或者目标函数SSE收敛,则返回聚类中心点,聚类结束划分成的k簇数据构成总数据集D,输出聚类结果;否则继续进行上述步骤3-3至步骤3-5。
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、隐藏层层数和输出层层数,初始化训练补偿。设置LSTM神经网络输入层到隐藏层的连接矩阵U、隐藏层到隐藏层的连接矩阵W、隐藏层到输出层的连接权重V均为随机的实数;
步骤4-2:设置LSTM神经网络的遗忘门、输入门、输出门。
遗忘门可决定记忆单元需要保留的历史信息,其计算公式为:
ft=σ(Wf·[ht-1,xt]+bf) (6)
式6中,σ为sigmoid激活函数;Wf为遗忘门的权重矩阵;ht-1为t-1时刻的输出;xt为t时刻的输入;bf为遗忘门的偏置。
it=σ(Wi·[ht-1,xt]+bi) (7)
在式7和式8中,Wi、Wc分别为输入门和候选向量的权重矩阵;bi、bc分别为输入门和候选向量的偏置。
输出门的功能为选择性输出细胞状态保存的信息,由tanh函数将细胞状态的内容处理为[-1,1],并用sigmoid函数确定需要输出的内容部分。
ot=σ(Wo·[ht-1,xt]+bo) (10)
ht=ot·tanh(ct) (11)
在式10和式11中,Wo、bo分别表示输出门的权重矩阵及其偏置。
步骤4-3:将步骤3中经过聚类处理的数据集D划分为k簇分别导入LSTM模型,综合阀位指令Rf、主蒸汽压力P、主蒸汽温度T、调节级压力Pa、调节级温度T0、高压缸排汽压力Pg作为模型的输入变量构成输入向量X(k)=[Rf,P,T,Pa,T0,Pg]和汽轮机的主蒸汽流量G1作为模型的输出变量Y(k)=[G1]分别送入步骤4-1和步骤4-2所初始化的LSTM神经网络模型,可以得到基于LSTM的汽轮机阀门流量特性函数优化模型;
步骤5:通过步骤3和步骤4得到基于K-means-LSTM的汽轮机阀门流量特性函数优化的模型,通过此模型可以反映出输入变量X(k)=[Rf,P,T,Pa,T0,Pg]和汽轮机的主蒸汽流量G1之间的映射关系,即最优拟合函数因此可以得到模型优化输出的输出变量汽轮机主蒸汽流量将优化出的汽轮机主蒸汽流量作为纵坐标与综合阀位指令Rf作为横坐标绘制汽轮机阀门流量特性曲线,可以得到经K-means-LSTM网络模型优化过后的汽轮机阀门流量特性曲线。
终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现上述优化方法的步骤。
本发明还提供了一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的优化方法。
计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
本发明提出基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法,在此方法当中包括对数据的采集、输入输出变量的确定、利用K-means方法对机组历史数据进行聚类分析、K-means-LSTM网络模型的构建和阀门流量特性函数优化。本方法提出利用机组历史运行数据,由综合阀位指令Rf、主蒸汽压力P、主蒸汽温度T、调节级压力Pa、调节级温度T0、高压缸排汽压力Pg、汽轮机主蒸汽流量参数来组成输入输出变量集合,先利用K-means算法对数据进行聚类分析,然后利用LSTM神经网络进行训练,构建K-means-LSTM网络模型来优化阀门流量特性函数。本发明对改善一次调频速度与精确度,保障汽轮机安全稳定运行具有重大意义。
Claims (10)
2.根据权利要求1所述的基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法,其特征在于在步骤1中,采集的历史数据参数包括主蒸汽压力P、主蒸汽温度T、主蒸汽流量G1、高压缸排汽压力Pg、调节级温度T0、调节级压力Pa、综合阀位指令Rf、发电机输出功率N0、修正因数C。
3.根据权利要求2所述的基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法,其特征在于在采集数据时,每个季度选择一个月的运行数据,数据采样间隔10s,将此时间跨度范围内的燃烧系统故障点以及停机部分的数据剔除。
4.根据权利要求2所述的基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法,其特征在于在步骤2中,采用Z-score标准化方法,给予原始数据的均值和标准差进行数据的标准化。
5.根据权利要求4所述的基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法,其特征在于经过处理的数据符合标准正态分布,即均值为0,标准差为1,转化函数为:
式1中x*为归一化后的数据,μ为所有样本数据的均值,σ为所有样本数据的标准差;
将综合阀位指令Rf、主蒸汽压力P、主蒸汽温度T、调节级压力Pa、调节级温度T0、高压缸排汽压力Pg作为模型的输入变量构成输入向量X(k)=[Rf,P,T,Pa,T0,Pg],将汽轮机的主蒸汽流量G1作为模型的输出变量Y(k)=[G1];汽轮机的主蒸汽流量采用福留格尔公式计算:
式2中G01为变化后的主蒸汽流量,Pa1代表变化后的调节级压力,Pa代表变化前调节级压力,T01代表变化后调节级温度,T0代表变化前调节级温度,N01为变化后发电机输出功率,N0为变化前发电机输出功率,C为修正因数;将通过式1标准化后的综合阀位指令Rf、主蒸汽压力P、主蒸汽温度T、调节级压力Pa、调节级温度T0、高压缸排汽压力Pg数据以及主蒸汽流量G01作为训练集数据Dtrain。
6.根据权利要求5所述的基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法,其特征在于步骤3的具体方法包括如下步骤:
步骤3-1:输入训练集数据Dtrain,将运行数据依据综合阀位指令Rf、主蒸汽压力P的大小、主蒸汽温度T的高低这三个相关参数,以欧氏距离最短的原则进行划分聚簇;
步骤3-2:确定训练集数据所需划分的簇数k,从n个数据点中随机选取k个点c1,c2,…,ck作为初始中心点;
步骤3-3:划分聚簇,计算训练集数据Dtrain中每个数据点p1,p2,…,pn与中心点c1,c2,…,ck的欧氏距离d,将数据点划分到最近的中心点聚簇集合S1,S2,…,Sk中;数据对象pj与第i(1≤i≤k)个聚类中心点的欧氏距离d的计算公式为:
步骤3-4:更新聚类中心点,分别计算每个聚簇集合Si(1≤i≤k)中数据点的均值为:
将均值c′i更新为K-means算法中每个聚类的新中心点,并计算各簇的误差平方和SSE:
步骤3-5:判断结果,若迭代次数达到设定上限或者目标函数SSE收敛,则返回聚类中心点,聚类结束划分成的k簇数据构成总数据集D,输出聚类结果;否则继续进行上述步骤3-3至步骤3-5。
7.根据权利要求6所述的基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法,其特征在于步骤4中LSTM神经网络模型的构造方法包括如下步骤:
步骤4-1:初始化LSTM神经网络的网络结构、隐藏层层数和输出层层数,初始化训练补偿;
设置LSTM神经网络输入层到隐藏层的连接矩阵U、隐藏层到隐藏层的连接矩阵W、隐藏层到输出层的连接权重V均为随机的实数;
步骤4-2:设置LSTM神经网络的遗忘门、输入门、输出门;
遗忘门计算公式为:
ft=σ(Wf·[ht-1,xt]+bf) (6)
式6中,σ为sigmoid激活函数;Wf为遗忘门的权重矩阵;ht-1为t-1时刻的输出;xt为t时刻的输入;bf为遗忘门的偏置;
it=σ(Wi·[ht-1,xt]+bi) (7)
在式7和式8中,Wi、Wc分别为输入门和候选向量的权重矩阵;bi、bc分别为输入门和候选向量的偏置;
输出门由tanh函数将细胞状态的内容处理为[-1,1],并用sigmoid函数确定需要输出的内容部分;
ot=σ(Wo·[ht-1,xt]+bo) (10)
ht=ot·tanh(ct) (11)
在式10和式11中,Wo、bo分别表示输出门的权重矩阵及其偏置。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8任一项优化方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352981.2A CN114139442A (zh) | 2021-11-16 | 2021-11-16 | 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352981.2A CN114139442A (zh) | 2021-11-16 | 2021-11-16 | 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139442A true CN114139442A (zh) | 2022-03-04 |
Family
ID=80393365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111352981.2A Pending CN114139442A (zh) | 2021-11-16 | 2021-11-16 | 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139442A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2021
- 2021-11-16 CN CN202111352981.2A patent/CN114139442A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN109558975B (zh) | 一种电力负荷概率密度多种预测结果的集成方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN111047094A (zh) | 一种基于深度学习算法的抄表数据异常分析方法 | |
CN109523155B (zh) | 一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法 | |
KR102239464B1 (ko) | 심층 구조를 이용한 전력 수요 예측 방법 및 장치 | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN113657661A (zh) | 一种企业碳排放预测方法、装置、计算机设备和存储介质 | |
CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN114492191A (zh) | 基于dbn-svr的热力站设备剩余寿命评估方法 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN114169639A (zh) | 一种企业用电量预测方法 | |
CN114139442A (zh) | 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法 | |
CN109599866B (zh) | 一种预测辅助的电力系统状态估计方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN113435595B (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
CN111697560A (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
Li et al. | Research on the prediction method of stock price based on RBF neural network optimization algorithm | |
CN116187506A (zh) | 考虑气象分类的短期风电功率组合概率预测方法及系统 | |
CN113095951B (zh) | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 |
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 |