CN114386320A - 汽轮机阀门管理方法、装置、设备及存储介质 - Google Patents
汽轮机阀门管理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114386320A CN114386320A CN202111589644.5A CN202111589644A CN114386320A CN 114386320 A CN114386320 A CN 114386320A CN 202111589644 A CN202111589644 A CN 202111589644A CN 114386320 A CN114386320 A CN 114386320A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- opening
- valve
- deh
- management function
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Control Of Turbines (AREA)
Abstract
本发明实施例公开了一种汽轮机阀门管理方法、装置、设备及存储介质。该方法包括:获取基于预测模型集确定的目标数字电液控制系统DEH阀门管理函数;将所述目标DEH阀门管理函数写入分布式控制系统中;基于所述目标DEH阀门管理函数,控制汽轮机阀门。本发明实施例提供的技术方案基于知识蒸馏的算法架构,通过预测模型集确定的目标数字电液控制系统DEH阀门管理函数,实现汽轮机机组调门流量特性优化,从而实现对汽轮机阀门的优化管理。
Description
技术领域
本发明实施例涉及汽轮机发电技术领域,尤其涉及一种汽轮机阀门管理方法、装置、设备及存储介质。
背景技术
大型汽轮机控制系统中,阀门管理是通过一组数字电液控制系统(DigitalElectric Hydraulic Control System,DEH)阀门管理函数来实现的,DEH阀门管理函数是阀门流量特性的数值表征,为保证机组一次调频功能和自动发电控制性能,必须保证这些函数与阀门真实流量的一致性。机组在大修、通流改造、DEH改造、分布式控制系统(Distributed Control System,DCS)改造以及运行方式改造后,易出现两者不匹配的问题,此时应进行汽轮机调门流量特性参数测试以及优化整定,确保机组调频调峰功能长期安全、稳定运行。
目前在实际应用中,对汽轮机阀门流量特性的辨识通常是进行阀门流量特性试验,基于喷嘴流量、特征通流或功率值等计算流量特性曲线。该类方法不仅工作量大,对运行人员的水平要求较高,也会因为反复变负荷实验对机组的安全稳定运行产生不利影响。此外,试验后还需要技术人员对试验数据进行分析和处理,在此过程中也会受到技术人员主观因素的影响。
除了实验方法,部分学者开展基于数值仿真分析的流量特性优化方法,减少实验量。该方法有两种策略,分别为数据分析方法和仿真平台建模方法,均无法完全脱离调门流量特性实验。基于最小二乘法等数据分析方法拟合得到的仿真模型无法利用大规模历史数据,准确度较低。在仿真平台上搭建模型相对理想化,其实验结果无法验证可靠性。最新的基于机器学习的方法能及时跟踪机组特性变化。但目前公布的方案依旧需要大量机组升降负荷阶段的数据,且要求主汽压力稳定,几乎等同于需要调门流量特性实验。且模型规模巨大,不利于模型迁移,不便于迅速推广到多台机组。
发明内容
本发明实施例提供一种汽轮机阀门管理方法、装置、设备及存储介质,基于知识蒸馏的算法架构,通过预测模型集确定的目标数字电液控制系统DEH阀门管理函数,实现汽轮机机组调门流量特性优化,从而实现对汽轮机阀门的优化管理。
第一方面,本发明实施例提供了一种汽轮机阀门管理方法,包括:
获取基于预测模型集确定的目标数字电液控制系统DEH阀门管理函数;
将所述目标DEH阀门管理函数写入分布式控制系统中;
基于所述目标DEH阀门管理函数,控制汽轮机阀门。
第二方面,本发明实施例还提供了一种汽轮机阀门管理装置,包括:
管理函数获取模块,用于获取基于对预测模型集进行训练确定的目标数字电液控制系统DEH阀门管理函数;
管理函数写入模块,用于将所述目标DEH阀门管理函数写入分布式控制系统中;
汽轮机阀门控制模块,用于基于所述目标DEH阀门管理函数,控制汽轮机阀门。
第三方面,本发明实施例还提供一种计算机设备,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述第一方面所述的汽轮机阀门管理方法。
第四方面,本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的汽轮机阀门管理方法。
本发明实施例公开了一种汽轮机阀门管理方法、装置、设备及存储介质。该方法包括:获取基于预测模型集确定的目标数字电液控制系统DEH阀门管理函数;将所述目标DEH阀门管理函数写入分布式控制系统中;基于所述目标DEH阀门管理函数,控制汽轮机阀门。本发明实施例提供的技术方案基于知识蒸馏的算法架构,通过预测模型集确定的目标数字电液控制系统DEH阀门管理函数,实现汽轮机机组调门流量特性优化,从而实现对汽轮机阀门的优化管理。
附图说明
图1为本发明实施例一提供的一种汽轮机阀门管理方法的流程示意图;
图2为本发明实施例一提供的开度功率预测模型和开度流量预测模型的构成示意图;
图3为本发明实施例一提供的开度流量预测模型的损失函数的构成示意图;
图4为本发明实施例一提供的离线优化方式的流程示例图;
图5为本发明实施例一提供的在线优化方式的流程示例图;
图6为本发明实施例二提供的一种汽轮机阀门管理装置的结构框图;
图7为本发明实施例三提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种汽轮机阀门管理方法的流程示意图,本实施例可适用于对汽轮机阀门进行优化管理的情况,该方法可以由汽轮机阀门管理装置来执行,该装置可由硬件和/或软件组成,并一般可集成在计算机设备中,该方法具体包括如下步骤:
S110、获取基于预测模型集确定的目标数字电液控制系统DEH阀门管理函数。
本实施例中,大型汽轮机控制系统中,阀门管理是通过一组DEH阀门管理函数来实现的,DEH阀门管理函数是阀门流量特性的数值表征,为保证机组一次调频功能和自动发电控制性能,必须保证这些函数与阀门真实流量的一致性。机组在大修、通流改造、DEH改造、DCS改造以及运行方式改造后,易出现两者不匹配的问题,此时应进行汽轮机调门流量特性参数测试以及优化整定,确保机组调频调峰功能长期安全、稳定运行。
因此,为了实现对汽轮机阀门的优化管理,需要获取优化后的目标数字电液控制系统DEH阀门管理函数,即实现调门流量特性优化。调门流量特性优化最终的目标是取得负荷指令与开度指令之间的对应关系,即根据负荷指令能够准确给出开度指令,使实际功率与负荷指令一致。调门流量特性优化一般指的是对流量指令和开度指令之间的关系,即DEH阀门管理函数进行优化。
优化方法分为多函数和单函数两种。其中多函数方法在顺序阀控制下将DEH阀门管理函数分为背压修正函数、流量分配系数、重叠度函数、流量开度修正函数,分别整定。单函数方法将这些函数整体优化,既能实现背压修正、流量分配、调节阀重叠度分配,又隐含了每个调节阀的实际流量特性。本发明采用单函数方法的策略。
其中,预测模型集可以包括开度功率预测模型和开度流量预测模型,开度功率预测模型和开度流量预测模型可以是经过真实运行数据训练获得的。基于知识蒸馏的算法架构,通过引入与教师网络(teacher network:复杂、但推理性能优越)相关的软目标作为总体损失函数的一部分,以诱导学生网络(student network:精简、低复杂度)的训练,实现知识迁移。教师网络的推理性能通常要优于学生网络,而模型容量则无具体限制,通常规模很大。学生网络规模较小,但经过教师网络的引导后能获得与教师网络接近的精度。教师网络推理精度越高,越有利于学生网络的训练。以开度功率预测模型和开度流量预测模型分别作为教师网络和学生网络,整合了负荷、流量、开度等调门流量特性核心变量,获得训练后的开度流量预测模型。然后采用数值法对开度流量预测模型做反函数处理,可以得到DEH阀门管理函数。整个训练过程,无需调门流量特性实验即可学习得到高精度、小规模、可迁移的DEH阀门管理函数模型。
S120、将目标DEH阀门管理函数写入分布式控制系统中。
具体的,汽轮机数字电液控制系统DEH分为电子控制部分和液压调节保安部分。电子控制主要由分布式控制系统DCS及DEH专用模件组成,将目标DEH阀门管理函数写入DCS,可以完成信号的采集、综合计算、逻辑处理、人机接口等方面的任务。
S130、基于目标DEH阀门管理函数,控制汽轮机阀门。
具体的,检修人员验收优化结果,机组重新启动投入运行。在接受到流量指令信号时,基于目标DEH阀门管理函数,也就是汽轮机调门的流量特性曲线,将指令电信号转变为液压信号,最终改变调门的开度,实现对汽轮机阀门的控制。
本发明实施例公开了一种汽轮机阀门管理方法,该方法包括:获取基于预测模型集确定的目标数字电液控制系统DEH阀门管理函数;将目标DEH阀门管理函数写入分布式控制系统中;基于目标DEH阀门管理函数,控制汽轮机阀门。本发明实施例提供的技术方案基于知识蒸馏的算法架构,通过预测模型集确定的目标数字电液控制系统DEH阀门管理函数,实现汽轮机机组调门流量特性优化,从而实现对汽轮机阀门的优化管理。
作为本发明实施例的一个可选实施例,在上述实施例的基础上,目标DEH阀门管理函数的确定步骤,包括:
S111、根据汽轮机的当前状态,确定汽轮机调门流量特性的优化方式。
其中,汽轮机的当前状态可能是处于停机状态或处于运行状态,因此,汽轮机调门流量特性的优化方式可以包括离线优化方式和在线优化方式。当汽轮机处于停机状态时,可以确定选择离线优化方式对汽轮机调门流量特性进行优化;当汽轮机处于运行状态时,可以确定选择在线优化方式对汽轮机调门流量特性进行优化。
S112、基于优化方式,结合已给定运行数据,训练开度功率预测模型和开度流量预测模型。
其中,已给定运行数据是指汽轮机机组的历史运行数据或者当前运行数据。已给定运行数据可以是单阀或顺序阀的阀门开度和实际功率。可以清楚的是,当优化方式为离线优化方式时,可以结合汽轮机机组的历史运行数据训练开度功率预测模型和开度流量预测模型;当优化方式为在线优化方式时,可以结合汽轮机机组的当前运行数据训练开度功率预测模型和开度流量预测模型。
具体的,采用机器学习算法可以根据海量历史数据学习阀门开度与实际功率之间的关系,即根据开度指令预测实际功率。开度功率预测模型的输入为单阀或顺序阀开度,输出为机组实际功率。作为知识蒸馏算法架构中的教师网络,它具有极高的精确度,较大的模型规模。开度功率预测模型的训练需要较多的历史数据,但不限制负荷,可以直接采用DCS中丰富的历史运行数据。
训练开度流量预测模型替代调门流量特性实验,生成一组开度流量函数,即开度指令和流量指令之间的映射关系,该模型作为优化目标学生网络。它的训练只需要教师网络的知识迁移以及较少的历史运行数据即可取得较高的精确度。在教师网络已存在的基础上,可以快速迭代优化开度流量预测模型。
S113、根据开度流量预测模型,确定目标DEH阀门管理函数。
具体的,开度流量预测模型表征开度指令和流量指令之间的映射关系,根据步骤S112获得的开度流量预测模型,通过采用数值法取开度流量预测模型的反函数,将获得的反函数确定为目标DEH阀门管理函数。
对于离线优化方式,在机组运行阶段,算法系统根据汽轮机机组的历史运行数据提前训练开度功率预测模型。停机整定阶段优化开度流量预测模型。离线优化对开度流量预测模型初始精确度没有要求。为了使模型快速收敛防止陷入局部最优,对开度流量预测模型进行零初始化,不引入机组当前DEH阀门管理函数。
作为本发明实施例的一个可选实施例,在上述实施例的基础上,结合已给定运行数据,训练开度功率预测模型和开度流量预测模型,包括:
S1121、若优化方式为离线优化方式,则采集汽轮机的历史运行数据作为已给定运行数据。
具体的,若优化方式为离线优化方式,采集汽轮机的历史运行数据作为已给定运行数据,对采集到的历史运行数据进行预处理,例如,对历史运行数据进行滤波处理从而实现数据清洗,获得有效运行数据。其中历史运行数据可以是开度指令、负荷指令、主汽压力值等。
S1122、根据历史运行数据,训练开度功率预测模型,获得训练后的开度功率预测模型。
具体的,以历史运行数据作为样本数据,训练开度功率预测模型。本实施例中以负荷指令作为真实标签(ground truth)训练开度功率预测模型,作为教师网络,学习阀门开度与实际功率之间的关系,即根据开度指令预测实际功率。
S1123、初始化开度流量预测模型。
具体的,汽轮机机组停机,为了使模型快速收敛防止陷入局部最优,对开度流量预测模型进行零初始化,不引入汽轮机机组当前DEH阀门管理函数。
S1124、根据历史运行数据,结合训练后的开度功率预测模型,训练开度流量预测模型。
需要说明的是,开度流量预测模型的损失函数分为两部分,由流量指令的真实标签作为硬目标,教师网络的功率预测值作为软目标。其中,以历史运行数据作为样本数据,通过样本数据中的负荷指令,除以样本的主汽压力值得到流量指令;另外,以教师网络的功率预测值作为软目标,通过功率预测值除以主汽压力值得到对应功率预测值的流量指令。本实施例中以流量指令作为真实标签(groundtruth)训练开度流量预测模型,作为学生网络,学习阀门开度与实际流量之间的关系,即根据开度指令预测实际流量。
对于在线优化方式,采用预训练的开度功率预测模型,根据运行状态的实际功率在线微调模型。由于同时优化开度功率预测模型和开度流量预测模型,在线优化也是一种教师-学生网络联合训练的知识蒸馏方法,有助于开度流量预测模型快速收敛,减少工程耗时。在线优化在机组运行状态下由算法系统闭环控制DCS,自动调整阀门流量特性。
可选的,基于优化方式,结合已给定运行数据,训练开度功率预测模型和开度流量预测模型,包括:
S1121’、若优化方式为在线优化方式,则根据汽轮机运行对应的当前DEH阀门管理函数,确定开度流量预测模型。
其中,调取少量历史运行数据微调开度功率预测模型。在线优化对开度流量预测模型初始精确度要求较高,应符合基本的机理模型约束,因此在算法架构中融入检修人员的经验成果,即汽轮机机组运行的当前DEH阀门管理函数设置。以当前机组DEH阀门管理函数作为基准,取反函数初始化开度流量预测模型。
S1122’、将汽轮机的当前运行数据作为已给定运行数据,结合预训练的开度功率预测模型,训练开度流量预测模型,获得训练后的开度流量预测模型。
需要说明的是,同样的,在线优化方式中开度流量预测模型的损失函数也分为两部分,由流量指令的真实标签作为硬目标,教师网络的功率预测值作为软目标。其中,在机组运行状态下,每隔t秒采集汽轮机机组当前负荷指令作为样本数据,除以样本的主汽压力值得到流量指令;另外,以教师网络的功率预测值作为软目标,通过功率预测值除以主汽压力值得到对应功率预测值的流量指令。本实施例中以流量指令作为真实标签(groundtruth)训练开度流量预测模型,作为学生网络,学习阀门开度与实际流量之间的关系,即根据开度指令预测实际流量。
S1123’、对训练后的开度流量预测模型进行反函数计算,获得训练后的DEH阀门管理函数。
具体的,对达到精度指标的训练后的开度流量预测模型采用数值法进行取反函数计算,作为DEH阀门管理函数。
S1124’、根据训练后的DEH阀门管理函数,训练开度功率预测模型。
本实施例中,根据步骤1123’得到的DEH阀门管理函数整定调门流量特性,查看机组实际功率,训练优化开度功率预测模型;在开度功率预测模型达到精度指标前返回步骤S1122’继续迭代;开度功率预测模型达到精度指标后在线优化结束;检修人员验收优化结果,机组正常运行。
作为本发明实施例的一个可选实施例,在上述实施例的基础上,开度功率预测模型的训练步骤,包括:
a1)将已给定运行数据输入开度功率预测模型,获得开度功率预测模型的第一输出结果。
其中,已给定运行数据还包括对应的第一真实标签数据。
可以清楚的是,对于离线优化方式,是通过历史运行数据作为样本数据训练开度功率预测模型;对在线优化方式,是通过少量历史运行数据和当前运行数据作为样本数据训练开度功率预测模型。其中,第一输出结果具体可以理解为功率预测值,第一真实标签数据具体可以理解为负荷指令。
具体的,将汽轮机机组的单阀或顺序阀开度指令输入到开度功率预测模型中,输出机组的功率预测值作为第一输出结果。将样本数据中的负荷指令作为第一真实标签数据,与实际功率预测值进行比较。
b1)基于第一输出结果与第一真实标签数据,确定开度功率预测模型的损失函数。
具体的,开度功率预测模型的损失函数采用回归预测任务常用的均方根误差(RMSE),对功率预测值(即第一输出结果)和负荷指令(即第一真实数据标签)做均方根计算,公式如下:其中m为样本数,X={x1,x2......xm}为顺序阀开度指令,h为功率预测值,y为负荷指令。
c1)根据开度功率预测模型的损失函数调整开度功率预测模型的参数,返回继续执行将已给定运行数据输入开度功率预测模型,获得开度功率预测模型的第一输出结果,直到开度功率预测模型输出结果的精度满足第一设定条件。
其中,开度功率预测模型输出结果的精度满足第一设定条件可以理解为开度功率预测模型可以精准的映射开度指令和负荷指令之间的关系,也可以理解为开度功率预测模型的损失函数小于某一设定阈值。具体的,开度功率预测模型达到精度指标前返回步骤a1)继续迭代优化开度功率预测模型,直到开度功率预测模型达到精度指标后优化结束。
作为本发明实施例的一个可选实施例,在上述实施例的基础上,开度流量预测模型的训练步骤,包括:
a2)对已给定运行数据进行计算,获得计算后的已给定运行数据。
其中,计算后的已给定运行数据包括第二真实标签数据。可以清楚的是,对于离线优化方式,是通过历史运行数据作为样本数据训练开度功率预测模型;对在线优化方式,是通过少量历史运行数据和当前运行数据作为样本数据训练开度功率预测模型。其中,第一真实标签数据具体可以理解为流量指令。具体的,将已给定运行数据作为样本数据,将样本数据中的负荷指令除以样本数据中的主汽压力值得到流量指令。
b2)基于已给定运行数据及开度功率预测模型,确定第二预测标签数据。
具体的,将已给定运行数据作为样本数据,将样本数据中的负荷指令输入到开度功率预测模型中,得到输出结果功率预测值,将功率预测值除以主汽压力值得到预测流量指令,作为第二预测标签数据。
c2)将已给定运行数据输入到开度流量预测模型,获得所述开度流量预测模型的第二输出结果。
具体的,将汽轮机机组的单阀或顺序阀开度指令输入到开度流量预测模型中,输出机组的流量预测值作为开度流量预测模型的第二输出结果。
d2)基于第二输出结果、第二预测标签与第二真实标签数据,确定开度流量预测模型的损失函数。
本实施例中,训练开度流量预测模型替代调门流量特性实验,生成一组开度流量函数,即开度指令和流量指令之间的映射关系,取反函数即为DEH阀门管理函数。该模型作为优化目标学生网络,它的训练只需要教师网络的知识迁移以及较少的机历史数据即可取得较高的精确度。在教师网络已存在的基础上,可以快速迭代优化开度流量预测模型。开度流量预测模型的损失函数分为两部分,由流量指令的真实标签作为硬目标,开度功率预测模型(教师网络)的功率预测值作为软目标。基于第二输出结果与第二真实标签数据确定损失函数,基于第二输出结果与第二预测标签确定损失函数,将两部分损失函数根据权重系数进行计算,最终确定开度流量预测模型的损失函数。
图2为本发明实施例一提供的开度功率预测模型和开度流量预测模型的构成示意图,如图2所示,本发明以负荷指令作为真实标签(ground truth)训练开度功率预测模型(记为model1),作为教师网络;以流量指令作为真实标签训练开度流量预测模型(记为model2),作为学生网络。负荷指令与流量指令通过乘除主汽压力值互相代换。对经过知识蒸馏的model2逐点取反函数,即得到调门流量特性优化任务需要的DEH阀门管理函数。具体的,开度指令输入到开度功率预测模型,输出实际功率与作为真实标签数据的负荷指令进行比较,训练开度预测模型;开度指令输入到开度流量预测模型,输出实际流量,开度功率预测模型输出的功率预测值以及样本中的负荷指令除以主汽压力值获得流量指令,流量指令作为真实标签数据与实际流量进行比较,训练开度流量预测模型。
可选的,基于第二输出结果、第二预测标签与第二真实标签数据,确定开度流量预测模型的损失函数,包括:
d21)基于第二输出结果与第二真实标签数据,确定第一损失函数。
具体的,第一损失函数采用回归预测任务常用的均方根误差(RMSE),对流量预测值(即第二输出结果)和流量指令(即第二真实数据标签)做均方根计算,公式如下:其中m为样本数,X={x1,x2......xm}为顺序阀开度指令,g(xi)为流量预测值,zi为流量指令。
d22)基于第二输出结果与第二预测标签数据,确定第二损失函数。
具体的,第二损失函数采用回归预测任务常用的均方根误差(RMSE),对流量预测值(即第二输出结果)和预测流量指令(即第二预测标签数据)做均方根计算,公式如下:其中m为样本数,X={x1,x2......xm}为顺序阀开度指令,其中h为功率预测值,g为流量预测值,Pi为主汽压力值。
d23)获取第一损失函数与第二损失函数的占比系数。
其中,开度流量预测模型的损失函数设计为软目标与硬目标所对应的RMSE值加权求和,第一损失函数与第二损失函数的占比系数,决定了教师网络和学生网络的贡献值。示例性的,第一损失函数的占比系数可以表示为:α,第二损失函数的占比系数可以表示为:1-α。
d24)根据占比系数对第一损失函数与第二损失函数进行加权求和,确定开度流量预测模型的损失函数。
开度流量预测模型的损失函数设计为软目标与硬目标所对应的RMSE值加权求和,其中软目标的加权系数越大,表明迁移诱导越依赖教师网络的贡献,这对训练初期阶段是很有必要的,有助于让学生网络更轻松的鉴别简单样本,但训练后期需要适当减小软目标的比重,让真实标注帮助鉴别困难样本。开度流量预测模型的损失函数公式如下:其中m为样本数,X={x1,x2......xm}为顺序阀开度指令,h为功率预测值,g为流量预测值,Pi为主汽压力值,α为第一损失函数的占比系数,(1-α)为第二损失函数的占比系数。
图3为本发明实施例一提供的开度流量预测模型的损失函数的构成示意图,如图3所示,其中,开度指令作为输入向量Xi分别输入到教师网络(即开度功率预测模型)和学生网络(即开度流量预测模型)中,由流量指令的真实标签作为硬目标,教师网络的功率预测值作为软目标。硬目标的权重表示为:α,软目标的权重表示为1-α。软目标与硬目标所对应的RMSE值加权求和,确定开度流量预测模型的损失函数。
e2)根据开度流量预测模型的损失函数调整开度流量预测模型的参数,返回继续执行将已给定运行数据输入开度流量预测模型,得到开度流量预测模型的第二输出结果,直到开度流量预测模型输出结果的精度满足第二设定条件。
其中,开度流量预测模型输出结果的精度满足第二设定条件可以理解为开度流量预测模型可以精准的映射开度指令和流量指令之间的关系,也可以理解为开度流量预测模型的损失函数小于某一设定阈值。具体的,开度流量预测模型达到精度指标前返回步骤a2)继续迭代优化开度流量预测模型,开度流量预测模型达到精度指标后优化结束。
在教师网络模型的基础上,根据各机组实际运行情况和少量数据可以快速生产学生网络模型。无需标定大量数据即可获得高精确度模型,工程量较小,维护成本较低。采用知识蒸馏的算法架构,得到的模型在同等精度条件下规模较小,计算快速,便于现场下装和实时闭环优化。
为了更清楚的表述本发明实施例,图4为本发明实施例一提供的离线优化方式的流程示例图,如图4所示,离线优化的流程可以表示如下:
(1)预处理历史运行数据;
(2)使用历史运行数据训练开度功率预测模型(记为model1),根据model1预测得到实际功率;
(3)机组停机,零初始化开度流量预测模型(记为model2);
(4)每输入一个样本的负荷指令,除以样本的主汽压力得到流量指令;
(5)根据当前开度流量预测模型model2预测实际流量,与model1预测功率、流量指令一起计算开度流量预测模型的损失函数;
(6)model2达到精度指标前返回(4)继续迭代优化model2;
(7)model2达到精度指标后优化结束,采用数值法取model2反函数,得到DEH阀门管理函数。
图5为本发明实施例一提供的在线优化方式的流程示例图,如图5所示,在线优化的流程可以表示如下:
(1)调取少量历史运行数据微调开度功率预测模型(记为model1),根据model1预测实际功率;
(2)以当前机组DEH阀门管理函数作为基准,取反函数初始化开度流量预测模型(记为model2);
(3)机组运行状态下,每隔t秒采集机组当前负荷指令,除以样本的主汽压力得到流量指令;
(4)根据当前开度流量预测模型model2预测实际流量,与model1预测功率、流量指令一起计算开度流量预测模型的损失函数,优化model2;
(5)model2达到精度指标前返回(3)继续迭代优化model2;
(6)model2达到精度指标后采用数值法对更新后的model2取反函数作为DEH阀门管理函数;
(7)根据(6)得到的DEH阀门管理函数整定调门流量特性,查看机组实际功率,训练优化model1;
(8)model1达到精度指标前返回(4)继续迭代;
(9)model1达到精度指标后在线优化结束,检修人员验收优化结果,机组正常运行。
作为可选实施例,本实施例具体化了开度功率预测模型和开度流量预测模型的训练过程,将知识蒸馏技术与调门流量特性优化相结合,模型规模小、易维护,有利于在多台机组间灵活迁移。并具体化了在线优化方式和离线优化方式的步骤,不依赖调门流量特性实验,完全根据历史数据和实时运行数据进行调门流量特性整定和优化,减少人工成本和设备维护成本。保持负荷指令、流量指令、开度指令之间的一致性,保证汽轮机机组的安全可控。与其他数值仿真方法相比,对数据数量和质量要求更低。离线优化方案可直接使用历史运行数据,无需连续的变负荷数据。在线优化方案甚至不需要用户提供历史数据,仅靠实时运行数据即可迭代优化。可选择离线或在线整定优化,根据实际需求调整优化方案。
实施例二
图6为本发明实施例二提供的一种汽轮机阀门管理装置的结构框图,本实施例可适用于对汽轮机阀门进行优化管理的情况,该装置可由硬件和/或软件组成,并一般可集成在计算机设备中。如图6所示,该装置具体可以包括:管理函数获取模块21、管理函数写入模块22和汽轮机阀门控制模块23。
管理函数获取模块21,用于获取基于对预测模型集进行训练确定的目标数字电液控制系统DEH阀门管理函数;
管理函数写入模块22,用于将目标DEH阀门管理函数写入分布式控制系统中;
汽轮机阀门控制模块23,用于基于目标DEH阀门管理函数,控制汽轮机阀门。
可选的,管理函数获取模块21,包括:
优化方式确定单元,用于根据汽轮机的当前状态,确定汽轮机调门流量特性的优化方式;
预测模型训练单元,用于基于优化方式,结合已给定运行数据,训练开度功率预测模型和开度流量预测模型;
阀门管理函数确定单元,用于根据开度流量预测模型,确定目标DEH阀门管理函数。
可选的,预测模型训练单元具体用于:
若优化方式为离线优化方式,则采集汽轮机的历史运行数据作为已给定运行数据;
根据历史运行数据,训练开度功率预测模型,获得训练后的开度功率预测模型;
初始化开度流量预测模型;
根据历史运行数据,结合训练后的开度功率预测模型,训练开度流量预测模型。
可选的,预测模型训练单元具体用于:
若优化方式为在线优化方式,则根据汽轮机运行对应的当前DEH阀门管理函数,确定开度流量预测模型;
将汽轮机的当前运行数据作为已给定运行数据,结合预训练的开度功率预测模型,训练开度流量预测模型,获得训练后的开度流量预测模型;
对训练后的开度流量预测模型进行反函数计算,获得训练后的DEH阀门管理函数;
根据训练后的DEH阀门管理函数,训练开度功率预测模型。
可选的,预测模型训练单元包括:
第一输出结果获得子单元,用于将已给定运行数据输入开度功率预测模型,获得开度功率预测模型的第一输出结果,已给定运行数据还包括对应的第一真实标签数据;
损失函数第一确定子单元,用于基于第一输出结果与第一真实标签数据,确定开度功率预测模型的损失函数;
开度功率预测模型调整子单元,用于根据开度功率预测模型的损失函数调整开度功率预测模型的参数,返回继续执行将已给定运行数据输入开度功率预测模型,获得开度功率预测模型的第一输出结果,直到开度功率预测模型输出结果的精度满足第一设定条件。
可选的,预测模型训练单元包括:
计算子单元,用于对已给定运行数据进行计算,获得计算后的已给定运行数据,计算后的已给定运行数据包括第二真实标签数据;
第二预测标签数据子单元,用于基于已给定运行数据及开度功率预测模型,确定第二预测标签数据;
第二输出结果获得子单元,用于将已给定运行数据输入到开度流量预测模型,获得开度流量预测模型的第二输出结果;
损失函数第二确定子单元,用于基于第二输出结果、第二预测标签与第二真实标签数据,确定开度流量预测模型的损失函数;
开度流量预测模型调整子单元,用于根据开度流量预测模型的损失函数调整开度流量预测模型的参数,返回继续执行将已给定运行数据输入开度流量预测模型,得到开度流量预测模型的第二输出结果,直到开度流量预测模型输出结果的精度满足第二设定条件。
可选的,损失函数第二确定子单元具体用于:
基于第二输出结果与第二真实标签数据,确定第一损失函数;
基于第二输出结果与第二预测标签数据,确定第二损失函数;
获取第一损失函数与第二损失函数的占比系数;
根据占比系数对第一损失函数与第二损失函数进行加权求和,确定开度流量预测模型的损失函数。
上述装置可执行本发明前述所有实施例所提供的汽轮机阀门管理方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
实施例三
图7为本发明实施例三提供的一种计算机设备的结构框图,如图7所示,该计算机设备包括处理器31、存储器32、输入装置33和输出装置34;计算机设备中处理器31的数量可以是一个或多个,图7中以一个处理器31为例;计算机设备中的处理器31、存储器32、输入装置33和输出装置34可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的汽轮机阀门管理方法对应的模块(例如,汽轮机阀门管理装置中的管理函数获取模块21、管理函数写入模块22和汽轮机阀门控制模块23)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的汽轮机阀门管理方法。
存储器32可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器32可进一步包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置34可包括显示屏等显示设备。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种汽轮机阀门管理方法,该方法包括:
获取基于预测模型集确定的目标数字电液控制系统DEH阀门管理函数;
将目标DEH阀门管理函数写入分布式控制系统中;
基于目标DEH阀门管理函数,控制汽轮机阀门。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的汽轮机阀门管理方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述汽轮机阀门管理装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种汽轮机阀门管理方法,其特征在于,包括:
获取基于预测模型集确定的目标数字电液控制系统DEH阀门管理函数;
将所述目标DEH阀门管理函数写入分布式控制系统中;
基于所述目标DEH阀门管理函数,控制汽轮机阀门。
2.根据权利要求1所述的方法,其特征在于,所述目标DEH阀门管理函数的确定步骤,包括:
根据所述汽轮机的当前状态,确定汽轮机调门流量特性的优化方式;
基于所述优化方式,结合已给定运行数据,训练开度功率预测模型和开度流量预测模型;
根据所述开度流量预测模型,确定所述目标DEH阀门管理函数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述优化方式,结合已给定运行数据,训练开度功率预测模型和开度流量预测模型,包括:
若所述优化方式为离线优化方式,则采集所述汽轮机的历史运行数据作为已给定运行数据;
根据所述历史运行数据,训练所述开度功率预测模型,获得训练后的开度功率预测模型;
初始化所述开度流量预测模型;
根据所述历史运行数据,结合所述训练后的开度功率预测模型,训练所述开度流量预测模型。
4.根据权利要求2所述的方法,其特征在于,所述基于所述优化方式,结合已给定运行数据,训练开度功率预测模型和开度流量预测模型,包括:
若所述优化方式为在线优化方式,则根据所述汽轮机运行对应的当前DEH阀门管理函数,确定所述开度流量预测模型;
将所述汽轮机的当前运行数据作为已给定运行数据,结合预训练的开度功率预测模型,训练所述开度流量预测模型,获得训练后的开度流量预测模型;
对训练后的所述开度流量预测模型进行反函数计算,获得训练后的DEH阀门管理函数;
根据所述训练后的DEH阀门管理函数,训练所述开度功率预测模型。
5.根据权利要求2所述的方法,其特征在于,所述开度功率预测模型的训练步骤,包括:
将所述已给定运行数据输入所述开度功率预测模型,获得所述开度功率预测模型的第一输出结果,所述已给定运行数据还包括对应的第一真实标签数据;
基于所述第一输出结果与所述第一真实标签数据,确定所述开度功率预测模型的损失函数;
根据所述开度功率预测模型的损失函数调整所述开度功率预测模型的参数,返回继续执行将所述已给定运行数据输入所述开度功率预测模型,获得所述开度功率预测模型的第一输出结果,直到所述开度功率预测模型输出结果的精度满足第一设定条件。
6.根据权利要求2所述的方法,其特征在于,所述开度流量预测模型的训练步骤,包括:
对所述已给定运行数据进行计算,获得计算后的已给定运行数据,所述计算后的已给定运行数据包括第二真实标签数据;
基于所述已给定运行数据及所述开度功率预测模型,确定第二预测标签数据;
将所述已给定运行数据输入到所述开度流量预测模型,获得所述开度流量预测模型的第二输出结果;
基于所述第二输出结果、所述第二预测标签与所述第二真实标签数据,确定所述开度流量预测模型的损失函数;
根据所述开度流量预测模型的损失函数调整所述开度流量预测模型的参数,返回继续执行将所述已给定运行数据输入所述开度流量预测模型,获得所述开度流量预测模型的第二输出结果,直到所述开度流量预测模型输出结果的精度满足第二设定条件。
7.根据权利要求6所述的方法,其特征在于,所述基于所述第二输出结果、所述第二预测标签与所述第二真实标签数据,确定所述开度流量预测模型的损失函数,包括:
基于所述第二输出结果与所述第二真实标签数据,确定第一损失函数;
基于所述第二输出结果与所述第二预测标签数据,确定第二损失函数;
获取所述第一损失函数与第二损失函数的占比系数;
根据所述占比系数对所述第一损失函数与第二损失函数进行加权求和,确定所述开度流量预测模型的损失函数。
8.一种汽轮机阀门管理装置,其特征在于,包括:
管理函数获取模块,用于获取基于对预测模型集进行训练确定的目标数字电液控制系统DEH阀门管理函数;
管理函数写入模块,用于将所述目标DEH阀门管理函数写入分布式控制系统中;
汽轮机阀门控制模块,用于基于所述目标DEH阀门管理函数,控制汽轮机阀门。
9.一种计算机设备,其特征在于,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的汽轮机阀门管理方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的汽轮机阀门管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111589644.5A CN114386320A (zh) | 2021-12-23 | 2021-12-23 | 汽轮机阀门管理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111589644.5A CN114386320A (zh) | 2021-12-23 | 2021-12-23 | 汽轮机阀门管理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386320A true CN114386320A (zh) | 2022-04-22 |
Family
ID=81197974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111589644.5A Pending CN114386320A (zh) | 2021-12-23 | 2021-12-23 | 汽轮机阀门管理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386320A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473321A (zh) * | 2023-11-07 | 2024-01-30 | 摩尔线程智能科技(北京)有限责任公司 | 文本标注方法、装置和存储介质 |
-
2021
- 2021-12-23 CN CN202111589644.5A patent/CN114386320A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473321A (zh) * | 2023-11-07 | 2024-01-30 | 摩尔线程智能科技(北京)有限责任公司 | 文本标注方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A coordinated optimization framework for flexible operation of pumped storage hydropower system: nonlinear modeling, strategy optimization and decision making | |
KR101660102B1 (ko) | 용수량 수요 예측 장치 | |
CN114992106B (zh) | 一种基于数字孪生的泵站机组运行状态分析系统 | |
Xu et al. | Zone scheduling optimization of pumps in water distribution networks with deep reinforcement learning and knowledge-assisted learning | |
CN105867138A (zh) | 一种基于pid控制器的稳定平台控制方法及装置 | |
KR20210019311A (ko) | 자료해석 기반 침수 예측 방법 및 이를 위한 장치 | |
CN114386320A (zh) | 汽轮机阀门管理方法、装置、设备及存储介质 | |
CN116933619A (zh) | 基于强化学习的数字孪生配网故障场景生成方法及系统 | |
Zeng et al. | Distributed deep reinforcement learning-based approach for fast preventive control considering transient stability constraints | |
CN115964907A (zh) | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 | |
CN114909706A (zh) | 一种基于强化学习算法和压差控制的二级网平衡调控方法 | |
CN115189416A (zh) | 基于日前电价分级预测模型的发电系统控制方法及系统 | |
CN117495356B (zh) | 基于人机联动的智慧燃气管道维修方法和物联网系统 | |
CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN116505556B (zh) | 基于一次调频的风电场功率控制系统及方法 | |
CN108898245A (zh) | 一种用于风电机组零部件的需求预测方法 | |
CN109961160A (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 | |
KR102535640B1 (ko) | 상수도 운영 시스템의 운전 자동화를 위한 강화학습 장치 및 방법 | |
CN116300755A (zh) | 基于mpc的含储热的供热系统双层优化调度方法及装置 | |
CN114841595A (zh) | 一种基于深度强化算法的水电站厂内实时优化调度方法 | |
Ferrari et al. | A Novel Rule-Based Modeling and Control Approach for the Optimization of Complex Water Distribution Networks | |
Xiao et al. | Reliability analysis of aging control system via stability margins | |
CN111950691A (zh) | 一种基于潜在动作表示空间的强化学习策略学习方法 | |
CN113406940B (zh) | 一种基于模型预测控制的智能排水分级实时控制方法 | |
CN113359452B (zh) | 基于Barzilai Borwein智能学习算法的控制器设计方法、系统 |
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 |