CN117077839B - 一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及系统 - Google Patents
一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及系统 Download PDFInfo
- Publication number
- CN117077839B CN117077839B CN202310856157.3A CN202310856157A CN117077839B CN 117077839 B CN117077839 B CN 117077839B CN 202310856157 A CN202310856157 A CN 202310856157A CN 117077839 B CN117077839 B CN 117077839B
- Authority
- CN
- China
- Prior art keywords
- butterfly
- wall temperature
- superheater
- long
- parameters
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000015654 memory Effects 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000001537 neural effect Effects 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000010219 correlation analysis Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 230000007774 longterm Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 239000003205 fragrance Substances 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000011425 standardization method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 241000255777 Lepidoptera Species 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AM‑BOA‑LSTM的燃煤电厂过热器壁温预测方法及系统包括：采集燃煤电厂过热器壁温的相关参数，对相关参数进行归一化预处理并划分为训练集和测试集；利用优化的蝴蝶算法对训练集中长短期记忆神经网络的超参数进行迭代寻优，确定长短期神经记忆网络模型；根据灰色关联度分析得到的重要运行参数结合注意力机制对输入序列进行赋权，训练长短期神经记忆网络模型；基于训练好的长短期神经记忆网络模型对测试集中的数据进行壁温预测；本发明能够建立最优结构的LSTM预测模型，对过热器温度进行实时预测，避免发生炉管超温带来的经济损失与安全隐患，有效的保证了火电厂的经济安全运行。
Description
技术领域
本发明涉及燃煤电厂过热器壁温预测技术领域，具体为一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法及系统。
背景技术
电站锅炉实行状态检修是必然的发展趋势，锅炉过热器壁温度状况是炉管失效判断的重要依据。过热器的失效爆管主要由短期超温、高温蠕变引起均与过热器的管壁温度有关。在锅炉设计中对过热器区域烟温及壁温的考虑均以平均值及最大值为依据对局部烟温偏差及局部壁温的考虑较少。对于四角布置切圆燃烧随着锅炉的大型化炉膛出口及水平烟道内残余旋转加剧使过热器区域的烟气流速及烟气温度的分布变得复杂化传统的中间高两侧低的吸热偏差模型与实际状况相差太远。
通过设备参数之间的相似关系和当前时刻数据与以前时刻数据之间的时序特性反映出的设备运行状态的关键特征，可以更加精确地检测到早期异常。循环神经网络(Recurrent Neural Network，RNN)在描述序列特征方面具有很大优势，LSTM神经网络作为一种改进的RNN，能够学习长期时序依赖，并且不受梯度消失和梯度爆炸的影响，已经被成功应用于变量预测等领域。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
本发明实施例的第一方面，提供一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法，包括：采集燃煤电厂过热器壁温的相关参数，对所述相关参数进行归一化预处理并划分为训练集和测试集；利用优化的蝴蝶算法对所述训练集中长短期记忆神经网络的超参数进行迭代寻优，确定长短期神经记忆网络模型；根据灰色关联度分析得到的重要运行参数结合注意力机制对输入序列进行赋权，训练所述长短期神经记忆网络模型；基于训练好的长短期神经记忆网络模型对所述测试集中的数据进行壁温预测。
作为本发明所述的基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法的一种优选方案，其中：所述燃煤电厂过热器壁温的相关参数包括主蒸汽流量、主蒸汽温度、主蒸汽压力、过热器壁温、实发功率、入口蒸汽压力、出口蒸汽温度、炉膛与风箱压差、蒸汽流量、入口蒸汽温度、出口蒸汽压力、减温水流量、一次风压、锅炉总风量。
作为本发明所述的基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法的一种优选方案，其中：所述归一化预处理包括，
对所述相关参数采用Z-score标准化方法进行归一化预处理并划分为训练集和测试集，所述Z-score标准化方法的转化函数的计算公式为：
其中，μ表示所有样本的均值，σ表示所有样本数据的标准差。
作为本发明所述的基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法的一种优选方案，其中：所述利用优化的蝴蝶算法对所述训练集中长短期记忆神经网络的超参数进行迭代寻优包括，
混沌初始化蝶群中蝴蝶的位置xi、蝴蝶数目N、最大迭代次数T以及维度空间D，其中，混沌初始化所用序列为ICMIC映射对蝶群进行初始化；
计算所述蝶群中各蝴蝶的香味浓度，蝴蝶在接收更高的香味浓度信号时，会自发向更高的香味浓度的蝴蝶进行移动；
所述蝶群通过转换概率p的变化在全局搜索与局部搜索之间切换，在搜索空间中寻找最优的适应度值；
综合考虑种群离散度与迭代次数建立自适应转换概率p，使得蝶群在迭代初期侧重于全局搜索，扩大搜索空间；
当达到最大迭代次数时，此时所述蝶群的个体适应度最高值与种群适应度最高值分别对应长短期神经记忆网络的学习率和神经元个数。
作为本发明所述的基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法的一种优选方案，其中：所述灰色关联度分析的过程包括，
设定输入序列X0＝{x0(1),x0(2),…,x0(n)}和比较序列Xi＝{xi(1),xi(2),…,xi(n)}，则所述输入序列和所述比较序列之间的灰色关联度计算公式为：
其中，n表示序列参数个数，k表示第k个参数，ρ表示分辨率系数。
作为本发明所述的基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法的一种优选方案，其中：所述长短期神经记忆网络模型的训练包括，
根据灰色关联度分析法对输入参数进行主成分分析，提取出与过热器壁温关联度最高的几个参数，通过结合注意力机制对输入序列进行赋权，训练所述长短期神经记忆网络模型。
作为本发明所述的基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法的一种优选方案，其中：还包括，
采用均方根误差和线性相关系数对壁温预测的预测效果进行评价，所述均方根误差RMSE和线性相关系数R2的计算公式为：
其中，n表示评价系数的个数，yi表示每个评价系数的真实输出，表示模型对于评价系数的预测值，/>表示模型对于评价系数的平均值。
本发明实施例的第二方面，提供一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测系统，包括：
数据处理单元，用于采集燃煤电厂过热器壁温的相关参数，对所述相关参数进行归一化预处理并划分为训练集和测试集；
参数寻优单元，用于利用优化的蝴蝶算法对所述训练集中长短期记忆神经网络的超参数进行迭代寻优，确定长短期神经记忆网络模型；
模型训练单元，用于根据灰色关联度分析得到的重要运行参数结合注意力机制对输入序列进行赋权，训练所述长短期神经记忆网络模型；
壁温预测单元，用于基于训练好的长短期神经记忆网络模型对所述测试集中的数据进行壁温预测。
本发明实施例的第三方面，提供一种设备，所述设备包括，
处理器；
用于存储处理器可执行指令的存储器；
所述处理器被配置为调用所述存储器存储的指令，以执行本发明任一实施例所述的方法。
本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，包括：
所述计算机程序指令被处理器执行时实现如本发明任一实施例所述的方法。
本发明的有益效果：本发明提供的一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法及系统，通过采集炉管的实时监控数据，使用改进的蝴蝶算法对长短期记忆神经网络的超参数寻优，根据灰色关联度分析得到的重要运行参数结合注意力机制进行赋权输入到LSTM预测模型中进行建模，能够建立最优结构的LSTM预测模型，对过热器温度进行实时预测，避免发生炉管超温带来的经济损失与安全隐患，有效的保证了火电厂的经济安全运行。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明提供的一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法及系统的整体流程图；
图2为本发明提供的一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法及系统的神经网络预测模型图；
图3为本发明提供的一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法及系统的传统LSTM壁温预测结果图；
图4为本发明提供的一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法及系统的壁温预测结果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～2为本发明的一个实施例，提供了一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法，包括：
S1：采集燃煤电厂过热器壁温的相关参数，对相关参数进行归一化预处理并划分为训练集和测试集。需要说明的是：
燃煤电厂过热器壁温的相关参数包括主蒸汽流量、主蒸汽温度、主蒸汽压力、过热器壁温、实发功率、入口蒸汽压力、出口蒸汽温度、炉膛与风箱压差、蒸汽流量、入口蒸汽温度、出口蒸汽压力、减温水流量、一次风压、锅炉总风量；
进一步的，归一化预处理的过程包括，
对相关参数采用Z-score标准化方法进行归一化预处理并划分为训练集和测试集，具体的，Z-score标准化方法的转化函数的计算公式为：
其中，μ表示所有样本的均值，σ表示所有样本数据的标准差。
S2：利用优化的蝴蝶算法对训练集中长短期记忆神经网络的超参数进行迭代寻优，确定长短期神经记忆网络模型。需要说明的是：
利用优化的蝴蝶算法对训练集中长短期记忆神经网络的超参数进行迭代寻优包括，
混沌初始化蝶群中蝴蝶的位置xi、蝴蝶数目N、最大迭代次数T以及维度空间D，其中，混沌初始化所用序列为ICMIC映射对蝶群进行初始化，ICMIC映射的表达式如下：
-1≤zn≤1,zn≠0
本实施例中a＝0.7；
将ICMIC混沌映射到搜索空间中，得到种群的初始位置，公式如下：
其中，Xlb表示个体在各维度的下界，Xub表示个体在各维度的上界，zi表示产生的混沌序列；
计算蝶群中各蝴蝶的香味浓度，当蝴蝶进行移动时，它的适应度函数也会发生变化，蝴蝶在接收更高的香味浓度信号时，会自发向更高的香味浓度的蝴蝶进行移动，公式如下：
f＝cIa
其中，f表示香味的感知强度，c表示感觉通道，I表示刺激强度，a表示依赖于通道的幂指数，它代表了不同程度的香味吸收，取值范围一般在[0，1]之间；
蝶群通过转换概率p的变化在全局搜索与局部搜索之间切换，在搜索空间中寻找最优的适应度值，公式如下：
其中，表示迭代次数为t的第i只蝴蝶的解向量，g*表示当前迭代的所有解中的最优解，fi表示第i只蝴蝶的香味，r表示[0，1]之间的随机数；
局部搜索公式可以表示为：
其中，表示解空间的第j个蝴蝶的解向量，/>表示解空间的第k个蝴蝶的解向量；
综合考虑种群离散度与迭代次数建立自适应转换概率p，使得蝶群在迭代初期侧重于全局搜索，扩大搜索空间，公式如下：
其中，pmax和pmin表示设置的最大值与最小值，t表示当前迭代次数，tmax表示最大迭代次数，k(t)表示种群离散度参数，aF表示种群全部粒子适应度的平均值，gF表示全局最优粒子的适应度，b表示阻尼因子，取值范围在[0，1]之间；
当达到最大迭代次数时，此时蝶群的个体适应度最高值与种群适应度最高值分别对应长短期神经记忆网络的学习率和神经元个数；
应说明的，优化蝴蝶算法的改进之处在于引入ICMIC混沌初始化蝴蝶算法的初始种群，有利于蝶群在原始解空间中均匀分布，可以增强蝴蝶种群的多样性，扩大算法的搜索空间；此外，统一考虑种群离散度与迭代次数的重要程度提出一种自适应惯性转换概率，有利于算法在迭代前期偏向全局搜索，后期偏向局部搜索，提高了算法的收敛能力与精度。
S3：根据灰色关联度分析得到的重要运行参数结合注意力机制对输入序列进行赋权，训练长短期神经记忆网络模型。需要说明的是：
灰色关联度分析的过程包括设定输入序列X0＝{x0(1),x0(2),…,x0(n)}和比较序列Xi＝{xi(1),xi(2),…,xi(n)}，则输入序列和比较序列之间的灰色关联度计算公式为：
其中，n表示序列参数个数，k表示第k个参数，ρ表示分辨率系数，一般取0.5；
进一步的，根据灰色关联度分析法对输入参数进行主成分分析，提取出与过热器壁温关联度最高的几个参数，通过结合注意力机制对输入序列进行赋权，训练长短期神经记忆网络模型；
应说明的，LSTM神经网络主体结构上与RNN相似，其主要的区别是在隐含层中添加了三个门控结构：遗忘门、输入门与输出门，同时也增加了一个隐藏状态，其中具体的计算公式如下：
f(t)＝σ(Wfht-1+Ufxt+bf)
i(t)＝σ(Wifht-1+Uixt+bi)
a(t)＝tanh(Waht-1+Uaxt+ba)
o(t)＝σ(Woht-1+Uoxt+bo)
其中，xt表示t时刻的离心式压缩机状态变量，ht-1表示t-1时刻的隐层状态值，Wf、Wi、Wo、Wa分别代表遗忘门、输入门和输出门和特征提取过程中ht-1的权重系数，Uf、Ui、Uo、Ua分别代表遗忘门、输入门和输出门和特征提取过程中xt的权重系数，bf、bi、bo、ba分别代表遗忘门、输入门和输出门和特征提取过程中的偏置值，tan h表示正切双曲函数，σ表示激活函数Sigmoid；
LSTM神经网络经过遗忘门与输入门计算得到t时刻的细胞状态的计算公式为：
C(t)＝C(t-1)e f(t)+i(t)e a(t)
其中，e为Hadamard积，f(t)为遗忘门的输出，a(t)为候选记忆细胞的输出；
t时刻的隐藏层状态h(t)由输出门o(t)和当前时刻的细胞状态C(t)得出,公式如下：
h(t)＝o(t)e tan h(c(t))
其中，o(t)为输出门的输出。
S4：基于训练好的长短期神经记忆网络模型对测试集中的数据进行壁温预测，并验证模型的预测效果。需要说明的是：
采用均方根误差和线性相关系数对壁温预测的预测效果进行评价，具体的，均方根误差RMSE和线性相关系数R2的计算公式为：
其中，n表示评价系数的个数，yi表示每个评价系数的真实输出，表示模型对于评价系数的预测值，/>表示模型对于评价系数的平均值。
应说明的，本发明提供的一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法及系统，通过采集炉管的实时监控数据，使用改进的蝴蝶算法对长短期记忆神经网络的超参数寻优，根据灰色关联度分析得到的重要运行参数结合注意力机制进行赋权输入到LSTM预测模型中进行建模，能够建立最优结构的LSTM预测模型，对过热器温度进行实时预测，避免发生炉管超温带来的经济损失与安全隐患，有效的保证了火电厂的经济安全运行。
本发明公开的第二方面，
提供一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测系统，包括：
数据处理单元，用于采集燃煤电厂过热器壁温的相关参数，对相关参数进行归一化预处理并划分为训练集和测试集；
参数寻优单元，用于利用优化的蝴蝶算法对训练集中长短期记忆神经网络的超参数进行迭代寻优，确定长短期神经记忆网络模型；
模型训练单元，用于根据灰色关联度分析得到的重要运行参数结合注意力机制对输入序列进行赋权，训练长短期神经记忆网络模型；
壁温预测单元，用于基于训练好的长短期神经记忆网络模型对测试集中的数据进行壁温预测。
本发明公开的第三方面，
提供一种设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为调用存储器存储的指令，以执行前述中任意一项的方法。
本发明公开的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，包括：
计算机程序指令被处理器执行时实现前述中任意一项的方法。
本发明可以是方法、装置、系统和/或计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
实施例2
参照图3～4为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法及系统的验证测试，为对本方法中采用的技术效果加以验证说明。
本实施例通过采集燃煤电厂过热器壁温的相关参数作为样本，对相关参数进行归一化预处理并划分为训练集和测试集，利用优化的蝴蝶算法对训练集中长短期记忆神经网络的超参数进行迭代寻优，确定长短期神经记忆网络模型，然后通过灰色关联度分析法对运行参数进行重要性排序，结果如表1所示。
表1：灰色关联度系数分析表
| 测点数据名 | 灰色关联度系数 |
| 入口蒸汽温度 | 0.9214 |
| 减温水流量 | 0.9152 |
| 出口蒸汽温度 | 0.8645 |
| 主蒸汽压力 | 0.6351 |
| 主蒸汽温度 | 0.4013 |
| 入口蒸汽压力 | 0.3152 |
| 出口蒸汽流量 | 0.2597 |
| 炉膛与风箱压差 | 0.2146 |
| 出口蒸汽压力 | 0.1823 |
| 主蒸汽流量 | 0.1611 |
| 一次风压 | 0.1036 |
| 锅炉总风量 | 0.0931 |
| 实发功率 | 0.0431 |
由表1并结合运行工况与现场实际，本实施例选取灰色关联度系数大于0.75的运行参数：入口蒸汽温度、减温水流量和出口蒸汽温度作为过热器壁温预测模型的输入参数。
结合AM机制对输入参数进行赋权后作为LSTM神经网络预测模型的输入序列，训练长短期神经记忆网络模型。
最后，基于训练好的长短期神经记忆网络模型对测试集中的数据进行壁温预测，本实施例将使用传统LSTM壁温预测方法和本发明提供的预测方法进行对比，对比结果如表2所示，参照图3为使用传统LSTM壁温预测结果图，图4为本发明燃煤电厂过热器壁温预测结果图。
表2：预测模型性能对比。
| 评价函数 | 传统LSTM | AM-BOA-LSTM |
| RMSE | 0.2653 | 0.1465 |
| R2 | 0.81 | 0.95 |
从表2中可以看出，我方发明提供的方法在预测评价效果上优于传统LSTM壁温预测方法，因此本发明能够建立最优结构的LSTM预测模型，对过热器温度进行实时预测，避免发生炉管超温带来的经济损失与安全隐患，有效的保证了火电厂的经济安全运行。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法，其特征在于，包括：
采集燃煤电厂过热器壁温的相关参数，对所述相关参数进行归一化预处理并划分为训练集和测试集；
利用优化的蝴蝶算法对所述训练集中长短期记忆神经网络的超参数进行迭代寻优，确定长短期神经记忆网络模型；
所述利用优化的蝴蝶算法对所述训练集中长短期记忆神经网络的超参数进行迭代寻优包括：混沌初始化蝶群中蝴蝶的位置xi、蝴蝶数目N、最大迭代次数T以及维度空间D，其中，混沌初始化所用序列为ICMIC映射对蝶群进行初始化；计算所述蝶群中各蝴蝶的香味浓度，蝴蝶在接收更高的香味浓度信号时，会自发向更高的香味浓度的蝴蝶进行移动；所述蝶群通过转换概率p的变化在全局搜索与局部搜索之间切换，在搜索空间中寻找最优的适应度值；综合考虑种群离散度与迭代次数建立自适应转换概率p，使得蝶群在迭代初期侧重于全局搜索，扩大搜索空间，公式如下：
其中，pmax和pmin表示设置的最大值与最小值，t表示当前迭代次数，tmax表示最大迭代次数，k(t)表示种群离散度参数，aF表示种群全部粒子适应度的平均值，gF表示全局最优粒子的适应度，b表示阻尼因子，取值范围在[0，1]之间；当达到最大迭代次数时，此时所述蝶群的个体适应度最高值与种群适应度最高值分别对应长短期神经记忆网络的学习率和神经元个数；
根据灰色关联度分析得到的重要运行参数结合注意力机制对输入序列进行赋权，训练所述长短期神经记忆网络模型；
基于训练好的长短期神经记忆网络模型对所述测试集中的数据进行壁温预测。
2.如权利要求1所述的基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法，其特征在于：所述燃煤电厂过热器壁温的相关参数包括主蒸汽流量、主蒸汽温度、主蒸汽压力、过热器壁温、实发功率、入口蒸汽压力、出口蒸汽温度、炉膛与风箱压差、蒸汽流量、入口蒸汽温度、出口蒸汽压力、减温水流量、一次风压、锅炉总风量。
3.如权利要求2所述的基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法，其特征在于：所述归一化预处理包括，
对所述相关参数采用Z-score标准化方法进行归一化预处理并划分为训练集和测试集，所述Z-score标准化方法的转化函数的计算公式为：
其中，μ表示所有样本的均值，σ表示所有样本数据的标准差。
4.如权利要求3所述的基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法，其特征在于：所述灰色关联度分析的过程包括，
设定输入序列X0＝{x0(1)，x0(2)，...，x0(n)}和比较序列XI＝{xi(1)，xi(2)，...，xi(n)}，则所述输入序列和所述比较序列之间的灰色关联度计算公式为：
其中，n表示序列参数个数，k表示第k个参数，ρ表示分辨率系数。
5.如权利要求4所述的基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法，其特征在于：所述长短期神经记忆网络模型的训练包括，
根据灰色关联度分析法对输入参数进行主成分分析，提取出与过热器壁温关联度最高的几个参数，通过结合注意力机制对输入序列进行赋权，训练所述长短期神经记忆网络模型。
6.如权利要求5所述的基于AM-BOA-LSTM的燃煤电厂过热器壁温预测方法，其特征在于：还包括，
采用均方根误差和线性相关系数对壁温预测的预测效果进行评价，所述均方根误差RMSE和线性相关系数R2的计算公式为：
其中，n表示评价系数的个数，yi表示每个评价系数的真实输出，表示模型对于评价系数的预测值，/>表示模型对于评价系数的平均值。
7.一种基于AM-BOA-LSTM的燃煤电厂过热器壁温预测系统，其特征在于，包括：
数据处理单元，用于采集燃煤电厂过热器壁温的相关参数，对所述相关参数进行归一化预处理并划分为训练集和测试集；
参数寻优单元，用于利用优化的蝴蝶算法对所述训练集中长短期记忆神经网络的超参数进行迭代寻优，确定长短期神经记忆网络模型；
所述利用优化的蝴蝶算法对所述训练集中长短期记忆神经网络的超参数进行迭代寻优包括：混沌初始化蝶群中蝴蝶的位置xi、蝴蝶数目N、最大迭代次数T以及维度空间D，其中，混沌初始化所用序列为ICMIC映射对蝶群进行初始化；计算所述蝶群中各蝴蝶的香味浓度，蝴蝶在接收更高的香味浓度信号时，会自发向更高的香味浓度的蝴蝶进行移动；所述蝶群通过转换概率p的变化在全局搜索与局部搜索之间切换，在搜索空间中寻找最优的适应度值；综合考虑种群离散度与迭代次数建立自适应转换概率p，使得蝶群在迭代初期侧重于全局搜索，扩大搜索空间，公式如下：
其中，pmax和pmin表示设置的最大值与最小值，t表示当前迭代次数，tmax表示最大迭代次数，k(t)表示种群离散度参数，aF表示种群全部粒子适应度的平均值，gF表示全局最优粒子的适应度，b表示阻尼因子，取值范围在[0，1]之间；当达到最大迭代次数时，此时所述蝶群的个体适应度最高值与种群适应度最高值分别对应长短期神经记忆网络的学习率和神经元个数；
模型训练单元，用于根据灰色关联度分析得到的重要运行参数结合注意力机制对输入序列进行赋权，训练所述长短期神经记忆网络模型；
壁温预测单元，用于基于训练好的长短期神经记忆网络模型对所述测试集中的数据进行壁温预测。
8.一种设备，其特征在于，所述设备包括，
处理器；
用于存储处理器可执行指令的存储器；
所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1～6中任一所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1～6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310856157.3A CN117077839B (zh) | 2023-07-13 | 2023-07-13 | 一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310856157.3A CN117077839B (zh) | 2023-07-13 | 2023-07-13 | 一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077839A CN117077839A (zh) | 2023-11-17 |
| CN117077839B true CN117077839B (zh) | 2024-04-12 |
Family
ID=88703211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310856157.3A Active CN117077839B (zh) | 2023-07-13 | 2023-07-13 | 一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077839B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531797A (zh) * | 2019-05-31 | 2019-12-03 | 华电国际电力股份有限公司技术服务分公司 | 基于神经网络的超超临界机组高温过热器壁温预测方法 |
| CN111765449A (zh) * | 2020-09-03 | 2020-10-13 | 浙江省能源集团有限公司 | 一种基于长短期记忆网络的过热器爆泄预警方法 |
| KR20210010194A (ko) * | 2019-07-19 | 2021-01-27 | 울산과학기술원 | 딥러닝 기반의 화력 발전소 재과열기 튜브의 누설 감지 방법 및 이를 수행하는 장치 |
| CN112381296A (zh) * | 2020-11-15 | 2021-02-19 | 西安热工研究院有限公司 | 一种燃煤机组高温过热器壁温预测神经网络模型 |
| CN112396162A (zh) * | 2020-11-15 | 2021-02-23 | 西安热工研究院有限公司 | 一种燃煤机组屛式过热器壁温预测神经网络模型 |
| CN115221791A (zh) * | 2022-07-27 | 2022-10-21 | 浙江大学 | 一种超临界锅炉壁温在线预测方法及系统 |
-
2023
- 2023-07-13 CN CN202310856157.3A patent/CN117077839B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531797A (zh) * | 2019-05-31 | 2019-12-03 | 华电国际电力股份有限公司技术服务分公司 | 基于神经网络的超超临界机组高温过热器壁温预测方法 |
| KR20210010194A (ko) * | 2019-07-19 | 2021-01-27 | 울산과학기술원 | 딥러닝 기반의 화력 발전소 재과열기 튜브의 누설 감지 방법 및 이를 수행하는 장치 |
| CN111765449A (zh) * | 2020-09-03 | 2020-10-13 | 浙江省能源集团有限公司 | 一种基于长短期记忆网络的过热器爆泄预警方法 |
| CN112381296A (zh) * | 2020-11-15 | 2021-02-19 | 西安热工研究院有限公司 | 一种燃煤机组高温过热器壁温预测神经网络模型 |
| CN112396162A (zh) * | 2020-11-15 | 2021-02-23 | 西安热工研究院有限公司 | 一种燃煤机组屛式过热器壁温预测神经网络模型 |
| CN115221791A (zh) * | 2022-07-27 | 2022-10-21 | 浙江大学 | 一种超临界锅炉壁温在线预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| High Temperature Superheater Wall Temperature Prediction Method Based on ARLD-LSTM Recurrent Neural Network;Kai Zhu 等;《2022 4th International Conference on Electrical Engineering and Control Technologies (CEECT)》;20230207;第197-203页 * |
| 基于数据驱动的超临界锅炉受热面壁温预测方法;魏小兵 等;《热力发电》;20230519;第52卷(第7期);第106-112页 * |
| 基于深度学习的锅炉壁温预测及异常检测;戚奉彪;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20230315(第3期);C042-771 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077839A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107725283B (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
| Lu et al. | Performance predictions of ground source heat pump system based on random forest and back propagation neural network models | |
| CN113792754B (zh) | 一种先除异后修复的换流变dga在线监测数据处理方法 | |
| CN111062508A (zh) | 一种基于大数据技术评估风电机组实时运行状态的方法 | |
| CN110309603A (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
| CN116010884A (zh) | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 | |
| CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
| CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
| CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
| CN117829822A (zh) | 一种电力变压器故障预警方法及系统 | |
| CN117077839B (zh) | 一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及系统 | |
| CN118228202A (zh) | 基于基向量引导支持向量机的rc框架抗震韧性评估方法 | |
| CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
| CN117407704A (zh) | 可再生能源发电功率预测方法及其计算机设备、储存介质 | |
| CN118395309B (zh) | 一种变压器油中溶解气体含量预测方法、装置、设备及介质 | |
| Zheng et al. | Improved prediction of nitrogen oxides using GRNN with k-means clustering and EDA | |
| Jang et al. | Self-and Semi-Supervised Learning for Evacuation Time Modeling within Fire Emergencies in Nuclear Power Plants | |
| Zhan et al. | Long Short-term Memory modeling method with monotonicity analysis as constraints base on Spearman coefficient | |
| Kashani et al. | Impact of System Initial Values on Multivariate LSTM Neural Network Performance: A Finding from a Control Process Perspective | |
| CN116720662B (zh) | 基于集对分析的分布式能源系统适用性评估方法 | |
| CN115810426B (zh) | 用于食管鳞状细胞癌预后的工具、系统及应用 | |
| Kumar et al. | Analysis of Invoice Management System using Regression techniques with improved loss functions | |
| Zheng et al. | [Retracted] Clustering and Analysis of Verbs in English Language Based on Artificial Intelligence | |
| Ji | SO2 prediction at the desulfurization system entrance of the thermal power plant based on RF-CEEMDAN-SE-GWO-LSTM | |
| KR102699113B1 (ko) | 예측 모델을 이용하여 대상기업의 esg 활동데이터를 예측하여 상기 대상기업의 esg 활동을 진단하는 장치 및 방법 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |