CN113962140A - 基于ga-lstm的汽轮机阀门流量特性函数的优化方法 - Google Patents

基于ga-lstm的汽轮机阀门流量特性函数的优化方法 Download PDF

Info

Publication number
CN113962140A
CN113962140A CN202111072154.8A CN202111072154A CN113962140A CN 113962140 A CN113962140 A CN 113962140A CN 202111072154 A CN202111072154 A CN 202111072154A CN 113962140 A CN113962140 A CN 113962140A
Authority
CN
China
Prior art keywords
lstm
steam turbine
flow characteristic
steam
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
CN202111072154.8A
Other languages
English (en)
Inventor
金飞
郝晓光
殷喆
李剑锋
杨春来
马瑞
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 CN202111072154.8A priority Critical patent/CN113962140A/zh
Publication of CN113962140A publication Critical patent/CN113962140A/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]
    • G06F30/20—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Control Of Turbines (AREA)

Abstract

本发明涉及一种基于GA‑LSTM的汽轮机阀门流量特性函数的优化方法，包括如下步骤采集历史运行数据；确定数据的训练集和验证集；构建基于LSTM的汽轮机阀门流量特性函数优化模型；构建基于GA‑LSTM神经网络的汽轮机阀门流量特性模型；通过GA‑LSTM神经网络的汽轮机阀门流量特性模型的优化，并绘制优化后的汽轮机阀门流量特性曲线；本发明避免了耗时较长的阀门流量特性试验，减轻了工作人员的工作量，通过对海量历史数据的深度学习得到最优拟合函数，进而优化汽轮机综合阀位指令与实际进汽量之间的关系得到最佳的汽轮机阀门流量特性曲线，为汽轮机阀门流量特性分析及其参数优化提供支持。

Description

基于GA-LSTM的汽轮机阀门流量特性函数的优化方法
技术领域
本发明涉及一种基于GA-LSTM的汽轮机阀门流量特性函数的优化方法。
背景技术
随着社会经济的不断进步，电器在人们的生活中占据了重要地位，人们的用电量也随之提高。这也就要求电厂必须提供高质量的稳定的电能来保证人们的生活需要。电网频率是影响电能质量的重要因素，一次调频也是维持电网频率稳定的重要手段。而汽轮机的阀门流量特性不理想会影响一次调频的精确度，导致阀门的流量特性线性度变差，所以为提高一次调频的精度和水平，对阀门的流量特性曲线进行修正与优化有着重要的意义。
遗传算法(Genetic Algorithm,GA)是模拟自然界生物进化机制的一种算法，模拟自然的进化引入了染色体、种群、子代、父代等概念。它经常应用于求解全局最优问题，对全局进行搜索避免其他算法应用梯度下降容易陷入局部最优解的问题。
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，可以有效的避免普通神经网络当中的梯度消失与梯度***问题。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。
发明内容
本发明所要解决的技术问题是提供一种基于GA-LSTM的汽轮机阀门流量特性函数的优化方法，优化汽轮机综合阀位指令与实际进汽量之间的关系得到最佳的汽轮机阀门流量特性曲线，为汽轮机阀门流量特性分析及其参数优化提供支持。
本发明所采用的技术方案是：
一种基于GA-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：S100：采集历史运行数据；S200：确定数据的训练集和验证集；S300：构建基于LSTM的汽轮机阀门流量特性函数优化模型；S400：使用GA算法确定LSTM模型的最优参数，构建基于GA-LSTM神经网络的汽轮机阀门流量特性模型；S500：通过GA-LSTM神经网络的汽轮机阀门流量特性模型的优化，并绘制优化后的汽轮机阀门流量特性曲线。
进一步的，在S100在采集历史数据时，在全年选择时间跨度为4个月的历史运行数据，数据采样时间间隔为5s。
进一步的，采集的参数包括负荷P*、综合阀位指令Rf、主蒸汽流量Q1、主蒸汽压力P、主蒸汽温度T、调节级压力Pa、高压缸排汽压力Pc、高压缸排汽温度TC、再热蒸汽压力Pd、再热蒸汽温度Td。
进一步的，S200中，将采集到的数据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 BDA0003260757750000021
式1中X※为归一化后的数据，Xmin、Xmax为采集到数据的最小值与最大值，X为原始样本数据；
将综合阀位指令Rf、主蒸汽压力P、调节级压力Pa作为模型的输入变量构成输入向量X(k)＝[Rf,P,Pa]，将汽轮机的实际进汽量Q作为模型的输出变量Y(k)＝[Q]。
进一步的，汽轮机的实际进汽量计算方法如下：
Figure BDA0003260757750000022
式2中Pa0为额定的调节级压力、Pa为调节级压力、Pc0为额定的高压缸排汽压力、Pc为高压缸排汽压力、TC0为额定的高压缸排汽温度、TC为高压缸排汽温度，将通过式1标准化后的数据每个月随机选择20天作为训练集数据Dtrain，每个月剩余10或11天作为验证集数据Dtest。
进一步的，基于LSTM的汽轮机阀门流量特性函数优化模型的构建步骤如下：
S310：初始化LSTM神经网络的网络结构、隐藏层层数和输出层的层数，初始化训练步长；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；
S320：设置LSTM神经网络的激活函数，设置输入门it、遗忘门ft和输出门ot，单元状态激活函数为tanh函数，神经网络的输入向量为X＝(X1,X2,X3,X4,X5 …… Xt-1,Xt)，隐藏层的状态H＝(h1,h2,h3,h4,h5 …… ht-1,ht)，其输出向量为Y＝(Y1,Y2,Y3,Y4,Y5 …… Yt-1,Yt)；
S330：将S200中经过预处理的训练集数据Dtrain中的综合阀位指令Rf、主蒸汽压力P、调节级压力Pa作为模型的输入变量X(k)＝[Rf,P,Pa]和汽轮机的实际进汽量Q作为模型的输出变量Y(k)＝[Q]分别送入S310和S320所初始化的LSTM神经网络模型，得到基于LSTM的汽轮机阀门流量特性函数优化模型。
进一步的，在S320中各个单元门控的计算方法具体如下：
Figure BDA0003260757750000031
式3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中，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，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；
式ht＝ot·tanh(ct)表示为网络的最终输出，
Figure BDA0003260757750000032
为当前输入的单元状态。
进一步的，S400中构建基于GA-LSTM神经网络的汽轮机阀门流量特性模型的具体步骤如下：
S410:初始化种群的各个参数，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GA算法的初始化对象；
S420：用S200所确定的验证集数据Dtest中的综合阀位指令Rf、主蒸汽压力P、调节级压力Pa作为输入变量，即X(k)＝[Rf,P,Pa]，导入到S330所建立的基于LSTM的汽轮机阀门流量特性函数优化模型当中，可以得到该模型的输出值
Figure BDA0003260757750000035
Figure BDA0003260757750000036
表示汽轮机进汽量的一个网络模型预估值，并将
Figure BDA0003260757750000037
与验证集数据Dtest中的汽轮机的实际进汽量Q之间的均方根误差作为个体适应度的大小，适应度函数的选择直接影响对于汽轮机阀门流量特性优化的效果，且适应度函数定义如下：
Figure BDA0003260757750000033
式4中，fi为适应度函数值，N为验证集数据Dtest的数据总量，
Figure BDA0003260757750000034
为LSTM网络模型输出的汽轮机进汽量的网络预测值，Qn为验证集数据Dtest的汽轮机进汽量的真实值；
S430：采用轮盘赌选择法作为GA的选择策略在当前种群中选择适应性比较好的个体作为亲本，并将遗传信息传递给子代进行选择处理；使用洗牌交叉算法作为交叉算子使用，在交叉之前在父代利用随机排序函数进行洗牌运算；使用rand()算法在(0,1)之间产生随机数小于所给变异率大小则进行变异；
S440:计算种群内个体的适应度fi，适应度计算函数在S430中，遗传算法中适应度越小，则越应该保留该个体，否则会淘汰该个体，如果不符合遗传终止条件则返回到S430，若符合该遗传算法的终止条件，则将GA算法求出的最优参数作为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；
S450：将S440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GA-LSTM的汽轮机阀门流量特性优化的模型，其模型的输入变量为综合阀位指令Rf、主蒸汽压力P、调节级压力Pa，即X(k)＝[Rf,P,Pa]，其模型的输出变量为汽轮机的进汽量Q，即Y(k)＝[Q]。
进一步的，在S410中，设置隐藏层神经元m的区间范围为[10,50],学习率lr的区间范围为[0.001,0.1],训练次数n的区间范围为[500,5000]。
进一步的，在S430中，轮盘赌选择法具体方法如下：
S431：计算个体被选择的概率其公式如下：
Figure BDA0003260757750000041
式中n为群体大小，fi为个体的适应度，Pi为个体i被选择的概率，在第t代计算
Figure BDA0003260757750000042
和
Figure BDA0003260757750000043
S432：产生一个{0,1}的随机数rand()，求出S＝rand()*fsum；
S433：再求出
Figure BDA0003260757750000044
中最小的k,则表示第k个个体被选中；
S434：进行N次S432、S433，得到N个个体，成为第t＝t+1代种群。
本发明的积极效果为：本发明相较于传统的优化方法来说避免了耗时较长的阀门流量特性试验，减轻了工作人员的工作量，通过对海量历史数据的深度学习得到最优拟合函数，进而优化汽轮机综合阀位指令与实际进汽量之间的关系得到最佳的汽轮机阀门流量特性曲线，为汽轮机阀门流量特性分析及其参数优化提供支持。
本发明提出使用GA-LSTM网络模型，通过对海量历史数据进行深度学习建立汽轮机阀门流量特性模型，进而优化汽轮机综合阀位指令与实际进汽量之间的关系，避免了传统在电厂通过现场流量特性试验来获取汽轮机调节阀流量特性所存在的试验条件苛刻、精度低、机组停机等问题，为汽轮机阀门流量特性优化提供了一种准确、适应性强、快速的优化方法。由步骤S100和步骤S200可知本发明是基于火电机组海量历史运行数据进行数据挖掘获取机组运行信息，并在此基础上实现对机组的阀门流量特性参数优化，因此避免了传统试验对参数优化过程中受机组负荷运行范围限制的弊端。步骤S300所建立的基于LSTM的汽轮机阀门流量特性函数优化模型，由于LSTM网络引入了遗忘门可以充分考虑火电机组历史数据的时序特性，相比于传统的建模方法有着更高的建模精确度。为保证建模精度，步骤S400提出使用GA算法优化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，避免因传统LSTM网络依据经验选取模型参数而导致低精度、低效率等问题，提高汽轮机阀门流量特性模型精度。
附图说明
图1为本发明步骤流程图；
图2为本发明***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：对历史运行数据的采集。通过火力发电厂的分散控制***获取大量的机组历史运行数据。在全年选择时间跨度为4个月(每季度选择一月)的历史运行数据，数据采样时间间隔为5s，在这个采集数据时间跨度范围内每月应包含不少于10次的较大幅度的升、降负荷的数据且在此范围内火力发电机组无故障或者停机过程。采集的主要参数包括负荷P*、综合阀位指令Rf、主蒸汽流量Q1、主蒸汽压力P、主蒸汽温度T、调节级压力Pa、高压缸排汽压力Pc、高压缸排汽温度TC、再热蒸汽压力Pd、再热蒸汽温度Td；
步骤2：将采集到的数据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 BDA0003260757750000051
式1中X*为归一化后的数据，Xmin、Xmax为采集到数据的最小值与最大值，X为原始样本数据；
将综合阀位指令Rf、主蒸汽压力P、调节级压力Pa作为模型的输入变量构成输入向量X(k)＝[Rf,P,Pa]，将汽轮机的实际进汽量Q作为模型的输出变量Y(k)＝[Q]。汽轮机的实际进汽量计算方法如下：
Figure BDA0003260757750000061
式2中Pa0为额定的调节级压力、Pa为调节级压力、Pc0为额定的高压缸排汽压力、Pc为高压缸排汽压力、TC0为额定的高压缸排汽温度、TC为高压缸排汽温度。将通过式1标准化后的数据每个月随机选择20天作为训练集数据Dtrain，每个月剩余10或11天作为验证集数据Dtest；
步骤3：构造LSTM神经网络的模型，其具体模型构建步骤如下：
步骤3-1：初始化LSTM神经网络的网络结构、隐藏层层数和输出层的层数，初始化训练步长。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3-2：设置LSTM神经网络的激活函数，设置输入门it、遗忘门ft和输出门ot，单元状态激活函数为tanh函数，神经网络的输入向量为X＝(X1,X2,X3,X4,X5 …… Xt-1,Xt)，隐藏层的状态H＝(h1,h2,h3,h4,h5 …… ht-1,ht)，其输出向量为Y＝(Y1,Y2,Y3,Y4,Y5 ……Yt-1,Yt)，其各个单元门控的计算方法具体如下：
Figure BDA0003260757750000062
式3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中，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，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。式ht＝ot·tanh(ct)表示为网络的最终输出，
Figure BDA0003260757750000063
为当前输入的单元状态。
步骤3-3：将步骤2中经过预处理的训练集数据Dtrain中的综合阀位指令Rf、主蒸汽压力P、调节级压力Pa作为模型的输入变量X(k)＝[Rf,P,Pa]和汽轮机的实际进汽量Q作为模型的输出变量Y(k)＝[Q]分别送入步骤3-1和步骤3-2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4：构造遗传网络模型及使用GA算法优化LSTM神经网络其具体模型构建步骤如下：
步骤4-1：初始化种群的各个参数，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GA算法的初始化对象。设置隐藏层神经元m的区间范围为[10,50],学习率lr的区间范围为[0.001,0.1],训练次数n的区间范围为[500,5000]；
步骤4-2：用步骤2所确定的验证集数据Dtest中的综合阀位指令Rf、主蒸汽压力P、调节级压力Pa作为输入变量，即X(k)＝[Rf,P,Pa]，导入到步骤3-3所建立的基于LSTM的汽轮机阀门流量特性函数优化模型当中，可以得到该模型的输出值
Figure BDA0003260757750000071
Figure BDA0003260757750000072
表示汽轮机进汽量的一个网络模型预估值，并将
Figure BDA0003260757750000073
与验证集数据Dtest中的汽轮机的实际进汽量Q之间的均方根误差作为个体适应度的大小，适应度函数的选择直接影响对于汽轮机阀门流量特性优化的效果，且适应度函数定义如下：
Figure BDA0003260757750000074
式4中，fi为适应度函数值，N为验证集数据Dtest的数据总量，
Figure BDA0003260757750000075
为LSTM网络模型输出的汽轮机进汽量的网络预测值，Qn为验证集数据Dtest的汽轮机进汽量的真实值；
步骤4-3：采用轮盘赌选择法作为GA的选择策略在当前种群中选择适应性比较好的个体作为亲本，并将遗传信息传递给子代进行选择处理。使用洗牌交叉算法作为交叉算子使用，在交叉之前在父代利用随机排序函数进行洗牌运算。使用rand()算法在(0,1)之间产生随机数小于所给变异率大小则进行变异。其中轮盘赌选择法具体方法如下：
步骤4-3-1：计算个体被选择的概率其公式如下：
Figure BDA0003260757750000081
式中n为群体大小，fi为个体的适应度，Pi为个体i被选择的概率。在第t代计算
Figure BDA0003260757750000082
和
Figure BDA0003260757750000083
步骤4-3-2：产生一个{0,1}的随机数rand()，求出S＝rand()*fsum；
步骤4-3-3：再求出
Figure BDA0003260757750000084
中最小的k,则表示第k个个体被选中；
步骤4-3-4：进行N次步骤4-3-2、步骤4-3-3，得到N个个体，成为第t＝t+1代种群。
步骤4-4：计算种群内个体的适应度fi，适应度计算函数在步骤4-2中，遗传算法中适应度越小，则越应该保留该个体，否则会淘汰该个体，如果不符合遗传终止条件则返回到步骤4-3，若符合该遗传算法的终止条件，则将GA算法求出的最优参数作为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；
步骤4-5：将步骤4-4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GA-LSTM的汽轮机阀门流量特性优化的模型，其模型的输入变量为综合阀位指令Rf、主蒸汽压力P、调节级压力Pa，即X(k)＝[Rf,P,Pa]，其模型的输出变量为汽轮机的进汽量Q，即Y(k)＝[Q]；
步骤5：通过步骤3和步骤4得到基于GA-LSTM的汽轮机阀门流量特性函数优化的模型，通过此模型可以得到输入变量X(k)＝[Rf,P,Pa]经非线性变换得到汽轮机进汽量Q之间的映射关系，即最优拟合函数
Figure BDA0003260757750000085
因此可以得到模型优化出的输出变量汽轮机进汽量
Figure BDA0003260757750000086
将优化出的汽轮机进汽量
Figure BDA0003260757750000087
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GA-LSTM网络模型优化过后的汽轮机阀门流量特性曲线。
本发明提出基于GA-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GA优化LSTM网络参数、GA-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的历史运行数据，由综合阀位指令、主蒸汽压力、调节级压力、汽轮机实际进汽流量参数来组成输入输出变量集合，并使用GA算法对LSTM网络的关键超参数进行寻优处理，得到LSTM网络中的神经元个数、学习率和训练次数的最优组合，构建GA-LSTM网络模型来优化阀门流量特性函数。本发明对于提高一次调频的精确度和汽轮机的安全稳定运行有着重要的意义。

Claims (10)

1.一种基于GA-LSTM的汽轮机阀门流量特性函数的优化方法，其特征在于其包括如下步骤：S100：采集历史运行数据；S200：确定数据的训练集和验证集；S300：构建基于LSTM的汽轮机阀门流量特性函数优化模型；S400：使用GA算法确定LSTM模型的最优参数，构建基于GA-LSTM神经网络的汽轮机阀门流量特性模型；S500：通过GA-LSTM神经网络的汽轮机阀门流量特性模型的优化，并绘制优化后的汽轮机阀门流量特性曲线。
2.根据权利要求1所述的基于GA-LSTM的汽轮机阀门流量特性函数的优化方法，其特征在于在S100在采集历史数据时，在全年选择时间跨度为4个月的历史运行数据，数据采样时间间隔为5s。
3.根据权利要求2所述的基于GA-LSTM的汽轮机阀门流量特性函数的优化方法，其特征在于采集的参数包括负荷P*、综合阀位指令Rf、主蒸汽流量Q1、主蒸汽压力P、主蒸汽温度T、调节级压力Pa、高压缸排汽压力Pc、高压缸排汽温度TC、再热蒸汽压力Pd、再热蒸汽温度Td。
4.根据权利要求1所述的基于GA-LSTM的汽轮机阀门流量特性函数的优化方法，其特征在于S200中，将采集到的数据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 FDA0003260757740000011
式1中X※为归一化后的数据，Xmin、Xmax为采集到数据的最小值与最大值，X为原始样本数据；
将综合阀位指令Rf、主蒸汽压力P、调节级压力Pa作为模型的输入变量构成输入向量X(k)＝[Rf,P,Pa]，将汽轮机的实际进汽量Q作为模型的输出变量Y(k)＝[Q]。
5.根据权利要求4所述的基于GA-LSTM的汽轮机阀门流量特性函数的优化方法，其特征在于汽轮机的实际进汽量计算方法如下：
Figure FDA0003260757740000021
式2中Pa0为额定的调节级压力、Pa为调节级压力、Pc0为额定的高压缸排汽压力、Pc为高压缸排汽压力、TC0为额定的高压缸排汽温度、TC为高压缸排汽温度，将通过式1标准化后的数据每个月随机选择20天作为训练集数据Dtrain，每个月剩余10或11天作为验证集数据Dtest。
6.根据权利要求1所述的基于GA-LSTM的汽轮机阀门流量特性函数的优化方法，其特征在于基于LSTM的汽轮机阀门流量特性函数优化模型的构建步骤如下：
S310：初始化LSTM神经网络的网络结构、隐藏层层数和输出层的层数，初始化训练步长；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；
S320：设置LSTM神经网络的激活函数，设置输入门it、遗忘门ft和输出门ot，单元状态激活函数为tanh函数，神经网络的输入向量为X＝(X1,X2,X3,X4,X5……Xt-1,Xt)，隐藏层的状态H＝(h1,h2,h3,h4,h5……ht-1,ht)，其输出向量为Y＝(Y1,Y2,Y3,Y4,Y5……Yt-1,Yt)；
S330：将S200中经过预处理的训练集数据Dtrain中的综合阀位指令Rf、主蒸汽压力P、调节级压力Pa作为模型的输入变量X(k)＝[Rf,P,Pa]和汽轮机的实际进汽量Q作为模型的输出变量Y(k)＝[Q]分别送入S310和S320所初始化的LSTM神经网络模型，得到基于LSTM的汽轮机阀门流量特性函数优化模型。
7.根据权利要求6所述的基于GA-LSTM的汽轮机阀门流量特性函数的优化方法，其特征在于在S320中各个单元门控的计算方法具体如下：
Figure FDA0003260757740000022
式3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中，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，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；
式ht＝ot·tanh(ct)表示为网络的最终输出，
Figure FDA0003260757740000031
为当前输入的单元状态。
8.根据权利要求6所述的基于GA-LSTM的汽轮机阀门流量特性函数的优化方法，其特征在于S400中构建基于GA-LSTM神经网络的汽轮机阀门流量特性模型的具体步骤如下：
S410:初始化种群的各个参数，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GA算法的初始化对象；
S420：用S200所确定的验证集数据Dtest中的综合阀位指令Rf、主蒸汽压力P、调节级压力Pa作为输入变量，即X(k)＝[Rf,P,Pa]，导入到S330所建立的基于LSTM的汽轮机阀门流量特性函数优化模型当中，可以得到该模型的输出值
Figure FDA0003260757740000032
表示汽轮机进汽量的一个网络模型预估值，并将
Figure FDA0003260757740000035
与验证集数据Dtest中的汽轮机的实际进汽量Q之间的均方根误差作为个体适应度的大小，适应度函数的选择直接影响对于汽轮机阀门流量特性优化的效果，且适应度函数定义如下：
Figure FDA0003260757740000033
式4中，fi为适应度函数值，N为验证集数据Dtest的数据总量，
Figure FDA0003260757740000034
为LSTM网络模型输出的汽轮机进汽量的网络预测值，Qn为验证集数据Dtest的汽轮机进汽量的真实值；
S430：采用轮盘赌选择法作为GA的选择策略在当前种群中选择适应性比较好的个体作为亲本，并将遗传信息传递给子代进行选择处理；使用洗牌交叉算法作为交叉算子使用，在交叉之前在父代利用随机排序函数进行洗牌运算；使用rand()算法在(0,1)之间产生随机数小于所给变异率大小则进行变异；
S440:计算种群内个体的适应度fi，适应度计算函数在S430中，遗传算法中适应度越小，则越应该保留该个体，否则会淘汰该个体，如果不符合遗传终止条件则返回到S430，若符合该遗传算法的终止条件，则将GA算法求出的最优参数作为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；
S450：将S440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GA-LSTM的汽轮机阀门流量特性优化的模型，其模型的输入变量为综合阀位指令Rf、主蒸汽压力P、调节级压力Pa，即X(k)＝[Rf,P,Pa]，其模型的输出变量为汽轮机的进汽量Q，即Y(k)＝[Q]。
9.根据权利要求8所述的基于GA-LSTM的汽轮机阀门流量特性函数的优化方法，其特征在于在S410中，设置隐藏层神经元m的区间范围为[10,50],学习率lr的区间范围为[0.001,0.1],训练次数n的区间范围为[500,5000]。
10.根据权利要求8所述的基于GA-LSTM的汽轮机阀门流量特性函数的优化方法，其特征在于在S430中，轮盘赌选择法具体方法如下：
S431：计算个体被选择的概率其公式如下：
Figure FDA0003260757740000041
式中n为群体大小，fi为个体的适应度，Pi为个体i被选择的概率，在第t代计算
Figure FDA0003260757740000042
和
Figure FDA0003260757740000043
S432：产生一个{0,1}的随机数rand()，求出S＝rand()*fsum；
S433：再求出
Figure FDA0003260757740000044
中最小的k,则表示第k个个体被选中；
S434：进行N次S432、S433，得到N个个体，成为第t＝t+1代种群。
CN202111072154.8A 2021-09-14 2021-09-14 基于ga-lstm的汽轮机阀门流量特性函数的优化方法 Pending CN113962140A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111072154.8A CN113962140A (zh) 2021-09-14 2021-09-14 基于ga-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
CN202111072154.8A CN113962140A (zh) 2021-09-14 2021-09-14 基于ga-lstm的汽轮机阀门流量特性函数的优化方法

Publications (1)

Publication Number Publication Date
CN113962140A true CN113962140A (zh) 2022-01-21

Family

ID=79461554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111072154.8A Pending CN113962140A (zh) 2021-09-14 2021-09-14 基于ga-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) CN113962140A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115031956A (zh) * 2022-06-15 2022-09-09 河北工业大学 一种节流调节型汽轮机调速汽门特性图谱绘制方法
CN117786617A (zh) * 2024-02-27 2024-03-29 南京信息工程大学 一种基于ga-lstm高光谱定量反演的布料成分分析方法及***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115031956A (zh) * 2022-06-15 2022-09-09 河北工业大学 一种节流调节型汽轮机调速汽门特性图谱绘制方法
CN117786617A (zh) * 2024-02-27 2024-03-29 南京信息工程大学 一种基于ga-lstm高光谱定量反演的布料成分分析方法及***
CN117786617B (zh) * 2024-02-27 2024-04-30 南京信息工程大学 一种基于ga-lstm高光谱定量反演的布料成分分析方法及***

Similar Documents

Publication Publication Date Title
Wang et al. A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors
Qiao et al. Nature-inspired hybrid techniques of IWO, DA, ES, GA, and ICA, validated through a k-fold validation process predicting monthly natural gas consumption
CN107194625B (zh) 基于神经网络的风电场弃风电量评估方法
Song et al. Coordinated optimization on energy capture and torque fluctuation of wind turbines via variable weight NMPC with fuzzy regulator
CN113962140A (zh) 基于ga-lstm的汽轮机阀门流量特性函数的优化方法
CN110263395A (zh) 基于数值模拟和数据分析的电厂脱硝运行优化方法及***
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及***
CN106991212A (zh) 一种基于ga_pso优化grnn网络算法的叶根强度安全特性预测方法
CN113107626A (zh) 一种基于多变量lstm的联合循环发电机组负荷预测方法
CN112906292A (zh) 热电联产机组厂级热电负荷在线优化分配的方法、***、设备及存储介质
CN105487496A (zh) 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法
CN114119273A (zh) 一种园区综合能源***非侵入式负荷分解方法及***
CN116014715A (zh) 一种基于数字孪生的综合能源控制方法及***
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
CN115986728A (zh) 一种计及不确定性因素的电网态势预测方法与终端
Lei et al. An adaptive replacement strategy-incorporated particle swarm optimizer for wind farm layout optimization
CN113869616A (zh) 一种自适应的居民用户负荷预测方法
CN115986839A (zh) 一种风-水-火综合能源***的智能调度方法及***
CN114971090A (zh) 一种电供暖负荷预测方法、***、设备和介质
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN102279852A (zh) 一种基于遗传算法的油藏自动历史拟合***及其拟合方法
CN115713029A (zh) 一种考虑迟延的风电场随机模型预测优化控制方法
CN114234392B (zh) 一种基于改进pso-lstm的空调负荷精细预测方法
CN114139442A (zh) 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法
CN113991752A (zh) 一种电网准实时智能控制方法及***

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