[发明专利]基于多层LSTM的火电厂凝汽器真空度预测方法

说明书

本发明提出了一种基于多层LSTM的火电厂凝汽器真空度预测方法，首先构建样本数据集并对样本中的输入数据和输出数据分别进行标准化处理，然后将输入数据顺序进入多层长短期记忆神经网络，并使用自适应矩估计算法进行模型训练；最后将待预测数据输入训练完成的预测模型，对凝汽器真空度进行预测。本发明将长短期记忆神经网络结构应用于凝汽器真空度分析，实现了对大数据的深度挖掘，提高了数据预测的准确性和预测的速度，优化了系统资源的使用。本发明设计的2层LSTM结构能够加深模型深度，增加模型容量，提高预测精度，同时运用自适应矩估计算法对传统的梯度下降算法进行优化，避免了梯度爆炸的问题。

技术领域

本发明涉及火电厂设备运行优化与电网调峰辅助领域，更具体地，涉及一种基于多层长短期记忆神经网络的火电厂凝汽器真空度预测方法。

背景技术

火电厂凝汽器作为电站热力循环的冷源，其性能直接影响到机组的调峰能力、运行安全性以及热经济性。凝汽器真空度是综合反映凝汽器运行状态的指标，对凝汽器真空度进行准确预测，既有助于电网公司合理安排电厂发电，优化分配当地电源资源，提升机网协调水平，也有助于电厂优化发电管理，提高发电效率。

凝汽器真空度受到冷却水进口温度、冷却水温升以及凝汽器端差的影响，其中冷却水进口温度主要受环境温度影响，同时外界大气压水平也会对其产生影响。此外，机组运行中的真空度数据是以秒级数据为时间尺度，其具有数据量大、随机性高、变化快的特点。由于凝汽器真空模型的复杂性，因此需要一种行之有效的方法对凝气器真空度进行预测，从而实现对凝汽器真空的优化控制。

目前，已有多种机器学习算法被应用到凝汽器真空度预测中，并取得了一定的效果。现有技术中的机器学习预测模型包括：基于果蝇算法优化广义回归神经网络的凝汽器真空预测模型、基于PSO-SVR模型的凝汽器真空目标预测模型、使用粒子群算法优化Elman网络参数的凝汽器高低压侧真空模型、采用粒子群算法优化径向基函数神经网络(RBF)参数建立凝汽器真空预测模型以及基于粒子群优化算法的Elman神经网络凝汽器真空模型等。但随着数据量和输入数据维度的增加，一方面机器学习模型在计算速度和挖掘深度上明显存在不足，主要表现为训练时超参数调整过度，训练速度慢，模型泛化能力较差；另一方面，现有的预测模型没有考虑到凝汽器真空度在时间序列上的关系，从而缺少通过挖掘时序关系进而提升预测效果的建模研究。

长短期记忆神经网络(简称“LSTM”)是近些年深度学习领域中的一项重要研究成果。LSTM的隐藏层输出不仅与当前的末端神经元输出有关，同时还作为下一个时间周期的隐藏层的输入进而影响未来的输出结果。此外，与传统RNN 不同，LSTM通过引入记忆神经元(它的主要特征是设置了输入门、遗忘门和输出门三个判断条件)解决了训练时间周期过长时反向传播的梯度消失问题。因此， LSTM能够对长周期的时间序列数据进行深入挖掘。目前，这种神经网络已经在自然语言处理和机器翻译方面表现出了良好的效果。

发明内容

为了克服现有技术中存在的缺陷，本发明设计了一种2层长短期记忆神经网络附带2层全连接层作为预测模型，并采用自适应矩估计算法对预测模型进行训练，使用归一化的数据作为训练样本，进而得出火电厂凝汽器真空度的预测结论

具体地，本发明提出一种基于多层长短期记忆神经网络的火电厂凝汽器真空度预测方法，其特征在于，选取火电厂样本数据，进行归一化处理后输入长短期记忆神经网络预测模型，并采用参数寻优的自适应矩估计算法对预测模型进行训练，从而对火电厂凝汽器真空度进行预测。

进一步地，本发明所述方法包括以下步骤：

S1：选取火电厂的气温、气压、风速、湿度数据和凝汽器真空度数据，形成输入数据集，并采用滞后于输入数据时间144个周期的凝汽器真空度量，形成实际输出数据集；

S2：对样本中的输入数据和实际输出数据分别进行标准化处理；