[发明专利]一种基于多变量LSTM的联合循环发电机组负荷预测方法

说明书

本发明涉及基于多变量LSTM的联合循环发电机组负荷预测方法，包括步骤：S1、数据采集；S2、数据预处理；S3、将其中一个机组数据划分为训练集和测试集，另外一个机组数据设置为验证集；S4、搭建多变量输入LSTM神经网络模型；S5、将验证集数据代入模型进行预测，采用联合循环功率作为机组负荷的预测目标；S6、针对模型训练中的损失值和预测中的均方根误差两种评价指标对模型进行评价；S7、生成真实值‑预测值曲线图。本发明的有益效果是：本发明高效利用海量联合循环电厂机组运行数据资源，结合历史存储资源，为燃气‑蒸汽联合循环发电机组的寿命预测提供可靠的依据。

技术领域

本发明涉及复杂设备寿命预测领域，特别涉及基于多变量LSTM的联合循环发电机组负荷预测方法。

背景技术

火力发电作为现阶段国内发电装机容量和发电份额占比最大的发电模式，不仅需要消耗大量的煤矿资源，而且其能源转化率也不高，对环境的影响也不可忽视，因此，近年来，发电效率高、环保性好以及电网负荷调节能力更为灵活的燃气轮机联合循环发电逐渐推广投入生产。

随着国内电力系统信息集成化的推广普及，火电厂燃气轮机联合循环发电机组在运行过程中积累了海量的数据，这些数据与机组的运行状态有着密不可分的联系，如何挖掘该数据背后的潜在价值并加以利用，以指导火电厂机组的优化运行，进而促进电力绿色环保发展具有重要意义。当前，国内外多采用大数据研究方法，对机组进行实时监测和优化，对提高火电厂装置效率及寿命具有一定的意义，更进一步，通过机器学习手段，根据电厂机组历史运行数据对设定工况下未来机组的运行状态(如功率等)进行预测，从而提前做出有效的决策判断，调整机组相关联参数，以获得更高的经济效益，也具有广泛的研究价值。

近年来，随着人工智能技术的发展，越来越多的机器学习模型用于时间序列的数据预测未来。深度学习是机器学习发展最热门的分支，其中卷积神经网络(CNN)能有效处理空间信息，目前在机器视觉中广泛应用，长短期记忆(LSTM)神经网络能更好地处理时序信息，能有效地学习历史时序数据中的规律，并高效地预测未来某个时间点或时间段的数据分布情况，其在语音识别、机器翻译以及工业大数据领域的应用已相当成熟。然而，当前研究对评价燃气—蒸汽联合循环发电效益的联合循环功率的相关研究和预测相对较少，因此需要提出一种基于多变量LSTM神经网络的联合循环发电机组负荷预测方法。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于多变量LSTM的联合循环发电机组负荷预测方法。

这种基于多变量LSTM的联合循环发电机组负荷预测方法，包括以下步骤：

S1、数据采集：采集两组联合循环机组运行数据；根据实际需求布置相关传感器，采集与联合循环功率预测相关联的状态参数，包括空气质量流量(包含天然气质量流量)、大气温度、压气机进口空气温度及中压过热器出口蒸汽流量；

S2、数据预处理：对数据进行相关性分析，确定联合循环功率影响因素，并对其进行异常值处理、缺失值处理，归一化处理，并将数据转换为用于监督学习的数据类型；

S3、将其中一个机组数据划分为训练集和测试集，另外一个机组数据设置为验证集；

S4、搭建多变量输入LSTM神经网络模型，采用Python语言搭建神经网络，该网络包括一个输入层、一个中间层和一个输出层，依次连接，对时间序列数据进行特征提取和预测；并将训练集和测试集数据代入模型进行训练，设置训练集和测试集的比例、模型迭代次数、单次训练送入数据批量，并实时监测其损失函数值的变化；

S5、将验证集数据代入模型进行预测，采用联合循环功率作为机组负荷的预测目标；

S6、针对模型训练中的损失值和预测中的均方根误差两种评价指标对模型进行评价；

S7、生成真实值-预测值曲线图，直观评估模型的预测效果。