[发明专利]一种基于深度学习方法的锅炉过热器区域高低温预测方法

说明书

本发明公开了一种基于深度学习方法的锅炉过热器区域高低温预测方法，属于计算机技术领域，包括以下步骤：S1：采集数据；S2：构建成图；S3：构造特征矩阵；S4：计算RV系数；S5：确定图区域之间连接边权重；S6：输入区域连接图和区域特征矩阵，GCN模块提取不同区域空间特征，并按照时序进行组合；S7：输入GRU模块进行不同时间间隔和步长的温度预测；S8：选取评价指标最好的空间特征维数以及温度预测步长；S9：确定空间特征维数和预测步长，进行不同区域最高低温的预测；本发明采用目前流行的图神经网络技术以及时序数据的预测神经网络技术，提高不同时间间隔区域高低温预测的精度，较好完成过热器高低温预测的实际需求。

技术领域

本发明属于计算机技术领域，具体涉及一种基于深度学习方法的锅炉过热器区域高低温预测方法。

背景技术

随着电力需求持续增加以及电力市场可再生能源蓬勃发展，电厂控制问题越来越重要。

过热器蒸汽温度是发电厂中要控制的关键变量之一，过高的高温会导致过热器蒸汽管道和高压涡轮机的入口受到物质损坏，较低的温度会降低工厂的效率，同时会增加低压涡轮机后部蒸汽的湿度，侵蚀涡轮叶片，因此，在发电厂中，对过热器高低温的控制变得越来越重要。

出于安全和节能的原因，过热器蒸汽必须严格控制在适当的温度范围内，大多数研究都认为，过热器蒸汽温度应控制在正常工作温度±5℃的范围内，由于过热器内部管道具有复杂的结构，如附图1所示，过热器蒸汽温度会因为频繁造成的未知干扰而在一段时间内发生复杂的变化等原因，故过热器蒸汽温度的预测是一个非常困难且具有挑战的问题。

由于过热器蒸汽温度的非线性特点，目前的预测会采用一些机器学习和深度学习的方法，机器学习的方法有支持向量机(SVM)，随机森林(RF)，深度学习的方法有循环神经网络(RNN)，长短时记忆网络(LSTM)，门控循环单元(GRU)。

现有技术存在以下问题：由于锅炉过热器区域的温度会随时间的改变而改变，且不同的区域会有不同排列的空间关系，现有技术并不能很好的利用过热器区域温度的时间和空间依赖关系，故预测区域高低温存在较大误差，无法满足电厂锅炉过热器高低温预测的要求。

发明内容

为解决上述背景技术中提出的问题。本发明提供了一种基于深度学习方法的锅炉过热器区域高低温预测方法，具有不仅考虑过热器的时间依赖关系，而且考虑过热器的空间依赖关系，使预测区域高低温误差较小，能够较好满足电厂锅炉过热器高低温预测需求的特点。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习方法的锅炉过热器区域高低温预测方法，包括以下步骤：

S1：采集锅炉过热器不同时刻的现场参数实际样本数据；

S2：根据锅炉过热器内部管和频的排列结构划分若干等大小区域，并将不同区域作为结点构建成图；

S3：数据预处理，统计不同区域的现场参数实际样本数据，并将不同时刻的区域现场参数实际样本数据构造图的特征矩阵：

G＝(V,E)；

S4：计算图不同区域特征矩阵之间的RV相关系数；

S5：根据不同区域特征矩阵之间的RV相关系数大小确定图区域之间连接边的权重；

S6：构造两层的GCN模块，第一层的激活函数为ReLU，将区域连接图和不同时刻区域现场参数实际样本数据的特征矩阵输入GCN模块，GCN模块提取不同区域的空间特征，并将不同时刻的空间特征按照时序进行组合；

S7：根据步骤S6的结果，输入GRU模块进行不同时间间隔和步长的温度预测；

S8：根据不同时间间隔的温度预测评价指标的表现，选取评价指标最好的空间特征维数以及温度预测步长；