[发明专利]一种基于残差记忆网络的凝汽器真空度预测方法

说明书

本发明公开了一种基于残差记忆网络的凝汽器真空度预测方法，包括：采集凝汽器相关的原始数据，对每一组原始数据划分成历史数据序列、被预测节点工况数据和被预测节点凝汽器真空度数据；利用长短时记忆网络将历史数据编码存入端到端残差记忆网络的记忆池中，将被预测节点工况数据编码作为端到端残差记忆网络的输入，将被预测节点凝汽器真空度数据作为端到端残差记忆网络的目标输出，训练端到端残差记忆网络，直至MSE损失函数收敛，完成对端到端残差记忆网络的训练；实时采集凝汽器相关的原始数据，输入训练好的端到端残差记忆网络中，预测出凝汽器真空度。本发明方法能够捕获历史数据中隐含的周期性特征、时序特征，具有更高的预测精度和稳定性。

技术领域

本发明涉及火电厂设备运行优化技术领域，具体地，涉及为一种基于残差记忆网络的凝汽器真空度预测方法。

背景技术

凝汽器作为火电厂汽轮机的主要辅助设备，凝汽器真空度直接反映了凝汽器的工作运行状态，通过建立模型实现对凝汽器真空度的实时监测，可以根据凝汽器真空度判断系统是否发生故障，为及时处理故障提供依据，对保证机组的安全运行起着非常重要的作用。

不论在凝汽器的热力设计中还是在汽轮机冷端设备运行时，都要求凝汽器真空度有一个最佳值，对其进行严格监控是每个电厂的工作重点。具体地说，凝汽器真空度增加，机组出力增大，但循环水泵、真空泵的耗功也同时增大，当汽轮机功率与循环水泵和真空泵功率之差有极大值时，这时的凝汽器真空度称为最佳真空度状态。凝汽器真空度主要受到循环水流量，凝汽器进出口循环水温度、压力，循环水泵电流等诸多因素影响，且影响关系较为复杂。因此，需要通过建立凝汽器真空度预测模型指导对凝汽器的优化控制，在保障机组运行的安全稳定的同时，使其更加经济高效。

凝汽器真空度预测方法主要包括三类：物理方法、统计方法和人工智能方法。

很多学者从动态特性、影响因素、应达到值的确定方法及故障诊断等诸多方面对真空度问题进行专门研究，在描述真空度与参数间数学关系过程中，不仅涉及了饱和蒸汽理论、热平衡方程等分析的“白箱问题”，也包含了很多“黑箱建模”的经验公式。凝汽器在实际工作中处于变工况运行状态，使得各因素的影响程度又随之发生变化。

目前，应用统计方法或人工神经网络进行凝汽器真空建模，并结合随机优化算法对凝汽器真空优化控制已成为获得凝汽器最佳真空的一种新方法。例如：基于集成学习的凝汽器真空度预测模型、基于改进果蝇算法优化SVM的凝汽器真空预测以及应用PSO算法改进Elman神经网络的双压凝汽器真空预测。通过将凝汽器真空度预测任务定义为时间序列建模任务，人工智能方法可以利用支持向量机、深度神经网络等模型，对大量历史数据进行建模，用于预测未来的凝汽器真空度。目前已有的真空度预测方法中，一些基于支持向量机或Elman神经网络的预测方法通过结合粒子群优化算法对神经网络的权值和阈值进行更优的初始化，取得了比一般的BP神经网络更好的效果，但是这些方法仍然没有考虑到真空度预测任务的时间序列关联性，无法正确地建模历史数据与预测节点的关联性。另外一些基于LSTM网络的方法，虽然尝试从真空度预测任务的历史时间序列中提取有效的信息，但是LSTM会随着时间序列长度的增加，逐渐遗忘过早的序列信息，造成信息的大量丢失。

发明内容

为了克服现有技术中存在的不足，本发明提供了一种基于残差记忆网络的凝汽器真空度预测方法，该预测方法基于数据的特征相关性和凝汽器相关的专业知识来筛选数据特征，首先利用长短时记忆网络LSTM获得历史数据序列的编码向量并存入残差记忆网络的记忆池中，然后编码被预测节点的工况数据作为端到端残差记忆网络的输入，通过端到端残差记忆网络MemN2N对凝汽器的真空度进行预测。

为实现上述目的，本发明采用的技术方案为：一种基于残差记忆网络的凝汽器真空度预测方法，包括以下步骤：

步骤S1、采集凝汽器相关的若干组原始数据，根据数据相关性以及凝汽器的专业知识对每一组原始数据进行筛选并进行归一化处理后，划分成历史数据序列、被预测节点工况数据和被预测节点凝汽器真空度数据；