[發明專利]汽輪機初壓尋優方法、裝置、設備及存儲介質

在審

• 申請號: 202010720947.5
• 申請日: 2020-07-23
• 公開（公告）號: CN111859807A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 楊晶瑩;向杰;張廣濤;郭為民;朱峰;梁正玉
• 申請（專利權）人: 潤電能源科學技術有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06N3/12;G06F119/08;G06F119/14
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 關向蘭

1.一種汽輪機初壓尋優方法，其特征在于，所述汽輪機初壓尋優方法包括以下步驟：

獲取火電機組的運行歷史數據，從所述運行歷史數據中提取熱耗率并確定與所述熱耗率相關的熱耗率特征變量，構建熱耗率矩陣并進行歸一化處理，生成“輸入-輸出”矩陣，并按照預設比例將矩陣數據劃分為訓練集數據、驗證集數據和測試集數據；

根據所述訓練集數據和所述驗證集數據建立并訓練熱耗率神經網絡預測模型，采用遺傳算法結合所述測試集數據進行神經網絡結構尋優，確定最優熱耗率神經網絡預測模型；

確定所述火電機組在預設負荷下的運行區間及所述運行區間內任一初壓值對應的特征變量值，并生成特征變量矩陣，將所述特征變量矩陣帶入所述最優熱耗率神經網絡預測模型，預測不同初壓值對應的熱耗率值，采用遺傳算法進行汽輪機初壓尋優，確定最終初壓值，并將所述最終初壓值作為汽輪機初壓的尋優結果。

2.如權利要求1所述的汽輪機初壓尋優方法，其特征在于，所述獲取火電機組的運行歷史數據，從所述運行歷史數據中提取熱耗率并確定與所述熱耗率相關的熱耗率特征變量，構建熱耗率矩陣并進行歸一化處理，生成“輸入-輸出”矩陣，并按照預設比例將矩陣數據劃分為訓練集數據、驗證集數據和測試集數據，具體包括：

獲取火電機組的運行歷史數據，從所述運行歷史數據中提取熱耗率，并確定與所述熱耗率相關的熱耗率特征變量；

根據所述熱耗率和所述熱耗率特征變量構建熱耗率矩陣；

對所述熱耗率矩陣進行歸一化處理，生成“輸入-輸出”矩陣；

獲取所述“輸入-輸出”矩陣中的矩陣數據，并按照預設比例將所述矩陣數據劃分為訓練集數據、驗證集數據和測試集數據。

3.如權利要求1所述的汽輪機初壓尋優方法，其特征在于，所述根據所述訓練集數據和所述驗證集數據建立并訓練熱耗率神經網絡預測模型，采用遺傳算法結合所述測試集數據進行神經網絡結構尋優，確定最優熱耗率神經網絡預測模型，具體包括：

隨機生成多個樣本個體，根據所述樣本個體組建樣本尋優種群，并確定當前樣本個體；

根據所述當前樣本個體獲得隱含層層數和神經元個數，并搭建初始神經網絡模型，根據所述訓練集數據和所述驗證集數據對所述初始神經網絡模型進行訓練，獲得熱耗率神經網絡預測模型；

根據所述測試集數據和所述熱耗率神經網絡預測模型確定所述當前樣本個體對應的適應度值，采用遺傳算法結合所述適應度值進行神經網絡結構尋優，確定最優熱耗率神經網絡預測模型。

4.如權利要求3所述的汽輪機初壓尋優方法，其特征在于，所述隨機生成多個樣本個體，根據所述樣本個體組建樣本尋優種群，并確定當前樣本個體，具體包括：

隨機生成多個樣本個體，其中，每個樣本個體代表神經網絡隱含層層數和每層神經元個數的一組可行解；

根據所述樣本個體組建初始樣本尋優種群；

將所述初始樣本尋優種群作為當前樣本尋優種群，將所述當前樣本尋優種群中的樣本個體作為當前樣本個體。

5.如權利要求4所述的汽輪機初壓尋優方法，其特征在于，所述根據所述當前樣本個體獲得隱含層層數和神經元個數，并搭建初始神經網絡模型，根據所述訓練集數據和所述驗證集數據對所述初始神經網絡模型進行訓練，獲得熱耗率神經網絡預測模型，具體包括：

對所述當前樣本個體進行解碼，獲取解碼后的隱含層層數和神經元個數；

采用解碼后的隱含層層數和神經元個數搭建初始神經網絡模型，其中，所述初始神經網絡模型對應的神經網絡的輸入層神經元個數為所述熱耗率特征變量的個數，所述神經網絡的輸出層神經元個數為1；

根據所述訓練集數據和所述驗證集數據對所述初始神經網絡模型進行訓練，獲得熱耗率神經網絡預測模型。