[發明專利]一種基于大數據的主蒸汽溫度智能預測方法

在審

• 申請號: 202011240988.0
• 申請日: 2020-11-09
• 公開（公告）號: CN112365045A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 吳周晶;歸一數
• 申請（專利權）人: 上海明華電力科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q10/06
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 應小波

1.一種基于大數據的主蒸汽溫度智能預測方法，其特征在于，該方法包括：

首先，從機組運行數據及系統特點分析出發，綜合應用主元分析、改進的灰色關聯分析技術確定主蒸汽溫度變化的主要因素；

其次，基于LSTM長短期記憶神經網絡算法建立主蒸汽溫度預測模型；

最后，運用SIS中歷史和實時的分段負荷數據對主蒸汽溫度進行預測。

2.根據權利要求1所述的一種基于大數據的主蒸汽溫度智能預測方法，其特征在于，所述的方法具體包括以下步驟：

步驟1)首先從機組所有過程控制參數的SIS數據中選取多個相關的潛在模型輸入變量，計算各變量之間的皮爾遜相關系數，找到與主蒸汽溫度相關的變量，同時標注相關性高的變量，然后應用主元分析法降低輸入變量維度，最后再使用改進的灰色關聯分析法，選取主蒸汽溫度預測模型的最終輸入變量；

步驟2)在線獲取SIS最近一段時間t1的原始數據，對這些數據進行預處理，將機組負荷按照不同負荷段進行分段，在每一段分段負荷中，根據預處理后的數據劃分成訓練集和測試集，以訓練集數據建立輸出為主蒸汽溫度的分段LSTM子神經網絡模型，將測試集數據輸入到主蒸汽溫度預測模型中，比較與實際值的偏差，判斷模型是否能滿足預測要求，如果不滿足要求，則進行調參；

步驟3)調節各負荷段的LSTM子神經網絡的參數，調節后重新輸入訓練數據構建新的神經網絡模型，使得模型滿足預測要求并保存模型；

步驟4)根據當前機組功率，將在線SIS實時輸入數據輸入各負荷段的LSTM子神經網絡模型中，預測t2時間后的主蒸汽溫度。

3.根據權利要求2所述的一種基于大數據的主蒸汽溫度智能預測方法，其特征在于，所述的主元分析法，用于刪去重復的變量，同時將這些多個變量進行降維處理，采用用于度量連續變量之間線性相關強度的皮爾遜相關系數r，其值介于-1與1之間；0＝＜|r|＜＝0.3，低相關；0.3＝＜|r|＜＝0.8，中度相關；0.8＝＜|r|＜＝1，高度相關。

4.根據權利要求2所述的一種基于大數據的主蒸汽溫度智能預測方法，其特征在于，所述的改進的灰色關聯分析法具體為：

參考數據列常記為x₀，記第1個時刻的值為x₀(1)，第2個時刻的值為x₀(2)，第k個時刻的值為x₀(k)；參考序列x₀可表示為x₀＝(x₀(1)，x₀(2)，…x₀(n))，關聯分析中被比較數列常記為x₁，x₂，…，x_k，類似參考序列x₀的表示方法，有x₁＝(x₁(1)，x₁(2)，…x₁(n))…x_k＝(x_k(1)，x_k(2)，…x_k(n))；

對于一個參考數據列x₀，有幾個比較數列x₁，x₂，…，x_n的情況，應采用均值化方法對數據進行無量綱化處理，用下述關系表示各比較曲線與參考曲線在各點或時刻的差；

式中，ξ_i(k)是第k個時刻比較曲線x_i與參考曲線x₀的相對差值，它稱為x_i對x₀在k時刻的關聯系數，其中，0.5是分辨系數，記為ζ，在0與1之間選取；

在改進的灰色關聯分析法中，對參與比較的兩個數據列的灰色關聯系數進行加權計算。

5.根據權利要求2所述的一種基于大數據的主蒸汽溫度智能預測方法，其特征在于，所述的主蒸汽溫度預測模型的最終輸入變量包括：過熱減溫水流量、各級過熱器減溫器前進口蒸汽溫度、給水溫度、主汽壓力、各二次風擋板位置反饋、水煤比、各磨煤機一次風量、各磨煤機給煤量以及機組功率。