[發明專利]一種基于過熱器壁溫預測的多目標粒子群配煤方法

在審

• 申請號: 202310086818.9
• 申請日: 2023-02-01
• 公開（公告）號: CN116307507A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 陳思勤;朱凱;王學海;談俊杰;張輝;王銘忠;劉偉;沈玉華;茅大鈞
• 申請（專利權）人: 華能國際電力股份有限公司上海石洞口第二電廠;上海電力大學
• 主分類號: G06Q10/0631
• 分類號: G06Q10/0631;G06Q10/04;G06Q50/06;G06N3/006
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 邱月華

1.一種基于過熱器壁溫預測的多目標粒子群配煤方法，其特征在于，包括：

采集過熱器歷史管壁溫度數據，對所述數據進行數據處理并劃分訓練集與測試集；

利用DeepAR時間序列預測算法建立過熱器壁溫預測模型，并利用狀態參數訓練所述過熱器壁溫預測模型；

利用平均絕對誤差、均方根誤差和擬合優度評價所述過熱器壁溫預測模型的預測結果，并結合所述預測結果和煤質指標數據構建安全性、經濟性和環保性目標函數；

利用多目標粒子群算法優化所述目標函數，并對優化結果提取非支配解形成pareto解集，解碼所述解集獲取配煤方案。

2.如權利要求1所述的基于過熱器壁溫預測的多目標粒子群配煤方法，其特征在于：所述數據處理并劃分訓練集與測試集，包括：從火電企業SIS系統中選取某時間段其中包含若干個測點的過熱器歷史運行數據集；對所述數據集進行數據清洗、缺失值處理、數據標準化和歸一化處理，并將前60％的數據作為訓練集，剩余40％的數據作為測試集。

3.如權利要求1或2所述的基于過熱器壁溫預測的多目標粒子群配煤方法，其特征在于：所述利用DeepAR時間序列預測算法建立過熱器壁溫預測模型，包括：基于給定的過去時間序列和協變量X_i,1:T建立未來時間序列，并對其條件概率分布進行建模，進而獲取過熱器壁溫預測結果；

其中，過去時間序列表示為：

未來時間序列表示為：

條件概率分布公式表示為：

式中，z_i,t表示時間序列i在時間t處的值，t₀表示時間劃分點。

4.如權利要求3所述的基于過熱器壁溫預測的多目標粒子群配煤方法，其特征在于：所述對其條件概率分布進行建模，包括：

假設模型分布公式表示為：

將所述模型分布公式轉化為似然形式，表示為：

h_i,t＝H(h_i,t-1,z_i,t-1,X_i,t,Θ)

式中，l表示似然函數；θ表示似然函數l的參數；H表示包含LSTM的多層循環網絡；Θ表示網絡結構參數；h_i,t表示隱藏層輸出；

基于過熱器壁溫數據服從高斯分布的屬性構建似然函數為：

式中：W_μ、W_σ表示權重矩陣；b_μ、b_σ表示偏置矩陣；μ(h_i,t)表示高斯分布函數的均值；σ(h_i,t)表示高斯分布函數的標準差。

5.如權利要求4所述的基于過熱器壁溫預測的多目標粒子群配煤方法，其特征在于：所述利用狀態參數訓練過熱器壁溫預測模型，包括：訓練階段，DeepAR輸入上一時間的隱藏層h_i,t-1，目標值z_i,t-1以及當前時間的協變量X_i,t和模型參數Θ，就能得到當前時間的隱藏層輸出h_i,t，從而計算似然函數l(Z∣θ)的參數θ_i,t＝θ(h_i,t,Θ)，最后通過對數似然概率最大化來學習得出最佳模型參數Θ，其中，對數似然表示為：

在預測階段，每個時間點t運用蒙特卡洛采樣得到將這個采樣值輸入到下一個時間點，通過不斷重復此過程，就可以得到t₀～t₀+T這一段時間的采樣值，利用采樣值計算目標值。