基于GA-LSTM的汽轮机阀门流量特性函数的优化方法与流程

基于ga-lstm的汽轮机阀门流量特性函数的优化方法
技术领域
1.本发明涉及一种基于ga-lstm的汽轮机阀门流量特性函数的优化方法。


背景技术：

2.随着社会经济的不断进步，电器在人们的生活中占据了重要地位，人们的用电量也随之提高。这也就要求电厂必须提供高质量的稳定的电能来保证人们的生活需要。电网频率是影响电能质量的重要因素，一次调频也是维持电网频率稳定的重要手段。而汽轮机的阀门流量特性不理想会影响一次调频的精确度，导致阀门的流量特性线性度变差，所以为提高一次调频的精度和水平，对阀门的流量特性曲线进行修正与优化有着重要的意义。
3.遗传算法(genetic algorithm,ga)是模拟自然界生物进化机制的一种算法，模拟自然的进化引入了染色体、种群、子代、父代等概念。它经常应用于求解全局最优问题，对全局进行搜索避免其他算法应用梯度下降容易陷入局部最优解的问题。
4.长短期记忆(long short-term memory,lstm)神经网络是是一种对循环神经网络的改进网络，可以有效的避免普通神经网络当中的梯度消失与梯度爆炸问题。lstm网络结构当中添加了叫做记忆单元的结构来记忆过去的信息，并且增加输入门、遗忘门和输出门来控制对历史信息的传递。


技术实现要素：

5.本发明所要解决的技术问题是提供一种基于ga-lstm的汽轮机阀门流量特性函数的优化方法，优化汽轮机综合阀位指令与实际进汽量之间的关系得到最佳的汽轮机阀门流量特性曲线，为汽轮机阀门流量特性分析及其参数优化提供支持。
6.本发明所采用的技术方案是：
7.一种基于ga-lstm的汽轮机阀门流量特性函数的优化方法，其包括如下步骤：s100：采集历史运行数据；s200：确定数据的训练集和验证集；s300：构建基于lstm的汽轮机阀门流量特性函数优化模型；s400：使用ga算法确定lstm模型的最优参数，构建基于ga-lstm神经网络的汽轮机阀门流量特性模型；s500：通过ga-lstm神经网络的汽轮机阀门流量特性模型的优化，并绘制优化后的汽轮机阀门流量特性曲线。
8.进一步的，在s100在采集历史数据时，在全年选择时间跨度为4个月的历史运行数据，数据采样时间间隔为5s。
9.进一步的，采集的参数包括负荷p
*
、综合阀位指令rf、主蒸汽流量q1、主蒸汽压力p、主蒸汽温度t、调节级压力pa、高压缸排汽压力pc、高压缸排汽温度tc、再热蒸汽压力pd、再热蒸汽温度td。
10.进一步的，s200中，将采集到的数据进行归一化处理将样本映射到[0,1]之间，得到数据集d，其归一化公式为
[0011][0012]
式1中x
※
为归一化后的数据，x
min
、x
max
为采集到数据的最小值与最大值，x为原始样
本数据；
[0013]
将综合阀位指令rf、主蒸汽压力p、调节级压力pa作为模型的输入变量构成输入向量x(k)＝[rf,p,pa]，将汽轮机的实际进汽量q作为模型的输出变量y(k)＝[q]。
[0014]
进一步的，汽轮机的实际进汽量计算方法如下：
[0015][0016]
式2中p
a0
为额定的调节级压力、pa为调节级压力、p
c0
为额定的高压缸排汽压力、pc为高压缸排汽压力、t
c0
为额定的高压缸排汽温度、tc为高压缸排汽温度，将通过式1标准化后的数据每个月随机选择20天作为训练集数据d
train
，每个月剩余10或11天作为验证集数据d
test
。
[0017]
进一步的，基于lstm的汽轮机阀门流量特性函数优化模型的构建步骤如下：
[0018]
s310：初始化lstm神经网络的网络结构、隐藏层层数和输出层的层数，初始化训练步长；设置lstm神经网络输入层到隐藏层的连接矩阵u、隐藏层到隐藏层的连接矩阵w、隐藏层到输出层的连接权重v均为随机的实数；
[0019]
s320：设置lstm神经网络的激活函数，设置输入门i
t
、遗忘门f
t
和输出门o
t
，单元状态激活函数为tanh函数，神经网络的输入向量为x＝(x1,x2,x3,x4,x5ꢀ……ꢀ
x
t-1
,x
t
)，隐藏层的状态h＝(h1,h2,h3,h4,h5ꢀ……ꢀht-1
,h
t
)，其输出向量为y＝(y1,y2,y3,y4,y5ꢀ……ꢀyt-1
,y
t
)；
[0020]
s330：将s200中经过预处理的训练集数据d
train
中的综合阀位指令rf、主蒸汽压力p、调节级压力pa作为模型的输入变量x(k)＝[rf,p,pa]和汽轮机的实际进汽量q作为模型的输出变量y(k)＝[q]分别送入s310和s320所初始化的lstm神经网络模型，得到基于lstm的汽轮机阀门流量特性函数优化模型。
[0021]
进一步的，在s320中各个单元门控的计算方法具体如下：
[0022][0023]
式3中i
t
为输入门主要决定保留多少当前信息输入到当前时刻的单元中，f
t
为遗忘门主要用于决定保留上一时刻的单元状态c
t-1
信息到当前时刻单元状态c
t
中，o
t
输出门主要用来决定当前时刻的单元状态有多少的输出；
[0024]
式h
t
＝o
t
·
tanh(c
t
)表示为网络的最终输出，为当前输入的单元状态。
[0025]
进一步的，s400中构建基于ga-lstm神经网络的汽轮机阀门流量特性模型的具体步骤如下：
[0026]
s410:初始化种群的各个参数，将lstm网络中的隐藏层神经元数目m、学习率lr和训练次数n作为ga算法的初始化对象；
[0027]
s420：用s200所确定的验证集数据d
test
中的综合阀位指令rf、主蒸汽压力p、调节级压力pa作为输入变量，即x(k)＝[rf,p,pa]，导入到s330所建立的基于lstm的汽轮机阀门流
量特性函数优化模型当中，可以得到该模型的输出值量特性函数优化模型当中，可以得到该模型的输出值表示汽轮机进汽量的一个网络模型预估值，并将与验证集数据d
test
中的汽轮机的实际进汽量q之间的均方根误差作为个体适应度的大小，适应度函数的选择直接影响对于汽轮机阀门流量特性优化的效果，且适应度函数定义如下：
[0028][0029]
式4中，fi为适应度函数值，n为验证集数据d
test
的数据总量，为lstm网络模型输出的汽轮机进汽量的网络预测值，qn为验证集数据d
test
的汽轮机进汽量的真实值；
[0030]
s430：采用轮盘赌选择法作为ga的选择策略在当前种群中选择适应性比较好的个体作为亲本，并将遗传信息传递给子代进行选择处理；使用洗牌交叉算法作为交叉算子使用，在交叉之前在父代利用随机排序函数进行洗牌运算；使用rand()算法在(0,1)之间产生随机数小于所给变异率大小则进行变异；
[0031]
s440:计算种群内个体的适应度fi，适应度计算函数在s430中，遗传算法中适应度越小，则越应该保留该个体，否则会淘汰该个体，如果不符合遗传终止条件则返回到s430，若符合该遗传算法的终止条件，则将ga算法求出的最优参数作为lstm网络模型的隐藏层神经元数目m、学习率lr和训练次数n；
[0032]
s450：将s440所得到的最优参数隐藏层神经元数目m、学习率lr和训练次数n带入到网络当中，得到优化过后的基于ga-lstm的汽轮机阀门流量特性优化的模型，其模型的输入变量为综合阀位指令rf、主蒸汽压力p、调节级压力pa，即x(k)＝[rf,p,pa]，其模型的输出变量为汽轮机的进汽量q，即y(k)＝[q]。
[0033]
进一步的，在s410中，设置隐藏层神经元m的区间范围为[10,50],学习率lr的区间范围为[0.001,0.1],训练次数n的区间范围为[500,5000]。
[0034]
进一步的，在s430中，轮盘赌选择法具体方法如下：
[0035]
s431：计算个体被选择的概率其公式如下：
[0036][0037]
式中n为群体大小，fi为个体的适应度，pi为个体i被选择的概率，在第t代计算和
[0038]
s432：产生一个{0,1}的随机数rand()，求出s＝rand()*f
sum
；
[0039]
s433：再求出中最小的k,则表示第k个个体被选中；
[0040]
s434：进行n次s432、s433，得到n个个体，成为第t＝t+1代种群。
[0041]
本发明的积极效果为：本发明相较于传统的优化方法来说避免了耗时较长的阀门流量特性试验，减轻了工作人员的工作量，通过对海量历史数据的深度学习得到最优拟合函数，进而优化汽轮机综合阀位指令与实际进汽量之间的关系得到最佳的汽轮机阀门流量特性曲线，为汽轮机阀门流量特性分析及其参数优化提供支持。
[0042]
本发明提出使用ga-lstm网络模型，通过对海量历史数据进行深度学习建立汽轮
机阀门流量特性模型，进而优化汽轮机综合阀位指令与实际进汽量之间的关系，避免了传统在电厂通过现场流量特性试验来获取汽轮机调节阀流量特性所存在的试验条件苛刻、精度低、机组停机等问题，为汽轮机阀门流量特性优化提供了一种准确、适应性强、快速的优化方法。由步骤s100和步骤s200可知本发明是基于火电机组海量历史运行数据进行数据挖掘获取机组运行信息，并在此基础上实现对机组的阀门流量特性参数优化，因此避免了传统试验对参数优化过程中受机组负荷运行范围限制的弊端。步骤s300所建立的基于lstm的汽轮机阀门流量特性函数优化模型，由于lstm网络引入了遗忘门可以充分考虑火电机组历史数据的时序特性，相比于传统的建模方法有着更高的建模精确度。为保证建模精度，步骤s400提出使用ga算法优化lstm网络模型的隐藏层神经元数目m、学习率lr和训练次数n，避免因传统lstm网络依据经验选取模型参数而导致低精度、低效率等问题，提高汽轮机阀门流量特性模型精度。
附图说明
[0043]
图1为本发明步骤流程图；
[0044]
图2为本发明系统流程图。
具体实施方式
[0045]
如附图1、2所示，本发明包括如下步骤：
[0046]
步骤1：对历史运行数据的采集。通过火力发电厂的分散控制系统获取大量的机组历史运行数据。在全年选择时间跨度为4个月(每季度选择一月)的历史运行数据，数据采样时间间隔为5s，在这个采集数据时间跨度范围内每月应包含不少于10次的较大幅度的升、降负荷的数据且在此范围内火力发电机组无故障或者停机过程。采集的主要参数包括负荷p
*
、综合阀位指令rf、主蒸汽流量q1、主蒸汽压力p、主蒸汽温度t、调节级压力pa、高压缸排汽压力pc、高压缸排汽温度tc、再热蒸汽压力pd、再热蒸汽温度td；
[0047]
步骤2：将采集到的数据进行归一化处理将样本映射到[0,1]之间，得到数据集d。其归一化公式为
[0048][0049]
式1中x
*
为归一化后的数据，x
min
、x
max
为采集到数据的最小值与最大值，x为原始样本数据；
[0050]
将综合阀位指令rf、主蒸汽压力p、调节级压力pa作为模型的输入变量构成输入向量x(k)＝[rf,p,pa]，将汽轮机的实际进汽量q作为模型的输出变量y(k)＝[q]。汽轮机的实际进汽量计算方法如下：
[0051][0052]
式2中p
a0
为额定的调节级压力、pa为调节级压力、p
c0
为额定的高压缸排汽压力、pc为高压缸排汽压力、t
c0
为额定的高压缸排汽温度、tc为高压缸排汽温度。将通过式1标准化后的数据每个月随机选择20天作为训练集数据d
train
，每个月剩余10或11天作为验证集数据d
test
；
[0053]
步骤3：构造lstm神经网络的模型，其具体模型构建步骤如下：
[0054]
步骤3-1：初始化lstm神经网络的网络结构、隐藏层层数和输出层的层数，初始化训练步长。设置lstm神经网络输入层到隐藏层的连接矩阵u、隐藏层到隐藏层的连接矩阵w、隐藏层到输出层的连接权重v均为随机的实数；
[0055]
步骤3-2：设置lstm神经网络的激活函数，设置输入门i
t
、遗忘门f
t
和输出门o
t
，单元状态激活函数为tanh函数，神经网络的输入向量为x＝(x1,x2,x3,x4,x5ꢀ……ꢀ
x
t-1
,x
t
)，隐藏层的状态h＝(h1,h2,h3,h4,h5ꢀ……ꢀht-1
,h
t
)，其输出向量为y＝(y1,y2,y3,y4,y5ꢀ……ꢀyt-1
,y
t
)，其各个单元门控的计算方法具体如下：
[0056][0057]
式3中i
t
为输入门主要决定保留多少当前信息输入到当前时刻的单元中，f
t
为遗忘门主要用于决定保留上一时刻的单元状态c
t-1
信息到当前时刻单元状态c
t
中，o
t
输出门主要用来决定当前时刻的单元状态有多少的输出。式h
t
＝o
t
·
tanh(c
t
)表示为网络的最终输出，为当前输入的单元状态。
[0058]
步骤3-3：将步骤2中经过预处理的训练集数据d
train
中的综合阀位指令rf、主蒸汽压力p、调节级压力pa作为模型的输入变量x(k)＝[rf,p,pa]和汽轮机的实际进汽量q作为模型的输出变量y(k)＝[q]分别送入步骤3-1和步骤3-2所初始化的lstm神经网络模型，可以得到基于lstm的汽轮机阀门流量特性函数优化模型；
[0059]
步骤4：构造遗传网络模型及使用ga算法优化lstm神经网络其具体模型构建步骤如下：
[0060]
步骤4-1：初始化种群的各个参数，将lstm网络中的隐藏层神经元数目m、学习率lr和训练次数n作为ga算法的初始化对象。设置隐藏层神经元m的区间范围为[10,50],学习率lr的区间范围为[0.001,0.1],训练次数n的区间范围为[500,5000]；
[0061]
步骤4-2：用步骤2所确定的验证集数据d
test
中的综合阀位指令rf、主蒸汽压力p、调节级压力pa作为输入变量，即x(k)＝[rf,p,pa]，导入到步骤3-3所建立的基于lstm的汽轮机阀门流量特性函数优化模型当中，可以得到该模型的输出值阀门流量特性函数优化模型当中，可以得到该模型的输出值表示汽轮机进汽量的一个网络模型预估值，并将与验证集数据d
test
中的汽轮机的实际进汽量q之间的均方根误差作为个体适应度的大小，适应度函数的选择直接影响对于汽轮机阀门流量特性优化的效果，且适应度函数定义如下：
[0062][0063]
式4中，fi为适应度函数值，n为验证集数据d
test
的数据总量，为lstm网络模型输出的汽轮机进汽量的网络预测值，qn为验证集数据d
test
的汽轮机进汽量的真实值；
[0064]
步骤4-3：采用轮盘赌选择法作为ga的选择策略在当前种群中选择适应性比较好
的个体作为亲本，并将遗传信息传递给子代进行选择处理。使用洗牌交叉算法作为交叉算子使用，在交叉之前在父代利用随机排序函数进行洗牌运算。使用rand()算法在(0,1)之间产生随机数小于所给变异率大小则进行变异。其中轮盘赌选择法具体方法如下：
[0065]
步骤4-3-1：计算个体被选择的概率其公式如下：
[0066][0067]
式中n为群体大小，fi为个体的适应度，pi为个体i被选择的概率。在第t代计算和
[0068]
步骤4-3-2：产生一个{0,1}的随机数rand()，求出s＝rand()*f
sum
；
[0069]
步骤4-3-3：再求出中最小的k,则表示第k个个体被选中；
[0070]
步骤4-3-4：进行n次步骤4-3-2、步骤4-3-3，得到n个个体，成为第t＝t+1代种群。
[0071]
步骤4-4：计算种群内个体的适应度fi，适应度计算函数在步骤4-2中，遗传算法中适应度越小，则越应该保留该个体，否则会淘汰该个体，如果不符合遗传终止条件则返回到步骤4-3，若符合该遗传算法的终止条件，则将ga算法求出的最优参数作为lstm网络模型的隐藏层神经元数目m、学习率lr和训练次数n；
[0072]
步骤4-5：将步骤4-4所得到的最优参数隐藏层神经元数目m、学习率lr和训练次数n带入到网络当中，得到优化过后的基于ga-lstm的汽轮机阀门流量特性优化的模型，其模型的输入变量为综合阀位指令rf、主蒸汽压力p、调节级压力pa，即x(k)＝[rf,p,pa]，其模型的输出变量为汽轮机的进汽量q，即y(k)＝[q]；
[0073]
步骤5：通过步骤3和步骤4得到基于ga-lstm的汽轮机阀门流量特性函数优化的模型，通过此模型可以得到输入变量x(k)＝[rf,p,pa]经非线性变换得到汽轮机进汽量q之间的映射关系，即最优拟合函数因此可以得到模型优化出的输出变量汽轮机进汽量将优化出的汽轮机进汽量作为纵坐标与综合阀位指令rf作为横坐标绘制汽轮机阀门流量特性曲线，可以得到经ga-lstm网络模型优化过后的汽轮机阀门流量特性曲线。
[0074]
本发明提出基于ga-lstm的汽轮机阀门流量特性函数的优化方法，在此方法当中包括对数据的采集、输入输出变量的确定、利用ga优化lstm网络参数、ga-lstm网络模型的构建和阀门流量特性函数优化。本方法提出利用机组的历史运行数据，由综合阀位指令、主蒸汽压力、调节级压力、汽轮机实际进汽流量参数来组成输入输出变量集合，并使用ga算法对lstm网络的关键超参数进行寻优处理，得到lstm网络中的神经元个数、学习率和训练次数的最优组合，构建ga-lstm网络模型来优化阀门流量特性函数。本发明对于提高一次调频的精确度和汽轮机的安全稳定运行有着重要的意义。