技术特征：
1.一种基于ga-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于其包括如下步骤：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。2.根据权利要求1所述的基于ga-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于在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。3.根据权利要求2所述的基于ga-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于采集的参数包括负荷p
*
、综合阀位指令r
f
、主蒸汽流量q1、主蒸汽压力p、主蒸汽温度t、调节级压力p
a
、高压缸排汽压力p
c
、高压缸排汽温度t
c
、再热蒸汽压力p
d
、再热蒸汽温度t
d
。4.根据权利要求1所述的基于ga-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于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；将综合阀位指令r
f
、主蒸汽压力p、调节级压力p
a
作为模型的输入变量构成输入向量x(k)＝[r
f
,p,p
a
]，将汽轮机的实际进汽量q作为模型的输出变量y(k)＝[q]。5.根据权利要求4所述的基于ga-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于汽轮机的实际进汽量计算方法如下：式2中p
a0
为额定的调节级压力、p
a
为调节级压力、p
c0
为额定的高压缸排汽压力、p
c
为高压缸排汽压力、t
c0
为额定的高压缸排汽温度、t
c
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
。6.根据权利要求1所述的基于ga-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于基于lstm的汽轮机阀门流量特性函数优化模型的构建步骤如下：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；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,x5……
x
t-1
,x
t
)，隐藏层的状态h＝(h1,h2,h3,h4,h5……
h
t-1
,h
t
)，其输出向量为y＝(y1,y2,y3,y4,y5……
y
t-1
,y
t
)；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r
f
、主蒸汽压力p、调节级压力p
a
作为模型的输入变量x(k)＝[r
f
,p,p
a
]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。7.根据权利要求6所述的基于ga-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于在s320中各个单元门控的计算方法具体如下：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。8.根据权利要求6所述的基于ga-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于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：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；s420：用s200所确定的验证集数据d
test
中的综合阀位指令r
f
、主蒸汽压力p、调节级压力p
a
作为输入变量，即x(k)＝[r
f
,p,p
a
]，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：式4中，f
i
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，q
n
为验证集数据d
test
的汽轮机进汽量的真实值；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；s440:计算种群内个体的适应度f
i
，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；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r
f
、主蒸汽压力p、调节级压力p
a
，即x(k)＝[r
f
,p,p
a
]，其模型的输出变量为汽轮机的进汽量q，即y(k)＝[q]。9.根据权利要求8所述的基于ga-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于在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]。10.根据权利要求8所述的基于ga-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于在s430中，轮盘赌选择法具体方法如下：s431：计算个体被选择的概率其公式如下：式中n为群体大小，f
i
为个体的适应度，p
i
为个体i被选择的概率，在第t代计算和s432：产生一个{0,1}的随机数rand()，求出s＝rand()*f
sum
；s433：再求出中最小的k,则表示第k个个体被选中；s434：进行n次s432、s433，得到n个个体，成为第t＝t+1代种群。
技术总结
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，包括如下步骤采集历史运行数据；确定数据的训练集和验证集；构建基于LSTM的汽轮机阀门流量特性函数优化模型；构建基于GA-LSTM神经网络的汽轮机阀门流量特性模型；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；本发明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。持。持。
技术研发人员：金飞 郝晓光 殷喆 李剑锋 杨春来 马瑞
受保护的技术使用者：国家电网有限公司 国网河北能源技术服务有限公司
技术研发日：2021.09.14
技术公布日：2022/1/21