【技术实现步骤摘要】
汽轮机初压寻优方法、装置、设备及存储介质
本专利技术涉及火力发电
，尤其涉及一种汽轮机初压寻优方法、装置、设备及存储介质。
技术介绍
通常情况下，受环境和火电机组自身因素的影响，火电机组都不会运行在设计工况下，而是偏离额定或者经济工况运行，这也就意味着火电机组的循环效率降低，提高火电机组的热经济性，就要求火电机组在不同负荷工况下的运行状态最佳，就是要确定火电机组在变工况条件下的最优蒸汽压力(即汽轮机初压)，对于给定负荷，均能对应一个初压优化区间，在此区间范围内的每一个初压值均对应不同的机组热耗率，而热耗率最小时对应的主蒸汽压力，即为最优初压，找到火电机组在不同负荷下的最优初压对提高火电机组热经济性和节能降耗具有重要意义。目前常用的火电机组汽轮机初压寻优方法有理论寻优方法和试验寻优方法，但是，理论寻优法需要采用质量和能量平衡方程建立复杂的机组全工况理论计算模型，不仅计算量大，而且热耗率计算过程中对某些参数的线性化处理和经验拟合也使得模型精度不高，难于实际推广，而试验寻优方法虽然便于实施，但是出于试验成本考虑，典型...
【技术保护点】
1.一种汽轮机初压寻优方法，其特征在于，所述汽轮机初压寻优方法包括以下步骤：/n获取火电机组的运行历史数据，从所述运行历史数据中提取热耗率并确定与所述热耗率相关的热耗率特征变量，构建热耗率矩阵并进行归一化处理，生成“输入-输出”矩阵，并按照预设比例将矩阵数据划分为训练集数据、验证集数据和测试集数据；/n根据所述训练集数据和所述验证集数据建立并训练热耗率神经网络预测模型，采用遗传算法结合所述测试集数据进行神经网络结构寻优，确定最优热耗率神经网络预测模型；/n确定所述火电机组在预设负荷下的运行区间及所述运行区间内任一初压值对应的特征变量值，并生成特征变量矩阵，将所述特征变量矩阵...
【技术特征摘要】
1.一种汽轮机初压寻优方法，其特征在于，所述汽轮机初压寻优方法包括以下步骤：
获取火电机组的运行历史数据，从所述运行历史数据中提取热耗率并确定与所述热耗率相关的热耗率特征变量，构建热耗率矩阵并进行归一化处理，生成“输入-输出”矩阵，并按照预设比例将矩阵数据划分为训练集数据、验证集数据和测试集数据；
根据所述训练集数据和所述验证集数据建立并训练热耗率神经网络预测模型，采用遗传算法结合所述测试集数据进行神经网络结构寻优，确定最优热耗率神经网络预测模型；
确定所述火电机组在预设负荷下的运行区间及所述运行区间内任一初压值对应的特征变量值，并生成特征变量矩阵，将所述特征变量矩阵带入所述最优热耗率神经网络预测模型，预测不同初压值对应的热耗率值，采用遗传算法进行汽轮机初压寻优，确定最终初压值，并将所述最终初压值作为汽轮机初压的寻优结果。
2.如权利要求1所述的汽轮机初压寻优方法，其特征在于，所述获取火电机组的运行历史数据，从所述运行历史数据中提取热耗率并确定与所述热耗率相关的热耗率特征变量，构建热耗率矩阵并进行归一化处理，生成“输入-输出”矩阵，并按照预设比例将矩阵数据划分为训练集数据、验证集数据和测试集数据，具体包括：
获取火电机组的运行历史数据，从所述运行历史数据中提取热耗率，并确定与所述热耗率相关的热耗率特征变量；
根据所述热耗率和所述热耗率特征变量构建热耗率矩阵；
对所述热耗率矩阵进行归一化处理，生成“输入-输出”矩阵；
获取所述“输入-输出”矩阵中的矩阵数据，并按照预设比例将所述矩阵数据划分为训练集数据、验证集数据和测试集数据。
3.如权利要求1所述的汽轮机初压寻优方法，其特征在于，所述根据所述训练集数据和所述验证集数据建立并训练热耗率神经网络预测模型，采用遗传算法结合所述测试集数据进行神经网络结构寻优，确定最优热耗率神经网络预测模型，具体包括：
随机生成多个样本个体，根据所述样本个体组建样本寻优种群，并确定当前样本个体；
根据所述当前样本个体获得隐含层层数和神经元个数，并搭建初始神经网络模型，根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练，获得热耗率神经网络预测模型；
根据所述测试集数据和所述热耗率神经网络预测模型确定所述当前样本个体对应的适应度值，采用遗传算法结合所述适应度值进行神经网络结构寻优，确定最优热耗率神经网络预测模型。
4.如权利要求3所述的汽轮机初压寻优方法，其特征在于，所述随机生成多个样本个体，根据所述样本个体组建样本寻优种群，并确定当前样本个体，具体包括：
随机生成多个样本个体，其中，每个样本个体代表神经网络隐含层层数和每层神经元个数的一组可行解；
根据所述样本个体组建初始样本寻优种群；
将所述初始样本寻优种群作为当前样本寻优种群，将所述当前样本寻优种群中的样本个体作为当前样本个体。
5.如权利要求4所述的汽轮机初压寻优方法，其特征在于，所述根据所述当前样本个体获得隐含层层数和神经元个数，并搭建初始神经网络模型，根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练，获得热耗率神经网络预测模型，具体包括：
对所述当前样本个体进行解码，获取解码后的隐含层层数和神经元个数；
采用解码后的隐含层层数和神经元个数搭建初始神经网络模型，其中，所述初始神经网络模型对应的神经网络的输入层神经元个数为所述热耗率特征变量的个数，所述神经网络的输出层神经元个数为1；
根据所述训练集数据和所述验证集数据对所述初始神经网络模型进行训练，获得热耗率神经网络预测模型。
6.如权利要求4所述的汽轮机初压寻优方法，其特征在于，所述根据所述测试集数据和所述热耗率神经网络预测模型确定所述当前样本个体对应的适应度值，采用遗传算法结合所述适应度值进行神经网络结构寻优，确定最优热耗率神经网络预测模型，具体包括：
将所述测试集数据输入所述热耗率神经网络预测模型进行热耗率预测，获得热耗率预测结果；
对所述热耗率预测结果进行反归一化处理，获得热耗率预测值；
从所述测试集数据中提取实际热耗率值；
根据所述热耗率预测值和所述实际热耗率值计算均方根误差值；
根据所述均方根误差值确定所述当前样本个体对应的适应度值；
判断当前样本寻优种群迭代次数是否等于预设样本寻优种群迭代次数阈值；
在所述当前样本寻优种群迭代次数不等于所述预设样本寻优种群迭代次数阈值时，对所述当前样本个体进行选择、交叉和变异操作，生成待选样本寻优种群，将所述待选样本寻优种群作为新的当前样本寻优种群，并返回所述将所述当前样本寻优种群中的样本个体作为当前样本个体的步骤；
在所述当前样本寻优种群迭代次数等于所述预设样本寻优种群迭代次数阈值时，将所述当前样本个体对应的适应度值作为第一适应度值；
对所述第一适应度值进行排序；
根据排序结果将最小的第一适应度值作为第一目标适应度值；
将所述第一目标适应...
【专利技术属性】
技术研发人员：杨晶莹，向杰，张广涛，郭为民，朱峰，梁正玉，
申请(专利权)人：润电能源科学技术有限公司，
类型：发明
国别省市：河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。