【技术实现步骤摘要】
一种基于时序关注的床温预测方法
[0001]本专利技术涉及智慧发电
，尤其涉及一种基于时序关注的床温预测方法。
技术介绍
[0002]随着社会发展，人均能源需求越来越大。在很长一段时间内，化石能源都在能源行业中占据主导地位。我国能源结构中能源消耗在很长一段时间以来都是以化石能源为主，化石能源中有65％以上的消耗量来自于煤炭，煤炭由此在我国能源结构中占据了绝对的优势地位。然而，化石能源的燃烧会产生大量碳氧化物、氮氧化物等，这对环境产生极大的破坏。到2030年，我国能源消费总量要小于60亿吨标准煤，其中非化石能源占比要达到20％。因此，我国的能源结构体系需要从化石能源逐渐转换为非化石能源。
[0003]基于对环境以及可持续发展的考虑，火电机组在灵活性和污染物排放方面受到了严格的限制。由于在燃料适应性、污染物控制和负荷调节方面的优势，循环流化床(CFB)燃烧技术在过去50年中取得了重大进展。到2017年，中国有超过4000台CFB锅炉机组，总容量超过100千兆瓦。CFB燃烧技术正朝着更高参数和更大容量的方向发展。到2...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于时序关注的床温预测方法，其特征在于，包括以下步骤：步骤1：对历史数据库中数据的缺值和坏点进行均值补全，并对数据进行归一化，建立基于时序关注的LSTM神经网络预测模型；步骤2：以AGC指令、一次风风量、二次风上部风量、二次风下部风量、总燃料量、排渣量和回料阀开度为预测模型的输入变量，以床温为预测模型的输出变量，且对输入变量进行时序调整；步骤3：所述基于时序关注的LSTM神经网络预测模型将历史数据集按时序依次划分为训练集和验证集，并利用训练集对预测模型进行训练，利用验证集对预测模型的超参数进行选择；步骤4：将机组实时运行数据输入预测模型中对机组床温进行预测。2.根据权利要求1所述基于时序关注的床温预测方法，其特征在于，所述步骤1中对历史数据库中数据的缺值和坏点进行均值补全的方法如下：对于单值点，利用双向LSTM模型学习前后数据的变化进行均值补全；对于连续多值点，通过其余变量对该变量的缺值进行重构，对该时间段数据进行填补，若坏点的其余变量都为缺值或坏点，则删除该时间段数据。3.根据权利要求1所述基于时序关注的床温预测方法，其特征在于，所述步骤1中对数据进行归一化的方法如下：其中，x
min
和x
max
分别为数据中的最小值和最大值；y
i
代表标准化之后的数据；x
i
表示处理之前的数据。4.根据权利要求1所述基于时序关注的床温预测方法，其特征在于，所述步骤2具体包括以下子步骤：步骤21：从t+k
‑
m+1时刻开始，在输出变量y的采样序列中截取长度为m的输出时间序列Y{y
t+k
‑
m+1
,y
t+k
‑
m+2
,...y
t+k
}，其中，k为预测时间长度，m为判断相似度的序列长度；步骤22：分别从t
‑
n
‑
m+1时刻到t
‑
n时刻截取输入变量x的采样值，得到输入时间序列X{x
t
‑
n
‑
m+1
,x
t
‑
n
‑
m+2
,...x
t
‑
n
}，其中，n从0到N
‑
1，N为时间序列修正值的上限；步骤23：分别计算输入时间序列X{x
t
‑
n
‑
m+1
,x
t
‑
n
‑
m+2
,...x
t
‑
n
}与输出时间序列Y{y
t+k
‑
m+1
,y
t+k
‑
m+2
,...y
t+k
}的皮尔逊相关系数；步骤24：计算出N个皮尔逊相关系数后，以最大的皮尔逊相关系数作为输入变量与输出变量的相似度，并以相似度对应的n值作为时间校正值；步骤25：根据步骤24中得到的相似度对输入变量进行过滤，并将相似度低的输入变量删除；同时根据时间校正值，将输入变量的拦截窗口向历史时刻的方向移动n个样本。5.根据权利要求4所述基于时序关注的床温预测方法，其特征在于，所述步骤23中皮尔逊相关系数的计算公式如下：
式中：与分别表示输入时间序列X{x
t
‑
n
‑
技术研发人员：谌际宇，高明明，王利国，张洪福，曾卫东，胡勇，高林，李辉，
申请(专利权)人：华能集团技术创新中心有限公司西安热工研究院有限公司，
类型：发明
国别省市：
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。