一种基于LSTM神经网络的火电厂供热优化系统技术方案

本发明专利技术涉及火力发电技术领域，更具体而言，涉及一种基于LSTM神经网络的火电厂供热优化系统。包括通讯模块、数据存储模块、机器学习平台；所述通讯模块用于采集电厂运行的实时数据，并将机器学习平台发出的控制指令发送给电厂运行设备；所述数据存储模块用于对通讯模块采集到的运行数据进行清洗、去重、整理、保存，并按需发送给机器学习平台；所述机器学习平台用于对搭建的LSTM神经网络进行训练及控制。本发明专利技术通过DCS系统I/O面板读入AO/DO数据，并返回最优运行状态参数，从而维持机组运行在最佳状态。状态。状态。

【技术实现步骤摘要】
一种基于LSTM神经网络的火电厂供热优化系统


[0001]本专利技术涉及火力发电
，更具体而言，涉及一种基于LSTM神经网络的火电厂供热优化系统。

技术介绍

[0002]对于热电联产的电厂，同时承担向电网供电和向热用户供热(供汽)的任务，电厂提供的热和电的多少，受控于热用户和电用户的需求，因此，电厂必须按照热用户和电用户的需求调整机组的热电负荷。对于确定的热电负荷，电厂如何根据机组的类型以及机组效率的差异，在各机组间进行合理的热电负荷分配，使全厂的能源消耗量最低、经济效益最好，是电厂生产运行中面临的问题。这就需要对相关电厂进行厂级热、电负荷优化分配研究，确定不同热、电负荷需求下每台机组的热负荷和电负荷。
[0003]现有的火电厂控制系统，基于运行人员经验对供热调节设备如供汽调节阀开度进行调节，在机组运行过程中，设备性能发生变化时，运行人员的经验会带来较大的偏差，难以使机组运行在较优的状态下。

技术实现思路

[0004]本专利技术旨在提供一种基于LSTM神经网络的火电厂供热优化系统，通过DCS系统I/O面板读入AO/DO数据，并返回最优运行状态参数，从而维持机组运行在最佳状态。
[0005]本专利技术实现上述目的的技术方案如下：
[0006]一种基于LSTM神经网络的火电厂供热优化系统，包括通讯模块、数据存储模块、机器学习平台；
[0007]所述通讯模块用于采集电厂运行的实时数据，并将所述机器学习平台发出的控制指令发送给电厂运行设备；
[0008]所述数据存储模块用于对所述通讯模块采集到的运行数据进行清洗、去重、整理、保存，并按需发送给所述机器学习平台；
[0009]所述机器学习平台用于对搭建的LSTM神经网络进行训练及控制。
[0010]进一步地，所述通讯模块通过DCS系统获取主蒸汽、再热蒸汽、四段抽汽、高压缸排汽的温度和压力。
[0011]进一步地，所述通讯模块通过DCS系统完成对中压供汽、低压供汽液控蝶阀开度的控制。
[0012]进一步地，所述机器学习平台上搭载的LSTM神经网络模型实时接收数据存储模块传递的运行数据，经LSTM神经网络将控制信号发送给通讯模块，完成对中压供汽、低压供汽液控蝶阀开度的控制。
[0013]进一步地，所述数据存储模块接收所述通讯模块发送的数据，根据数据相对移动平均值的偏差对数据进行清洗，剔除相对偏差超出给定阈值的参数；所述给定阈值设为30％。
[0014]进一步地，所述数据存储模块对清洗后的数据进行插值，获得所有测点在指定时间间隔上的数值，根据实际机组运行时对控制精度的要求和通讯设备性能，数据存储模块采集数据的频率在1秒至1分钟之间调节，插值间隔取实际采集数据间隔的最小值。
[0015]进一步地，所述数据存储模块将所述插值间隔的运行数据存储到时序数据库。
[0016]进一步地，所述数据存储模块将运行数据预处理生成机器学习平台可以识别的数据集，并将数据集按需提供给所述机器学习平台。
[0017]进一步地，所述机器学习平台进行神经网络训练时，数据存储模块将运行数据预处理生成的数据集分批喂给机器学习平台进行神经网络模型的训练及测试；所述LSTM神经网络模型，每天进行一次模型训练，并使用数据存储模块提供的测试集进行测试，如果测试结果优于现有模型，则更新现有模型。
[0018]进一步地，所述LSTM预先构建于所述机器学习平台；所述LSTM神经网络模型包含三个隐藏层，且隐藏层的所有神经元均为LSTM神经元。
[0019]本专利技术的有益效果是：
[0020]本专利技术提供了一种基于LSTM神经网络的火电厂供热优化系统，通过使用LSTM神经网络对电厂供热的运行数据进行学习和处理，发现控制机构与运行参数的变化关系，每天实时更新神经网络模型，从而达到对机组的优化控制，降低火电厂运行的热耗及煤耗，降低电厂的运行调试成本，提高企业的经营效益。
附图说明
[0021]为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0022]本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
得能涵盖的范围内。
[0023]图1是本专利技术实施例提供的一种基于LSTM神经网络的火电厂供热优化系统示意图。
[0024]图中，1、通讯模块；2、数据存储模块；3、机器学习平台；4、DCS系统。
具体实施方式
[0025]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，这些描述只是为进一步说明本专利技术的特征和优点，而不是对本专利技术权利要求的限制；基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0026]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0027]如图1所示：以某电厂为例，其总装机容量400MW，其中1号机组为50MW带中间抽汽的背压机组，2号机组为超临界350MW抽汽凝汽式机组。热用户日常用汽量约280t/h，最大用汽量约400t/h。
[0028]如图1所示，本专利技术提供的一种基于LSTM神经网络的火电厂供热优化系统，包括通讯模块1、数据存储模块2、机器学习平台3；
[0029]通讯模块1，用于采集电厂运行的实时数据，并将机器学习平台3发出的控制指令发送给电厂运行设备；
[0030]数据存储模块2，用于对通讯模块1采集到的运行数据进行清洗、去重、整理、保存，并按需发送给机器学习平台3；
[0031]机器学习平台3，用于对搭建的LSTM神经网络进行训练及优化控制；
[0032]所述通讯模块1通过OPC服务器与机组的DCS系统4进行通讯，获取主蒸汽、四段抽汽的温度和压力、实时读取现场总负荷、中压供汽总量、低压供汽总量等参数信号，发送给数据存储模块2。此外，通讯模块1能通过OPC服务器完成对2号机低压供汽液控蝶阀开度的控制。
[0033]数据存储模块2接收通讯模块1发送的数据，根据数据相对移动平均值的偏差对数据进行清洗，相对偏差超出30％的数据会被剔除。
[0034]数据存储模块2对清洗后的数据进行插值，因为本实施例中通过OPC服务器获取到的运行数据时间间隔在1s到3s之间变化，在本实施例中，对所有测点在1s本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM神经网络的火电厂供热优化系统，其特征在于：包括通讯模块、数据存储模块、机器学习平台；所述通讯模块用于采集电厂运行的实时数据，并将所述机器学习平台发出的控制指令发送给电厂运行设备；所述数据存储模块用于对所述通讯模块采集到的运行数据进行清洗、去重、整理、保存，并按需发送给所述机器学习平台；所述机器学习平台用于对搭建的LSTM神经网络进行训练及控制。2.根据权利要求1所述的一种基于LSTM神经网络的火电厂供热优化系统，其特征在于：所述通讯模块通过DCS系统获取主蒸汽、再热蒸汽、四段抽汽、高压缸排汽的温度和压力。3.根据权利要求1所述的一种基于LSTM神经网络的火电厂供热优化系统，其特征在于：所述通讯模块通过DCS系统完成对中压供汽、低压供汽液控蝶阀开度的控制。4.根据权利要求1或3所述的一种基于LSTM神经网络的火电厂供热优化系统，其特征在于：所述机器学习平台上搭载的LSTM神经网络模型实时接收数据存储模块传递的运行数据，经LSTM神经网络将控制信号发送给通讯模块，完成对中压供汽、低压供汽液控蝶阀开度的控制。5.根据权利要求1所述的一种基于LSTM神经网络的火电厂供热优化系统，其特征在于：所述数据存储模块接收所述通讯模块发送的数据，根据数据相对移动平均值的偏差对数据进行清洗，剔除相对偏差超出给定阈值的参数；所述给定阈值设为30％。6.根据...

【专利技术属性】
技术研发人员：石义坤，高健，王定涛，曾宪辉，郭军强，邱逢涛，黄晓东，李献平，王伟，杜文斌，杨可，
申请(专利权)人：华能应城热电有限责任公司，
类型：发明
国别省市：