基于LSTM的深度调峰机组一次调频能力在线估计方法及系统技术方案

本发明专利技术公开了一种基于LSTM的深度调峰机组一次调频能力在线估计方法及系统，利用LSTM神经网络，分别针对影响火电机组一次调频功能的锅炉蓄热系统、再热系统、汽轮机调速系统和汽轮机系统进行建模，通过对四个子网络进行结合生成完整的深度调峰火电机组一次调频负荷预测模型，利用机组历史数据对模型进行离线训练，将实时采集的机组一次调频相关数据输入模型进行在线预测和参数更新。本发明专利技术适用于深度调峰工况，对火电机组一次调频负荷预测精确度较高，有助于充分发挥深度调峰火电机组的一次调频能力。调频能力。调频能力。

On line estimation method and system of primary frequency regulation capability of deep peak shaving unit based on LSTM

【技术实现步骤摘要】
基于LSTM的深度调峰机组一次调频能力在线估计方法及系统


[0001]本专利技术属于火电机组一次调频
，具体涉及一种基于LSTM的深度调峰机组一次调频能力在线估计方法及系统。

技术介绍

[0002]随着我国新能源发电的迅猛发展，传统的燃煤机组在电网中的比例越来越小。清洁能源发电有传统火力发电所不具备的一系列优势，但是清洁能源发电出力的波动性和间歇性也会导致电网频率的不稳定，这就对电网的调峰和调频能力提出了新的要求。在未来相当长一段时间内，火电机组将承担电网调峰和调频的主要任务，并且越来越多地参与电网深度调峰运行。为了保证电网安全稳定运行，充分发挥深度调峰火电机组一次调频能力，有必要对深度调峰运行期间火电机组的一次调频负荷在线预测方法进行研究。
[0003]目前的火电机组一次调频负荷预测方法主要通过构建火电机组协调控制系统和数字电液控制系统的机理建模来实现，但是火电机组自身系统高度复杂，其一次调频过程主要涉及的设备包括汽轮机、再热器、数字电液系统等，机组主蒸汽参数的变化和汽轮机阀门流量特性也对一次调频能力有重要影响，深度调峰运行也使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LSTM的深度调峰机组一次调频能力在线估计方法，其特征在于，包括以下步骤：分别构建基于LSTM神经网络的锅炉燃烧系统子网络、基于LSTM神经网络的再热系统子网络、基于MLP的汽轮机调速系统子网络和基于LSTM神经网络汽轮机子网络，根据深度调峰火电机组运行历史数据构建具有统一时间维度的时序输入序列和时序目标序列，利用对应的时序输入序列和时序目标序列分别对锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机子网络进行训练；将训练后的锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机子网络进行结合，得到完整的深度调峰火电机组一次调频负荷预测网络；将深度调峰机组运行历史数据输入得到的深度调峰火电机组一次调频负荷预测网络中，对未来机组主汽压力、主汽温度、调门后压力、再热汽压力、再热汽温度和机组负荷进行短期预测；深度调峰火电机组获取新的采样数据后，将新的采样数据加入输入数据，并在原始输入数据中剔除最初时刻同等时间长度的数据，更新网络状态，重复短期预测，实现深度调峰火电机组的一次调频负荷在线预测。2.根据权利要求1所述的基于LSTM的深度调峰机组一次调频能力在线估计方法，其特征在于，构造基于LSTM神经网络的锅炉燃烧系统子网络具体为：将深度调峰火电机组运行历史数据中的燃料量、调阀指令、给水量和给风量构建为具有统一时间维度的时序输入序列，将深度调峰火电机组运行历史数据中的主汽压力和主汽温度构建为具有统一时间维度的时序目标序列，时序输入序列和时序目标序列具有相同的时间长度，且时序目标序列滞后于时序输入序列，滞后时间长度为待预测时间长度；构造基于LSTM神经网络的锅炉燃烧系统子网络，采用标准差方法对构建的时序输入序列和时序目标序列进行标准化处理，使用标准化处理后的时序输入序列和时序目标序列对基于LSTM的锅炉燃烧系统子网络进行训练，得到训练后的锅炉燃烧系统子网络。3.根据权利要求1所述的基于LSTM的深度调峰机组一次调频能力在线估计方法，其特征在于，构造基于LSTM神经网络的再热系统子网络具体为：将深度调峰火电机组运行历史数据中的燃料量、调阀指令、给水量和给风量构建为具有统一时间维度的时序输入序列；将深度调峰火电机组运行历史数据中的再热汽压力和再热汽温度构建为具有统一时间维度的时序目标序列；时序输入序列和时序目标序列具有相同的时间长度，且时序目标序列滞后于时序输入序列，滞后时间长度为待预测时间长度；构造基于LSTM神经网络的再热系统子网络，采用标准差方法对构建的时序输入序列和时序目标序列进行标准化处理，使用标准化处理后的时序输入序列和时序目标序列对基于LSTM的再热系统子网络进行训练，得到训练后的再热系统子网络。4.根据权利要求1所述的基于LSTM的深度调峰机组一次调频能力在线估计方法，其特征在于，构造汽轮机调速系统子网络具体为：将深度调峰火电机组运行历史数据中的调阀指令、主汽压力和主汽温度构建为具有统一时间维度的时序输入序列，将深度调峰火电机组运行历史数据中的调节级压力构建为具有统一时间维度的时序目标序列，时序输入序列和时序目标序列具有相同的时间长度，且时序输入序列与时序目标序列的时刻一一对应；构造汽轮机调速系统子网络，采用标准差方法对构建的时序输入序列和时序目标序列
进行标准化处理，使用标准化处理后的时序输入序列和时序目标序列对汽轮机调速系统子网络进行训练，得到训练后的汽轮机调速系统子网络。5.根据权利要求4所述的基于LSTM的深度调峰机组一次调频能力在线估计方法，其特征在于，汽轮机调速系统子网络包括一个序列输入层、多个全连接层、若干个Drop层和一个序列输出层，全连接层Y
t
＝WX
t
+b，W表示全连接层可学习权重，b表示可学习偏置权重，X
t
表示t时刻全连接层的输入，Y
t
表示t时刻全连接层的输出。6.根据权利要求1所述的基于LSTM的深度调峰机组一次调频能力在线估计方法，其特征在于，构造基于LSTM神经网络的汽轮机子网络具体为：将深度调峰火电机组运行历史数据中的调节级压力、再热汽压力和再热汽温度构建为具有统一时间维度的时序输入序列，将深度调峰火电机组运行历史数据中的机组负荷构建为具有统一时间维度的时序目标序列，时序输入序列和时序目标序列具有相同的时间长度，且时序输入序列与时序目标序列的时刻一一对应；构造基于LSTM神经网络的汽轮机子网络，采用标准差方法对构建的时序输入序列和目标序列进行标准化处理，使用标准化处理后的时...

【专利技术属性】
技术研发人员：张小科，胡怀中，王子杰，夏大伟，王景钢，曹桂州，李珍平，史书怀，张步庭，李玲，陈二强，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：