基于LSTM深度循环神经网络的蒸汽压力预测方法及装置制造方法及图纸

本申请公开了一种基于LSTM深度循环神经网络的蒸汽压力预测方法及装置，通过采集蒸汽锅炉系统运行数据，得到运行参数矩阵，根据LSTM模型对蒸汽锅炉系统运行参数矩阵进行重组得到样本集，随机选取样本集中样本量作为训练数据集和验证数据集，并以训练数据集、验证数据集为输入，构建基于LSTM深度循环神经网络的初始蒸汽压力预测模型；对初始蒸汽压力预测模型中超参数进行优化，以优化后的超参数作为控制量，对LSTM深度循环神经网络蒸汽压力预测模型进行训练，得到蒸汽压力动态预测模型；输入蒸汽锅炉系统实时运行数据，得到蒸汽压力预测值。克服了蒸汽锅炉系统高耦合、大滞后的特性，建立适用性强、预测精度高的预测模型。预测精度高的预测模型。预测精度高的预测模型。

【技术实现步骤摘要】
基于LSTM深度循环神经网络的蒸汽压力预测方法及装置


[0001]本申请涉及工业蒸汽锅炉燃烧
，具体涉及一种基于LSTM深度循环神经网络的蒸汽压力预测方法及装置。

技术介绍

[0002]蒸汽锅炉是一种生产蒸汽的换热设备，它利用煤、油、燃气、生物质等燃料燃烧释放的能量，通过传热过程将这些能量传递给水，使得水变成蒸汽，蒸汽供给工业生产所需的热能，或通过蒸汽动力机转变成机械能，或者通过汽轮发电机变为电能，又或者直接供给下游热用户。蒸汽压力过高，有可能导致锅炉爆炸等安全事故的发生；蒸汽压力过低，必然降低蒸汽质量；蒸汽压力必须处在一个适中的范围内。因此，锅炉蒸汽压力是生产过程中被关注的重要工艺指标之一。
[0003]一般蒸汽生产包含三个同时进行的过程：燃料燃烧过程、水的汽化过程、烟气向水转化过程。影响蒸汽压力的因素有很多，各种因素对最终的蒸汽压力响应不一，各因素之间相互耦合，锅炉系统纯滞后大。现有生产过程中，操作人员/自控系统是通过人工经验或传统控制方法将蒸汽压力控制在一个相对“可控”范围，蒸汽压力波动较大、产品质量难以保障、负荷变化频繁不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，包括：获取蒸汽锅炉生产运行数据，并将所述运行数据存入历史数据库中；对所述历史数据库中的所有历史数据进行预处理，得到蒸汽锅炉系统参数标准化矩阵；根据LSTM算法对蒸汽锅炉系统参数进行重组，得到模型参数矩阵样本集；根据所述模型参数矩阵样本集得到LSTM深度循环神经网络初始蒸汽压力预测模型；将所述初始蒸汽压力预测模型中的超参数进行优化，以优化后的超参数作为控制量，对所述初始蒸汽压力预测模型进行训练，得到蒸汽压力动态预测模型；将蒸汽锅炉系统实时运行数据按蒸汽压力动态预测模型规格整理后动态输入所述蒸汽压力动态预测模型中，得到蒸汽压力预测值。2.根据权利要求1所述的基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，对所述历史数据库中的所有历史数据进行预处理，得到蒸汽锅炉系统参数标准化矩阵，具体包括：将所有历史数据按时间顺序进行排序，得到历史数据表；去除所述历史数据表中的缺失值，若蒸汽锅炉系统行向量中某位置为空，则删除该行数据；按照时间变量对数据重采样，得到蒸汽锅炉系统运行参数矩阵X；将所述运行参数矩阵X进行标准化计算，得到参数标准化矩阵X
*
；所述标准化转换的计算公式为：其中，x
ik
代表蒸汽锅炉系统参数矩阵X中第i行第k列的运行数据，代表蒸汽锅炉系统参数矩阵X中x
ik
归一化后的运行数据，为蒸汽锅炉系统参数矩阵X中第k列的运行数据的均值，为蒸汽锅炉系统参数矩阵X中第k列的运行数据的方差，ε为非零常数。3.根据权利要求2所述的基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，所述运行参数矩阵X的行向量是蒸汽锅炉系统每一时刻的运行数据，所述运行参数矩阵X的列向量是蒸汽锅炉系统每一条运行属性的值。4.根据权利要求2所述的基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，所述模型参数矩阵为：其中，T为基于LSTM深度循环神经网络的蒸汽压力初始预测模型的超参数中的时间步数，代表在t
‑
(T
‑
a)时刻得到的蒸汽锅炉系统归一化矩阵X
*
数据，其中参数a的取值范围为1≤a≤T，y
t
为LSTM模型的输...

【专利技术属性】
技术研发人员：李明党，康瑞龙，
申请(专利权)人：北京和隆优化科技股份有限公司，
类型：发明
国别省市：