一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于AM
‑
BOA
‑
LSTM的燃煤电厂过热器壁温预测方法及系统


[0001]本专利技术涉及燃煤电厂过热器壁温预测
，具体为一种基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法及系统
。

技术介绍

[0002]电站锅炉实行状态检修是必然的发展趋势，锅炉过热器壁温度状况是炉管失效判断的重要依据
。
过热器的失效爆管主要由短期超温
、
高温蠕变引起均与过热器的管壁温度有关
。
在锅炉设计中对过热器区域烟温及壁温的考虑均以平均值及最大值为依据对局部烟温偏差及局部壁温的考虑较少
。
对于四角布置切圆燃烧随着锅炉的大型化炉膛出口及水平烟道内残余旋转加剧使过热器区域的烟气流速及烟气温度的分布变得复杂化传统的中间高两侧低的吸热偏差模型与实际状况相差太远
。
[0003]通过设备参数之间的相似关系和当前时刻数据与以前时刻数据之间的时序特性反映出的设备运行状态的关键特征，可以更加精确地检测到早期异常
。
循环神经网络
(Recurrent Neural Network
，
RNN)
在描述序列特征方面具有很大优势，
LSTM
神经网络作为一种改进的
RNN
，能够学习长期时序依赖，并且不受梯度消失和梯度爆炸的影响，已经被成功应用于变量预测等领域
。r/>
技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0005]鉴于上述存在的问题，提出了本专利技术
。
[0006]本专利技术实施例的第一方面，提供一种基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法，包括：采集燃煤电厂过热器壁温的相关参数，对所述相关参数进行归一化预处理并划分为训练集和测试集；利用优化的蝴蝶算法对所述训练集中长短期记忆神经网络的超参数进行迭代寻优，确定长短期神经记忆网络模型；根据灰色关联度分析得到的重要运行参数结合注意力机制对输入序列进行赋权，训练所述长短期神经记忆网络模型；基于训练好的长短期神经记忆网络模型对所述测试集中的数据进行壁温预测
。
[0007]作为本专利技术所述的基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法的一种优选方案，其中：所述燃煤电厂过热器壁温的相关参数包括主蒸汽流量
、
主蒸汽温度
、
主蒸汽压力
、
过热器壁温
、
实发功率
、
入口蒸汽压力
、
出口蒸汽温度
、
炉膛与风箱压差
、
蒸汽流量
、
入口蒸汽温度
、
出口蒸汽压力
、
减温水流量
、
一次风压
、
锅炉总风量
。
[0008]作为本专利技术所述的基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法的一种优选方案，其中：所述归一化预处理包括，
[0009]对所述相关参数采用
Z
‑
score
标准化方法进行归一化预处理并划分为训练集和测
试集，所述
Z
‑
score
标准化方法的转化函数的计算公式为：
[0010][0011]其中，
σ
表示所有样本的均值，
σ
表示所有样本数据的标准差
。
[0012]作为本专利技术所述的基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法的一种优选方案，其中：所述利用优化的蝴蝶算法对所述训练集中长短期记忆神经网络的超参数进行迭代寻优包括，
[0013]混沌初始化蝶群中蝴蝶的位置
x
i
、
蝴蝶数目
N、
最大迭代次数
T
以及维度空间
D
，其中，混沌初始化所用序列为
ICMIC
映射对蝶群进行初始化；
[0014]计算所述蝶群中各蝴蝶的香味浓度，蝴蝶在接收更高的香味浓度信号时，会自发向更高的香味浓度的蝴蝶进行移动；
[0015]所述蝶群通过转换概率
p
的变化在全局搜索与局部搜索之间切换，在搜索空间中寻找最优的适应度值；
[0016]综合考虑种群离散度与迭代次数建立自适应转换概率
p
，使得蝶群在迭代初期侧重于全局搜索，扩大搜索空间；
[0017]当达到最大迭代次数时，此时所述蝶群的个体适应度最高值与种群适应度最高值分别对应长短期神经记忆网络的学习率和神经元个数
。
[0018]作为本专利技术所述的基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法的一种优选方案，其中：所述灰色关联度分析的过程包括，
[0019]设定输入序列
X0＝
{x0(1),x0(2),
…
,x0(n)}
和比较序列
X
i
＝
{x
i
(1),x
i
(2),
…
,x
i
(n)}
，则所述输入序列和所述比较序列之间的灰色关联度计算公式为：
[0020][0021]其中，
n
表示序列参数个数，
k
表示第
k
个参数，
ρ
表示分辨率系数
。
[0022]作为本专利技术所述的基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法的一种优选方案，其中：所述长短期神经记忆网络模型的训练包括，
[0023]根据灰色关联度分析法对输入参数进行主成分分析，提取出与过热器壁温关联度最高的几个参数，通过结合注意力机制对输入序列进行赋权，训练所述长短期神经记忆网络模型
。
[0024]作为本专利技术所述的基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法的一种优选方案，其中：还包括，
[0025]采用均方根误差和线性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法，其特征在于，包括：采集燃煤电厂过热器壁温的相关参数，对所述相关参数进行归一化预处理并划分为训练集和测试集；利用优化的蝴蝶算法对所述训练集中长短期记忆神经网络的超参数进行迭代寻优，确定长短期神经记忆网络模型；根据灰色关联度分析得到的重要运行参数结合注意力机制对输入序列进行赋权，训练所述长短期神经记忆网络模型；基于训练好的长短期神经记忆网络模型对所述测试集中的数据进行壁温预测
。2.
如权利要求1所述的基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法，其特征在于：所述燃煤电厂过热器壁温的相关参数包括主蒸汽流量
、
主蒸汽温度
、
主蒸汽压力
、
过热器壁温
、
实发功率
、
入口蒸汽压力
、
出口蒸汽温度
、
炉膛与风箱压差
、
蒸汽流量
、
入口蒸汽温度
、
出口蒸汽压力
、
减温水流量
、
一次风压
、
锅炉总风量
。3.
如权利要求2所述的基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法，其特征在于：所述归一化预处理包括，对所述相关参数采用
Z
‑
score
标准化方法进行归一化预处理并划分为训练集和测试集，所述
Z
‑
score
标准化方法的转化函数的计算公式为：其中，
μ
表示所有样本的均值，
σ
表示所有样本数据的标准差
。4.
如权利要求3所述的基于
AM
‑
BOA
‑
LSTM
的燃煤电厂过热器壁温预测方法，其特征在于：所述利用优化的蝴蝶算法对所述训练集中长短期记忆神经网络的超参数进行迭代寻优包括，混沌初始化蝶群中蝴蝶的位置
x
i
、
蝴蝶数目
N、
最大迭代次数
T
以及维度空间
D
，其中，混沌初始化所用序列为
ICMIC
映射对蝶群进行初始化；计算所述蝶群中各蝴蝶的香味浓度，蝴蝶在接收更高的香味浓度信号时，会自发向更高的香味浓度的蝴蝶进行移动；所述蝶群通过转换概率
p
的变化在全局搜索与局部搜索之间切换，在搜索空间中寻找最优的适应度值；综合考虑种群离散度与迭代次数建立自适应转换概率
p
，使得蝶群在迭代初期侧重于全局搜索，扩大搜索空间；当达到最大迭代次数时，此时所述蝶群的个体适应度最高值与种...

【专利技术属性】
技术研发人员：王学海，袁镇华，陈思勤，谈俊杰，张辉，茅大钧，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：