[发明专利]一种电站锅炉动态运行主汽温延迟特性建模方法

说明书

本发明公开了一种电站锅炉动态运行主汽温延迟特性建模方法，通过采集电站锅炉动态运行数据，确定影响锅炉主汽温预测模型的输入变量集合，并考虑输入变量的历史序列长度，构建LSTM网络模型，通过离散粒子群来确定历史序列长度，以此表征锅炉主汽温对各输入变量的延迟时间。本发明对火电厂锅炉主汽温控制的控制策略的设计具有重要的意义。

技术领域

本发明涉及一种电站锅炉动态运行主汽温延迟特性建模方法，属于电站锅炉喷氨量控制策略技术领域。

背景技术

提高主汽温度能够提高发电效率，但主蒸汽温度提高的同时，过热汽温过高会导致机组管壁金属温度超温，蠕胀增强，使得管道寿命降低，严重时还会导致超温爆管。目前国内1000MW机组地主汽温基本控制在605+5℃，其控制方案依靠于过热器两级减温水的自动调节，其自动调节是基于PID串级控制。

从日常的运行中可以发现，减温水的PID控制对于频繁变动的工况扰动下的控制效果不尽如人意。这是由于稳定性较差的新能源电力接入后，机组需要频繁接受调峰指令，然而主汽温度的控制对象具有大迟延、滞后时间长的特性。因此通过确定主汽温控制的延迟特性，对实现火电厂锅炉主汽温控制策略的设计具有重要意义。

长短期记忆(Long Short-Term Memory,LSTM)神经网络是常用的深度学习技术之一。与普通神经网络不同，LSTM神经网络不仅在不同层之间建立权值连接，在同一层的不同时间也建立了权值连接，使其沿着序列进行递归，充分体现了时间序列的密切关系，因此，LSTM能够学习时间序列的动态行为。

发明内容

本发明所要解决的技术问题是提供一种电站锅炉动态运行主汽温延迟特性建模方法，通过采集电站锅炉动态运行数据，确定影响锅炉主汽温预测模型的输入变量集合，并考虑输入变量的历史序列长度，构建LSTM网络模型，通过离散粒子群来确定历史序列长度，以此表征锅炉主汽温对各输入变量的延迟时间。本发明对火电厂锅炉主汽温控制的控制策略的设计具有重要的意义。

为解决上述问题，本发明所采取的技术方案是：

一种电站锅炉动态运行主汽温延迟特性建模方法，通过采集电站锅炉动态运行数据，确定影响锅炉主汽温预测模型的输入变量集合，并考虑输入变量的历史序列长度，构建LSTM网络模型，通过离散粒子群来确定历史序列长度，以此表征锅炉主汽温对各输入变量的延迟时间。

本方法具体的，包括以下步骤：

步骤S1，从电站锅炉系统运行数据库中，选择时间跨度为6个月的运行数据，记作数据集D；

步骤S2，将锅炉主汽温y作为模型的输出变量，，将机组负荷作为状态变量x₁，将总燃料量u₁二次风总量u₂和每层二次风门开度u₃～u₇作为锅炉主汽温排放模型的输入变量；步骤S3，以机组实际运行负荷和总给煤量为特征变量，实现对动态数据的筛选与划分；步骤S4，以SD_i为训练样本集，以SD_2i-1为测试样本集，构建6组LSTM神经网络模型，在构建时以测试样本集的预测均方根误差为目标函数，利用离散粒子群实现对各变量序列长度的优化，得到每组的各变量的时延τ_i1，τ_i2，…,τ_i7，即当前时刻的预测结果需要之前多少时刻的数据；

步骤S5，对6组各变量的历史序列长度求均值，得到对应变量的延迟时间，也即：

本方法具体的，

数据集D的采样频率为每分钟1个数据样本。

本方法具体的，

在6个月的采集数据时间跨度范围内锅炉燃烧系统无故障或停机过程。

本方法具体的，