(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111352981.2 (22)申请日 2021.11.16 (71)申请人 国网河北能源技 术服务有限公司 地址 050000 河北省石家庄市高新区兴安 大街200号 申请人 国家电网有限公司 　 国网河北省电力有限公司电力科 学 研究院 (72)发明人 王斌　郝晓光　金飞　包建东　 杨春来　李剑锋　侯倩　 (74)专利代理 机构 石家庄新世纪专利商标事务 所有限公司 1310 0 代理人 张栋然 (51)Int.Cl. G06F 30/27(2020.01)G06F 17/16(2006.01) G06F 17/18(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/06(2020.01) G06F 119/14(2020.01) (54)发明名称 基于K-means-LSTM的汽轮机阀门流量特性 函数的优化方法 (57)摘要 本发明涉及一种基于K ‑means‑LSTM的汽轮 机阀门流量特性函数的优化方法， 在此方法当中 包括对数据的采集、 输入输出变量的确定、 利用 K‑means方法对机组历史数据进行聚类分析、 K ‑ means‑LSTM网络模型的构建和阀门流量特性函 数优化； 本发 明在估算和预测汽轮机阀门流量特 性方面大大减少了实施和验证的工作量， 可高效 率处理大量数据， 有效解决汽轮机阀门流量数据 丢失问题和预测未来测量 值。 权利要求书3页 说明书7页 附图2页 CN 114139442 A 2022.03.04 CN 114139442 A 1.一种基于K ‑means‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征在于其包括 如下步骤： 步骤1： 采集历史运行数据； 步骤2： 将采集到的数据进 行归一化处理； 步骤3： 使用 K‑means算法对数据进行聚类； 步骤4： 构造LSTM神经网络的模型； 步骤5： 通过步骤3和步骤4 得到基于K ‑means‑LSTM的汽轮机阀门流量特性函数优化的模 型， 得到模 型优化输出的输出 变量汽轮机主蒸汽流量 将优化出 的汽轮机主蒸汽流量 作为纵 坐标与综合阀位指令Rf作为横坐标绘制汽轮机阀门流量特性曲线， 得到经K ‑means‑LSTM网 络模型优化过后的汽轮机阀门流 量特性曲线。 2.根据权利要求1所述的基于K ‑means‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征在于在步骤1中， 采集的历史数据参数包括主蒸汽压力P、 主蒸汽温度T、 主蒸汽流量 G1、 高压缸排汽压力Pg、 调节级温度T0、 调节级压力Pa、 综合阀位指令Rf、 发电机输出功率N0、 修正因数C。 3.根据权利要求2所述的基于K ‑means‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征在于在采集数据时， 每个季度选择一个月的运行数据， 数据采样间隔10s， 将此时间 跨度范围内的燃烧系统故障点以及停机 部分的数据剔除。 4.根据权利要求2所述的基于K ‑means‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征在于在步骤2 中， 采用Z ‑score标准化方法， 给予原始数据的均值和标准差进行数据 的标准化。 5.根据权利要求4所述的基于K ‑means‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征在于经 过处理的数据符合标准 正态分布， 即均值 为0， 标准差为1， 转 化函数为： 式1中x*为归一 化后的数据， μ为所有样本数据的均值， σ 为所有样本数据的标准差； 将综合阀位指令Rf、 主蒸汽压力P、 主蒸汽温度T、 调节级压力Pa、 调节级温度T0、 高压缸 排汽压力Pg作为模型的输入变量构成输入向量X(k)＝[Rf,P,T,Pa,T0,Pg]， 将汽轮机的主蒸 汽流量G1作为模型的输出变量Y(k)＝[G1]； 汽轮机的主 蒸汽流量采用福留格尔公式计算： 式2中G01为变化后的主蒸汽流量， Pa1代表变化后的调节级压力， Pa代表变化前调节级压 力， T01代表变化后调节级温度， T0代表变化前调节级温度， N01为变化后发电机输出功率， N0 为变化前发电机输出功率， C为修正因数； 将通过 式1标准化后的综合阀位指令Rf、 主蒸汽压 力P、 主蒸汽温度T、 调节 级压力Pa、 调节级温度T0、 高压缸排汽 压力Pg数据以及主蒸汽流量G01 作为训练集数据Dtrain。 6.根据权利要求5所述的基于K ‑means‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征在于步骤3的具体方法包括如下步骤： 步骤3‑1： 输入训练集数据Dtrain， 将运行数据依据综合阀位指令Rf、 主蒸汽压力P的大 小、 主蒸汽温度T的高低这 三个相关参数， 以欧氏距离最短的原则进行划分聚簇； 步骤3‑2： 确定训练集数据所需划分的簇数k， 从n个数据点中随机选取k个点c1,c2,…, ck作为初始中心点； 步骤3‑3： 划分聚簇， 计算训练集数据Dtrain中每个数据点p1,p2,…,pn与中心点c1,c2,…,权　利　要　求　书 1/3 页 2 CN 114139442 A 2ck的欧氏距离d， 将数据点划分到 最近的中心点聚簇集合S1,S2,…,Sk中； 数据对象pj与第i(1 ≤i≤k)个聚类中心点的欧氏距离d的计算公式为： 步骤3‑4： 更新聚类中心点， 分别计算每 个聚簇集 合Si(1≤i≤k)中数据点的均值 为： 将均值c′i更新为K‑means算法中每 个聚类的新中心点， 并计算各簇的误差平方和S SE: 步骤3‑5： 判断结果， 若迭代次数达到设定上限或者目标函数SSE收敛， 则返回聚类中心 点， 聚类结束划分成的k簇数据构成总数据集D， 输出聚类结果； 否则继续进行上述步骤3 ‑3 至步骤3‑5。 7.根据权利要求6所述的基于K ‑means‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征在于步骤4中LSTM神经网络模型的构造方法包括如下步骤： 步骤4‑1： 初始化LSTM神经网络的网络结构、 隐藏层层数和输出层层数， 初始化训练补 偿； 设置LSTM神经网络输入层到隐藏层的连接矩阵U、 隐藏层到隐藏层的连接矩阵W、 隐藏 层到输出层的连接 权重V均为随机的实数； 步骤4‑2： 设置LSTM神经网络的遗 忘门、 输入门、 输出门； 遗忘门计算公式为： ft＝σ(Wf·[ht‑1,xt]+bf)          (6) 式6中， σ 为sigmoid激活函数； Wf为遗忘门的权重矩阵； ht‑1为t‑1时刻的输出； xt为t时刻 的输入； bf为遗忘门的偏置； 输入门由tanh函数生成新候选量 同时用sigmoid函数确定需要加入细胞状态的新信 息； it＝σ(Wi·[ht‑1,xt]+bi)          (7) 在式7和式8中， Wi、 Wc分别为输入门和候选向量的权重矩阵； bi、 bc分别为输入门和候选 向量的偏置； 输出门由tanh函数将细胞状态的内容处理为[ ‑1， 1]， 并用sigmoid函数确定需要输出 的内容部分； ot＝σ(Wo·[ht‑1,xt]+bo)      (10) ht＝ot·tanh(ct)        (11) 在式10和式1 1中， Wo、 bo分别表示输出门的权 重矩阵及其偏置 。 8.根据权利要求7所述的基于K ‑means‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征在于在步骤5中， 通过步骤3和步骤4得到基于K ‑means‑LSTM的汽轮机阀门流量特性 函数优化的模型， 通过此模型可以反映出输入变量X(k)＝[Rf,P,T,Pa,T0,Pg]和汽轮机的主权　利　要　求　书 2/3 页 3 CN 114139442 A 3