(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 202111353011.4 (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 郝晓光　金飞　王斌　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 30/17(2020.01)G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/14(2020.01) (54)发明名称 基于汽轮机调节级压力预测模型的单阀门 流量特性优化方法 (57)摘要 本发明涉及一种基于汽轮机调节级压力预 测模型的单阀门流量特性优化方法， 包括如下步 骤： 步骤1： 采集汽轮机组历史运行数据S*； 步骤 2： 对采集到的数据进行预处理； 步骤3： 将归一化 后得到的数据集D*划分为训练集和测试集； 步骤 4： 构造LSTM神经网络的模型； 步骤5： 使用WOA算 法优化LSTM网络超参数； 步骤6： 利用步骤5所建 立的汽轮机调节级压力预测模型对汽轮机单阀 门流量特性优化。 本发明避免了传统的试验较繁 琐， 且消除了传统试验 过程中主蒸汽压力波动所 带来的误差， 减轻了工作人员的工作量， 在不影 响机组安全稳定运行的基础上实现对单阀门流 量特性的优化， 从而提高机组阀门响应速度， 保 障机组一次调频 过程稳定运行。 权利要求书4页 说明书8页 附图2页 CN 114139305 A 2022.03.04 CN 114139305 A 1.一种基于汽轮机调节级压力预测模型的单阀门流量特性优化方法， 其特征在于其包 括如下步骤： 步骤1： 采 集汽轮机组历史运行数据 S*； 步骤2： 对采 集到的数据进行预处理； 步骤3： 将 归 一化后得到的数据集D*划分为训练集和测试集， 其中数据集D*的80％作为训练集 剩 余20％数据作为测试集 步骤4： 构造LSTM神经网络的模型； 步骤5： 使用WOA算法优化 LSTM网络超参数； 步骤6： 利用步骤5所建立的汽轮机调节级压力 预测模型对汽轮机单阀门 流量特性优化。 2.根据权利要求1所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方 法， 其特征在于步骤 1中采集的历史运行数据包括机 组功率P、 综合阀位指令Rf、 主蒸汽流量 Q1、 主蒸汽压力P0、 主蒸汽温度T、 调节 级后温度Ta、 调节级压力Pa、 阀门CV1开度R1、 阀门CV2开 度R2、 阀门CV3开度R3、 阀门CV4开度R4、 阀门CV1阀后压力P1、 阀门CV2阀后压力P2、 阀门CV3阀 后压力P3、 阀门CV4阀后压力P4。 3.根据权利要求1或2所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化 方法， 其特征在于在采集数据时， 每季度 选择5天， 全年共计20天的历史运行数据S*， 数据采 样时间间隔为2s， 采集数据范围内包含多种工况的运行数据， 并且包括所有阀门全开到全 关状态。 4.根据权利要求1所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方 法， 其特征在于在步骤2中， 对机组的稳定运行工况判断和筛 选， 其具体步骤如下： 步骤2‑1： 对步骤1所采集的历史运行数据S*进行稳定工 况判定， 并将稳定工 况数据提取 出来， 其稳定 工况判定公式如下： 式中， xi(k)＝(x1(k)， x2(k)， x3(k)……， xN(k))表示步骤 1中所采集的历史运行数据S*， k为采样时间， ximax和ximin分别表示对应历史运行数据S*集中xi(k)的最大值与最小值； N为 数据样本S*总数， a为 正整数， θ 取值范围为0.0 5％～0.2％； 如果满足式1则 表示经过筛选过后获得的机组处 于稳定工况的运行 数据； 步骤2‑2： 根据步骤2 ‑1对历史数据进行稳定工况判定， 得到初筛后的数据集D， 将处理 后的数据集D进行归一 化处理将样本映射到[0， 1]之间， 得到数据集D*； 其归一化公式为： 式2中 为归一化后的数据， Xmin、 Xmax为数据集D的每列的最小值与最大值， X为数据集D 中的样本数据。 5.根据权利要求3所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方 法， 其特征在于在步骤3中， 根据汽轮机调节级特性选取机组功率P、 综合阀位指令Rf、 主蒸 汽流量Q1、 主蒸汽压力P0、 主蒸汽温度T、 调节 级后温度Ta、 阀门CV1开度R1、 阀门CV2开度R2、 阀 门CV3开度 R3、 阀门CV4开度 R4、 阀门CV1阀后压力P1、 阀门CV2阀后压力P2、 阀门CV3阀后压力 P3、 阀门CV4阀后压力P4作为LSTM网络模型的输入变量， 即输入变量X(k)＝[P， P0， T， Ta， R1，权　利　要　求　书 1/4 页 2 CN 114139305 A 2R2， R3， R4， P1， P2， P3， P4]， 将调节级压力Pa作为模型的输出变量， 即Y(k)＝[ Pa]。 6.根据权利要求5所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方 法， 其特征在于在步骤4的具体模型构建步骤 包括： 步骤4‑1： 初始化LSTM神经网络 的网络结构、 隐藏层神经元数目m、 学习率lr、 训练次数 n， 初始化训练步长； 设置 输入门it、 遗忘门ft和输出门ot， 其中各门控计算更新公式如下： 其中， it为输入门主要决定保 留多少当前信息输入到当前时刻的单元， ot输出门主要用 来决定当前时刻的单元状态有多少的输出， ft为遗忘门主要用于决定保留上一时刻的单元 状态ct‑1信息到当前时刻单元状态ct中， 为当前输入的单元状态， ht表示为网络的最终输 出， σ 和tanh分别为sigmoid激活函数和双曲正切激活函数， wi， wo， wf， wc和bi， bo， bf， bc分别为 对应的权值矩阵和偏置矩阵； 步骤4‑2： 将步骤3中得到的训练集数据 中的变量X(k)＝[P， P0， T， Ta， R1， R2， R3， R4， P1， P2， P3， P4]作为模型的输入， 调节级压力Pa作为模型的输出变量Y(k)＝[Pa]分别送入步骤 4‑1所初始化的LSTM神经网络模型， 可以得到基于LSTM的汽轮机调节级压力预测模型。 7.根据权利要求6所述的基于汽轮机调节级压力预测模型的单阀门流量特性优化方 法， 其特征在于步骤5的具体步骤 包括： 步骤5‑1： 初始化种群的各个参数， 设定种群规模 n*， 最大迭代次数T， 将LS TM网络中的隐 藏层神经元数 目m、 学习 率lr和训练次数n作为WOA算法的优化参数； 设置隐藏层神经元m的 区间范围为[20， 100]， 学习率lr的区间范围为[0.0001， 0.01]， 训练次数n的区间范围为 [500， 5000]； 步骤5‑2： 初始化 适应度函数； 步骤5‑3： 使用训练集数据 对LSTM网络超参数进行寻优， 根据步骤5 ‑2建立的适应 度函数， 计算每个粒子的适应度值f并与个体的极值pbest＝(p1， p2， p3， p4，……pi‑1， pi)， i＝ 1， 2， 3……， N进行比较， 如果f＜pi， 则用fi替换掉pi， 否则不进行替换； 步骤5‑4： WOA算法首先假设当前的最佳解是目标猎物位置或者最靠近猎物的位置， 然 后使用位置更新模型对其 位置进行不断更新， 其 位置更新模型公式如下： 其中： 权　利　要　求　书 2/4 页 3 CN 114139305 A 3