[发明专利]基于修正长短时记忆神经网络的发电机线棒振动优化方法

权利要求书

1.基于修正长短时记忆神经网络的发电机线棒振动优化方法，其特征在于，包括以下步骤：

步骤1、历史数据获取和处理；

步骤1.1、获取历史数据；通过机理分析，选择与发电机线棒振动相关性强的测点作为特征向量，将发电机端部振动幅值作为标签向量；与发电机线棒振动相关性强的测点包括：发电机A相电流、发电机B相电流、发电机C相电流、发电机零序电压、发电机励磁电流、汽机侧线棒端部A相径向振动、汽机侧线棒端部C相径向振动、发电机定子负序电流，发电机槽内温度、发电机有功功率、发电机无功功率、发电机线棒温度和铁芯温度；

步骤1.2、对历史数据进行数据清洗、精选、扩维和归一化；

步骤1.3、将数据集转换为特定数据结构：设置时间窗口timestep，将标准化处理后的包含特征向量和标签向量的数据集转换成形状为（n,timestep,m）的数据结构，其中n为数据集中数据的条数，m为所采用测点的个数；

步骤2、将特征向量和标签向量作为发电机线棒振动LM_LSTM模型的输入，利用训练集和验证集中的数据来训练发电机线棒振动LM_LSTM模型；

步骤2.1、将平均绝对误差MAE作为发电机线棒振动LM_LSTM模型的损失函数：

上式中，其中为第个模型预测值，是输入发电机线棒振动LM_LSTM模型的数据集，是模型；为第个历史实际数据值，为样本个数；计算模型在数据集中的运算结果与实际值之间的平均绝对误差；

当验证集中的平均绝对误差MAE出现向上拐点时，结束对当前发电机线棒振动LM_LSTM模型的训练，调整发电机线棒振动LM_LSTM模型的模型结构和超参数，选取在验证集中平均绝对误差MAE最小的发电机线棒振动LM_LSTM模型作为最终的发电机线棒振动LM_LSTM模型；否则继续训练当前发电机线棒振动LM_LSTM模型；

步骤2.2、利用训练集每个时间窗口中第一个工况对应的标签值，对发电机线棒振动LM_LSTM模型的输出结果进行线性修正：

上式中，为训练集作为发电机线棒振动LM_LSTM模型的输入时，得到的发电机线棒振动LM_LSTM模型预测值序列；为训练集中每个时间窗口中第一个工况所对应的标签值；、为线性修正系数，为线性修正的发电机线棒振动LM_LSTM模型的输出结果，记训练集对应的实际标签值序列为；

求解使得训练集对应的实际标签值序列、线性修正的发电机线棒振动LM_LSTM模型的输出结果之间的平均绝对误差MAE最小的线性修正系数和；若，则返回执行步骤2.1，重新训练发电机线棒振动LM_LSTM模型，若≤，则得到发电机线棒振动LM_LSTM模型；

步骤2.3、利用测试集测试步骤2.2所得发电机线棒振动LM_LSTM模型的拟合效果，计算测试集的预测值和MAE，绘制发电机线棒振动LM_LSTM模型在测试集上的拟合效果图；若发电机线棒振动LM_LSTM模型在测试集上的拟合效果比发电机线棒振动LM_LSTM模型在训练集上的拟合效果差，且测试集的MAE1.5*训练集的MAE，则判定发电机线棒振动LM_LSTM模型不具备鲁棒性，返回执行步骤2.1，重新训练发电机线棒振动LM_LSTM模型；

步骤3、根据选定的工况获得新的计算工况矩阵，利用新的计算工况矩阵得到发电机线棒振动LM_LSTM模型的预测值序列，进一步绘制三维关系控制图；

步骤3.1、得到新的计算工况矩阵:

对选定的工况进行扩维，分别以历史工况中发电机槽内温度平均值和铁芯温度平均值这两个扩维点的最小值和最大值作为端点，在这两端点间通过数据插值形成1*n的数列；其中数据插值为等差插值：

上式中，、分别为待插值测点的最大值和最小值，=；为插值后数列的长度，为第项的值；

以选定的工况为基础，对数据插值形成的两个数列用网格采样法形成（×,2）的矩阵；用（n×n,2）矩阵中的每一行数值替换选定的工况中发电机槽内温度平均值和铁芯温度平均值，每替换一记为一个新的工况，所有新的工况组成的矩阵为新的计算工况矩阵；对新的计算工况矩阵进行归一化处理；

步骤3.2、将新的计算工况矩阵输入步骤2训练得到的发电机线棒振动LM_LSTM模型，得到发电机线棒振动LM_LSTM模型的预测值序列；以发电机槽内温度平均值作为X轴，以发电机铁芯温度平均值作为Y轴，以发电机线棒振动LM_LSTM模型的预测值序列作为Z轴，绘制3D关系图，并在3D关系图上添加当前选定的工况点的位置，形成发电机槽内温度平均值、铁芯温度平均值与发电机线棒振动的三维关系控制图；

步骤4、操作人员根据步骤3构建的三维关系控制图来明确发电机槽内温度和铁芯温度的调整方向，在机组运行中通过对发电机定冷水进水温度和冷氢温度进行调整来压制超标的发电机线棒端部振动。