[发明专利]基于LSTM的深度调峰机组一次调频能力在线估计方法及系统

权利要求书

1.基于LSTM的深度调峰机组一次调频能力在线估计方法，其特征在于，包括以下步骤：

分别构建基于LSTM神经网络的锅炉燃烧系统子网络、基于LSTM神经网络的再热系统子网络、基于MLP的汽轮机调速系统子网络和基于LSTM神经网络汽轮机子网络，根据深度调峰火电机组运行历史数据构建具有统一时间维度的时序输入序列和时序目标序列，利用对应的时序输入序列和时序目标序列分别对锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机子网络进行训练；

将训练后的锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机子网络进行结合，得到完整的深度调峰火电机组一次调频负荷预测网络；

将深度调峰机组运行历史数据输入得到的深度调峰火电机组一次调频负荷预测网络中，对未来机组主汽压力、主汽温度、调门后压力、再热汽压力、再热汽温度和机组负荷进行短期预测；

深度调峰火电机组获取新的采样数据后，将新的采样数据加入输入数据，并在原始输入数据中剔除最初时刻同等时间长度的数据，更新网络状态，重复短期预测，实现深度调峰火电机组的一次调频负荷在线预测。

2.根据权利要求1所述的基于LSTM的深度调峰机组一次调频能力在线估计方法，其特征在于，构造基于LSTM神经网络的锅炉燃烧系统子网络具体为：

将深度调峰火电机组运行历史数据中的燃料量、调阀指令、给水量和给风量构建为具有统一时间维度的时序输入序列，将深度调峰火电机组运行历史数据中的主汽压力和主汽温度构建为具有统一时间维度的时序目标序列，时序输入序列和时序目标序列具有相同的时间长度，且时序目标序列滞后于时序输入序列，滞后时间长度为待预测时间长度；

构造基于LSTM神经网络的锅炉燃烧系统子网络，采用标准差方法对构建的时序输入序列和时序目标序列进行标准化处理，使用标准化处理后的时序输入序列和时序目标序列对基于LSTM的锅炉燃烧系统子网络进行训练，得到训练后的锅炉燃烧系统子网络。

3.根据权利要求1所述的基于LSTM的深度调峰机组一次调频能力在线估计方法，其特征在于，构造基于LSTM神经网络的再热系统子网络具体为：

将深度调峰火电机组运行历史数据中的燃料量、调阀指令、给水量和给风量构建为具有统一时间维度的时序输入序列；将深度调峰火电机组运行历史数据中的再热汽压力和再热汽温度构建为具有统一时间维度的时序目标序列；时序输入序列和时序目标序列具有相同的时间长度，且时序目标序列滞后于时序输入序列，滞后时间长度为待预测时间长度；

构造基于LSTM神经网络的再热系统子网络，采用标准差方法对构建的时序输入序列和时序目标序列进行标准化处理，使用标准化处理后的时序输入序列和时序目标序列对基于LSTM的再热系统子网络进行训练，得到训练后的再热系统子网络。

4.根据权利要求1所述的基于LSTM的深度调峰机组一次调频能力在线估计方法，其特征在于，构造汽轮机调速系统子网络具体为：

将深度调峰火电机组运行历史数据中的调阀指令、主汽压力和主汽温度构建为具有统一时间维度的时序输入序列，将深度调峰火电机组运行历史数据中的调节级压力构建为具有统一时间维度的时序目标序列，时序输入序列和时序目标序列具有相同的时间长度，且时序输入序列与时序目标序列的时刻一一对应；

构造汽轮机调速系统子网络，采用标准差方法对构建的时序输入序列和时序目标序列进行标准化处理，使用标准化处理后的时序输入序列和时序目标序列对汽轮机调速系统子网络进行训练，得到训练后的汽轮机调速系统子网络。

5.根据权利要求4所述的基于LSTM的深度调峰机组一次调频能力在线估计方法，其特征在于，汽轮机调速系统子网络包括一个序列输入层、多个全连接层、若干个Drop层和一个序列输出层，全连接层Y_t＝WX_t+b，W表示全连接层可学习权重，b表示可学习偏置权重，X_t表示t时刻全连接层的输入，Y_t表示t时刻全连接层的输出。