基于LSTM神經(jīng)網(wǎng)絡(luò)算法的超超臨界機組負荷優(yōu)化分配

王利中，蔡安亮，張楠

（國能粵電臺山發(fā)電有限公司，廣東江門 529228）

電力工業(yè)在發(fā)展過程中不僅要考慮生產(chǎn)效率，還要注重節(jié)能環(huán)保，這就需要大力推動超超臨界機組這一先進科技力量的應(yīng)用發(fā)展。超超臨界機組用量過大也造成超超臨界機組負荷過多的情況，負荷過多會導致電機受損，影響工作效率和電機壽命。近年來，關(guān)于超超臨界機組負荷運行過程中優(yōu)化能源消耗成本、減小污染排放量，提高發(fā)電機組使用壽命為目的的負荷優(yōu)化配置得到了廣泛關(guān)注。

文獻[1]為實現(xiàn)超超臨界機組負荷優(yōu)化配置，采用傳統(tǒng)的協(xié)調(diào)控制分析方法，該方法能夠根據(jù)機組負荷劃分和典型工況點來選定模型，實現(xiàn)對超超臨界機組負荷的快速追蹤，但具體模型建構(gòu)過程中，算法運行存在較大誤差，不利于實現(xiàn)對超超臨界機組負荷優(yōu)化的監(jiān)測與分配。文獻[2]采用二進制編碼的方法實現(xiàn)對序列的最優(yōu)排序，但在試驗仿真過程中免疫優(yōu)化算法對最優(yōu)控制量把握得不夠精確，導致該算法的應(yīng)用范圍較小。

LSTM 神經(jīng)網(wǎng)絡(luò)算法具有記憶時長長、建模優(yōu)勢、操作簡易等優(yōu)點[3-4]。為克服傳統(tǒng)超超臨界機組負荷優(yōu)化分配研究過程中的不足，該文基于LSTM 神經(jīng)網(wǎng)絡(luò)算法研究了一種新的優(yōu)化分配方法，建立數(shù)學分配模型，并通過實驗驗證了負荷優(yōu)化分配方法的實際應(yīng)用效果。

1 超超臨界機組負荷優(yōu)化分配數(shù)學模型

基于LSTM 神經(jīng)網(wǎng)絡(luò)算法的負荷優(yōu)化數(shù)學模型如圖1 所示。

圖1 負荷優(yōu)化數(shù)學模型

圖1 中，xt表示輸入的負荷數(shù)據(jù)，該文主要以LSTM 神經(jīng)網(wǎng)絡(luò)算法智能技術(shù)為依托，利用LSTM 中的記憶塊、遺忘門、輸入門、輸出門和記憶單元，實現(xiàn)對遞歸神經(jīng)網(wǎng)絡(luò)的簡單處理，有選擇性地過濾廢棄信息，更新實際所需信息，解決長時依賴問題[5-6]。

在單元制機組數(shù)學模型的建立上，由于各單元之間具有相對獨立性，因此，選用目標函數(shù)分析各個單元，建立的目標函數(shù)如式（1）所示：

在母管制機組中，鍋爐負荷和汽輪機負荷沒有直接關(guān)聯(lián)，因此，電荷主要分配在鍋爐與汽輪機兩個部分[9-10]。鍋爐電荷的計算采用正平衡法和反平衡法計算電荷吸收效率，正平衡法計算方法是指有效吸收電荷與吸入電荷的比率，計算公式如式（2）所示：

其中，Q1表示有效吸收電荷數(shù)；Q2表示吸入電荷數(shù)[11-12]。

在汽輪機電荷計算中，需要先求出實際比焓降與理想比焓降的比值，即電荷相對效率，計算公式如式（3）所示：

其中，P表示為實際比焓降；P′表示理想比焓降；μ表示電荷相對效率。根據(jù)電荷相對效率計算絕對效率，計算公式如式（4）所示：

其中，Nmac表示最大熱量耗費電量值；h0-hi表示熱力循環(huán)過程中造成的能源損失。汽輪機電荷計算公式為：

對?值與θ值進行分析，在總耗煤量最少的條件下，找到鍋爐與汽輪機的最佳電荷分配值。

2 負荷優(yōu)化分配

通過LSTM 神經(jīng)網(wǎng)絡(luò)算法對超超臨界機組負荷進行優(yōu)化，設(shè)定控制模塊，在控制模塊中，確保輸入信號的穩(wěn)定性，保證控制模塊可以獨立運行并監(jiān)測其他模塊的操作；在輸入、輸出模塊中，保證每個模塊配備微處理器，動態(tài)監(jiān)測各項數(shù)據(jù)，對故障實現(xiàn)實時掌握與修復[13-14]。

通過LSTM 神經(jīng)網(wǎng)絡(luò)算法在不同階段進行優(yōu)化。基于LSTM 神經(jīng)網(wǎng)絡(luò)算法的負荷優(yōu)化分配過程如圖2 所示。

圖2 負荷優(yōu)化分配過程

首先，在遺忘階段，利用目標函數(shù)對D維空間中個體的速度與質(zhì)量進行優(yōu)化，并計算每個個體的加速度，通過迭代過程實現(xiàn)對個體原先位置的遺忘。

個體的質(zhì)量計算如式（6）所示：

其中，qfit(t)表示個體在t次迭代時的適應(yīng)度函數(shù)值；qj(t)表示個體在第t次迭代時的質(zhì)量[15]。

其次，在選擇記憶階段，LSTM 神經(jīng)網(wǎng)絡(luò)算法采用三層網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)造神經(jīng)元的函數(shù)，如式（7）所示：

式中，u表示控制量的增幅；g表示在序列群中初始數(shù)值集合序列；ug(t)表示t時刻的數(shù)值輸入[16]。

更新記憶細胞，每次更新時都需要使用最優(yōu)序列中與原始值親和力最高的單個數(shù)值與記憶細胞進行比較，篩選與抗體具有高度親和力的序列集合，實現(xiàn)對需要記憶的數(shù)據(jù)強化與冗雜信息的智能淘汰。

最后，在輸出階段，輸出層的神經(jīng)元都在0～1 間，機組的輸出功率都比較大，因此，輸出函數(shù)表示為：

其中，Y代表功率輸出值；xmax-xmin表示神經(jīng)元輸出的最大值與最小值的差距；enε表示網(wǎng)調(diào)負荷。

在上述公式的計算過程中，預設(shè)迭代次數(shù)；先令x=0，計算出各機組數(shù)值輸出，令n=1，返回上一步，得出第一次運行條件下各機組的輸出值，再令n=2，n=3,…,n=x-1，依次得出不同情況下的輸出值，得到最大迭代次數(shù)后停止運行，給出優(yōu)化結(jié)果。

3 實驗研究

為了驗證該文提出的基于LSTM 神經(jīng)網(wǎng)絡(luò)算法的超超臨界機組負荷優(yōu)化分配的實際應(yīng)用效果，與傳統(tǒng)的基于免疫優(yōu)化ICA 算法的優(yōu)化分配方法和機組協(xié)控模型進行實驗對比，分析實驗效果。選用的實驗對象為4 臺超超臨界機組，實驗周期為24 h，分別對分配成本和分配時長進行檢驗，得到的實驗結(jié)果如圖3-6 所示。

圖3 未優(yōu)化前負荷分配成本

由圖3 可知，在不同時間內(nèi)，未優(yōu)化前的4 臺超超臨界機組負荷成本始終保持在較高的水平，并未隨著時間的增加而出現(xiàn)減少。

根據(jù)圖4 可知，基于免疫優(yōu)化ICA 算法的優(yōu)化分配方法能夠降低負荷成本，但是降低程度相對較小。

圖4 基于免疫優(yōu)化ICA算法優(yōu)化分配成本

觀察圖5 可知機組協(xié)控模型對機組3 有較好的控制作用，能夠降低分配成本，但是對于其他機組的優(yōu)化能力較差。

圖5 機組協(xié)控模型分配成本

根據(jù)圖6 可知，該文提出的優(yōu)化分配方法能夠有效降低成本，與傳統(tǒng)方法相比成本降低50%以上。造成這種現(xiàn)象的原因是該文利用LSTM 神經(jīng)網(wǎng)絡(luò)算法對輸入數(shù)據(jù)實現(xiàn)最優(yōu)控制，將集合序列中的每個數(shù)值作用于預測模型，得出最優(yōu)序列的預測值，因此能夠很好地達到優(yōu)化效果，降低優(yōu)化成本。負荷分配時長實驗結(jié)果如表1 所示。

表1 負荷分配時長實驗結(jié)果

圖6 基于LSTM神經(jīng)網(wǎng)絡(luò)算法分配成本

根據(jù)表1 可知，當負荷量為1 000 MW 時，該文提出的優(yōu)化分配方法分配時間低于10 min，而傳統(tǒng)方法分配時長最高可以達到30 min。該文提出的分配方法通過LSTM 神經(jīng)網(wǎng)絡(luò)算法對相關(guān)數(shù)據(jù)進行采集與分析，通過迭代得到超超臨界機組負荷最佳分配值。根據(jù)超超機組不同類型單元，該文對單元制機組和母管制機組分別建立數(shù)學模型，因此可以同時針對多種不同單元的負荷進行分配，降低分配時長。

4 結(jié)束語

為提升超超臨界機組負荷優(yōu)化分配效果，該文在LSTM 神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上建立單元制機組數(shù)學模型與母管制機組負荷分配數(shù)學模型，利用算法優(yōu)勢增強了超超臨界機組負荷的數(shù)據(jù)監(jiān)測與修正能力，促進了機組各單元負荷的合理分配，優(yōu)化了能源供給成本，達到了節(jié)能減排、提高機組運行效率的目標。