数字化与智能化
盛稳, 徐世明, 卢官发, 高成, 祁晶, 彭献永, 周怀春
针对难以准确监测机组主蒸汽流量的问题,提出了一种基于核主成分分析-双向长短期记忆-门控循环单元(KPCA-BiLSTM-GRU)的主蒸汽流量测量模型,并以某1 000 MW超超临界一次再热发电机组的历史数据为基础进行了仿真验证。首先,根据实际生产过程中机组运行机理及经验,选取了与主蒸汽流量相关的运行参数作为测量模型输入的候选变量;其次,利用KPCA算法对原始的候选输入特征进行降维,避免因模型输入变量过多对预测结果精度产生影响;最后,使用BiLSTM-GRU神经网络模型进一步学习输入数据特征的变化规律,实现了主蒸汽流量的回归预测。选用反向传播(BP)、LSTM、BiLSTM、GRU等神经网络模型进行了对比实验,以验证所提出模型的预测效果。结果表明:所提出的基于KPCA-BiLSTM-GRU的主蒸汽流量模型能够实现主蒸汽流量的准确测量,其均方根误差(RMSE)为25.76 t/h,平均绝对百分比误差(MAPE)为1.21%;相比于实验中其他模型,KPCA-BiLSTM-GRU主蒸汽流量测量模型的预测效果更好,对深度调峰汽轮发电机组变负荷工况有较好的适应性。