(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 202111072154.8 (22)申请日 2021.09.14 (71)申请人 国网河北省电力有限公司电力科 学 研究院 地址 050031 河北省石家庄市裕华区体 育 南大街238号国网河北省电力有限公 司电力科 学研究院 申请人 国家电网有限公司 　 国网河北能源技 术服务有限公司 (72)发明人 金飞　郝晓光　殷喆　李剑锋　 杨春来　马瑞　 (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 30/27(2020.01) G06F 17/16(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) (54)发明名称 基于GA-LS TM的汽轮机阀门流量特性函数的 优化方法 (57)摘要 本发明涉及一种基于GA ‑LSTM的汽轮机阀门 流量特性函数的优化方法， 包括如下步骤采集历 史运行数据； 确定数据的训练集和验证集； 构建 基于LSTM的汽轮机阀门流量特性函数优化模型； 构建基于GA ‑LSTM神经网络的汽轮机阀门流量特 性模型； 通过GA ‑LSTM神经网络的汽轮机阀门流 量特性模型的优化， 并绘制优化后的汽轮机阀门 流量特性曲线； 本发明避免了耗时较长的阀门流 量特性试验， 减轻了工作人员的工作量， 通过对 海量历史数据的深度学习得到最优拟合函数， 进 而优化汽轮机综合阀位指令与实际进汽量之间 的关系得到最佳的汽轮机阀门流量特性曲线， 为 汽轮机阀门流量特性分析及其参数优化提供支 持。 权利要求书3页 说明书6页 附图2页 CN 113962140 A 2022.01.21 CN 113962140 A 1.一种基于GA ‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征在于其包括如下 步骤： S100： 采集历史运行数据； S200： 确定数据的训练集和验证集； S300： 构建基于LSTM的 汽轮机阀门流量特性函数优化模 型； S400： 使用GA算法确定LSTM模 型的最优参数， 构建基于 GA‑LSTM神经网络的汽轮机阀门流量特性模型； S500： 通过GA ‑LSTM神经网络的汽轮机阀门 流量特性模型的优化， 并绘制优化后的汽轮机阀门流 量特性曲线。 2.根据权利 要求1所述的基于GA ‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征 在于在S100在 采集历史数据时， 在 全年选择时间跨度为4个月的历史运行数据， 数据采样时 间间隔为5s。 3.根据权利 要求2所述的基于GA ‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征 在于采集的参数包括负荷P*、 综合阀位指令Rf、 主蒸汽流量Q1、 主蒸汽压力P、 主蒸汽温度T、 调节级压力Pa、 高压缸排汽压力Pc、 高压缸排汽温度TC、 再热蒸汽压力Pd、 再热蒸汽温度Td。 4.根据权利 要求1所述的基于GA ‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征 在于S200中， 将采集到的数据进 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1中X※为归一化后的数据， Xmin、 Xmax为采集到数据的最小值与最大值， X为原始样本数 据； 将综合阀位指令Rf、 主蒸汽压力P、 调节级压力Pa作为模型的输入变量构成输入向量X (k)＝[Rf,P,Pa]， 将汽轮机的实际进汽量 Q作为模型的输出变量Y(k)＝[Q]。 5.根据权利 要求4所述的基于GA ‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征 在于汽轮机的实际进汽量计算方法如下： 式2中Pa0为额定的调节级压力、 Pa为调节级压力、 Pc0为额定的高压缸排汽压力、 Pc为高 压缸排汽压力、 TC0为额定的高压缸排汽温度、 TC为高压缸排汽温度， 将通过式1标准化后的 数据每个月随机选择20天作为训练集数据Dtrain， 每个月剩余10或11天作为验证集数据 Dtest。 6.根据权利 要求1所述的基于GA ‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征 在于基于LSTM的汽轮机阀门流 量特性函数优化模型的构建步骤如下： S310： 初始化LSTM神经网络的网络结构、 隐藏层层数和输出层的层数， 初始化训练步 长； 设置LSTM神经网络输入层到隐藏层的连接矩阵U、 隐藏层到隐藏层的连接矩阵W、 隐藏层 到输出层的连接 权重V均为随机的实数； S320： 设置LSTM神经网络的激活函数， 设置输入门it、 遗忘门ft和输出门ot， 单元状态激 活函数为tanh函数， 神经网络的输入向量为X＝(X1,X2,X3,X4,X5……Xt‑1,Xt)， 隐藏层的状态 H＝(h1,h2,h3,h4,h5……ht‑1,ht)， 其输出向量 为Y＝(Y1,Y2,Y3,Y4,Y5……Yt‑1,Yt)； S330： 将S200中经过预处理的训练集数据Dtrain中的综合阀位指令Rf、 主蒸汽压力P、 调 节级压力Pa作为模型的输入变量X(k)＝[Rf,P,Pa]和汽轮机的实际进汽量Q作为模型的输出 变量Y(k)＝[Q]分别送入S310和S320所初始化的LSTM神经网络模型， 得到基于LSTM的汽轮权　利　要　求　书 1/3 页 2 CN 113962140 A 2机阀门流 量特性函数优化模型。 7.根据权利 要求6所述的基于GA ‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征 在于在S320中各个单 元门控的计算方法具体如下： 式3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中， 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， 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； 式ht＝ot·tanh(ct)表示为网络的最终输出， 为当前输入的单 元状态。 8.根据权利 要求6所述的基于GA ‑LSTM的汽轮机阀门流量特性函数的优化方法， 其特征 在于S400中构建基于GA ‑LSTM神经网络的汽轮机阀门流 量特性模型的具体步骤如下： S410:初始化种群 的各个参数， 将LSTM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GA算法的初始化对象； S420： 用S200所确定的验证集数据Dtest中的综合阀位指令Rf、 主蒸汽压力P、 调节级压力 Pa作为输入变量， 即X(k)＝[Rf,P,Pa]， 导入到S330所建立的基于LSTM的汽轮机阀门流量特 性函数优化模型当中， 可以得到该模型的输出值 表示汽轮机进汽量的一个网络模型预 估值， 并将 与验证集数据Dtest中的汽轮机的实际进汽量Q之间的均方根误差作为个体适应 度的大小， 适应度函数 的选择直接影响对于汽轮机阀门流量特性优化的效果， 且适应度函 数定义如下： 式4中， fi为适应度函数值， N为验证集数据Dtest的数据总量， 为LSTM网络模型输出的 汽轮机进汽量的网络预测值， Qn为验证集数据Dtest的汽轮机进汽量的真实值； S430： 采用轮盘赌选择法作 为GA的选择策略在当前种群 中选择适应性比较好的个体作 为亲本， 并将遗传信息传递给子代进 行选择处理； 使用洗牌交叉算法作为交叉算子使用， 在 交叉之前在 父代利用随机排序 函数进行洗牌运算； 使用rand()算法在(0,1)之间产 生随机 数小于所 给变异率大小则进行变异； S440:计算种群内个体的适应度fi， 适应度计算函数在S430中， 遗传算法中适应度越小， 则越应该保留该个体， 否则会淘汰该个体， 如果不符合遗传终止条件则返回到S430， 若符合 该遗传算法的终止条件， 则将GA 算法求出的最优参数作为LSTM网络模型的 隐藏层神经元数 目m、 学习率 lr和训练次数n； S450： 将S440所得到 的最优参数隐藏层神经元数目m、 学习率lr和训练次数n带入到网 络当中， 得到优化过后的基于 GA‑LSTM的汽轮机阀门流量特性优化的模 型， 其模型的输入变权　利　要　求　书 2/3 页 3 CN 113962140 A 3