基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法与流程

技术特征：
1.一种基于k-means-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：步骤1：采集历史运行数据；步骤2：将采集到的数据进行归一化处理；步骤3：使用k-means算法对数据进行聚类；步骤4：构造lstm神经网络的模型；步骤5：通过步骤3和步骤4得到基于k-means-lstm的汽轮机阀门流量特性函数优化的模型，得到模型优化输出的输出变量汽轮机主蒸汽流量将优化出的汽轮机主蒸汽流量作为纵坐标与综合阀位指令r
f
作为横坐标绘制汽轮机阀门流量特性曲线，得到经k-means-lstm网络模型优化过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k-means-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于在步骤1中，采集的历史数据参数包括主蒸汽压力p、主蒸汽温度t、主蒸汽流量g1、高压缸排汽压力p
g
、调节级温度t0、调节级压力p
a
、综合阀位指令r
f
、发电机输出功率n0、修正因数c。3.根据权利要求2所述的基于k-means-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于在采集数据时，每个季度选择一个月的运行数据，数据采样间隔10s，将此时间跨度范围内的燃烧系统故障点以及停机部分的数据剔除。4.根据权利要求2所述的基于k-means-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于在步骤2中，采用z-score标准化方法，给予原始数据的均值和标准差进行数据的标准化。5.根据权利要求4所述的基于k-means-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：式1中x*为归一化后的数据，μ为所有样本数据的均值，σ为所有样本数据的标准差；将综合阀位指令r
f
、主蒸汽压力p、主蒸汽温度t、调节级压力p
a
、调节级温度t0、高压缸排汽压力p
g
作为模型的输入变量构成输入向量x(k)＝[r
f
,p,t,p
a
,t0,p
g
]，将汽轮机的主蒸汽流量g1作为模型的输出变量y(k)＝[g1]；汽轮机的主蒸汽流量采用福留格尔公式计算：式2中g
01
为变化后的主蒸汽流量，p
a1
代表变化后的调节级压力，p
a
代表变化前调节级压力，t
01
代表变化后调节级温度，t0代表变化前调节级温度，n
01
为变化后发电机输出功率，n0为变化前发电机输出功率，c为修正因数；将通过式1标准化后的综合阀位指令r
f
、主蒸汽压力p、主蒸汽温度t、调节级压力p
a
、调节级温度t0、高压缸排汽压力p
g
数据以及主蒸汽流量g
01
作为训练集数据d
train
。6.根据权利要求5所述的基于k-means-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于步骤3的具体方法包括如下步骤：步骤3-1：输入训练集数据d
train
，将运行数据依据综合阀位指令r
f
、主蒸汽压力p的大小、主蒸汽温度t的高低这三个相关参数，以欧氏距离最短的原则进行划分聚簇；步骤3-2：确定训练集数据所需划分的簇数k，从n个数据点中随机选取k个点c1,c2,
…
,c
k
作为初始中心点；步骤3-3：划分聚簇，计算训练集数据d
train
中每个数据点p1,p2,
…
,p
n
与中心点c1,c2,
…
,
c
k
的欧氏距离d，将数据点划分到最近的中心点聚簇集合s1,s2,
…
,s
k
中；数据对象p
j
与第i(1≤i≤k)个聚类中心点的欧氏距离d的计算公式为：步骤3-4：更新聚类中心点，分别计算每个聚簇集合s
i
(1≤i≤k)中数据点的均值为：将均值c
′
i
更新为k-means算法中每个聚类的新中心点，并计算各簇的误差平方和sse:步骤3-5：判断结果，若迭代次数达到设定上限或者目标函数sse收敛，则返回聚类中心点，聚类结束划分成的k簇数据构成总数据集d，输出聚类结果；否则继续进行上述步骤3-3至步骤3-5。7.根据权利要求6所述的基于k-means-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于步骤4中lstm神经网络模型的构造方法包括如下步骤：步骤4-1：初始化lstm神经网络的网络结构、隐藏层层数和输出层层数，初始化训练补偿；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；步骤4-2：设置lstm神经网络的遗忘门、输入门、输出门；遗忘门计算公式为：f
t
＝σ(w
f
·
[h
t-1
,x
t
] b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式6中，σ为sigmoid激活函数；w
f
为遗忘门的权重矩阵；h
t-1
为t-1时刻的输出；x
t
为t时刻的输入；b
f
为遗忘门的偏置；输入门由tanh函数生成新候选量同时用sigmoid函数确定需要加入细胞状态的新信息；i
t
＝σ(w
i
·
[h
t-1
,x
t
] b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)在式7和式8中，w
i
、w
c
分别为输入门和候选向量的权重矩阵；b
i
、b
c
分别为输入门和候选向量的偏置；输出门由tanh函数将细胞状态的内容处理为[-1，1]，并用sigmoid函数确定需要输出的内容部分；o
t
＝σ(w
o
·
[h
t-1
,x
t
] b
o
)
ꢀꢀꢀꢀꢀꢀ
(10)h
t
＝o
t
·
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(11)在式10和式11中，w
o
、b
o
分别表示输出门的权重矩阵及其偏置。8.根据权利要求7所述的基于k-means-lstm的汽轮机阀门流量特性函数的优化方法，其特征在于在步骤5中，通过步骤3和步骤4得到基于k-means-lstm的汽轮机阀门流量特性函数优化的模型，通过此模型可以反映出输入变量x(k)＝[r
f
,p,t,p
a
,t0,p
g
]和汽轮机的主
蒸汽流量g1之间的映射关系，即最优拟合函数9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8任一项优化方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8任一项所述的方法。

技术总结
本发明涉及一种基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法，在此方法当中包括对数据的采集、输入输出变量的确定、利用K-means方法对机组历史数据进行聚类分析、K-means-LSTM网络模型的构建和阀门流量特性函数优化；本发明在估算和预测汽轮机阀门流量特性方面大大减少了实施和验证的工作量，可高效率处理大量数据，有效解决汽轮机阀门流量数据丢失问题和预测未来测量值。丢失问题和预测未来测量值。丢失问题和预测未来测量值。


技术研发人员：王斌 郝晓光 金飞 包建东 杨春来 李剑锋 侯倩
受保护的技术使用者：国家电网有限公司 国网河北省电力有限公司电力科学研究院
技术研发日：2021.11.16
技术公布日：2022/3/4