(19)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 202211121409.X (22)申请日 2022.09.15 (71)申请人 江苏方天电力技 术有限公司 地址 211102 江苏省南京市江宁区科 学园 天元中路19号 申请人 东南大学 (72)发明人 陆燕宁　陈波　汤可怡　管诗骈　 岳峻峰　蔡亮　向彦铮　朱颖杰　 司加胜　周德宇　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 专利代理师 徐燕 (51)Int.Cl. G06F 30/20(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于真空度引导的汽轮机输出功率预 测方法 (57)摘要 一种基于真空度引导的汽轮机输出功率预 测方法， 包括： 采集汽轮机和凝汽器原始数据， 并 划分成历史数据序列、 被预测节 点的汽轮机数据 和凝汽器数据； 采用编码器 ‑解码器框架， 并额外 提出一个连接模块； 在编码器中采用LSTM网络编 码凝汽器工况信息并预测真空度， 并将真空度的 信息编码到 隐状态表示中； 在连接模块， 通过注 意机制和CNN分别捕捉编码器局部和全局真空信 息； 在解码器中， 将编码器包含的真空度信息 隐 状态和细胞状态用于初始化， 并将局部、 全局真 空信息、 汽轮机的工况信息作为解码器的输入进 行编码并预测汽轮机输出功率， 直至MSE损失函 数收敛， 完成网络训练。 通过训练好的网络对汽 轮机输出功率进行 预测。 权利要求书3页 说明书8页 附图2页 CN 115455698 A 2022.12.09 CN 115455698 A 1.一种基于真空度引导的汽轮机 输出功率预测方法， 其特 征在于， 包括以下步骤： S1、 采集火力发电厂若干组原始历史数据， 分别对每一组原始历史数据进行预处理以 及归一化处理得到多组训练数据， 且每组训练数据中都划分有凝汽器工况数据序列 Xt‑b+1:t、 汽轮机历史工况数据序列Yt‑b+1:t、 被预测节点凝汽器真空度数据Pt、 被预测节点汽 轮机输出功率数据Qt； S2、 基于步骤S1中每组训练数据以及编码器 ‑解码器框架， 建立码器 ‑解码器网络； 其 中， 在编码器和解码器处分别建立凝气器模型和汽轮机模型， 并设计一个连接模块用于建 立凝汽器模型与汽轮机模型之 间的耦合关系； 所述编 码器用于动态地预测凝汽器目标时刻 真空度大小vt； 所述解码器用于预测目标时刻的汽轮机输出功率pt； 所述连接模块由注意力 机制和卷积神经网络CNN组成， 用于捕捉编码 器的局部 真空信息和全局真空信息， 进而辅助 上述解码器预测目标时刻的汽轮机 输出功率pt； 基于步骤S1中每组训练数据， 分别使用预测的真空度大小vt、 汽轮机输出功率pt计算 MSE损失函数直至收敛， 完成针对编码器 ‑解码器网络的端到端训练； S3、 实时采集凝汽器、 汽轮机相关的工况数据， 通过训练好的编码器 ‑解码器网络， 以预 测出目标时间节点下凝汽器的真空度大小以及汽轮机的输出功率。 2.根据权利要求1所述的一种基于真空度引导的汽轮机输出功率预测方法， 其特征在 于， 步骤S1中所述的分别对每组原始历史数据进行预处理以及归一化的具体内容为： 针对 原始历史数据， 过滤并删除具有异常值的时间点， 然后根据火力发电的实际场景， 选择与凝 汽器、 汽轮机工作相关的特征数据， 并对每一个特征数据， 采用最大或最小归一化以实现数 据的标准 化。 3.根据权利要求1所述的一种基于真空度引导的汽轮机输出功率预测方法， 其特征在 于， 步骤S2 中所述的基于步骤S1中每组训练数据以及编码器 ‑解码器框架， 建立码器 ‑解码 器网络， 以预测凝汽器目标时刻真空度大小vt和目标时刻汽轮机 输出功率pt的具体内容 为： S211、 将编码器与解码器均设计为采用具有L层长短时记 忆网络LSTM作为基本 框架； S212、 将每组凝汽器工况数据序列Xt‑b+1:t＝{xt‑b+1,…,xi,…,xt}输入至编码器的第一 层长短时记忆网络LSTM中， 从而获得凝汽器工况数据序列所有时刻对应的隐表示 其中， xi∈Xt‑b+1:t表示第i个时间节点凝汽器工况 数据序列， b为数据 序列的时间节点数量； S213、 将步骤S212 得到的单层隐状态表示 作为编码器下一层 长短时记忆网络LSTM的 输入， 从而获得凝汽 器工况数据序列所有时刻对 应的隐表示 同理， 将编码器上一层长短 时记忆网络LSTM的输出作为编码 器下一层长 短时记忆网络LSTM的输入， 直至编码 器长短时 记忆网络LSTM的最后一层输出数据序列的 隐状态表示 和LSTM的 细胞状态 步骤S214、 将编码器时刻t的隐状态 通过线性层与RELU激活函数， 进而得到输出时刻 t的预测真空度大小vt 式中， W1与W2都是用于训练的参数； 步骤S215、 通过连接模块， 使用其 内部的注意力机制以及卷积神经网络CNN来分别捕获权　利　要　求　书 1/3 页 2 CN 115455698 A 2凝汽器中的局部真空度信息L和全局真空度信息G； 针对局部真空度信息L＝[l1,…,li,…,lt]， 其中时间步骤i的局部特征为li； 通过计算 点积确定时间步骤i ‑1的解码器隐藏状态 与He之间的语义相关性Al： 因此， 时间步骤i的局部特 征li的计算方法如下： li＝AlHe 同理根据上述公式， 得 出局部真空度信息L ＝[l1,…,li,…,lt]； 针对全局真空度信息G， 在卷积神经网络CNN中先采用一维卷积的方式对He进行特征映 射: 式中， s为过滤器的大小， n为卷积的步长， wi代表第i个过滤器的参数， f(.)表示激活函 数， 代表的是He中下标n到n+s ‑1这些时刻的隐状态级联后得到的向量， 代表的 是第i个过滤器对 进行卷积操作后得到的表示， 表示第i个滤波器对He 依次进行卷积操作之后得到的表示 级联后得到的向量， 然后， max(.)代 表最大池化来降低卷积输出 的维度， 得到第i个滤波器对He最终输出oi， 将所有 滤波器的输出 连接起来， 得到全局特 征G: G＝[o1,o2,…,om] 式中， o1表示第1个过滤器对He的输出， o2表示第2个过滤器对He的输出， om表示第m个过 滤器对He的输出,m代 表过滤器的数量； 步骤S216、 将每一组汽轮机工况数据序列Yt‑b+1:t＝{yt‑b+1,…,yi,…,yt}与局部真空度 信息L和全局真空度信息G进 行拼接得到输入I＝[L:Y:G]， 将其输入到解码 器的到第一层长 短时记忆网络LSTM中， 从而获得汽轮机工况数据序列所有时刻对应的隐表示 其中， yi∈ Yt‑b+1:t表示第i个时间节点汽轮机的工况 数据， b为数据 序列的时间节点数量； 步骤S217、 将步骤S216得到的单层隐状态表示 作为解码器下一层长短时记忆网络 LSTM的输入， 从而获得汽轮机工况数据序列所有时刻对应的隐表示 同理， 将解码器上 一层长短时记忆网络LSTM的输出作为解码器下一层长 短时记忆网络LSTM的输入， 直至解码 器长短时记 忆网络LSTM的最后一层输出 数据序列的隐状态 表示 步骤S218、 将解码器最后的一个时刻的隐状态 通过与RELU激活函数， 进而得到输出 时刻t预测的汽轮机 输出功率大小pt： 其中， W3与W4都是用于训练的参数。 4.根据权利要求3所述的一种基于真空度引导的汽轮机输出功率预测方法， 其特征在 于， 在经过步骤S211 ‑S218实现建立码器 ‑解码器网络， 以用来预测真空度大小vt和汽轮机权　利　要　求　书 2/3 页 3 CN 115455698 A 3