基于LSTM神經網絡算法的超超臨界機組負荷優化分配

王利中，蔡安亮，張楠

（國能粵電臺山發電有限公司，廣東江門 529228）

電力工業在發展過程中不僅要考慮生產效率，還要注重節能環保，這就需要大力推動超超臨界機組這一先進科技力量的應用發展。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，關于超超臨界機組負荷運行過程中優化能源消耗成本、減小污染排放量，提高發電機組使用壽命為目的的負荷優化配置得到了廣泛關注。

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

LSTM 神經網絡算法具有記憶時長長、建模優勢、操作簡易等優點[3-4]。為克服傳統超超臨界機組負荷優化分配研究過程中的不足，該文基于LSTM 神經網絡算法研究了一種新的優化分配方法，建立數學分配模型，并通過實驗驗證了負荷優化分配方法的實際應用效果。

1 超超臨界機組負荷優化分配數學模型

基于LSTM 神經網絡算法的負荷優化數學模型如圖1 所示。

圖1 負荷優化數學模型

圖1 中，xt表示輸入的負荷數據，該文主要以LSTM 神經網絡算法智能技術為依托，利用LSTM 中的記憶塊、遺忘門、輸入門、輸出門和記憶單元，實現對遞歸神經網絡的簡單處理，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，選用目標函數分析各個單元，建立的目標函數如式（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聯，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；Q2表示吸入電荷數[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 負荷優化分配

通過LSTM 神經網絡算法對超超臨界機組負荷進行優化，設定控制模塊，在控制模塊中，確保輸入信號的穩定性，保證控制模塊可以獨立運行并監測其他模塊的操作；在輸入、輸出模塊中，保證每個模塊配備微處理器，動態監測各項數據，對故障實現實時掌握與修復[13-14]。

通過LSTM 神經網絡算法在不同階段進行優化?；贚STM 神經網絡算法的負荷優化分配過程如圖2 所示。

圖2 負荷優化分配過程

首先，在遺忘階段，利用目標函數對D維空間中個體的速度與質量進行優化，并計算每個個體的加速度，通過迭代過程實現對個體原先位置的遺忘。

個體的質量計算如式（6）所示：

其中，qfit(t)表示個體在t次迭代時的適應度函數值；qj(t)表示個體在第t次迭代時的質量[15]。

其次，在選擇記憶階段，LSTM 神經網絡算法采用三層網絡結構，構造神經元的函數，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值集合序列；ug(t)表示t時刻的數值輸入[16]。

更新記憶細胞，每次更新時都需要使用最優序列中與原始值親和力最高的單個數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，實現對需要記憶的數據強化與冗雜信息的智能淘汰。

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

其中，Y代表功率輸出值；xmax-xmin表示神經元輸出的最大值與最小值的差距；enε表示網調負荷。

在上述公式的計算過程中，預設迭代次數；先令x=0，計算出各機組數值輸出，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，得到最大迭代次數后停止運行，給出優化結果。

3 實驗研究

為了驗證該文提出的基于LSTM 神經網絡算法的超超臨界機組負荷優化分配的實際應用效果，與傳統的基于免疫優化ICA 算法的優化分配方法和機組協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，得到的實驗結果如圖3-6 所示。

圖3 未優化前負荷分配成本

由圖3 可知，在不同時間內，未優化前的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減少。

根據圖4 可知，基于免疫優化ICA 算法的優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 基于免疫優化ICA算法優化分配成本

觀察圖5 可知機組協控模型對機組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化能力較差。

圖5 機組協控模型分配成本

根據圖6 可知，該文提出的優化分配方法能夠有效降低成本，與傳統方法相比成本降低50%以上。造成這種現象的原因是該文利用LSTM 神經網絡算法對輸入數據實現最優控制，將集合序列中的每個數值作用于預測模型，得出最優序列的預測值，因此能夠很好地達到優化效果，降低優化成本。負荷分配時長實驗結果如表1 所示。

表1 負荷分配時長實驗結果

圖6 基于LSTM神經網絡算法分配成本

根據表1 可知，當負荷量為1 000 MW 時，該文提出的優化分配方法分配時間低于10 min，而傳統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 神經網絡算法對相關數據進行采集與分析，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 結束語

為提升超超臨界機組負荷優化分配效果，該文在LSTM 神經網絡算法的基礎上建立單元制機組數學模型與母管制機組負荷分配數學模型，利用算法優勢增強了超超臨界機組負荷的數據監測與修正能力，促進了機組各單元負荷的合理分配，優化了能源供給成本，達到了節能減排、提高機組運行效率的目標。