申请/专利权人：东南大学

申请日：2023-12-13

公开（公告）日：2024-04-19

公开（公告）号：CN117908591A

主分类号：G05D23/20

分类号：G05D23/20;G06N3/0442;G06N3/045;G06N3/0464;G06N3/049;G06N3/082;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明提出基于未来负荷指令的火电机组过热汽温多步预测方法，首先对影响过热器温度的参数进行特征筛选，选取出与过热汽温相关性最大的多个参数作为最终的输入特征，结合未来的功率指令，一并输入到所构建的CNN‑BiLSTM‑Attention网络中，再采用时间滑动窗口进行滑移，实现了利用历史数据结合未来功率指令对未来多步的过热汽温进行预测。本发明的预测方法，结合了历史数据和未来的功率指令，有效的改善了预测抖动和滞后的问题。

主权项：1.基于未来负荷指令的火电机组过热汽温多步预测方法，其特征在于，包括以下步骤：S1、收集由于机组变工况运行所导致的过热器发生变化的参数，包括联箱出口温度，A、B侧出口温度、蒸汽流量，一次、二次风量，高加进口压力都会导致过热蒸汽温度发生变化；S2、对所收集的参数进行特征筛选，包括信号降噪，根据特征之间关系紧密程度进行筛选，保留相关性强的特征作为一个输入变量，并将未来功率指令作为另一个输入变量组成输入样本数据，并划分训练集和测试集；S3、采用训练集对用于预测过热蒸汽温度的CNN-BiLSTM-Attention模型进行训练，包括：先将训练集中数据做归一化处理，再由CNN模块提取出归一化后数据间的特征，将特征导入到BiLSTM网络经由全连接层进行拟合预测，再将输出与Attention机制得出的权重相乘作为最终输出预测结果；对归一化处理后的训练集中数据采用时间滑动窗口进行滑移，对CNN-BiLSTM-Attention模型进行循环训练，得到训练好的CNN-BiLSTM-Attention模型；S4、利用训练好的CNN-BiLSTM-Attention模型，对测试集采用时间滑动窗口进行滑移预测，实现连续的对过热蒸汽温度的多步预测。

全文数据：

权利要求：

百度查询： 东南大学 基于未来负荷指令的火电机组过热汽温多步预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD