CN114881207A - 基于lstm深度循环神经网络的蒸汽压力预测方法及装置 - Google Patents

Abstract

本申请公开了一种基于LSTM深度循环神经网络的蒸汽压力预测方法及装置，通过采集蒸汽锅炉系统运行数据，得到运行参数矩阵，根据LSTM模型对蒸汽锅炉系统运行参数矩阵进行重组得到样本集，随机选取样本集中样本量作为训练数据集和验证数据集，并以训练数据集、验证数据集为输入，构建基于LSTM深度循环神经网络的初始蒸汽压力预测模型；对初始蒸汽压力预测模型中超参数进行优化，以优化后的超参数作为控制量，对LSTM深度循环神经网络蒸汽压力预测模型进行训练，得到蒸汽压力动态预测模型；输入蒸汽锅炉系统实时运行数据，得到蒸汽压力预测值。克服了蒸汽锅炉系统高耦合、大滞后的特性，建立适用性强、预测精度高的预测模型。

Description

基于LSTM深度循环神经网络的蒸汽压力预测方法及装置

技术领域

本申请涉及工业蒸汽锅炉燃烧技术领域，具体涉及一种基于LSTM深度循环神经网络的蒸汽压力预测方法及装置。

背景技术

蒸汽锅炉是一种生产蒸汽的换热设备，它利用煤、油、燃气、生物质等燃料燃烧释放的能量，通过传热过程将这些能量传递给水，使得水变成蒸汽，蒸汽供给工业生产所需的热能，或通过蒸汽动力机转变成机械能，或者通过汽轮发电机变为电能，又或者直接供给下游热用户。蒸汽压力过高，有可能导致锅炉爆炸等安全事故的发生；蒸汽压力过低，必然降低蒸汽质量；蒸汽压力必须处在一个适中的范围内。因此，锅炉蒸汽压力是生产过程中被关注的重要工艺指标之一。

一般蒸汽生产包含三个同时进行的过程：燃料燃烧过程、水的汽化过程、烟气向水转化过程。影响蒸汽压力的因素有很多，各种因素对最终的蒸汽压力响应不一，各因素之间相互耦合，锅炉系统纯滞后大。现有生产过程中，操作人员/自控系统是通过人工经验或传统控制方法将蒸汽压力控制在一个相对“可控”范围，蒸汽压力波动较大、产品质量难以保障、负荷变化频繁不能最大化生产设备效率、生产经济性欠佳。因此蒸汽压力准确预测对于指导实际生产、改善自动控制效果、保障蒸汽品质、提升生产设备效率、增加生产厂家收益来说意义重大。

发明内容

为此，本申请提供一种基于LSTM深度循环神经网络的蒸汽压力预测方法及装置，以解决现有技术存在的影响蒸汽压力的各因素之间相互耦合，锅炉系统纯滞后大的问题。

为了实现上述目的，本申请提供如下技术方案：

第一方面，一种基于LSTM深度循环神经网络的蒸汽压力预测方法，包括：

获取蒸汽锅炉生产运行数据，并将所述运行数据存入历史数据库中；

对所述历史数据库中的所有历史数据进行预处理，得到蒸汽锅炉系统参数标准化矩阵；

根据LSTM算法对蒸汽锅炉系统参数进行重组，得到模型参数矩阵样本集；

根据所述模型参数矩阵样本集得到LSTM深度循环神经网络初始蒸汽压力预测模型；

将所述初始蒸汽压力预测模型中的超参数进行优化，以优化后的超参数作为控制量，对所述初始蒸汽压力预测模型进行训练，得到蒸汽压力动态预测模型；

将蒸汽锅炉系统实时运行数据按蒸汽压力动态预测模型规格整理后动态输入所述蒸汽压力动态预测模型中，得到蒸汽压力预测值。

进一步的，对所述历史数据库中的所有历史数据进行预处理，得到蒸汽锅炉系统参数标准化矩阵，具体包括：

将所有历史数据按时间顺序进行排序，得到历史数据表；

去除所述历史数据表中的缺失值，若蒸汽锅炉系统行向量中某位置为空，则删除该行数据；

按照时间变量对数据重采样，得到蒸汽锅炉系统运行参数矩阵X；

将所述运行参数矩阵X进行标准化计算，得到参数标准化矩阵X^*；

所述标准化转换的计算公式为：

其中，x_ik代表蒸汽锅炉系统参数矩阵X中第i行第k列的运行数据，

代表蒸汽锅炉系统参数矩阵X中x_ik归一化后的运行数据，

为蒸汽锅炉系统参数矩阵X中第k列的运行数据的均值，

为蒸汽锅炉系统参数矩阵X中第k列的运行数据的方差，ε为非零常数。

进一步的，所述运行参数矩阵X的行向量是蒸汽锅炉系统每一时刻的运行数据，所述运行参数矩阵X的列向量是蒸汽锅炉系统每一条运行属性的值。

进一步的，所述模型参数矩阵为：

其中，T为基于LSTM深度循环神经网络的蒸汽压力初始预测模型的超参数中的时间步数，

代表在t-(T-a)时刻得到的蒸汽锅炉系统归一化矩阵X^*数据，其中参数a的取值范围为1≤a≤T，y_t为LSTM模型的输出参数，代表t时刻蒸汽压力。

进一步的，根据所述模型参数矩阵样本集得到LSTM深度循环神经网络初始蒸汽压力预测模型，具体包括：

随机选取样本集中80％的样本作为训练数据集，剩余20％作为验证数据集，以训练数据集、验证数据集作为模型输入，建立LSTM深度循环神经网络模型，设定模型输入特征大小、网络层数、每层神经元个数、正则化参数、输出特征大小、网络迭代次数、优化方法，得到基于LSTM深度循环神经网络初始蒸汽压力预测模型。

进一步的，将所述初始蒸汽压力预测模型中的超参数进行优化，具体包括：

首先对超参数T进行优化，得到最优超参数T之后以相同的优化方式对超参数中的batch-size进行优化；最后对超参数lr学习率进行优化。

更进一步的，超参数T＝15，batch-size＝256，lr＝0.0004。

进一步的，所述蒸汽锅炉生产运行数据是从DCS系统中获取的。

进一步的，所述运行数据的采集周期为1秒。

第二方面，一种基于LSTM深度循环神经网络的蒸汽压力预测装置，包括：

运行数据获取模块，用于获取蒸汽锅炉生产运行数据，并将所述运行数据存入历史数据库中；

预处理模块，用于对所述历史数据库中的所有历史数据进行预处理，得到蒸汽锅炉系统参数标准化矩阵；

参数重组模块，根据LSTM算法对蒸汽锅炉系统参数进行重组，得到模型参数矩阵样本集；

初始蒸汽压力预测模型训练模块，用于根据所述模型参数矩阵样本集得到LSTM深度循环神经网络初始蒸汽压力预测模型；

蒸汽压力动态预测模型训练模块，用于将所述初始蒸汽压力预测模型中的超参数进行优化，以优化后的超参数作为控制量，对所述初始蒸汽压力预测模型进行训练，得到蒸汽压力动态预测模型；

输出模块，用于将蒸汽锅炉系统实时运行数据按蒸汽压力动态预测模型规格整理后动态输入所述蒸汽压力动态预测模型中，得到蒸汽压力预测值。

相比现有技术，本申请至少具有以下有益效果：

1、通过蒸汽锅炉系统的历史运行数据，构建基于LSTM深度循环神经网络的蒸汽压力预测模型，并利用LSTM深度循环神经网络的序列依赖问题处理能力，克服了蒸汽锅炉系统高耦合、大滞后的特性，能够在很大程度上忽略工况频繁变化、系统参数相互耦合、系统纯滞后大等干扰因素对蒸汽压力预测精度的影响。

2、方法简单、适应性强、预测精度高的特点，为改善自动控制效果、保障PVC质量品质、提升生产设备效率、增加生产厂家收益提供坚实保障的优点。

附图说明

为了更直观地说明现有技术以及本申请，下面给出几个示例性的附图。应当理解，附图中所示的具体形状、构造，通常不应视为实现本申请时的限定条件；例如，本领域技术人员基于本申请揭示的技术构思和示例性的附图，有能力对某些单元(部件)的增/减/归属划分、具体形状、位置关系、连接方式、尺寸比例关系等容易作出常规的调整或进一步的优化。

图1为本申请实施例一提供的一种基于LSTM深度循环神经网络的蒸汽压力预测方法第一种流程图；

图2为本申请实施例一提供的一种基于LSTM深度循环神经网络的蒸汽压力预测方法第二种流程图。

具体实施方式

以下结合附图，通过具体实施例对本申请作进一步详述。

在本申请的描述中：除非另有说明，“多个”的含义是两个或两个以上。本申请中的术语“第一”、“第二”、“第三”等旨在区别指代的对象，而不具有技术内涵方面的特别意义(例如，不应理解为对重要程度或次序等的强调)。“包括”、“包含”、“具有”等表述方式，同时还意味着“不限于”(某些单元、部件、材料、步骤等)。

本申请中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语，通常是为了便于对照附图直观理解，而并非对实际产品中位置关系的绝对限定。在未脱离本申请揭示的技术构思的情况下，这些相对位置关系的改变，当亦视为本申请表述的范畴。

实施例一

请参阅图1和图2，本实施例提供一种基于LSTM深度循环神经网络的蒸汽压力预测方法，包括：

S1：获取蒸汽锅炉生产运行数据，并将运行数据存入历史数据库中；

具体的，根据预置的蒸汽锅炉蒸汽压力预测模型的输入变量，从DCS系统中实时获取与之相对应的蒸汽锅炉系统运行数据，运行数据的采集周期为1秒，采集的运行数据包括炉膛负压、炉膛温度、主蒸汽压力、主汽温度、管网压力、一次风量、二次风量、锅炉负荷、供气压力、烟尘浓度、烟气SO2、烟气NOX、总燃料供给量和烟气含氧量等。

S2：对历史数据库中的所有历史数据进行预处理，得到蒸汽锅炉系统参数标准化矩阵；

具体的：

S21：将所有历史数据按照时间顺序进行排序，得到历史数据表；

S22：去除历史数据表中的缺失值，若蒸汽锅炉系统行向量中某位置为空，则删除该行数据；

S23：按照时间变量对数据重采样，得到蒸汽锅炉系统运行参数矩阵X；

具体的，去除异常值的数据表按照时间变量对数据进行重采样，以分钟为单位重新组织数据，将秒级数据按均值转化为分钟级数据，转换后的参数值为该参数在一分钟内的均值，并以矩阵的形式存储，其中蒸汽锅炉系统每一时刻的运行数据作为矩阵的行向量，蒸汽锅炉系统每一条运行属性的值作为该矩阵的列向量，得到蒸汽锅炉系统参数矩阵X。

S24：将所述运行参数矩阵X进行标准化计算，得到参数标准化矩阵X^*；

具体的，标准化转换的计算公式为：

其中，x_ik代表蒸汽锅炉系统参数矩阵X中第i行第k列的运行数据，

代表蒸汽锅炉系统参数矩阵X中x_ik归一化后的运行数据，

为蒸汽锅炉系统参数矩阵X中第k列的运行数据的均值，

为蒸汽锅炉系统参数矩阵X中第k列的运行数据的方差，ε为非零常数。

S3：根据LSTM算法对蒸汽锅炉系统参数进行重组，得到模型参数矩阵；

具体的，根据LSTM模型的数据格式要求，对蒸汽锅炉系统参数进行数据重组，得到模型参数矩阵X_t样本集，

模型参数矩阵X_t为：

其中，T为基于LSTM深度循环神经网络的蒸汽压力初始预测模型的超参数中的时间步数，

代表在t-(T-a)时刻得到的蒸汽锅炉系统归一化矩阵X^*数据，其中参数a的取值范围为1≤a≤T，y_t为LSTM模型的输出参数，代表t时刻蒸汽压力。

S4：根据模型参数矩阵样本集得到LSTM深度循环神经网络初始蒸汽压力预测模型；

具体的，随机选取样本集中80％的样本作为训练数据集，剩余20％作为验证数据集，以训练数据集、验证数据集作为模型输入，建立LSTM深度循环神经网络模型，设定模型输入特征大小、网络层数、每层神经元个数、正则化参数、输出特征大小、网络迭代次数、优化方法，得到基于LSTM深度循环神经网络初始蒸汽压力预测模型。

S5：将初始蒸汽压力预测模型中的超参数进行优化，以优化后的超参数作为控制量，对所述初始蒸汽压力预测模型进行训练，得到蒸汽压力动态预测模型；

S51：运用超参数优化子单元初始化初始蒸汽压力预测模型中的超参数，然后对其进行优化，得到优化后的超参数；

具体的，首先对需要优化的超参数进行初始化；通过改变超参数的值，根据训练效果及模型在验证数据集损失判断当前参数是否为最优值；在进行超参数优化时，首先对超参数T进行优化，得到最优T之后以相同的优化方式对超参数中的batch-size进行优化；最后对超参数lr学习率进行优化。

超参数T＝15，batch-size＝256，lr＝0.0004，此处提供的超参数初始化值仅作为参考值，可根据实际需求进行调整，在此处不作限定。

S52：运用模型训练子单元将优化后的超参数作为控制量，对初始蒸汽压力预测模型进行训练，得到基于LSTM深度循环神经网络的蒸汽压力动态预测模型。

S6：将蒸汽锅炉系统实时运行数据按蒸汽压力动态预测模型规格整理后动态输入所述蒸汽压力动态预测模型中，得到蒸汽压力预测值。

需要说明的是，整理实时数据采用的方法同S2-S5中提到的实施步骤，得到输入变量；然后将输入变量输入至预测模型，得到的蒸汽压力预测值。

本实施例提供的基于LSTM深度循环神经网络的蒸汽压力预测方法，通过蒸汽锅炉系统的历史运行数据构建基于LSTM深度循环神经网络的蒸汽压力预测模型，并利用LSTM深度循环神经网络的序列依赖问题处理能力，克服了蒸汽锅炉系统高耦合、大滞后的特性，能够在很大程度上忽略工况频繁变化、系统参数相互耦合、系统纯滞后大等干扰因素对蒸汽压力预测精度的影响，简单、适应性强、预测精度高的特点，为改善自动控制效果、保障PVC质量品质、提升生产设备效率、增加生产厂家收益提供坚实保障的优点。

实施例二

本实施例提供一种基于LSTM深度循环神经网络的蒸汽压力预测装置，包括：

运行数据获取模块，用于获取蒸汽锅炉生产运行数据，并将所述运行数据存入历史数据库中；

预处理模块，用于对所述历史数据库中的所有历史数据进行预处理，得到蒸汽锅炉系统参数标准化矩阵；

参数重组模块，根据LSTM算法对蒸汽锅炉系统参数进行重组，得到模型参数矩阵样本集；

初始蒸汽压力预测模型训练模块，用于根据所述模型参数矩阵样本集得到LSTM深度循环神经网络初始蒸汽压力预测模型；

蒸汽压力动态预测模型训练模块，用于将所述初始蒸汽压力预测模型中的超参数进行优化，以优化后的超参数作为控制量，对所述初始蒸汽压力预测模型进行训练，得到蒸汽压力动态预测模型；

输出模块，用于将蒸汽锅炉系统实时运行数据按蒸汽压力动态预测模型规格整理后动态输入所述蒸汽压力动态预测模型中，得到蒸汽压力预测值。

关于基于LSTM深度循环神经网络的蒸汽压力预测装置的具体限定可以参见上文中对于基于LSTM深度循环神经网络的蒸汽压力预测方法的限定，在此不再赘述。

以上实施例的各技术特征可以进行任意的组合(只要这些技术特征的组合不存在矛盾)，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述；这些未明确写出的实施例，也都应当认为是本说明书记载的范围。

上文中通过一般性说明及具体实施例对本申请作了较为具体和详细的描述。应当理解，基于本申请的技术构思，还可以对这些具体实施例作出若干常规的调整或进一步的创新；但只要未脱离本申请的技术构思，这些常规的调整或进一步的创新得到的技术方案也同样落入本申请的权利要求保护范围。

Claims (10)

1.一种基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，包括：

获取蒸汽锅炉生产运行数据，并将所述运行数据存入历史数据库中；

对所述历史数据库中的所有历史数据进行预处理，得到蒸汽锅炉系统参数标准化矩阵；

根据LSTM算法对蒸汽锅炉系统参数进行重组，得到模型参数矩阵样本集；

根据所述模型参数矩阵样本集得到LSTM深度循环神经网络初始蒸汽压力预测模型；

将所述初始蒸汽压力预测模型中的超参数进行优化，以优化后的超参数作为控制量，对所述初始蒸汽压力预测模型进行训练，得到蒸汽压力动态预测模型；

将蒸汽锅炉系统实时运行数据按蒸汽压力动态预测模型规格整理后动态输入所述蒸汽压力动态预测模型中，得到蒸汽压力预测值。

2.根据权利要求1所述的基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，对所述历史数据库中的所有历史数据进行预处理，得到蒸汽锅炉系统参数标准化矩阵，具体包括：

将所有历史数据按时间顺序进行排序，得到历史数据表；

去除所述历史数据表中的缺失值，若蒸汽锅炉系统行向量中某位置为空，则删除该行数据；

按照时间变量对数据重采样，得到蒸汽锅炉系统运行参数矩阵X；

将所述运行参数矩阵X进行标准化计算，得到参数标准化矩阵X^*；

所述标准化转换的计算公式为：

其中，x_ik代表蒸汽锅炉系统参数矩阵X中第i行第k列的运行数据，

代表蒸汽锅炉系统参数矩阵X中x_ik归一化后的运行数据，

为蒸汽锅炉系统参数矩阵X中第k列的运行数据的均值，

为蒸汽锅炉系统参数矩阵X中第k列的运行数据的方差，ε为非零常数。

3.根据权利要求2所述的基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，所述运行参数矩阵X的行向量是蒸汽锅炉系统每一时刻的运行数据，所述运行参数矩阵X的列向量是蒸汽锅炉系统每一条运行属性的值。

4.根据权利要求2所述的基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，所述模型参数矩阵为：

其中，T为基于LSTM深度循环神经网络的蒸汽压力初始预测模型的超参数中的时间步数，

代表在t-(T-a)时刻得到的蒸汽锅炉系统归一化矩阵X^*数据，其中参数a的取值范围为1≤a≤T，y_t为LSTM模型的输出参数，代表t时刻蒸汽压力。

5.根据权利要求1所述的基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，根据所述模型参数矩阵样本集得到LSTM深度循环神经网络初始蒸汽压力预测模型，具体包括：

随机选取样本集中80％的样本作为训练数据集，剩余20％作为验证数据集，以训练数据集、验证数据集作为模型输入，建立LSTM深度循环神经网络模型，设定模型输入特征大小、网络层数、每层神经元个数、正则化参数、输出特征大小、网络迭代次数、优化方法，得到基于LSTM深度循环神经网络初始蒸汽压力预测模型。

6.根据权利要求1所述的基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，将所述初始蒸汽压力预测模型中的超参数进行优化，具体包括：

首先对超参数T进行优化，得到最优超参数T之后以相同的优化方式对超参数中的batch-size进行优化；最后对超参数lr学习率进行优化。

7.根据权利要求6所述的基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，超参数T＝15，batch-size＝256，lr＝0.0004。

8.根据权利要求1所述的基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，所述蒸汽锅炉生产运行数据是从DCS系统中获取的。

9.根据权利要求1所述的基于LSTM深度循环神经网络的蒸汽压力预测方法，其特征在于，所述运行数据的采集周期为1秒。

10.一种基于LSTM深度循环神经网络的蒸汽压力预测装置，其特征在于，包括：

运行数据获取模块，用于获取蒸汽锅炉生产运行数据，并将所述运行数据存入历史数据库中；

预处理模块，用于对所述历史数据库中的所有历史数据进行预处理，得到蒸汽锅炉系统参数标准化矩阵；

参数重组模块，根据LSTM算法对蒸汽锅炉系统参数进行重组，得到模型参数矩阵样本集；

初始蒸汽压力预测模型训练模块，用于根据所述模型参数矩阵样本集得到LSTM深度循环神经网络初始蒸汽压力预测模型；

蒸汽压力动态预测模型训练模块，用于将所述初始蒸汽压力预测模型中的超参数进行优化，以优化后的超参数作为控制量，对所述初始蒸汽压力预测模型进行训练，得到蒸汽压力动态预测模型；

输出模块，用于将蒸汽锅炉系统实时运行数据按蒸汽压力动态预测模型规格整理后动态输入所述蒸汽压力动态预测模型中，得到蒸汽压力预测值。

Images