一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113359425A(43)申请公布日2021.09.07(21)申请号202110764315.3(22)申请日2021.07.06(71)申请人浙江浙能技术研究院有限公司地址311121浙江省杭州市余杭区五常街道余杭塘路2159-1号1幢5楼(72)发明人郑必君张震伟杨勤郭鼎王豆傅骏伟姜志锋孟瑜炜(74)专利代理机构杭州九洲专利事务所有限公司33101代理人张羽振(51)Int.Cl.G05B11/42(2006.01)权利要求书2页说明书5页附图3页(54)发明名称一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统(57)摘要本发明涉及一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，包括步骤：建立并训练主汽温预测模型；利用训练好的主汽温预测模型，进行PID优化；根据训练得到的主汽温预测模型，针对炉内空气动力场、火焰中心的扰动进行主汽温预测，量化风量波动、燃烧每层变动等扰动对于主汽温的影响，并根据主汽温预测结果来建立相关的调节经验库，作为智能化控制的依据。本发明的有益效果是：在现有的主汽温自动调节的基础上，建立主汽温的预测模型，改良主汽温PID系统结构，通过深度学习神经网络对主汽温的预测，利用主汽温的预测数值，改良过热器减温水的PID控制逻辑，显著改善其调节品质。CN113359425ACN113359425A权利要求书1/2页1.一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，其特征在于，包括以下步骤：步骤1、建立并训练主汽温预测模型；步骤1.1、主汽温预测模型采取双层LSTM神经网络和三层逐渐收敛的BP神经网络；LSTM神经网络设有遗忘门gf、输入门gi和输出门go，LSTM神经网络的相关方程为：ft＝σ(Wf×[ht‑1，xt]+bf)(1)it＝σ(Wi×[ht‑1，xt]+bi)(2)ot＝σ(Wo×[ht‑1，xt]+bo)(4)ht＝ot*tanh(Ct)(5)上式中，xt为t时刻LSTM单元的输入；ht‑1为t‑1时刻LSTM单元的输入；Wf为遗忘门gf的权重矩阵；Wi为输入门gi的权重矩阵；Wo为输出门go的权重矩阵；bf为遗忘门gf的偏置项；bi为输入门gi的偏置项；bo为输出门go的偏置项；ft为遗忘门gf在t时刻的状态，it为输入门gi在t时刻的状态，ot为输出门go在t时刻的状态；σ为sigmoid激活函数，tanh为双曲函数的激活函数，Ct为t时刻的LSTM单元状态，为t时刻输入的临时状态，Wc、bc分别为计算的权重矩阵及偏置项，ht为t时刻LSTM单元的输出；双层LSTM神经网络全连接层最终输出为全连接层多个输出的均值；步骤1.2、进行数据收集，对收集到的数据进行数据清洗后，将数据按照时间序列排序；步骤1.3、将清洗、排序完成的数据输入主汽温预测模型，根据公式(1)至公式(5)，依次计算步骤1.2收集到的相应数据类型的数据，得到LSTM神经网络的输出数据；将LSTM神经网络的输出数据再送入BP神经网络进行二次计算，BP神经网络的最后一层有多个节点，多个节点输出多个预测结果，以多个预测结果的均值作为主汽温预测模型的最终预测值；最后采用Adam方法对主汽温预测模型进行迭代训练寻优，当主汽温预测模型的预测精度达到设定值以上时，停止迭代训练；步骤2、利用训练好的主汽温预测模型，进行PID优化；步骤2.1、用主汽温预测模型中双层LSTM神经网络来预测设定时延后的主汽温预测值；步骤2.2、计算当前主汽温数值与主汽温预测值之间的差值Δt，将Δt输入串级PID系统的内部副PID控制器，为副PID控制器提供前馈修正；主PID控制器仍进行粗调修正；步骤3、根据训练得到的主汽温预测模型，进行主汽温预测，并根据主汽温预测结果来建立相关的调节经验库。2.根据权利要求1所述基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，其特征在于，步骤1.2收集的数据包括：机组的总燃料量、给水流量、总风量、烟气温度、二次风门开度、二次风温度、磨煤机电流、磨煤机运行方式和炉吹灰器运行状态。3.根据权利要求1所述基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，其特征在于：步骤2.1中主汽温预测值为高温过热器的出口温度值。4.根据权利要求1所述基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，其特征在于：步骤2.1中设定时延为10秒。2CN113359425A权利要求书2/2页5.根据权利要求1所述基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，其特征在于：步骤1.3中