一种基于PCA和LSTM的核电机组功率预测方法技术

本申请提供一种基于PCA和LSTM的核电机组功率预测方法，首先采集核电机组设备的历史运行功率数据，对采集到的数据进行归一化处理,划分训练集和测试集；然后通过PCA对机组的历史运行数据进行特征提取，用以训练LSTM预测模型；从而可以根据核电机组的实时运行数据对功率进行预测。本申请提供的方法解决了传统预测方法预测精度低的问题，使用该预测方法需要调整的参数少，同时可以处理较长时间的非线性序列预测问题，能够及时准确的预测机组功率，从而实现对核电站精确调度运行，为调度人员提供运行计划提供借鉴。

【技术实现步骤摘要】
一种基于PCA和LSTM的核电机组功率预测方法
本申请涉及电力系统
，尤其涉及一种基于PCA和LSTM的核电机组功率预测方法。
技术介绍
随着核电技术的迅速发展，并根据我国核电中长期发展规划，到2020年，中国核电在运装机容量将达5800万kW，在建容量则达3000万kW，核电装机占比将从2015年的1％提升至2020的5％。随着核电在电力系统中比重的逐渐加大，特别是东部沿海地区大型核电基地的逐步投运，电网运行将出现许多新的问题，因此，需要深入研究核电机组接入电网以后的动态特性，确保两者都能安全稳定运行。近年来，部分核电站由于取、排水口的布置问题，机组夏季运行时全潮平均温升偏大于设计温升，海水温度的变化引起机组背压的变化，出现了夏季工况机组输出电功率偏低的现象，具体表现为涨落潮期间凝汽器海水入口温度快速变化。为了避免机组在海水温度上升最高期间反应堆热功率超过100％，需要在日常运行时限制机组出力。针对这个问题，对机组运行数据进行监测，利用机组运行的历史数据，建立机组运行参数对机组电功率影响关系，从而准确预测机组电功率变化，对汽轮机高压调节阀开度调整提供运行指导。在核电机组实际运行时，影响机组电功率的参数多种多样，并且这些参数间具有很强的相关性和共线性，传统方式通过多元线性回归模型对该参数进行拟合，但是由于多元线性回归模型在拟合时需要调整的参数较多，且难达到较高的拟合精度，不能实现对核电站的精确调度运行。
技术实现思路
本申请提供了一种基于PCA和LSTM的核电机组功率预测方法，以解决传统采用多元线性回归模型的方式对参数进行拟合时存在的需要调整的参数较多，且难达到较高的拟合精度的问题。本申请解决上述技术问题所采取的技术方案如下：一种基于PCA和LSTM的核电机组功率预测方法，包括以下步骤：采集核电机组设备历史运行功率数据；采用PCA对采集到的历史运行功率数据进行特征提取，得到特征值；对所述特征值进行归一化处理，得到用于LSTM模型的数据集；将所述数据集随机划分成训练集和测试集，所述用于训练LSTM模型，所述测试集用于评估LSTM模型的预测效果；构建LSTM模型，并采用所述训练集进行训练，采用测试集对所述LSTM模型进行测试，评估LSTM模型的预测效果；优化所述LSTM模型，采用优化后的LSTM模型根据核电机组实时运行数据进行机组功率预测。可选的，所述采集核电机组设备历史运行功率数据，包括：采集核电机组主蒸汽参数、凝汽器运行参数和回热器运行参数的历史运行功率数据。可选的，所述特征值包括主给水流量、高压调节阀开度、主蒸汽母管压力、主蒸汽母管温度、凝汽器真空度、低压缸排汽温度、循环水入口温度、循环水出口温度、凝汽器入口压力、和凝汽器出口压力的一种或多种数值。可选的，所述对所述特征值进行归一化处理，包括：对所有的所述特征值进行归一化处理，将所有特征值作为样本数据映射到[0，1]之间，归一化公式如下式所示：其中，y与y*分别表示归一化前后的数据，ymax与ymin分别表示某序列归一化前的最大值和最小值。可选的，随机将归一化处理后得到的数据集中204组数据作为训练集，将归一化处理后得到的数据集中96组数据作为测试集。可选的，所述优化所述LSTM模型，包括：将平均相对百分误差yMAPE、根均方误差yRMSE两个指标作为评估标准，确定所述LSTM模型的最优参数。可选的，所述平均相对百分误差yMAPE、根均方误差yRMSE的计算方式如下：式中，n表示预测总次数；Xact(i)和Xpred(i)分别为i时刻核电机组功率的真实值和预测值。本申请提供的技术方案包括以下有益技术效果：本申请提供一种基于PCA和LSTM的核电机组功率预测方法，首先采集核电机组设备的历史运行功率数据，对采集到的数据进行归一化处理,划分训练集和测试集；然后通过PCA对机组的历史运行数据进行特征提取，用以训练LSTM预测模型；从而可以根据核电机组的实时运行数据对功率进行预测。本申请提供的方法解决了传统预测方法预测精度低的问题，使用该预测方法需要调整的参数少，同时可以处理较长时间的非线性序列预测问题，能够及时准确的预测机组功率，从而实现对核电站精确调度运行，为调度人员提供运行计划提供借鉴。附图说明为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的一种基于PCA和LSTM的核电机组功率预测方法流程图；图2为本申请实施例中PCA-LSTM模型预测值与真实值对比图。具体实施方式为了使本领域技术人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对申请实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。请参考附图1，附图1为本申请实施例提供的一种基于PCA和LSTM的核电机组功率预测方法流程图，其中，PCA为主成分分析，LSTM为长短期记忆网络。该方法包括以下步骤：S1：采集核电机组设备历史运行功率数据。具体的，采集核电机组设备历史运行功率数据，包括：采集核电机组主蒸汽参数、凝汽器运行参数和回热器运行参数的历史运行功率数据。S2：采用PCA对采集到的历史运行功率数据进行特征提取，得到特征值。所述特征值包括主给水流量、高压调节阀开度、主蒸汽母管压力、主蒸汽母管温度、凝汽器真空度、低压缸排汽温度、循环水入口温度、循环水出口温度、凝汽器入口压力、和凝汽器出口压力的一种或多种数值。S3：对所述特征值进行归一化处理，得到用于LSTM模型的数据集。作为一种实施方式，所述对所述特征值进行归一化处理，包括：对所有的所述特征值进行归一化处理，将所有特征值作为样本数据映射到[0，1]之间，归一化公式如下式所示：其中，y与y*分别表示归一化前后的数据，ymax与ymin分别表示某序列归一化前的最大值和最小值。S4：将所述数据集随机划分成训练集和测试集，所述用于训练LSTM模型，所述测试集用于评估LSTM模型的预测效果。示例性的，随机将归一化处理后得到的数据集中204组数据作为训练集，将归一化处理后得到的数据集中96组数据作为测试集。S5：构建LSTM模型，并采用所述训练集进行训练，采用测试集对所述LSTM模型进行测试，评估LSTM模型的预测效果；所述优化所述LSTM模型，包括：将平均相对百分误差yMAPE、根均方误差yRMSE两个指标作为评估标准，确定所述LSTM模型的最本文档来自技高网...

【技术保护点】
1.一种基于PCA和LSTM的核电机组功率预测方法，其特征在于，包括以下步骤：/n采集核电机组设备历史运行功率数据；/n采用PCA对采集到的历史运行功率数据进行特征提取，得到特征值；/n对所述特征值进行归一化处理，得到用于LSTM模型的数据集；/n将所述数据集随机划分成训练集和测试集，所述用于训练LSTM模型，所述测试集用于评估LSTM模型的预测效果；/n构建LSTM模型，并采用所述训练集进行训练，采用测试集对所述LSTM模型进行测试，评估LSTM模型的预测效果；/n优化所述LSTM模型，采用优化后的LSTM模型根据核电机组实时运行数据进行机组功率预测。/n

【技术特征摘要】
1.一种基于PCA和LSTM的核电机组功率预测方法，其特征在于，包括以下步骤：
采集核电机组设备历史运行功率数据；
采用PCA对采集到的历史运行功率数据进行特征提取，得到特征值；
对所述特征值进行归一化处理，得到用于LSTM模型的数据集；
将所述数据集随机划分成训练集和测试集，所述用于训练LSTM模型，所述测试集用于评估LSTM模型的预测效果；
构建LSTM模型，并采用所述训练集进行训练，采用测试集对所述LSTM模型进行测试，评估LSTM模型的预测效果；
优化所述LSTM模型，采用优化后的LSTM模型根据核电机组实时运行数据进行机组功率预测。


2.根据权利要求1所述的基于PCA和LSTM的核电机组功率预测方法，其特征在于，所述采集核电机组设备历史运行功率数据，包括：
采集核电机组主蒸汽参数、凝汽器运行参数和回热器运行参数的历史运行功率数据。


3.根据权利要求1所述的基于PCA和LSTM的核电机组功率预测方法，其特征在于，所述特征值包括主给水流量、高压调节阀开度、主蒸汽母管压力、主蒸汽母管温度、凝汽器真空度、低压缸排汽温度、循环水入口温度、循环水出口温度、凝汽器入口压力、和凝汽器出口压力的一种或多种数值。


4.根据权利要求1所述的基于PCA...

【专利技术属性】
技术研发人员：田小航，张忠才，赵燕团，金仕琦，王荣泰，徐文力，陈辛，
申请(专利权)人：云南电力技术有限责任公司，
类型：发明
国别省市：云南;53