基于频域信息引导的凝汽器真空度预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于频域信息引导的凝汽器真空度预测方法和装置。收集凝汽器真空度以及历史工况数据；使用变分模态分解方法提取历史真空度序列中的频域信息，使用编码器提取历史工况数据中的时域信息，再利用注意力机制，使得频域信息与时域信息产生交互，得到基于频域信息引导的融合特征；最后将融合后的特征编码通过多层感知机获取其对应时刻的预测真空度输出。本发明专利技术相比以往的凝汽器真空度预测方法，通过融合历史真空度信息，相关组件的各项数据，挖掘到了历史真空度信息中的频域特征及工况数据中的时域特征，并配合上注意力机制，能更好地融合频域特征与时域特征，具有更高的预测精度。具有更高的预测精度。具有更高的预测精度。

Condenser vacuum prediction method and device based on frequency domain information guidance

【技术实现步骤摘要】
基于频域信息引导的凝汽器真空度预测方法和装置


[0001]本专利技术涉及火电厂设备运行优化领域，具体为一种凝汽器真空度预测方法和装置。

技术介绍

[0002]凝汽器作为火电厂汽轮机的主要辅助设备，其对机组安全运行起着非常重要的作用。凝汽器真空是综合反映凝汽器运行状态的指标，是火力发电机组运行的一个重要参数，不论在凝汽器的热力设计中还是在汽轮机冷端设备运行时,都要求凝汽器真空有一个最佳值，对其进行严格监控是每个电厂的工作重点。
[0003]凝汽器真空增加，机组出力增大，但循环水泵、真空泵的耗功也同时增大，当汽轮机功率与循环水泵和真空泵功率之差有极大值时，这时的凝汽器真空称为最佳真空。凝汽器真空度主要受到循环水流量，凝汽器进出口循环水温度、压力，循环水泵电流等诸多因素影响，且关系较为复杂。因此需要一种行之有效的方法对凝汽器真空度进行预测，保障机组运行安全、稳定、经济、有效。
[0004]目前，已经有多种基于机器学习和深度学习算法的真空度预测模型，并取得的了一些成效。包括：基于集成学习的凝汽器真空度预测模型、基于多层LSTM的火电厂凝汽器真空度预测方法、基于机器学习中回归算法的真空度预测模型、基于改进果蝇算法优化SVM的凝汽器真空预测、基于果蝇算法优化广义回归神经网络的凝汽器真空预测、基于K
‑
means聚类的多元回归预测模型、基于PSO
‑
SVR模型的凝汽器真空目标值预测、粒子群算法与径向神经网络相结合的凝汽器真空预测模型以及应用PSO算法改进Elman神经网络的双压凝汽器真空预测等。这些模型有些使用机器学习的算法，没有考虑到数据和真空度之间的复杂关系，有些没有考虑数据的时序关系，有些没有考虑历史真空度序列信息的作用，导致预测不够准确。

技术实现思路

[0005]为了克服现有技术中存在的不足，提高预测的精度，本专利技术提供一种结合变分模态分解、Transformer编码器、基于频域信息引导的特征融合方式的凝汽器真空度预测方法。该方法首先通过变分模态分解挖掘历史真空度序列数据中隐含的周期性特征，通过Transformer编码器提取历史工况数据中的时域特征，然后使用注意力机制，得到基于频域信息引导的融合特征，最后使用多层感知机进行真空度的预测。
[0006]为实现上述目的，本专利技术采用的技术方案为：
[0007]一方面本专利技术提供一种基于频域信息引导的凝汽器真空度预测方法，包括以下步骤：
[0008]获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据；
[0009]利用真空度预测模型获取要预测时刻的凝汽器真空度，包括：使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征，使用Transformer编码器提取历
史工况数据中的时域特征；
[0010]利用注意力机制融合频域特征和时域特征，通过计算频域特征和时域特征的注意力分数得到基于频域信息引导的融合特征编码；
[0011]将提取到的融合特征编码通过多层感知机获取要预测时刻的凝汽器真空度。
[0012]进一步地，获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据，包括对原始的凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据进行预处理，所述预处理包括：
[0013]对每个样本的数据进行判断，若该样本的数据中包含空值或异常值，直接删除；并对保留的数据进行归一化处理。
[0014]进一步地，包括训练所述真空度预测模型，训练过程包括：
[0015]获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据；
[0016]对获取的历史真空度序列以及历史工况数据进行预处理；
[0017]对于每个待预测时刻t构造相应的训练样本(V
t
‑
b:t
‑1,X
t
‑
a:t
,
t
)，其中V
t
为t时刻的真实真空度，V
t
‑
b:t
‑1为历史真空度序列，X
t
‑
a:t
为历史工况数据，a为历史工况数据长度，b为历史序列长度；V
t
是t时刻的真实凝汽器真空度；
[0018]使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征，使用Transformer编码器提取历史工况数据中的时域特征；
[0019]利用注意力机制融合频域特征和时域特征，通过计算频域特征和时域特征的注意力分数得到基于频域信息引导的融合特征编码；
[0020]对于每个时刻t，对于相应的融合特征编码通过多层感知机获取其对应时刻的预测真空度输出；通过梯度下降和反向传播迭代优化参数，使损失最小化，直至收敛或达到最大迭代次数。
[0021]再进一步地，所述损失的计算方法如下：
[0022][0023]其中l为损失，为预测的t时刻的真实凝汽器真空度。
[0024]进一步地，使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征的步骤如下：
[0025](1)对于时刻t，随机初始化第1次迭代中第k个子模态对应的傅里叶变换参数第k个模态中心频率朗格朗日乘子设迭代次数n为1；通过引入二次惩罚因子α和拉格朗日乘子λ(t)，将约束性变分问题转化为非约束性变分问题；
[0026](2)将n+1赋值给n，利用如下更新公式：
[0027][0028][0029][0030]得到第n次迭代中第k个子模态对应的傅里叶变换参数第k个模态中心频率以及拉格朗日乘子其中，是子模态集合{u
k
}傅里叶变换后的结果；{ω
k
}是中心频率集合；ω是中心频率；K是本征模态函数数量；δ(t)是狄拉克函数；n为迭代次数
[0031](3)判断若成立，则停止循环；否则返回(2)继续迭代循环，其中，∈表示收敛精度；
[0032](4)对历史时空度序列V
t
‑
b:t
‑1使用变分模态分解得到的K个本征模态函数构成本征模态函数矩阵U＝[u1,u2,
…
,u
N
]T
,其中，u1,u2,
…
,u
N
为第n次迭代获得的K个模态对应的傅里叶变换参数通过傅里叶逆变换得到的本征模态函数，N表示本征模态函数的维度；将矩阵U通过一维卷积神经网络得到历史真空度序列的频域特征o
t
。
[0033]进一步地，使用Transformer编码器提取历史工况数据中的时域特征包括如下步骤：
[0034]对于时刻t的a个历史工况数据X
t
‑
a:t
，将基于多头自注意力机制的Transformer编码器分为m个头；
[0035](1)在每个头中分别使用自注意力计算公式得到X
t
‑
a:t
的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于频域信息引导的凝汽器真空度预测方法，其特征在于，包括以下步骤：获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据；利用真空度预测模型获取要预测时刻的凝汽器真空度，包括：使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征，使用Transformer编码器提取历史工况数据中的时域特征；利用注意力机制融合频域特征和时域特征，通过计算频域特征和时域特征的注意力分数得到基于频域信息引导的融合特征编码；将提取到的融合特征编码通过多层感知机获取要预测时刻的凝汽器真空度。2.根据权利要求1所述的基于频域信息引导的凝汽器真空度预测方法，其特征在于，获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据，包括对原始的凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据进行预处理，所述预处理包括：对每个样本的数据进行判断，若该样本的数据中包含空值或异常值，直接删除；并对保留的数据进行归一化处理。3.根据权利要求1所述的基于频域信息引导的凝汽器真空度预测方法，其特征在于，包括训练所述真空度预测模型，训练过程包括：获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据；对获取的历史真空度序列以及历史工况数据进行预处理；对于每个待预测时刻t构造相应的训练样本(V
t
‑
b：4
‑1，X
t
‑
a：t
，V
t
)，其中V
t
为t时刻的真实真空度，V
t
‑
b：t
‑1为历史真空度序列，X
t
‑
a：t
为历史工况数据，a为历史工况数据长度，b为历史序列长度；V
t
是t时刻的真实凝汽器真空度；使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征，使用Transformer编码器提取历史工况数据中的时域特征；利用注意力机制融合频域特征和时域特征，通过计算频域特征和时域特征的注意力分数得到基于频域信息引导的融合特征编码；对于每个时刻t，对于相应的融合特征编码通过多层感知机获取其对应时刻的预测真空度输出；通过梯度下降和反向传播迭代优化参数，使损失最小化，直至收敛或达到最大迭代次数。4.根据权利要求3所述的基于频域信息引导的凝汽器真空度预测方法，其特征在于，所述损失的计算方法如下：其中l为损失，为预测的t时刻的真实凝汽器真空度。5.根据权利要求1～4任意一项权利要求所述的基于频域信息引导的凝汽器真空度预测方法，其特征在于：使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征的步骤如下：(1)对于时刻t，随机初始化第1次迭代中第k个子模态对应的傅里叶变换参数第k个模态中心频率朗格朗日乘子设迭代次数n为1；通过引入二次惩罚因子α和拉格朗日乘子λ(t)，将约束性变分问题转化为非约束性变分问题；
(2)将n+1赋值给n，利用如下更新公式：(2)将n+1赋值给n，利用如下更新公式：(2)将n+1赋值给n，利用如下更新公式：得到第n次迭代中第k个子模态对应的傅里叶变换参数第k个模态中心频率以及拉格朗日乘子其中，是子模态集合{u
k
}傅里叶变换后的结果；{ω
k
}是中心频率集合；ω是中心频率；K是本征模态函数数量；δ(t)是狄拉克函数；n为迭代次数(3)判断若成立，则停止循环；否则返回(2)继续迭代循环，其中，∈表示收敛精度；(4)对历史时空度序列V
t
‑
b：4
‑1使用变分模态分解得到的K个本征模态函数构成本征模态函数矩阵U＝[u1，u2，...，u
N
]
T
，其中，u1，u2，...，u
N
为第n次迭代获得的K个模态对应的傅里叶变换参数通过傅里叶逆变换得到的本征模态函数，N表示本征模态函数的维度；将矩阵U通过一维卷积神经网络得到历史真空度序列的频域特征o
t
。6.根据权利要求1～4任意一项权利要求所述的基于频域信息引导的凝汽器真空度预测方法，其特征在于：使用Transformer编码器提取历史工况数据中的时域特征包括如下步骤：对于时刻t的a个历史工况数据X
t
‑
a：t
，将基于多头自注意力机制的Transformer编码器分为m个头；(1)在每个头中分别使用自注意力计算公式得到X
t
‑
a：t
...

【专利技术属性】
技术研发人员：陆燕宁，管诗骈，陈波，姚永灵，金亚伟，岳峻峰，何鹏飞，蔡亮，肖杰，李麟，朱颖杰，司加胜，周德宇，
申请(专利权)人：江苏方天电力技术有限公司，
类型：发明
国别省市：