【技术实现步骤摘要】
本专利技术涉及水力发电，特别涉及了一种基于特征优化和lstm的水轮发电机冷却水量预测方法。
技术介绍
1、水电站技术供水系统耗水耗电，技术供水系统耗电量占整个电站年耗电量的20％以上。对于抽水蓄能水电站，节约用水也将作为新的目标。技术供水系统不同用水对象的冷却水流量在系统设备运行中会受到工况中多种参数因素影响，主要冷却水用户——发电机空气冷却器更是如此。此外，空冷器的冷却效果对发电机的功率及效率有很大影响。且水轮发电机在运行时，由于各种冷却的需要，需要大量的冷却水连续供应。机组容量越大，所产生的损耗就越大，相应需要的冷却水量也就越大。
2、现有技术中主要是对冷却水量进行控制，缺少对水轮发电机冷却水量的精准预测方法。因此需要一种可靠精准的水轮发电机冷却水量预测方法，精准预测水轮发电机需要的冷却水量，为水电站技术供水系统智能调控策略方案研究提供参考，实现技术供水系统节能节水效果。
技术实现思路
1、本专利技术的目的是克服现有技术中存在的对水轮发电机冷却水量的的预测不精准的问题，提供了一种基于特征优化和lstm的水轮发电机冷却水量预测方法，精准预测水轮发电机需要的冷却水量，为水电站技术供水系统智能调控策略方案研究提供参考，实现技术供水系统节能节水效果。
2、为了实现上述目的，本专利技术采用以下技术方案：一种基于特征优化和lstm的水轮发电机冷却水量预测方法，包括下列步骤：
3、s1：采集水轮发电机组以及发电机空冷器历史运行数据，并对采集的历史运行数据进
4、s2：利用mrmr算法从历史运行数据中筛选出与发电机冷却水量相关性强的q个初始特征变量，并按照相关性对初始特征变量进行排序；
5、s3：利用互信息计算能力确定所述特征变量的最佳延迟时间，并从初始特征变量中筛选出p个关键变量；
6、s4：将关键变量作为输入变量，冷却水量作为输出变量，构建特征优化的lstm水轮发电机冷却水量预测模型。
7、本专利技术构建多特征多变量下的lstm技术供水系统流量预测模型，通过最大相关最小冗余(max-relevance and min-redundancy，mrmr)算法筛选出与水轮发电机冷却水流量之间具有强相关性的变量，对q个初始特征变量的重要性排序，利用互信息计算能力确定变量之间的最佳延迟时间，从而达到筛选出p种目标变量加入到特征优化的lstm水轮发电机冷却水量预测模型中目的。用lstm神经网络的“输入门”、“输出门”、“遗忘门”将短期记忆与长期记忆结合起来，缓解神经网络模型训练中出现的“梯度消失”，应用lstm的发电机冷却水量预测模型精度更高，且能确保参数之间具有很强相关特征，可为水电站技术供水系统智能调控策略方案研究提供参考，从而达到技术供水系统节能节水效果。不仅能实现水电站节能，还能提高发电机效率，保障机组稳定运行。
8、作为优选，所述步骤s2进一步包括：
9、s2.1：初始化特征子集s，对水轮发电机各个特征进行评价，利用mrmr算法选择q个变量作为输入变量集；
10、s2.2：从输入变量集中选取与冷却水量相关性最大的变量作为初始特征变量加入特征子集s；
11、s2.3：获取评估函数j，计算剩余(q-1)个变量的评估函数值，评估函数值最大的变量作为第二个加入特征子集s的初始特征变量；
12、s2.4：重复步骤s2.3，直到输入变量集中的所有变量均按照顺序加入特征子集s中，得到按照初始特征变量优先级排序的特征子集s。
13、通过理论角度和机理分析，初定发电机空气冷却器冷却水流量与水头、机组转速、机组负荷/功率、定子线圈温度、定子铁芯温度、空冷器热风温度、空冷器冷风温度、冷却供水温度、冷却排水温度、冷却供水压力等10个初始特征变量有关。即将该10个变量作为输入变量集。
14、作为优选，所述步骤s3进一步包括：
15、s3.1：利用互信息计算确定各初始特征变量在m min内与冷却水流量之间的时间延迟和最大互信息系数；
16、s3.2：选取与冷却水流量关系最大的时间点作为最优时延，采用mrmr算法对初始特征变量进行分类；
17、s3.3：利用bp神经网络的预测模型对各初始特征变量进行预测误差比较，确定p个特征变量作为关键变量。
18、由于在机组运行过程中，冷却水量供给，不能立刻让发电机冷却器散热面吸收的热量直接降温，其散热能力往往受环境等因素影响，故采集到进出口冷却水温差和不同设备的冷却水流量具有时间延迟，故利用互信息计算确定各特征变量在10min内与冷却水流量之间的时间延迟和最大互信息系数。利用互信息算法确定变量之间的最佳延迟时间，帮助确定或验证相关性较强的变量，降低了时间复杂度和空间复杂度，提高计算效率，实现水轮发电机冷却水量高精度预测。
19、作为优选，所述步骤s4进一步包括：
20、s4.1：将p个关键变量作为输入变量，冷却水量作为输出变量，构建初始化lstm神经网络模型；
21、s4.2：将采集的历史运行数据按80％和20％划分样本数据的训练集和测试集，利用adam算法对初始化lstm网络模型进行训练，并对所述初始化lstm网络模型的参数进行设置；
22、s4.3：对训练后的初始化lstm网络模型进行评估，得到基于特征优化和lstm的水轮发电机冷却水量预测模型。
23、优选参数设置为：学习率为0.001，隐层神经元数目为40，训练次数为400，迭代次数为100。
24、作为优选，所述步骤s3.3进一步包括：建立q个bp神经网络预测模型，每一个神经网络的输入对应q个初始特征变量中的一个，输出均为冷却水量；利用q个bp神经网络预测模型对冷却水量进行预测，并计算每个bp神经网络预测模型的预测误差，选取预测误差最小的p个bp神经网络预测模型，p个bp神经网络预测模型对应的p个输入变量即为筛选得到的p个关键变量。
25、神经网络可以借助于强大的学习能力，将输入数据的低级特征转化为高级特征，模拟非常复杂的函数，并获得样本数据的内在规律。因此选取bp神经网络作为输入模型预测，对各个初始特征变量预测误差进行比较，从而得到一组最优的输入变量。
26、作为优选，所述步骤s4.1中：所述lstm神经网络模型在t时刻，隐藏层的输入为xt，输出为ht，记忆单元为ct，输入门xt、输出门ht、遗忘门ft的激活函数为sigmod函数；所述输入门用于控制网络当前时刻输入数据xt流入记忆单元的多少；所述遗忘门选定需去除的信息；所述输出门决定记忆单元ct对当前时刻输出值ht作用的大小；所述lstm模型单元在t时刻的输出ht,ht＝ot⊙tanh(ct)。
27、网络当前时刻输入数据xt流入记忆单元的多少即保存到ct中的量it，it＝σ(wxixt+whiht-1+bi)；遗忘门决定前一时刻记忆单元ct-1中的信息对当前时刻记忆元ct中信息影响的大本文档来自技高网...
【技术保护点】
1.一种基于特征优化和LSTM的水轮发电机冷却水量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征优化和LSTM的水轮发电机冷却水量预测方法，其特征在于，所述步骤S2进一步包括：
3.根据权利要求1或2所述的一种基于特征优化和LSTM的水轮发电机冷却水量预测方法，其特征在于，所述步骤S3进一步包括：
4.根据权利要求1所述的一种基于特征优化和LSTM的水轮发电机冷却水量预测方法，其特征在于，所述步骤S4进一步包括：
5.根据权利要求3所述的一种基于特征优化和LSTM的水轮发电机冷却水量预测方法，其特征在于，所述步骤S3.3进一步包括：建立q个BP神经网络预测模型，每一个神经网络的输入对应q个初始特征变量中的一个，输出均为冷却水量；利用q个BP神经网络预测模型对冷却水量进行预测，并计算每个BP神经网络预测模型的预测误差，选取预测误差最小的p个BP神经网络预测模型，p个BP神经网络预测模型对应的p个输入变量即为筛选得到的p个关键变量。
6.根据权利要求4所述的一种基于特征优化和LSTM的水轮发电机冷
7.根据权利要求4或6所述的一种基于特征优化和LSTM的水轮发电机冷却水量预测方法，其特征在于，所述步骤S4.2中：样本数据进行预处理后放入初始化LSTM网络模型中，通过转化成有监督的自我学习与训练，得到相关误差指标，求得初始化LSTM网络模型的拟合精度。
8.根据权利要求7所述的一种基于特征优化和LSTM的水轮发电机冷却水量预测方法，其特征在于，采取均方根误差RMSE作为初始化LSTM网络模型预测拟合精度的评价指标：
9.根据权利要求4或6所述的一种基于特征优化和LSTM的水轮发电机冷却水量预测方法，其特征在于，所述对训练后的初始化LSTM网络模型进行评估包括：将初始化LSTM网络模型的冷却水量预测值与冷却水量实际值比较，得到预测误差；判断预测误差是否满足条件，若是，则得到基于特征优化和LSTM的水轮发电机冷却水量预测模型，若不是，则回到S4.2，重新训练初始化LSTM网络模型。
...【技术特征摘要】
1.一种基于特征优化和lstm的水轮发电机冷却水量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征优化和lstm的水轮发电机冷却水量预测方法，其特征在于，所述步骤s2进一步包括：
3.根据权利要求1或2所述的一种基于特征优化和lstm的水轮发电机冷却水量预测方法，其特征在于，所述步骤s3进一步包括：
4.根据权利要求1所述的一种基于特征优化和lstm的水轮发电机冷却水量预测方法，其特征在于，所述步骤s4进一步包括：
5.根据权利要求3所述的一种基于特征优化和lstm的水轮发电机冷却水量预测方法，其特征在于，所述步骤s3.3进一步包括：建立q个bp神经网络预测模型，每一个神经网络的输入对应q个初始特征变量中的一个，输出均为冷却水量；利用q个bp神经网络预测模型对冷却水量进行预测，并计算每个bp神经网络预测模型的预测误差，选取预测误差最小的p个bp神经网络预测模型，p个bp神经网络预测模型对应的p个输入变量即为筛选得到的p个关键变量。
6.根据权利要求4所述的一种基于特征优化和lstm的水轮发电机冷却水量预测方法，其特征在于，所述步骤s4.1中：所述lstm神经网络模型在t时刻，隐藏层的输入为xt，输出为ht，记忆单元为...
【专利技术属性】
技术研发人员：刘平，赵锋，张新，舒崚峰，陈勇，陈小强，李成军，陈强，张宝勇，白云飞，
申请(专利权)人：华东桐柏抽水蓄能发电有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。