Superheated steam temperature prediction control method based on deep learning model
附图说明 图1为本发明基于深度学习模型的过热汽温预测控制方法的流程图。 技术领域 本发明涉及热工智能控制及保护领域，尤其是涉及一种基于深度学习模型的过热汽温预测控制方法。 具体实施方式 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。 本放基于深度学习模型的过热汽温预测控制方法，针对过热汽温控制对象延迟惯性较大、扰动因数较多和非线性特性等控制难题，提出一种方便实际工程应用的深度学习预测控制方法，通过建立锅炉过热汽温系统的深度学习模型，基于该模型分别计算不同控制量下的未来时刻过热汽温的变化情况，并从中挑选最优控制结果对应的控制量作为控制器输出，进行过热汽温控制，提升机组过热汽温运行稳定性，提升机组安全稳定运行水平。 如图1所示，本发明以某1000MW超超临界机组锅炉二级A侧过热汽温的预测控制为例，具体过程如下： 1)将锅炉制粉系统、燃烧系统和风烟系统的相关参数作为特征输入参数，选取历史运行数据采用循环神经网络训练预测锅炉二级A侧过热汽温未来变化的深度学习模型，数据采样周期为20s，时间步长为10步，共建立预测锅炉壁温未来30s、60s、90s、120s、150s和180s变化的6个模型。模型输入输特征参数如表1所示。 表1 2)从DCS系统实时读取表1中特征变量的参数值，考虑到模型采样周期与DCS数据周期差异较大，为了实时驱动模型，建立动态数据存储矩阵队列； 式中，k代表当前时刻，pj(k)(j＝1,2,…,n)为第j个特征变量在k时刻的参数。读取特征变量实时数据后，对动态数据存储矩阵进行移位操作，并将实时数据赋值给当前时刻(k时刻)对应的参数。 3)从动态数据存储矩阵队列中按照深度学习模型训练数据的采样周期和模型时间补偿，提取模型当期时刻的输入数据矩阵： 4)将步骤3)中的数据矩阵输入深度学习模型分别计算锅炉过热汽温未来30s、60s、90s、120s、150s和180s的变化情况； 5)获取过热汽温设定值未来设定值时间序列与步骤4)中预测的6个未来过热汽温变化数据进行比较，进行预测控制； 6)确定减温水流量p2在一个控制周期内的变化量限值[-Δpa,Δpb]，过热汽温预测控制中，以新设定的减温水流量代替当前时刻的减温水实际流量p2(k)，重新进行模型预测计算，获取未来时刻的过热汽温变化值 Δpi＝min(-Δpa+i·Δp,Δpb),i＝0,1,…,m 其中Δp为减温水流量控制区间取为2t/h；i为计算次数；Ceiling为向上取整运算；Δpa和Δpb分别取-10t/h和10t/h。 7)计算不同输入下的过热汽温预测控制性能指标： 式中，ω为减温水流量变化量的计算系数,取为0.01；为作用下的未来l时刻的壁温预测值；为未来l时刻的过热汽温设定值。 8)选取最小Ji对应的作为下一时刻的给水流量指令，进行过热汽温控制。 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。 背景技术 随着我国经济结构调整和转型升级深入推进，以及电力体制改革大力实施，智慧电厂在节能、降耗、减排等政策驱动下，综合互联网、大数据及人工智能等技术，通过推进智慧运行管理、智慧检修安全、智能控制等举措，已经成为电厂发展的主要趋势，且智慧电厂的投运可有效的提升电厂核心竞争力，推动电厂的持续发展。 传统过热汽温控制通常采用串级PID、Smith、状态观测器、多模型预测控制等控制方法。由于过热汽温对象延迟惯性较大、扰动因数较多且不同负荷工况下对象特性存在较大差异，因此上述控制方法通常仅能够解决特定扰动或特定工况下的过热汽温控制问题，无法解决针对全负荷工况和全面扰动因数的控制问题。随着智能控制技术和数据挖掘技术的快速发展，将深度学习技术应用于火电机组复杂对象建模和预测成为重要研究和应用领域。 深度学习模型由于具备低层特征组合成更抽象的高层特征，能够较好的适用于火电机组复杂高维、非线性、时变性、海量数据的应用场景。但由于深度学习模型维度较高，为非线性数学模型，无法直接将深度学习模型作为预测模型进行最优控制求解，通常采用智能寻优算法，但由于深度学习模型计算和寻优算法计算复杂，无法满足工程应用需求。目前深度学习模型在火电机组复杂对象的实际工程控制中主要采用预警或者智能前馈的控制方式，无法方便地将深度学习模型嵌入控制求解中，充分发挥深度学习模型的预测控制功能。 发明内容 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习模型的过热汽温预测控制方法。 本发明的目的可以通过以下技术方案来实现： 根据本发明的一个方面，提供了一种基于深度学习模型的过热汽温预测控制方法，该方法通过建立锅炉过热汽温系统的深度学习模型，基于该模型分别计算不同控制量下的未来时刻过热汽温的变化情况，并从中挑选最优控制结果对应的控制量作为控制器输出，进行过热汽温控制，从而提升机组过热汽温运行稳定性。 作为优选的技术方案，该方法具体包括以下步骤： 步骤S1，将锅炉制粉系统、燃烧系统和风烟系统的相关参数作为特征输入参数，选取历史运行数据采用循环神经网络训练预测锅炉过热汽温未来变化的深度学习模型； 步骤S2，从DCS系统实时读取特征变量的参数值，建立动态数据存储矩阵队列； 步骤S3，从动态数据存储矩阵队列中按照深度学习模型训练数据的采样周期和模型时间补偿，提取模型当期时刻的输入数据矩阵； 步骤S4，将步骤S3中的数据矩阵输入深度学习模型分别计算锅炉过热汽温未来30s、60s、90s、120s、150s和180s的变化情况； 步骤S5，获取过热汽温设定值未来设定值时间序列与步骤S4中预测的6个未来过热汽温变化数据进行比较，进行预测控制； 步骤S6，确定减温水流量p2在一个控制周期内的变化量限值[-Δpa,Δpb]，过热汽温预测控制中，以新设定的减温水流量代替当前时刻的减温水实际流量p2(k)，重新进行模型预测计算，获取未来时刻的过热汽温变化值 步骤S7，计算不同输入下的过热汽温预测控制性能指标Ji； 步骤S8，选取最小Ji对应的作为下一时刻的给水流量指令，进行过热汽温控制。 作为优选的技术方案，所述步骤S1中，共建立预测锅炉过热汽温未来30s、60s、90s、120s、150s和180s变化的6个模型。 作为优选的技术方案，所述步骤S2中的动态数据存储矩阵队列具体为： 其中k代表当前时刻，pj(k)为第j个特征变量在k时刻的参数，j＝1,2,…,n，数据t为采样周期，d为时间步长。 作为优选的技术方案，所述步骤S2中，读取特征变量实时数据后，对动态数据存储矩阵进行移位操作，并将实时数据赋值给当前时刻对应的参数。 作为优选的技术方案，所述步骤S3中，模型当期时刻的输入数据矩阵具体为： 其中k代表当前时刻，pj(k)为第j个特征变量在k时刻的参数，j＝1,2,…,n，数据t为采样周期，d为时间步长。 作为优选的技术方案，所述步骤S6中，新设定的减温水流量具体计算如下： Δpi＝min(-Δpa+i·Δp,Δpb),i＝0,1,…,m 其中Δp为减温水流量控制区间、i为计算次数、Ceiling为向上取整运算。 作为优选的技术方案，所述步骤S7中，过热汽温预测控制性能指标Ji具体计算如下： 其中ω为减温水流量变化量的计算系数；为作用下的未来l时刻的壁温预测值；为未来l时刻的过热汽温设定值。 作为优选的技术方案，所述步骤S1中的预测模型可根据实际控制需求进行调整。 作为优选的技术方案，所述步骤S1中的相关参数包括机组功率、给水流量、A-F磨煤量及总煤量、总风量、磨A-F一次风量、一次风压力、各层燃烧器二次风挡板开度、给水焓值、各角燃烧器摆动阀位、主汽压力、中间点温度、炉膛区域吹灰信号、二级A侧减温水流量、二级A侧减温器出口汽温和二级A侧入口过热汽温。 与现有技术相比，本发明针对过热汽温控制对象延迟惯性较大、扰动因数较多和非线性特性等控制难题，提出一种方便实际工程应用的深度学习预测控制方法，通过建立锅炉过热汽温系统的深度学习模型，基于该模型分别计算不同控制量下的未来时刻过热汽温的变化情况，并从中挑选最优控制结果对应的控制量作为控制器输出，进行过热汽温控制，提升了机组过热汽温运行稳定性，从而进一步提升了机组安全稳定运行水平。 The invention relates to a superheated steam temperature prediction control method based on a deep learning model, and the method comprises the steps: building a deep learning model of a boiler superheated steam temperature system, and calculating the change conditions of the superheated steam temperature at future moments under different control variables based on the model; and the control quantity corresponding to the optimal control result is selected as the controller output, and the superheated steam temperature control is carried out, so that the superheated steam temperature operation stability of the unit is improved. Compared with the prior art, the method has the advantages that engineering application calculation is simple, and the superheated steam temperature control performance is further improved. 1.一种基于深度学习模型的过热汽温预测控制方法，其特征在于，该方法通过建立锅炉过热汽温系统的深度学习模型，基于该模型分别计算不同控制量下的未来时刻过热汽温的变化情况，并从中挑选最优控制结果对应的控制量作为控制器输出，进行过热汽温控制，从而提升机组过热汽温运行稳定性。 2.根据权利要求1所述的一种基于深度学习模型的过热汽温预测控制方法，其特征在于，该方法具体包括以下步骤： 步骤S1，将锅炉制粉系统、燃烧系统和风烟系统的相关参数作为特征输入参数，选取历史运行数据采用循环神经网络训练预测锅炉过热汽温未来变化的深度学习模型； 步骤S2，从DCS系统实时读取特征变量的参数值，建立动态数据存储矩阵队列； 步骤S3，从动态数据存储矩阵队列中按照深度学习模型训练数据的采样周期和模型时间补偿，提取模型当期时刻的输入数据矩阵； 步骤S4，将步骤S3中的数据矩阵输入深度学习模型分别计算锅炉过热汽温未来30s、60s、90s、120s、150s和180s的变化情况； 步骤S5，获取过热汽温设定值未来设定值时间序列与步骤S4中预测的6个未来过热汽温变化数据进行比较，进行预测控制； 步骤S6，确定减温水流量p2在一个控制周期内的变化量限值[-Δpa,Δpb]，过热汽温预测控制中，以新设定的减温水流量代替当前时刻的减温水实际流量p2(k)，重新进行模型预测计算，获取未来时刻的过热汽温变化值 步骤S7，计算不同输入下的过热汽温预测控制性能指标Ji； 步骤S8，选取最小Ji对应的作为下一时刻的给水流量指令，进行过热汽温控制。 3.根据权利要求2所述的一种基于深度学习模型的过热汽温预测控制方法，其特征在于，所述步骤S1中，共建立预测锅炉过热汽温未来30s、60s、90s、120s、150s和180s变化的6个模型。 4.根据权利要求2所述的一种基于深度学习模型的过热汽温预测控制方法，其特征在于，所述步骤S2中的动态数据存储矩阵队列具体为： 其中k代表当前时刻，pj(k)为第j个特征变量在k时刻的参数，j＝1,2,…,n，数据t为采样周期，d为时间步长。 5.根据权利要求2所述的一种基于深度学习模型的过热汽温预测控制方法，其特征在于，所述步骤S2中，读取特征变量实时数据后，对动态数据存储矩阵进行移位操作，并将实时数据赋值给当前时刻对应的参数。 6.根据权利要求2所述的一种基于深度学习模型的过热汽温预测控制方法，其特征在于，所述步骤S3中，模型当期时刻的输入数据矩阵具体为： 其中k代表当前时刻，pj(k)为第j个特征变量在k时刻的参数，j＝1,2,…,n，数据t为采样周期，d为时间步长。 7.根据权利要求2所述的一种基于深度学习模型的过热汽温预测控制方法，其特征在于，所述步骤S6中，新设定的减温水流量具体计算如下： Δpi＝min(-Δpa+i·Δp,Δpb),i＝0,1,…,m 其中Δp为减温水流量控制区间、i为计算次数、Ceiling为向上取整运算。 8.根据权利要求2所述的一种基于深度学习模型的过热汽温预测控制方法，其特征在于，所述步骤S7中，过热汽温预测控制性能指标Ji具体计算如下： 其中ω为减温水流量变化量的计算系数；为作用下的未来l时刻的壁温预测值；为未来l时刻的过热汽温设定值。 9.根据权利要求2所述的一种基于深度学习模型的过热汽温预测控制方法，其特征在于，所述步骤S1中的预测模型可根据实际控制需求进行调整。