基于LSTM神经网络算法的超超临界机组负荷优化分配

王利中，蔡安亮，张楠

（国能粤电台山发电有限公司，广东江门 529228）

电力工业在发展过程中不仅要考虑生产效率，还要注重节能环保，这就需要大力推动超超临界机组这一先进科技力量的应用发展。超超临界机组用量过大也造成超超临界机组负荷过多的情况，负荷过多会导致电机受损，影响工作效率和电机寿命。近年来，关于超超临界机组负荷运行过程中优化能源消耗成本、减小污染排放量，提高发电机组使用寿命为目的的负荷优化配置得到了广泛关注。

文献[1]为实现超超临界机组负荷优化配置，采用传统的协调控制分析方法，该方法能够根据机组负荷划分和典型工况点来选定模型，实现对超超临界机组负荷的快速追踪，但具体模型建构过程中，算法运行存在较大误差，不利于实现对超超临界机组负荷优化的监测与分配。文献[2]采用二进制编码的方法实现对序列的最优排序，但在试验仿真过程中免疫优化算法对最优控制量把握得不够精确，导致该算法的应用范围较小。

LSTM 神经网络算法具有记忆时长长、建模优势、操作简易等优点[3-4]。为克服传统超超临界机组负荷优化分配研究过程中的不足，该文基于LSTM 神经网络算法研究了一种新的优化分配方法，建立数学分配模型，并通过实验验证了负荷优化分配方法的实际应用效果。

1 超超临界机组负荷优化分配数学模型

基于LSTM 神经网络算法的负荷优化数学模型如图1 所示。

图1 负荷优化数学模型

图1 中，xt表示输入的负荷数据，该文主要以LSTM 神经网络算法智能技术为依托，利用LSTM 中的记忆块、遗忘门、输入门、输出门和记忆单元，实现对递归神经网络的简单处理，有选择性地过滤废弃信息，更新实际所需信息，解决长时依赖问题[5-6]。

在单元制机组数学模型的建立上，由于各单元之间具有相对独立性，因此，选用目标函数分析各个单元，建立的目标函数如式（1）所示：

在母管制机组中，锅炉负荷和汽轮机负荷没有直接关联，因此，电荷主要分配在锅炉与汽轮机两个部分[9-10]。锅炉电荷的计算采用正平衡法和反平衡法计算电荷吸收效率，正平衡法计算方法是指有效吸收电荷与吸入电荷的比率，计算公式如式（2）所示：

其中，Q1表示有效吸收电荷数；Q2表示吸入电荷数[11-12]。

在汽轮机电荷计算中，需要先求出实际比焓降与理想比焓降的比值，即电荷相对效率，计算公式如式（3）所示：

其中，P表示为实际比焓降；P′表示理想比焓降；μ表示电荷相对效率。根据电荷相对效率计算绝对效率，计算公式如式（4）所示：

其中，Nmac表示最大热量耗费电量值；h0-hi表示热力循环过程中造成的能源损失。汽轮机电荷计算公式为：

对ϕ值与θ值进行分析，在总耗煤量最少的条件下，找到锅炉与汽轮机的最佳电荷分配值。

2 负荷优化分配

通过LSTM 神经网络算法对超超临界机组负荷进行优化，设定控制模块，在控制模块中，确保输入信号的稳定性，保证控制模块可以独立运行并监测其他模块的操作；在输入、输出模块中，保证每个模块配备微处理器，动态监测各项数据，对故障实现实时掌握与修复[13-14]。

通过LSTM 神经网络算法在不同阶段进行优化。基于LSTM 神经网络算法的负荷优化分配过程如图2 所示。

图2 负荷优化分配过程

首先，在遗忘阶段，利用目标函数对D维空间中个体的速度与质量进行优化，并计算每个个体的加速度，通过迭代过程实现对个体原先位置的遗忘。

个体的质量计算如式（6）所示：

其中，qfit(t)表示个体在t次迭代时的适应度函数值；qj(t)表示个体在第t次迭代时的质量[15]。

其次，在选择记忆阶段，LSTM 神经网络算法采用三层网络结构，构造神经元的函数，如式（7）所示：

式中，u表示控制量的增幅；g表示在序列群中初始数值集合序列；ug(t)表示t时刻的数值输入[16]。

更新记忆细胞，每次更新时都需要使用最优序列中与原始值亲和力最高的单个数值与记忆细胞进行比较，筛选与抗体具有高度亲和力的序列集合，实现对需要记忆的数据强化与冗杂信息的智能淘汰。

最后，在输出阶段，输出层的神经元都在0～1 间，机组的输出功率都比较大，因此，输出函数表示为：

其中，Y代表功率输出值；xmax-xmin表示神经元输出的最大值与最小值的差距；enε表示网调负荷。

在上述公式的计算过程中，预设迭代次数；先令x=0，计算出各机组数值输出，令n=1，返回上一步，得出第一次运行条件下各机组的输出值，再令n=2，n=3,…,n=x-1，依次得出不同情况下的输出值，得到最大迭代次数后停止运行，给出优化结果。

3 实验研究

为了验证该文提出的基于LSTM 神经网络算法的超超临界机组负荷优化分配的实际应用效果，与传统的基于免疫优化ICA 算法的优化分配方法和机组协控模型进行实验对比，分析实验效果。选用的实验对象为4 台超超临界机组，实验周期为24 h，分别对分配成本和分配时长进行检验，得到的实验结果如图3-6 所示。

图3 未优化前负荷分配成本

由图3 可知，在不同时间内，未优化前的4 台超超临界机组负荷成本始终保持在较高的水平，并未随着时间的增加而出现减少。

根据图4 可知，基于免疫优化ICA 算法的优化分配方法能够降低负荷成本，但是降低程度相对较小。

图4 基于免疫优化ICA算法优化分配成本

观察图5 可知机组协控模型对机组3 有较好的控制作用，能够降低分配成本，但是对于其他机组的优化能力较差。

图5 机组协控模型分配成本

根据图6 可知，该文提出的优化分配方法能够有效降低成本，与传统方法相比成本降低50%以上。造成这种现象的原因是该文利用LSTM 神经网络算法对输入数据实现最优控制，将集合序列中的每个数值作用于预测模型，得出最优序列的预测值，因此能够很好地达到优化效果，降低优化成本。负荷分配时长实验结果如表1 所示。

表1 负荷分配时长实验结果

图6 基于LSTM神经网络算法分配成本

根据表1 可知，当负荷量为1 000 MW 时，该文提出的优化分配方法分配时间低于10 min，而传统方法分配时长最高可以达到30 min。该文提出的分配方法通过LSTM 神经网络算法对相关数据进行采集与分析，通过迭代得到超超临界机组负荷最佳分配值。根据超超机组不同类型单元，该文对单元制机组和母管制机组分别建立数学模型，因此可以同时针对多种不同单元的负荷进行分配，降低分配时长。

4 结束语

为提升超超临界机组负荷优化分配效果，该文在LSTM 神经网络算法的基础上建立单元制机组数学模型与母管制机组负荷分配数学模型，利用算法优势增强了超超临界机组负荷的数据监测与修正能力，促进了机组各单元负荷的合理分配，优化了能源供给成本，达到了节能减排、提高机组运行效率的目标。