磨煤機(jī)一次風(fēng)量長短期記憶網(wǎng)絡(luò)預(yù)測模型

孫傳瑜，楊耀權(quán)

（華北電力大學(xué) 自動(dòng)化系，河北 保定 071003）

0 引言

提高火電機(jī)組鍋爐燃燒效率，是電力企業(yè)需要解決的關(guān)鍵問題。磨煤機(jī)一次風(fēng)送風(fēng)量是提高燃燒效率的重要參數(shù)[1]。

對于一次風(fēng)量的測量，目前通常采用的是接觸式測量方式。由于現(xiàn)場環(huán)境復(fù)雜、影響因素較多，測量結(jié)果常會(huì)發(fā)生嚴(yán)重漂移現(xiàn)象。利用往期歷史數(shù)據(jù)建立一次風(fēng)量預(yù)測模型，不僅可以解決接觸式測量所存在的缺陷，還可以通過其分析出送風(fēng)系統(tǒng)運(yùn)行參數(shù)與實(shí)際送風(fēng)量之間的非線性關(guān)系，為現(xiàn)場工作人員及時(shí)調(diào)整送風(fēng)系統(tǒng)相關(guān)參數(shù)提供有價(jià)值的參考。

近年來，隨著機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法的快速完善，越來越多的數(shù)據(jù)驅(qū)動(dòng)方法被應(yīng)用于建立預(yù)測模型[2]。深度學(xué)習(xí)具有特征抓取能力強(qiáng)。預(yù)測精度高等優(yōu)點(diǎn)。文獻(xiàn)[3]采用長短期記憶（long short-term memory，LSTM）方法構(gòu)建黑箱模型。文獻(xiàn)[4]采用機(jī)器學(xué)習(xí)中的最小二乘支持向量機(jī)（least square support vector machines，LSSVM）方法構(gòu)建軟測量模型。文獻(xiàn)[5]采用 LSSVM方法進(jìn)行脫硫系統(tǒng)漿液pH值測量，并取得了較好的預(yù)測效果。

在建立預(yù)測模型時(shí)，除了選擇合適的建模方法外，對輸入變量進(jìn)行選擇與處理也是提升模型預(yù)測精度的關(guān)鍵所在。文獻(xiàn)[6]采用核主成分分析（kernel principal component analysis，KPCA）方法來對與磨煤機(jī)一次風(fēng)實(shí)際送風(fēng)量相關(guān)的輔助變量進(jìn)行降維，以提高模型泛化能力，并建立了KPCA-LSSVM預(yù)測模型。文獻(xiàn)[7]采用套索算法對數(shù)據(jù)進(jìn)行處理，有效去除了冗余變量，解決了模型過擬合問題，并利用經(jīng)驗(yàn)?zāi)B(tài)減少了噪聲干擾。

在建立模型時(shí)，若輸入變量過多，則可能會(huì)造成模型過度復(fù)雜，不利于實(shí)際應(yīng)用；若輸入變量過少，則可能會(huì)導(dǎo)致表達(dá)特征過少，降低模型預(yù)測精度。因此，選擇合適的數(shù)據(jù)預(yù)處理方法，成為關(guān)乎模型預(yù)測精度的關(guān)鍵。

為準(zhǔn)確預(yù)測出磨煤機(jī)一次風(fēng)實(shí)際送風(fēng)量，本文提出了一種基于麻雀算法結(jié)合KPCA-LSTM網(wǎng)絡(luò)的軟測量預(yù)測模型。利用相似度函數(shù)法處理數(shù)據(jù)，以提高模型泛化能力；再利用 KPCA對數(shù)據(jù)進(jìn)行降維[8]，縮短模型運(yùn)行時(shí)間，進(jìn)一步提高模型范化能力。利用 LSTM神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型[9]，對其中存在的多個(gè)超參數(shù)使用麻雀算法進(jìn)行尋優(yōu)[10,11]，以提高預(yù)測精度。

1 KPCA-LSTM基本原理

1.1 核主成分分析

對磨煤機(jī)一次風(fēng)送風(fēng)系統(tǒng)進(jìn)行機(jī)理分析，預(yù)選出所需的輔助變量。

輔助變量所具有的維度高、非線性等特點(diǎn)，會(huì)造成模型復(fù)雜度升高、泛化能力和學(xué)習(xí)能力變差等問題。

采用KPCA可以有效挖掘到各輔助變量之間蘊(yùn)含的非線性信息，進(jìn)而降低數(shù)據(jù)維數(shù)，最大程度保留原數(shù)據(jù)特征。

KPCA算法原理：通過非線性映射函數(shù)φ(X)將輸入矢量映射到高維空間，然后在高維空間中使用PCA方法[12]計(jì)算主元成分。

1.2 相似度函數(shù)

通過計(jì)算不同樣本之間的歐氏距離來判斷樣本之間的相近程度，進(jìn)而決定樣本的取舍。

由于采集的數(shù)據(jù)集中含有大量相似或相近的數(shù)據(jù)樣本，因此會(huì)造成模型訓(xùn)練時(shí)間過長，浪費(fèi)計(jì)算資源。同時(shí)，訓(xùn)練樣本中過多的冗余樣本也會(huì)造成模型出現(xiàn)過擬合現(xiàn)象。因此采用相似度函數(shù)法去除其中的冗余數(shù)據(jù)。

相似度函數(shù)公式為：

式中：Xi、Xj為數(shù)據(jù)集中的2個(gè)不同樣本；‖·‖2為向量二范數(shù)，用來求取樣本之間的歐式距離；Di,j為求取的相似度值；Ck為數(shù)據(jù)集中第k個(gè)輔助變量；n為輔助變量的總個(gè)數(shù)。

經(jīng)過相似度函數(shù)計(jì)算：如果得到的相似度值Di,j接近于1，則說明2個(gè)樣本中含有的相同信息量較大，應(yīng)去除其中一個(gè)冗余樣本；當(dāng)相似度值Di,j接近0時(shí)，則表明2個(gè)樣本中含有的信息存在較大差異，此時(shí)應(yīng)該保留含有差異的樣本。

1.3 麻雀算法

在建立一次風(fēng)量預(yù)測模型時(shí)，需要對模型內(nèi)部的超參數(shù)進(jìn)行優(yōu)化。尋找最優(yōu)超參數(shù)是提高模型預(yù)測精度的關(guān)鍵。

粒子群算法在尋優(yōu)過程中容易出現(xiàn)過早收斂、陷入局部最優(yōu)的問題。遺傳算法雖然全局搜索能力強(qiáng)，但是局部搜索能力較弱，往往只能得到次優(yōu)解而不是最優(yōu)解?？紤]以上尋優(yōu)算法出現(xiàn)的問題，本文選擇了尋優(yōu)效果較好且運(yùn)算時(shí)間較短的麻雀算法進(jìn)行超參數(shù)優(yōu)化。

麻雀算法的核心是發(fā)現(xiàn)者、加入者、警戒者三者的位置更新。根據(jù)算法設(shè)定，警戒者所占種群比例為10%～20%；發(fā)現(xiàn)者和加入者之間比例是動(dòng)態(tài)變化的，即一只個(gè)體成為發(fā)現(xiàn)者必然意味著另一只個(gè)體成為加入者。

fi＞fb，表示此時(shí)麻雀正處于種群邊緣，極易受到捕食者的攻擊。fi=fb，表明處于種群中間的麻雀意識到了危險(xiǎn)，想要靠近其他麻雀來減少被捕食的風(fēng)險(xiǎn)。

通過循環(huán)迭代，不斷更新發(fā)現(xiàn)者、加入者和警戒者三者之間的位置，最終找到最優(yōu)參數(shù)，完成尋優(yōu)任務(wù)。

1.4 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM是一種特殊的RNN[13]類型，可以學(xué)習(xí)長期依賴信息。

此網(wǎng)絡(luò)的核心思想是引入細(xì)胞狀態(tài)（cell state）。細(xì)胞狀態(tài)用來存放需要記憶的信息，同時(shí)其內(nèi)部含有3個(gè)門控（遺忘門、輸入門、輸出門）。LSTM 通過每個(gè)單元中的遺忘門（forget gate）、輸入門（input gate）和輸出門（output gate）以及tanh激活函數(shù)[14]構(gòu)成細(xì)胞狀態(tài)，實(shí)現(xiàn)歷史信息的取舍。

LSTM通過讀取ht-1和xt，經(jīng)過遺忘門，給每個(gè)在細(xì)胞狀態(tài)Ct-1中的信息輸出一個(gè)在范圍為[0,1]之間的數(shù)值，用來決定模型會(huì)從細(xì)胞狀態(tài)中丟棄什么信息。1表示“完全保留”，0表示“完全舍棄”。

LSTM遺忘門公式為：

LSTM中的輸入門由2部分功能組成：一是找到那些需要更新的細(xì)胞狀態(tài)，二是把需要更新的信息更新到細(xì)胞狀態(tài)里。這2部分功能同樣是通過讀取ht-1和xt，經(jīng)過輸入門，將創(chuàng)建的新的細(xì)胞狀態(tài)值向量C?t加入到狀態(tài)中。遺忘門找到需要忘記的信息ft后，將它與舊狀態(tài)相乘，丟棄掉需要丟棄的信息。最后，將結(jié)果加上it C?t，使細(xì)胞狀態(tài)獲得新的信息。這樣就完成了細(xì)胞狀態(tài)的更新。

LSTM輸入門公式為：

LSTM輸入門更新公式為：

在輸出門中，通過讀取ht-1和xt，將其通過sigmoid層來確定哪部分信息將輸出；然后把細(xì)胞狀態(tài)Ct通過tanh進(jìn)行處理后與sigmoid層輸出相乘，最終得到輸出ht。

LSTM輸出門公式為：

由于 LSTM 神經(jīng)網(wǎng)絡(luò)中默認(rèn)的激活函數(shù)是tanh函數(shù)，而采集的數(shù)據(jù)集中數(shù)據(jù)全部為正數(shù)，所以需要將tanh激活函數(shù)更換為relu函數(shù)[14]。此函數(shù)更適合模型的訓(xùn)練，使模型的預(yù)測更精確。

relu函數(shù)數(shù)學(xué)表達(dá)式為：

2 預(yù)測模型的構(gòu)建

2.1 基于機(jī)理分析的輔助變量預(yù)選擇

在建立預(yù)測模型時(shí)，首先需要確定模型的輸入變量。通過對磨煤機(jī)一次風(fēng)送風(fēng)系統(tǒng)進(jìn)行機(jī)理分析，預(yù)選出7個(gè)變量作為輔助變量。

磨煤機(jī)一次風(fēng)由熱風(fēng)和冷風(fēng)在風(fēng)道內(nèi)充分混合而成。一次風(fēng)將磨煤機(jī)中的煤粉吹入給粉管道，送入爐膛進(jìn)行點(diǎn)火。

風(fēng)量在管道內(nèi)測量?？紤]管道長度L遠(yuǎn)遠(yuǎn)大于管道橫截面積A，且流體做不可壓縮流動(dòng)，根據(jù)伯努力方程，流體參數(shù)在同一條流線上有如下關(guān)系：

式中：p0為總壓；p1為靜壓；ρ為空氣密度；υ為空氣流速。

此方程為理想方程，沒有考慮實(shí)際誤差。在考慮總壓p0與靜壓p1的測量誤差后，需要增加校正系數(shù)ε。校正系數(shù)ε取值范圍為[0.84,0.87]。由此得到空氣流速公式為：

空氣密度ρ的計(jì)算公式為：

管道內(nèi)空氣流量質(zhì)量為：

式中：K為流量系數(shù)；A為管道橫截面積。

在對管道內(nèi)一次風(fēng)量進(jìn)行實(shí)際測量時(shí)，需要考慮一次風(fēng)流通過程中所遇到的阻力。一次風(fēng)流通時(shí)所遇到的阻力有：一次風(fēng)熱風(fēng)管道風(fēng)阻Rh、一次風(fēng)冷風(fēng)管道風(fēng)阻Rc、熱風(fēng)門風(fēng)阻Rv、冷風(fēng)門風(fēng)阻Rw。在理想狀態(tài)下，一次風(fēng)總風(fēng)量等于一次風(fēng)熱風(fēng)量與一次風(fēng)冷風(fēng)量之和。

一次風(fēng)熱風(fēng)量為：

式中：pi,1為熱風(fēng)管道進(jìn)口風(fēng)壓；ph為熱風(fēng)管道出口風(fēng)壓；ρh為熱風(fēng)空氣密度。

影像學(xué)方面的診斷。對所選取的研究對象進(jìn)行影像學(xué)方面的診斷，對于CT組的研究對象采用CT診斷的方法進(jìn)行診斷，具體操作為：對研究對象的頭顱進(jìn)行CT的平掃，其檢查結(jié)果的主要特點(diǎn)為：研究對象的靜脈竇區(qū)域會(huì)呈現(xiàn)出條帶樣的高密度陰影，橫竇狀的高密度影以及矢狀的高密度影和不規(guī)則的高密度影等。

一次風(fēng)冷風(fēng)量為：

式中：pi,2為冷風(fēng)管道進(jìn)口風(fēng)壓；pc為冷風(fēng)管道出口風(fēng)壓；ρc為冷風(fēng)空氣密度。

一次風(fēng)總風(fēng)量為：

通過對一次風(fēng)送風(fēng)系統(tǒng)進(jìn)行機(jī)理分析，最終預(yù)選出的7個(gè)輔助變量分別為：一次風(fēng)機(jī)電流i、磨煤機(jī)冷風(fēng)調(diào)門開度、磨煤機(jī)熱風(fēng)調(diào)門開度、空預(yù)器一次風(fēng)進(jìn)出口差壓Δp1、空預(yù)器一次風(fēng)進(jìn)出口溫差ΔT1、一次風(fēng)機(jī)出口空氣壓力與磨煤機(jī)入口空氣壓力之間的差壓Δp2、一次風(fēng)機(jī)出口空氣溫度與磨煤機(jī)入口空氣溫度之間的溫差ΔT2。

由式（11）（12）可知，送風(fēng)系統(tǒng)實(shí)際送風(fēng)量與差壓的平方成正比，所以選取空預(yù)器一次風(fēng)進(jìn)出口差壓Δp1、一次風(fēng)機(jī)出口空氣壓力與磨煤機(jī)入口空氣壓力之間的差壓Δp2作為輔助變量。

由式（10）可知，一次風(fēng)實(shí)際密度與溫差有關(guān)，所以選取空預(yù)器一次風(fēng)進(jìn)出口溫差ΔT1、一次風(fēng)機(jī)出口空氣溫度與磨煤機(jī)入口空氣溫度之間的溫差ΔT2作為輔助變量。

一次風(fēng)在管道內(nèi)流通時(shí)，會(huì)遇到相應(yīng)阻力，其阻力的主要來源是調(diào)門開度；所以，選取磨煤機(jī)熱風(fēng)調(diào)門開度和磨煤機(jī)冷風(fēng)調(diào)門開度作為輔助變量。

同時(shí)，由于一次風(fēng)流量的主導(dǎo)變量是一次風(fēng)機(jī)電流，電流大小決定總風(fēng)量的大?。凰?，選取一次風(fēng)機(jī)電流作為輔助變量。

預(yù)選出的輔助變量如表1所示。

表1 預(yù)選輔助變量Tab. 1 Preselected auxiliary variables

2.2 基于相似度函數(shù)的樣本選擇

選取某600 MW火電機(jī)組15 d實(shí)際運(yùn)行數(shù)據(jù)。記錄同一時(shí)刻這7個(gè)輔助變量運(yùn)行數(shù)據(jù)及其對應(yīng)的實(shí)際送風(fēng)量。間隔5 min記錄一次，最終得到數(shù)據(jù)集X。

式中：Xi為數(shù)據(jù)集X中第i個(gè)樣本；前7個(gè)元素為第i個(gè)樣本中的7個(gè)輔助變量；第8個(gè)元素為同一時(shí)刻輔助變量所對應(yīng)的實(shí)際送風(fēng)量。

由于數(shù)據(jù)集X中含有大量冗余樣本，因此采用相似度函數(shù)法去除其中冗余數(shù)據(jù)。

相似度函數(shù)法的核心：通過計(jì)算不同樣本之間的歐氏距離來判斷樣本之間的相近程度，進(jìn)而決定樣本的取舍。

相似度函數(shù)公式為：

將數(shù)據(jù)集X經(jīng)過相似度函數(shù)計(jì)算，得到含有3 000個(gè)樣本的新數(shù)據(jù)集X′。

2.3 基于KPCA的特征選擇

將經(jīng)過相似度函數(shù)計(jì)算得到的新數(shù)據(jù)集X′，進(jìn)行核主成分分析。通過非線性映射函數(shù)φ(X)將X′映射到高維空間，然后在高維空間中使用 PCA方法計(jì)算主元成分。

設(shè)向量ωi為高維空間中的特征向量，λi為其對應(yīng)的特征值，則高維空間中的PCA為：

將特征向量ωi用樣本集合表示為：

將式（14）代入式（13），計(jì)算可得：

對等式（15）兩邊左乘φ(X′ )T得到：

引入核函數(shù)矩陣K：

式（16）經(jīng)過核函數(shù)矩陣運(yùn)算后為：

將α代入式（14），即可求得特征向量ωi；將其作為高維空間中的一組基，通過這組基可以得到測試數(shù)據(jù)在高維空間中的表示。

經(jīng)過KPCA得到各主成分的方差貢獻(xiàn)度和累計(jì)方差貢獻(xiàn)度如表2所示。

表2 貢獻(xiàn)度Tab. 2 The contribution degree

由表2可知，前5個(gè)主元的累計(jì)方差貢獻(xiàn)度達(dá)到了 99.997%，能夠表達(dá)所有主元中的絕大部分信息，所以選用前5個(gè)主元和其對應(yīng)的實(shí)際送風(fēng)量構(gòu)成數(shù)據(jù)集 ′′X。對數(shù)據(jù)集 ′′X進(jìn)行歸一化，將歸一化之后的數(shù)據(jù)作為模型的輸入數(shù)據(jù)。對輸入數(shù)據(jù)進(jìn)行劃分，將數(shù)據(jù)集的前2 900個(gè)樣本劃分為訓(xùn)練集，后100個(gè)樣本劃分為測試集。訓(xùn)練集用于訓(xùn)練模型的內(nèi)部參數(shù)，測試集用于對模型進(jìn)行測試。

2.4 建立基于LSTM網(wǎng)絡(luò)的模型

在確定了模型的輸入數(shù)據(jù)后，接下來需要確定模型的相關(guān)參數(shù)，即LSTM隱含層層數(shù)、迭代次數(shù) epoch、隱含層輸出節(jié)點(diǎn)數(shù) units、記憶天數(shù)mem_days以及學(xué)習(xí)率lr。

首先，對模型中的LSTM隱含層層數(shù)進(jìn)行確定。通過多次實(shí)驗(yàn)可以得到不同隱含層層數(shù)對模型預(yù)測結(jié)果的影響，其實(shí)驗(yàn)結(jié)果如表3所示。

表3 不同隱含層數(shù)下模型預(yù)測結(jié)果Tab. 3 Model prediction results under different hidden layers

由表3可知，隨著隱含層層數(shù)的不斷增加，模型預(yù)測精度不斷提升。當(dāng)隱含層層數(shù)超過3層時(shí)，隨著層數(shù)的增加，模型能夠抓取的特征越來越多，學(xué)習(xí)能力越來越強(qiáng)；但此時(shí)卻出現(xiàn)了過擬合現(xiàn)象，即在測試集上的表現(xiàn)越來越差。所以最終確定LSTM隱含層層數(shù)為3層。

在確定了隱含層層數(shù)后，使用麻雀算法對迭代次數(shù) epoch、隱含層輸出節(jié)點(diǎn)數(shù) units、記憶天數(shù)mem_days、學(xué)習(xí)率lr等超參數(shù)進(jìn)行尋優(yōu)，并與粒子群尋優(yōu)算法進(jìn)行對比。

初始化種群大小為 100個(gè)，迭代次數(shù)為 200次，設(shè)定epoch的區(qū)間為[1 000,5 000]、units為[8,32]、學(xué)習(xí)率lr為[0.001,0.01]、mem_days為[3,8]。使用公式（7）（8）（9）進(jìn)行位置更新。選取預(yù)測值與真實(shí)值的最大引用誤差作為適應(yīng)度函數(shù)[15]進(jìn)行訓(xùn)練。

適應(yīng)度函數(shù)為：

式中：n為預(yù)測值個(gè)數(shù)；Yi為預(yù)測值；為真實(shí)值。

經(jīng)過麻雀算法得到，當(dāng)?shù)螖?shù)epoch為4 360、隱含層輸出節(jié)點(diǎn)數(shù)units為32、學(xué)習(xí)率lr為0.001、記憶天數(shù)mem_days為5時(shí)，模型預(yù)測精度最高。而經(jīng)過粒子群尋優(yōu)算法得到，當(dāng)?shù)螖?shù) epoch為3 250、隱含層輸出節(jié)點(diǎn)數(shù)units為16、學(xué)習(xí)率lr為0.001、記憶天數(shù)mem_days為5時(shí)、模型預(yù)測精度最高。

為量化預(yù)測效果、評估模型優(yōu)劣，引入最大引用誤差（MQE，最大量程為 100）和均方根誤差（RMSE）作為模型的評價(jià)指標(biāo)[16]。計(jì)算公式如下：

采用2種不同尋優(yōu)算法得到的模型預(yù)測結(jié)果對比如表4所示。

表4 不同尋優(yōu)算法預(yù)測結(jié)果Tab. 4 Prediction results of different optimization algorithms

由表4可知，采用粒子群算法進(jìn)行尋優(yōu)時(shí)，陷入了局部最優(yōu)狀態(tài)，因此造成尋優(yōu)效果差、模型預(yù)測精度低。使用麻雀算法有效避免了這一問題，使模型取得了較好的預(yù)測精度。

3 KPCA-LSTM模型預(yù)測實(shí)驗(yàn)

經(jīng)過麻雀尋優(yōu)算法最終確定，當(dāng)?shù)螖?shù)epoch為4 360、隱含層輸出節(jié)點(diǎn)數(shù)units為32、學(xué)習(xí)率lr為0.001、記憶天數(shù)mem_days為5時(shí)，模型預(yù)測精度最高。此時(shí)模型的預(yù)測效果如圖1所示。

圖1 不同模型預(yù)測效果對比Fig. 1 The comparison of prediction effects of different models

在實(shí)驗(yàn)中引入了LSSVM模型和混合LSSVM模型用于對比。由圖1可知，KPCA-LSTM模型較LSSVM模型和混合LSSVM模型擁有更優(yōu)的預(yù)測效果。

不同模型預(yù)測效果評估結(jié)果如表5所示。

表5 不同模型預(yù)測效果評估Tab. 5 The evaluation of prediction effects of different models

4 實(shí)際運(yùn)行數(shù)據(jù)驗(yàn)證

對建立的KPCA-LSTM預(yù)測模型進(jìn)行現(xiàn)場實(shí)驗(yàn)驗(yàn)證。

將訓(xùn)練優(yōu)化后的預(yù)測模型裝載到基于 ARM的磨煤機(jī)一次風(fēng)量軟測量儀表中。

此儀表是使用 OK6410開發(fā)板、基于 FLTK對話框結(jié)構(gòu)、采用模塊化設(shè)計(jì)開發(fā)的一套軟測量儀表。此儀表通過硬件平臺數(shù)據(jù)采集模塊獲取輔助變量測點(diǎn)信息，具有計(jì)算多個(gè)測點(diǎn)實(shí)測風(fēng)量平均值、進(jìn)行誤差統(tǒng)計(jì)等功能。

現(xiàn)場實(shí)測10組數(shù)據(jù)如表6所示。

表6 軟測量儀表數(shù)據(jù)統(tǒng)計(jì)Tab. 6 Soft measurement instrument data statistics

在進(jìn)行現(xiàn)場實(shí)驗(yàn)前，先將訓(xùn)練優(yōu)化后的KPCA-LSTM 預(yù)測模型裝載到軟測量測試功能塊中，通過數(shù)據(jù)采集卡獲得測點(diǎn)的實(shí)時(shí)輔助變量值。運(yùn)行軟測量測試功能塊時(shí)，其內(nèi)部的預(yù)測模型會(huì)自動(dòng)讀取實(shí)時(shí)數(shù)據(jù)并進(jìn)行計(jì)算，同時(shí)將計(jì)算后的預(yù)測結(jié)果及統(tǒng)計(jì)信息進(jìn)行存盤。

在進(jìn)行測試時(shí)還應(yīng)具備如下條件：

測試系統(tǒng)正常運(yùn)行，不出現(xiàn)使測試停止的條件；磨煤機(jī)正常運(yùn)行，各輔助變量測點(diǎn)正常；數(shù)據(jù)采集準(zhǔn)確。

滿足上述條件后，在某600 MW火電機(jī)組上進(jìn)行現(xiàn)場實(shí)驗(yàn)?，F(xiàn)場實(shí)驗(yàn)過程中記錄的預(yù)測值與現(xiàn)場實(shí)際風(fēng)量測量值如圖2所示。

圖2 KPCA-LSTM預(yù)測模型現(xiàn)場試驗(yàn)效果Fig. 2 The effect of KPCA-LSTM prediction model field test

圖2中紅色虛線為KPCA-LSTM預(yù)測模型在連續(xù)接收300組現(xiàn)場實(shí)測輔助變量值后輸出的一次風(fēng)量預(yù)測值，藍(lán)色和綠色實(shí)線為磨煤機(jī)在該時(shí)段內(nèi)2個(gè)一次風(fēng)量測量測點(diǎn)的實(shí)際測量值。對比3條曲線可知，KPCA-LSTM 預(yù)測模型輸出的預(yù)測值與現(xiàn)場儀表所測實(shí)測值偏差較小。

將KPCA-LSTM預(yù)測模型輸出的預(yù)測值與現(xiàn)場2個(gè)測點(diǎn)實(shí)測值的平均值進(jìn)行運(yùn)算。使用最大絕對誤差Emax和平均誤差A(yù)E進(jìn)行現(xiàn)場試驗(yàn)效果評估。

經(jīng)計(jì)算得：最大絕對誤差Emax為0.45；平均誤差A(yù)E為0.200 72。

最大絕對誤差Emax值為0.45，表示一次風(fēng)量預(yù)測值與2個(gè)實(shí)測值的平均值之間的最大偏差為0.45 t。平均誤差A(yù)E值為0.200 72，表示預(yù)測值與2個(gè)實(shí)測值的平均值之間的平均誤差為0.200 72 t。由評估結(jié)果看出，所建立的KPCA-LSTM預(yù)測模型在進(jìn)行現(xiàn)場實(shí)驗(yàn)時(shí)擁有較高的準(zhǔn)確度和更小的波動(dòng)性，這說明模型準(zhǔn)確合理。

5 結(jié)論

本文建立的磨煤機(jī)一次風(fēng)量KPCA-LSTM預(yù)測模型較LSSVM模型、混合LSSVM模型具有更小的最大引用誤差和均方根誤差。

使用麻雀算法優(yōu)化LSTM網(wǎng)絡(luò)中的超參數(shù)，可使一次風(fēng)量預(yù)測精度更高、預(yù)測能力更強(qiáng)。

現(xiàn)場試驗(yàn)中，本文KPCA-LSTM預(yù)測模型預(yù)測值最大絕對誤差為0.45、平均誤差為0.200 72。該偏差值較小，說明模型能夠提高火電機(jī)組磨煤機(jī)一次風(fēng)量預(yù)測準(zhǔn)確度，同時(shí)也說明了所建立的模型正確合理。

本文研究結(jié)果可為磨煤機(jī)一次風(fēng)量預(yù)測提供理論參考。