摘要：随着社会经济的发展，能源和环境问题越来越收到国家和人民的重视，其中煤炭资源的的不合理使用导致了严重的资源紧张和环境污染问题。传统的给煤量预测技术预测效果一般，且不具备长时间预测能力，没有足够的调度时间余量。本文提出基于长短时记忆神经网络（LSTM）的给煤量预测方法，采集火电机组实测数据，进行研究分析，实验结果表明LSTM可以有效可靠的进行给煤量预测，具有良好的工程应用前景。
关键词：给煤量预测；深度学习；长短时记忆
引言
随着社会经济的发展，能源和环境问题越来越收到国家和人民的重视，其中煤炭资源的的不合理使用导致了严重的资源紧张和环境污染问题。锅炉能将煤炭燃烧的热能转换为其他形式的能量，是我国经济发展中不可或缺的热能供应设备，如何根据外界负荷合理的供给锅炉给煤量是提高煤炭资源的最有效处理方式。
锅炉燃烧是一个复杂多变的系统，其中锅炉燃烧控制子系统具有流程线十分漫长，滞后严重的问题，因而通过能量输出的反馈调整给煤量已经不能满足实际需求。为了实现节能减排的同时提高火电厂锅炉燃烧系统的燃烧效率，本文提出了一种根据火电机组参数对给煤量进行预测的算法，首先利用插值法对火电历史数据进行处理，然后利用长短时神经网络（LSTM）进行给煤量预测，实现实时给煤量控制。
1给煤量数据预处理
1.1 牛顿插值法
考虑到实际测量过程中，数据的采集、测量、传输和转换各个环节可能会发生故障导致干扰或者机组相关数据缺失，从而导致采集到的机组数据和给煤量中存在偏差。单个数据的偏差在LSTM神经网络训练过程中不会产生太大的影响，但长时间的数据缺失可能会导致神经网络错误拟合，降低该变量的特征权值。所以在进行给煤量预测前，首先对给煤量缺失数据进行补齐，本文选择的方法为牛顿插值法。
引入差商概念：
（1）
（2）
以此类推，可得n阶差商，从而得到牛顿插值公式：
（3）
假设LSTM训练时间序列长度为n，则网络输入层节点应当为n个，所以在对缺失数据进行补齐时使用n阶牛顿插值法。即在缺失空前利用现有前后数据采集n个节点，对这n个节点的值计算差商，计算结果用作LSTM输入器进行给煤量预测。下面是对某660MW火电机组的给煤量的插值效果图，采样时间为10分钟，假设LSTM时间序列长度为8，则采用8阶牛顿插值公式进行数据处理：
Figure 1 Newton interpolation data fitting results
图1 牛顿插值数据拟合结果
牛顿插值法的拟合结果如图1所示，从图1可以看出，使用牛顿插值法对随机缺失后的数据进行处理，所得到的拟合集过与真实结果基本吻合。
2 长短时记忆神经网络给煤量预测模型
2.1 长短时记忆神经网络
长短时记忆神经网络（Long Short-Term Memory，LSTM）是循环神经网络（Recurrent Neural Network，RNN）的一种特殊形式。同其他深度神经网络一样，LSTM由一个输入层（Input Layer），输出层（Output Layer）和多个隐含层（Hidden Layer）组成。同时，LSTM集成了RNN的优点，如图2、3，不仅能从输入层中接收信息，还可以接收神经元上一个时刻所感知的信息。这种结构使得LSTM可以接收神经元从上一个时刻所感知的信息。
Figure 2 Recurrent neural network
图 2 RNN神经网络
Figure 3 LSTM neural network
图 3 LSTM神经网络
不同于RNN的是，Bengio等人发现RNN中存在梯度消失的问题，很难提取长期数据之间的因果规律，而Schmidhuber提出的LSTM存在特殊的“记忆单元”（memory block）用于替换RNN中的细胞单元，从而实现了长期的时间序列数据记忆能力。
2.2 给煤量预测模型的建立
以某660MW机组为例，经过数据预处理后，将给煤量作为预测模型输出，其余变量做主成分分析处理，处理后得到的3维特征作为预测模型输入。
2.3 评价指标的选取
为了量化LSTM在给煤量预测中的精度，本文使用了三中量化指标，分别是平均绝对百分误差（MAPE），均方根误差（RMSE）和平均绝对误差（MAE），具体计算公式如下：
（4）
（5）
（6）
式中，i为第i个时刻；m为总时间步长数；
表示模拟数据；y表示真实的给煤量数据。
2.4 仿真分析
本文引用的是某660MW火电机组数据，该机组的数据采集周期为10min，为保证训练样本的多样性，从所采集的机组数据中随机选择8000组实验数据作为训练样本，对LSTM预测模型进行训练，在剩下的样本中随机选择1700组数据作为测试样本进行模型验证。
Figure 4 LSTM predication on train data set
图 4 LSTM对训练集预测效果
训练集的预测效果中，MAPE为0.76，RMSE为32.63，MAE为15.567，可以看出，训练后得到的模型对训练集效果接近100%的准确预测率。
Figure 5 predication of LSTM & RNN on test data set
图 5 LSTM、RNN在测试集的预测效果图
从结果可以看出，LSTM神经网络预测效果较RNN好，主要在于针对长时间序列的预测过程中，LSTM网络能记忆之前的梯度，而RNN易出现梯度消失的结果。同时，RNN和LSTM预测比BP神经网络预测具有更高的精度，主要是由于即使完成了主成分分析工作，但BP神经网络由于其结构简单，难以辨识复杂高维输入模型，所以容易出现较大误差。
1.比上一版好一些，整体感觉还是略微短了点，能在饱满点会更好一点。例如：增加第3小节。
2.图4的位置需要调整。
3.结论序号是3还是4，建议增加第3小节？
3 结论
本文使用LSTM算法对某660MW机组给煤量进行预测，初始采样数据为该火电机组数据，仿真分析结果表明，本文所使用LSTM算法具有较高的预测精度，为后期机组给煤量预测奠定了基础。
参考文献：
[1]荣盘祥，张亮，孙国兵，郭祥迁，王宏源.热电厂锅炉燃烧系统建模及优化研究[J].青岛理工大学学报，2018，39（02）：110-117.
[2]曹庆才，高德欣，刘芳.基于神经网络与遗传算法的锅炉燃烧优化系统设计[J].自动化技术与应用，2016，35（06）：10-14+33.
[3]宋刚，张云峰，包芳勋，秦超.基于粒子群优化LSTM的股票预测模型[J/OL].北京航空航天大学学报：1-11[2019-09-02].https：//doi.org/10.13700/j.bh.1001-5965.2019.0388.
论文作者:郑宏伟1,周慧2
论文发表刊物:《电力设备》2019年第11期
论文发表时间:2019/10/18
标签：神经网络论文; 数据论文; 机组论文; 插值论文; 火电论文; 模型论文; 长短论文; 《电力设备》2019年第11期论文;