数据驱动下火电机组时延鉴别及主汽温度预测

针对传统的火电机组主汽温度建模时在海量特征和长机组延迟下的特征及对应时延的有效选择困难的问题,提出一种综合考虑特征选择和时延选择的融合模型的建模方法。针对火电机组特征的高维性,通过结合相关性系数和梯度提升机的特征选择以筛选出与主汽温度高相关的特征。针对时延鉴别,设计基于相关度的时延计算(TD-CORT)算法用以估计各参数与预测目标主汽温度之间的时延大小,并为预测目标和计算复杂度实现了滑动窗口大小的自动匹配。最后,采用深度神经网络(DNN)与长短期记忆(LSTM)的融合模型实现对火电机组主汽温度的预测。在国内某1000 MW超超临界燃煤机组的部署结果表明,所提方法的预测平均绝对误差(MAE)值达到0.1016,该方法相较未考虑时延的神经网络在预测准确度上提升了57.42%。