针对超临界锅炉运行中氧化膜动态生长特性难以实时监测导致的机组运行效能劣化问题,本文提出一种高效融合深度学习与生长机理的氧化膜厚度预测模型(VMD-NPDCLO-BiLSTM-SAMME),利用变分模态分解(variational mode decomposition,VMD)将...针对超临界锅炉运行中氧化膜动态生长特性难以实时监测导致的机组运行效能劣化问题,本文提出一种高效融合深度学习与生长机理的氧化膜厚度预测模型(VMD-NPDCLO-BiLSTM-SAMME),利用变分模态分解(variational mode decomposition,VMD)将原始序列分解为若干相对平稳的子序列,采用混沌-莱维神经种群动态优化(neural population dynamics with chaotic-levy optimization,NPDCLO)算法,构建具有最优超参数配置的双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)模型,并使用多类指数损失函数渐进添加模型(stagewise additive modeling using a multi-class exponential loss function,SAMME)将多个NPDCLO-BiLSTM弱分类器组合,构建VMD-NPDCLO-BiLSTM-SAMME强分类器模型对氧化膜生成机理模型中的高温过热器壁温与烟温进行预测,最终利用预测结果融合机理模型以实现氧化膜厚度的实时精确估计。仿真实验结果表明:本文提出的模型与现有的BiLSTM-SAMME模型相比,壁温的平均绝对误差与均方根误差分别降低32.52%、32.26%,烟温的平均绝对误差与均方根误差分别降低47.38%、55.27%;氧化膜厚度预测模型的平均误差为7.42%,验证了模型的有效性及工程适用性。展开更多
文摘针对超临界锅炉运行中氧化膜动态生长特性难以实时监测导致的机组运行效能劣化问题,本文提出一种高效融合深度学习与生长机理的氧化膜厚度预测模型(VMD-NPDCLO-BiLSTM-SAMME),利用变分模态分解(variational mode decomposition,VMD)将原始序列分解为若干相对平稳的子序列,采用混沌-莱维神经种群动态优化(neural population dynamics with chaotic-levy optimization,NPDCLO)算法,构建具有最优超参数配置的双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)模型,并使用多类指数损失函数渐进添加模型(stagewise additive modeling using a multi-class exponential loss function,SAMME)将多个NPDCLO-BiLSTM弱分类器组合,构建VMD-NPDCLO-BiLSTM-SAMME强分类器模型对氧化膜生成机理模型中的高温过热器壁温与烟温进行预测,最终利用预测结果融合机理模型以实现氧化膜厚度的实时精确估计。仿真实验结果表明:本文提出的模型与现有的BiLSTM-SAMME模型相比,壁温的平均绝对误差与均方根误差分别降低32.52%、32.26%,烟温的平均绝对误差与均方根误差分别降低47.38%、55.27%;氧化膜厚度预测模型的平均误差为7.42%,验证了模型的有效性及工程适用性。
