摘要
针对电站锅炉高温过热器壁温预测的准确性问题,本文提出了一种基于麻雀搜索算法双向长短期记忆神经网络(SSA-BiLSTM-Finetuning)的高温过热器壁温预测方法.该方法首先通过灰色关联度分析提取了影响末级过热器金属壁温的关键变量,并建立了基于双向长短期记忆神经网络(BiLSTM)的壁温预测模型;接着,基于熵值理论提出了预测误差熵指标,并制定了预测模型的自适应更新策略;然后,通过模型迁移和麻雀搜索算法(SSA)超参数寻优实现模型更新;最后,使用10 天的相关参数历史数据作为测试集,验证了所提方法的优越性.研究结果表明,与传统的BiLSTM模型相比,SSA-BiLSTM-Finetuning模型对每日壁温的预测误差均方根(RMSE)更低,显示出更好的预测性能,是一种能够适应锅炉多模态运行工况的高温过热器壁温预测方法.
NETL
NSTL
万方数据