本发明涉及燃煤发电机组背压预测领域，具体涉及一种适用于少样本的电站凝汽器背压预测方法。
背景技术：
1、在“双碳”目标引领下，我国电力系统能源主体已经由传统化石能源转变为可再生能源。非化石能源发电装机在2023年首次超过火电装机规模，占总装机容量比重在2023年首次超过50％，但在发电量占比中煤电发电量仍接近六成。随着新能源装机占比的不断提高，传统燃煤发电厂需要进一步提升运行水平，保证机组具备充裕的灵活调节性，以应对风、光等新能源发电的强随机性与波动性，充分发挥其基础性支撑调节作用，从而保障电网稳定运行。
2、凝汽器作为燃煤发电机组的重要辅机设备，主要作用是为机组提供稳定的低温环境，从而凝结低压缸排汽并维持汽轮机排汽口真空。凝汽器背压作为汽轮机冷端最重要的参数，直接影响机组运行的经济性和安全性，一般来说，凝汽器背压越低，性能越好。凝汽器性能将直接影响发电机组在功率输出和热效率方面的整体性能。因此，保障凝汽器的正常运行，对机组的平稳高效运行有极其重要影响。
3、目前针对凝汽器的背压预测方法主要采用数据驱动方法，该方法是基于历史数据直接获得运行参数间相关性的方法，无需了解复杂的特性关系，预测效果与数据样本的完备程度紧密相关。新建机组投运时间短，累积的历史数据量少，数据驱动方法缺乏足够的训练样本，建立的模型无法学习到未知工况下的特征，无法实现高精度的背压预测。同类型机组投运时间较长，数据库中数据量大、类型完善，但直接基于该机组数据训练的模型应用至新建机组时，机组间的差异会导致模型泛化能力不足。如何有效规避上述问题，保证模型预测精度满足实际运行需求，成为目前亟需解决的难题之一。
技术实现思路
1、发明目的：为了克服现有技术中存在的不足，提供一种适用于少样本的电站凝汽器背压预测方法，采用深度神经网络(dnn)对凝汽器进行背压预测，采用迁移学习的思想，使用目标域机组数据对网络进行微调，得到适用于目标域机组的预测模型，以此提高背压预测在实际生产种应用的适应性。
2、技术方案：为实现上述目的，本发明提供一种适用于少样本的电站凝汽器背压预测方法，包括如下步骤：
3、s1：分别采集两台相同类型的机组历史运行数据，其中一台为目标域机组，另一台为源域机组；
4、s2：将采集到的运行数据进行预处理；
5、s3：使用预处理后的源域机组运行数据作为源域数据训练搭建好的深度神经网络，得到适用于源域机组的预训练网络；
6、s4：输入设定量的目标域机组运行数据对预训练网络结构进行重新训练，得到目标网络；
7、s5：将剩余目标域机组运行数据作为测试样本输入训练好的目标网络中，得到凝汽器背压的预测值。
8、进一步地，所述步骤s2中预处理包括：
9、a1：通过机理分析以及相关性分析选取与凝汽器背压相关的输入参数；
10、a2：对两台机组的历史运行数据进行数据清洗、缺失值处理和归一化处理的数据预处理操作；将预处理后的目标域机组数据集d1作为目标域数据，将预处理后的源域机组数据集d2作为源域数据；选取d1中指定量数据d1tr作为背压预测的输入，剩余数据记为d1te。
11、进一步地，所述步骤a1中相关性分析的方法为：
12、灰色关联分析通过比较数据序列的变化趋势，定量计算与参考序列的关联度，从而判断变量之间的关联性和主要影响因素；
13、其中，待比较序列的关联度ri定义如下：
14、
15、δoi(k)＝|xo(k)-xi(k)|
16、其中，δoi(k)为比较序列与参考序列之间的差值，其中最大差值和最小差值分别记为δmax和δmin，xo(k)为参考序列，xi(k)为待比较序列，i＝0,1,2,…,n；k＝1,2,…,m，n为样本个数，m为待比较指标数，ρ为区分系数，ρ∈(0,1)；
17、基于两变量的pearson系数判定变量之间是否存在相关性；
18、其中，pearson系数的定义如下：
19、
20、其中，分别为参数xa,xb的平均值，n为数据样本数，绝对值越大说明参数xa,xb之间的相关性越强。
21、进一步地，所述步骤a2中数据清洗、缺失值处理具体为：去除长时间无数值数据样本和停机部分数据样本，将异常数据点去除；其中特征阈值为：背压大于30kpa；机组负荷大于670mw且小于100mw；
22、归一化处理：将两台机组的输入参数样本转换为均值为0、标准差为1的分布，计算公式如下：
23、
24、其中，z为归一化后的数值，x为样本数据的原始值，μ为样本数据的均值，σ为样本数据的标准差。
25、进一步地，所述步骤s3中预训练网络包括五层网络结构，分别为输入层、三层隐藏层和输出层；所述输入层用于数据的输入；每层隐藏层包括多个神经元，用于对输入数据样本进行特征学习，并进行凝汽器背压的预测，得到对应的预测值；所述输出层用于结果的输出。
26、进一步地，所述预训练网络中隐藏层的神经元每层具有10个神经元，即隐藏层输出是一个10维向量，每层神经元上发生加权求和与激活这两步计算，加权求和即对前一层所有神经元输出进行线性组合，对线性组合结果施加激活函数为神经网络提供非线性变化；隐藏层输出、加权求和、施加激活函数与采用的relu激活函数表示如下：
27、
28、
29、a[l]＝g(z[l])
30、
31、其中，a[l]为第l隐藏层的输出，z[l]为第l隐藏层的加权求和值，w[l]为第l隐藏层神经元与第l-1隐藏层神经元间的权重，b[l]是线性组合中的常量偏置，grelu(x)为激活函数。
32、进一步地，所述步骤s3中预训练网络的训练过程为：
33、将训练样本输入神经网络，进行前向传播，与真实值对比计算损失函数后经由反向传播计算损失函数对权重及偏置的偏导数，再利用梯度下降的原理，使用偏导数对各个参数迭代更新使网络损失函数最小化，前向传播、损失函数、偏导数和迭代更新的计算公式分别如下：
34、a[l]＝g[l](w[l]a[l-1]+b[l]),l＝1,2,…,l
35、
36、w[l]＝w[l]-lrdw[l],b[l]＝b[l]-lrdb[l]
37、其中，l是隐藏层层数，g[l]为第l-1隐藏层到第l隐藏层的激活函数，eloss为网络的损失函数，m为训练样本数量，和yj分别为第j个训练样本的网络输出值和真实值，dw[l]和db[l]分别为损失函数对第l隐藏层权重和偏置的偏导数，lr为决定权重和偏置在梯度方向上更新步长的学习率。
38、进一步地，所述预训练网络的训练过程中学习率采用的衰减策略为adam算法，优化过程、对梯度的有偏估计修正和参数更新方式的公式分别如下：
39、
40、
41、其中，vt和st是对梯度的一阶矩和二阶矩的有偏估计，β1为超参数，为关于模型参数θ的损失函数eloss(θ)的梯度，和分别修正后的对梯度的一阶矩和二阶矩的有偏估计，∈为防止除以零的小常数。
42、进一步地，所述步骤s4的目标网络的训练过程中：以预训练网络结构和参数为基础，通过固定模型的部分结构，以经过优化的权重及偏置作为初始化值，补充目标域少量数据d1tr进行微调，微调的方式为：冻结除最后一层外的隐藏层结构与参数，将最后一层参数初始化后，以目标域数据d1tr训练得到新的最后一层权重与偏置。微调需要的训练数据量与训练步数相比于直接获取大量数据进行训练来说都将大幅度减少，节省模型训练所需要的计算资源。
43、本发明引入迁移学习方法来解决新建机组模型精度问题，运用同类型机组数据库中的完备数据样本建立模型后，通过模型迁移方法对预测模型进行微调，增强了模型的预测精度，为机组的灵活调节性提供保障。
44、有益效果：本发明与现有技术相比，以深度神经网络为基础，构建了源域机组的预训练预测模型；同时，借助迁移学习的思想，固定预训练模型的部分结构和参数，重新初始化模型网络的较深隐藏层权重和偏置，使用目标域机组的少量数据微调模型,得到适用于同类型不同机组的目标域凝汽器背压预测模型，实现较低的预测误差,有效降低电机之间差异对背压预测的影响，提高了凝汽器背压预测在实际生产中应用的适应性。
1.一种适用于少样本的电站凝汽器背压预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种适用于少样本的电站凝汽器背压预测方法，其特征在于，所述步骤s2中预处理包括：
3.根据权利要求2所述的一种适用于少样本的电站凝汽器背压预测方法，其特征在于，所述步骤a1中相关性分析的方法为：
4.根据权利要求2所述的一种适用于少样本的电站凝汽器背压预测方法，其特征在于，所述步骤a2中数据清洗、缺失值处理具体为：去除长时间无数值数据样本和停机部分数据样本，将异常数据点去除；
5.根据权利要求1所述的一种适用于少样本的电站凝汽器背压预测方法，其特征在于，所述步骤s3中预训练网络包括五层网络结构，分别为输入层、三层隐藏层和输出层；所述输入层用于数据的输入；每层隐藏层包括多个神经元，用于对输入数据样本进行特征学习，并进行凝汽器背压的预测，得到对应的预测值；所述输出层用于结果的输出。
6.根据权利要求5所述的一种适用于少样本的电站凝汽器背压预测方法，其特征在于，所述预训练网络中隐藏层的神经元每层具有10个神经元，即隐藏层输出是一个10维向量，每层神经元上发生加权求和与激活这两步计算，加权求和即对前一层所有神经元输出进行线性组合，对线性组合结果施加激活函数为神经网络提供非线性变化；隐藏层输出、加权求和、施加激活函数与采用的relu激活函数表示如下：
7.根据权利要求6所述的一种适用于少样本的电站凝汽器背压预测方法，其特征在于，所述步骤s3中预训练网络的训练过程为：
8.根据权利要求7所述的一种适用于少样本的电站凝汽器背压预测方法，其特征在于，所述预训练网络的训练过程中学习率采用的衰减策略为adam算法，优化过程、对梯度的有偏估计修正和参数更新方式的公式分别如下：
9.根据权利要求6所述的一种适用于少样本的电站凝汽器背压预测方法，其特征在于，所述步骤s4的目标网络的训练过程中：以预训练网络结构和参数为基础，通过固定模型的部分结构，以经过优化的权重及偏置作为初始化值，补充目标域少量数据d1tr进行微调。
10.根据权利要求9所述的一种适用于少样本的电站凝汽器背压预测方法，其特征在于，所述步骤s4中补充目标域少量数据d1tr进行微调的方式为：冻结除最后一层外的隐藏层结构与参数，将最后一层参数初始化后，以目标域数据d1tr训练得到新的最后一层权重与偏置。
