基于GRU门控循环单元的火电AGC数据建模及应用

为响应国家“双碳”目标，提高火电机组的运行灵活性，使用数学模型或仿真软件对火电AGC变负荷过程进行分析研究。而深度学习作为最火热的研究方法之一，将其应用于传统火电机组的大量数据集，可快速、轻便构建更具针对性和准确性的火电机组AGC变负荷数据模型，对火电机组动态性能进行分析优化。对比不同循环神经网络框架，选择表现最优的GRU门控循环单元对火电机组变负荷过程进行数据建模，并通过遍历法提高模型精度，并结合自身数据集和物理仿真模型进行数据模型的多重验证。结果表明，基于门控循环单元搭建的数据模型可模拟火电机组在实际变负荷过程中的运行状况，并可模拟不同负荷指令组下的AGC变负荷过程，从而对最佳负荷指令组进行优化。根据模拟结果，在机组75%～100%THA升负荷过程中，调节精度提高了28.4%,在100%～75%THA降负荷过程中，调节精度提高了17.8%。