張國斌， 郭瑞君， 杜榮華， 辛?xí)凿摚?張 謙， 牛玉廣

(1. 內(nèi)蒙古電力(集團)有限責任公司 內(nèi)蒙古電力科學(xué)研究院分公司，呼和浩特 010020；2. 華北電力大學(xué) 控制與計算機工程學(xué)院，北京 102206)

主蒸汽溫度是電站機組運行過程中需要控制的重要參數(shù)之一。主蒸汽溫度過高，會使汽輪機中汽缸、汽閥、葉片等部件的壽命縮短，進而影響汽輪機的安全性[1]。對于300 MW火電機組，主蒸汽溫度降低10 K，汽輪機熱耗率升高約0.33%(約25 kJ/(kW·h))，并且機組容量越大，主蒸汽溫度對汽輪機熱耗率的影響越大[2]，同時汽輪機末級處蒸汽含水量增加，會造成汽輪機葉片壽命縮短。此外，溫度的波動會導(dǎo)致汽輪機內(nèi)汽缸和轉(zhuǎn)子脹差的變化，影響機組的安全運行。因此，快速、準確地控制主蒸汽溫度并將其穩(wěn)定在設(shè)定值十分有必要。

隨著智能控制的發(fā)展，出現(xiàn)了模糊控制、智能比例積分微分(PID)控制、Smith預(yù)估控制和預(yù)測控制等先進控制方法[3-10]。黃宇等[3]針對600 MW直流爐主蒸汽溫度控制系統(tǒng)，提出了模糊自適應(yīng)內(nèi)?？刂?FAIMC)策略，通過4種典型工況下的仿真表明，該策略的動態(tài)性能優(yōu)于串級控制策略的動態(tài)性能。LI H等[4]設(shè)計了一種基于免疫遺傳算法和反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的智能PID控制系統(tǒng)，利用免疫遺傳算法全局尋優(yōu)能力和良好的收斂性，優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值，同時利用BP神經(jīng)網(wǎng)絡(luò)調(diào)整PID參數(shù)，仿真結(jié)果表明，該系統(tǒng)在控制品質(zhì)和魯棒性方面均優(yōu)于常規(guī)PID控制系統(tǒng)。WANG G L等[5]介紹了一種用于超臨界機組主蒸汽溫度控制的多變量約束預(yù)測控制方法，將主蒸汽溫度階躍響應(yīng)作為多變量約束預(yù)測控制算法的預(yù)測模型，仿真結(jié)果表明在負荷變化過程中，過熱蒸汽溫度可以控制在設(shè)定值附近。然而，這些方法主要是基于反饋調(diào)節(jié)的改進，反饋調(diào)節(jié)的特點是出現(xiàn)偏差才會調(diào)節(jié)，對于主蒸汽溫度控制系統(tǒng)這類具有大慣性、大遲延特點的系統(tǒng)的應(yīng)用效果有限。如果能夠提前預(yù)測主蒸汽溫度的變化方向，使得減溫水系統(tǒng)能夠提前動作，將能夠有效克服各種擾動對蒸汽溫度的影響。張麗香等[6]提出一種自適應(yīng)Smith預(yù)估補償?shù)闹髡羝麥囟瓤刂葡到y(tǒng)。仿真研究結(jié)果表明，該系統(tǒng)設(shè)定值跟蹤性能和抗干擾能力都明顯優(yōu)于經(jīng)典串級汽主蒸汽壓力及溫度控制系統(tǒng)。但是，Smith預(yù)估器過于依賴過程精確模型，主蒸汽溫度受到機組負荷、各層磨煤機出力、給水流量和減溫水流量等眾多因素的影響，通過傳統(tǒng)的數(shù)學(xué)建模方法很難精確地構(gòu)建各個變量對主蒸汽溫度影響的綜合模型，而神經(jīng)網(wǎng)絡(luò)算法在理論上可以逼近對任意非線性函數(shù)的擬合，因此考慮采用機器學(xué)習(xí)模型對溫度進行預(yù)測，建立主蒸汽溫度控制系統(tǒng)預(yù)測模型。

隨著機器學(xué)習(xí)算法的發(fā)展，支持向量機(SVM)、BP神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、長短期記憶網(wǎng)絡(luò)(LSTM)及其變體均被應(yīng)用到時間序列預(yù)測中。梅倩[7]提出了一種有選擇性的增量學(xué)習(xí)與快速剪枝算法結(jié)合的最小二乘法支持向量機(LSSVM)預(yù)測方法。該方法既能保證預(yù)測的精度，又能滿足在線預(yù)測的實時性要求。LSSVM具有理論體系完善、適合小樣本訓(xùn)練的特點，然而對于大規(guī)模樣本的訓(xùn)練效果不足。神經(jīng)網(wǎng)絡(luò)具備擬合對象非線性特性的能力，在大規(guī)模樣本的時間序列預(yù)測上的效果更好。王德明等[11]采用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)分別建立短期風(fēng)速預(yù)測模型。然而，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)所有的輸入彼此獨立，沒有跨時間傳遞信息的能力，不能很好地利用其中的信息。

RNN由Jordan M. I.于1986年提出[12]，它不僅在層與層之間建立了權(quán)值連接，而且在隱含層之間的神經(jīng)元中也進行了權(quán)值傳遞，這樣就具有跨時間傳遞信息的能力，因此其更擅長對時間序列數(shù)據(jù)進行預(yù)測。李潔等[13]建立RNN預(yù)測模型，對未來時段的日客流量進行預(yù)測。然而，RNN存在梯度消失和長期依賴的問題，即不能學(xué)習(xí)到長期信息，不能選擇性地遺忘不重要的信息。LSTM采用門控機制解決了RNN中梯度消失和長期依賴的問題，能更有效地被應(yīng)用到時間序列預(yù)測中。楊國田等[14]建立基于LSTM的火電廠氮氧化物(NOx)排放預(yù)測模型，得出LSTM模型數(shù)據(jù)預(yù)測效果明顯優(yōu)于RNN和LSSVM模型，并且預(yù)測結(jié)果的穩(wěn)定性和準確率較高。

針對上述問題，筆者提出一種基于LSTM預(yù)估補償?shù)闹髡羝麥囟瓤刂葡到y(tǒng)。一方面，考慮各個變量對主蒸汽溫度的影響，建立基于LSTM的時間序列預(yù)測模型，將大部分可能引起主蒸汽溫度變化的變量作為預(yù)測模型的輸入，預(yù)測主蒸汽溫度的變化；另一方面，以主蒸汽溫度預(yù)測模型為基礎(chǔ)，結(jié)合階梯式預(yù)測控制算法，構(gòu)建基于預(yù)估補償?shù)闹髡羝麥囟瓤刂葡到y(tǒng)，實現(xiàn)對主蒸汽溫度的精準超前調(diào)節(jié)，提升主蒸汽溫度控制系統(tǒng)的效果。

1 傳統(tǒng)主蒸汽溫度控制系統(tǒng)

以某330 MW火電機組汽包爐兩級噴水減溫為研究對象，其結(jié)構(gòu)見圖1，其中：PV為反饋值，SP為設(shè)定值。

圖1 某330 MW火電機組汽包爐主蒸汽溫度控制系統(tǒng)結(jié)構(gòu)

汽包出口的飽和蒸汽分別經(jīng)過低溫過熱器加熱、一級減溫器降溫、屏式過熱器加熱、二級減溫器降溫和末級過熱器加熱后，進入高壓缸做功。主蒸汽溫度控制系統(tǒng)由兩段相對獨立的控制系統(tǒng)組成，分別為一級減溫水和二級減溫水系統(tǒng)，并且每級減溫水系統(tǒng)可分為A/B兩側(cè)，以二級減溫水系統(tǒng)A側(cè)控制為例說明傳統(tǒng)主蒸汽溫度控制系統(tǒng)。

傳統(tǒng)主蒸汽溫度控制一般采用選用串級-前饋控制結(jié)構(gòu)。在二級減溫控制系統(tǒng)中，選用主蒸汽溫度作為主控制器的反饋值，將主控制器輸出作為副控制器設(shè)定值，將二級減溫后蒸汽溫度作為副控制器反饋值，副控制器的輸出直接控制減溫閥，二級減溫前蒸汽溫度作為二級減溫控制系統(tǒng)前饋。二級減溫前蒸汽溫度更能反映鍋爐燃燒狀況的變化，能更快地反映機組燃燒狀態(tài)對主蒸汽溫度的影響，補償燃燒狀態(tài)對主蒸汽溫度造成的干擾。

然而，主蒸汽溫度受到多種因素的影響，難以采用單一信號表征主蒸汽溫度的變化，并且二級減溫前蒸汽溫度與被控蒸汽溫度在不同的受熱區(qū)，不能只采用二級減溫前蒸汽溫度判斷主蒸汽溫度變化的趨勢。采用LSTM算法，訓(xùn)練相關(guān)變量對主蒸汽溫度的時序關(guān)系模型，將主蒸汽溫度的預(yù)測值與當前值的差作為控制器的前饋信號，使控制器實現(xiàn)超前調(diào)節(jié)。

2 LSTM算法原理

LSTM算法由Hochreiter于1997年提出，并于2012年被Alex Graves進行了改良和推廣，是一種特殊的RNN算法[15]。LSTM算法采用門控機制解決了RNN算法中梯度消失和長期依賴的問題，能更有效地預(yù)測時間序列。LSTM網(wǎng)絡(luò)結(jié)構(gòu)見圖2，其中：t為當前時刻；σ為Sigmoid激活函數(shù)；h(t)為當前時刻隱含層；C(t)為當前時刻存儲單元，也稱為細胞狀態(tài)；f(t)、i(t)、o(t)分別為遺忘門、輸入門、輸出門；a(t)為輸入層和隱含層向存儲單元提供的更新值；X(t)為輸入值；y(t)為輸出值。

圖2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)圖

在不同時刻的模塊中，LSTM通過隱含層和存儲單元傳遞權(quán)值信息，并通過門控單元選擇性地使信息通過，從而控制信息的遺忘和更新。門控單元不提供額外信息，只是起到信息過濾的作用。細胞狀態(tài)記錄了長時記憶傳播的信息，各個門控單元在細胞狀態(tài)的基礎(chǔ)上丟棄和增添信息，隱含層狀態(tài)記錄了短期記憶信息。

每個LSTM模塊可以分為遺忘層、輸入層、更新層和輸出層四個部分。

(1) 第一個部分為遺忘層，將上一時刻隱含層的輸出h(t-1)和當前時刻的輸入x(t)作為輸入，通過Sigmoid激活函數(shù)得到細胞狀態(tài)被選擇的概率f(t)，其取值在[0，1](1表示完全保留細胞狀態(tài)，0表示完全遺忘細胞狀態(tài))。

(2) 第二個部分為輸入層，來確定將哪些信息存放到細胞狀態(tài)中，將輸入通過tanh激活函數(shù)后產(chǎn)生更新值a(t)。采用tanh激活函數(shù)是因為輸出在[-1，1]，可以在更新細胞狀態(tài)的過程中加強或減弱記憶信息。通過a(t)與遺忘門輸出相乘的結(jié)果，可以表明細胞狀態(tài)需要更新的程度。

(3) 第三個部分為更新層，表示細胞狀態(tài)的更新過程。將上一時刻的細胞狀態(tài)經(jīng)過遺忘層丟失一部分信息，再經(jīng)過輸入更新一部分信息，生成新的細胞狀態(tài)。

(4) 第四個部分為輸出層，將細胞狀態(tài)經(jīng)過tanh激活函數(shù)得到輸出值，并經(jīng)過新的遺忘門篩選后送到輸出層預(yù)備值中，輸出層預(yù)備值也是下一時刻的隱含層輸入，將預(yù)備值送入Sigmoid激活函數(shù)得到預(yù)測輸出，從而實現(xiàn)時間序列的預(yù)測。

LSTM算法相比于RNN算法主要增加了3個門控單元控制信息的流通以更新細胞狀態(tài)，從而在網(wǎng)絡(luò)結(jié)構(gòu)上實現(xiàn)對長短期歷史數(shù)據(jù)信息的利用，既能學(xué)到長期信息，又能對不重要的近期信息選擇遺忘。

圖3 LSTM算法的整體結(jié)構(gòu)模型

在帶前饋的預(yù)測控制算法中，需要得到優(yōu)化時域內(nèi)所有的預(yù)測值，因此LSTM算法的整體結(jié)構(gòu)考慮到反向傳播時域內(nèi)所有時刻的誤差，而不是只考慮反向傳播最后時刻的誤差，從而保證同時得到優(yōu)化時域內(nèi)所有的預(yù)測值。

采用這種結(jié)構(gòu)，相比于BP算法，除了較高的準確度外，還具備另一個優(yōu)點，即能同時輸出優(yōu)化時域內(nèi)的所有預(yù)測值，并且每秒都在更新優(yōu)化時域內(nèi)的所有值，只需要在訓(xùn)練時將整體結(jié)構(gòu)模型的長度設(shè)置成優(yōu)化時域，而BP算法每次只能輸出單時間的預(yù)測值，不能更新過去的預(yù)測值。

采用Adam算法更新學(xué)習(xí)率，由Diederik Kingma在2015年提出的自適應(yīng)學(xué)習(xí)率的算法，是一種可以替代傳統(tǒng)隨機梯度下降的優(yōu)化算法，根據(jù)損失函數(shù)梯度的一階矩估計和二階矩估計調(diào)整參數(shù)的學(xué)習(xí)率，具體公式[16]為：

(1)

3 基于LSTM預(yù)估補償?shù)闹髡羝麥囟瓤刂?/h2>

3.1 主蒸汽溫度控制系統(tǒng)

廣義預(yù)測控制由Clarke等于1987年在最小方差自校正的基礎(chǔ)上提出，采用多步預(yù)測優(yōu)化，最小化優(yōu)化時域內(nèi)的性能指標函數(shù)，既不需要精確知道系統(tǒng)的滯后，也不需要對象的精準建模，適用于難以精確建模的滯后控制系統(tǒng)。

圖4 帶預(yù)估補償前饋的主蒸汽溫度控制系統(tǒng)

性能指標J的公式為：

(2)

式中：yr(t+j)為柔化后的設(shè)定值；y(t+j)為模型預(yù)測輸出；[N0,N1]為優(yōu)化時域；Nu為控制時域；λ為控制加權(quán)系數(shù)，使控制增量的變化不要過于劇烈?？刂扑阕佑煽刂葡到y(tǒng)的優(yōu)化性能指標最小值計算得到，令dJ/d(Δu)=0，得：

dT=(1,0,…,0)×(GTG+λ)-1GT

(3)

Δu=dT(Yr-Y)

(4)

Yr=[yr(t+N0),yr(t+N0+1),…,yr(t+N1)]T

(5)

Y=[y(t+N0),y(t+N0+1),…,y(t+N1)]T

(6)

式中：G為預(yù)測模型階躍響應(yīng)系數(shù)組成的矩陣；Yr和Y分別為柔化后設(shè)定值和模型預(yù)測輸出組成的矩陣。

基于LSTM預(yù)估補償?shù)念A(yù)測控制器從兩個方面對主蒸汽溫度控制進行改進。一方面，廣義預(yù)測控制器能根據(jù)對象模型預(yù)測溫度，從而提前控制減溫閥穩(wěn)定溫度。另一方面，對于可測不可控干擾，選用LSTM算法預(yù)測被控溫度，并通過前饋預(yù)先加以補償，使調(diào)節(jié)器能提前動作，克服控制遲延，進一步提升控制效果。

3.2 主蒸汽溫度預(yù)測

3.2.1 主蒸汽溫度對象特性

為了使神經(jīng)網(wǎng)絡(luò)建立的預(yù)測器模型替代干擾對被控溫度的傳遞函數(shù)，需要確定減溫水流量對主蒸汽溫度控制的遲延時間。在實際運行時主蒸汽溫度會受到各種因素的影響，因此選取穩(wěn)定工況的歷史曲線(見圖5)。從圖5中可以看出：一級減溫水流量對二級減溫前蒸汽溫度的控制遲延時間為70 s，二級減溫水流量對主蒸汽溫度的控制遲延時間為90 s。

圖5 一級減溫和二級減溫對象的特性

3.2.2 主蒸汽溫度預(yù)測模型

一級減溫系統(tǒng)的控制目標為二級減溫前蒸汽溫度，二級減溫系統(tǒng)的控制目標為主蒸汽溫度，由于二級減溫前蒸汽溫度是否穩(wěn)定對主蒸汽溫度的影響很大，因此要將主蒸汽溫度控制好，對二級減溫前蒸汽溫度和主蒸汽溫度的預(yù)測和控制都很重要?？刂葡到y(tǒng)的控制效果取決于前饋預(yù)測的準確性，需要對比BP算法和LSTM算法的預(yù)測效果，一級減溫和二級減溫控制系統(tǒng)參數(shù)見表1，其中給煤量和入口風(fēng)量為5臺磨煤機(A、B、C、D、E磨煤機)的數(shù)據(jù)，因此每組的輸入變量為16組，預(yù)測70 s后的二級減溫前蒸汽溫度和90 s后的主蒸汽溫度。

表1 一級和二級減溫控制系統(tǒng)參數(shù)

選取10 d的運行數(shù)據(jù)，每隔5 s取1個點，共有172 800組數(shù)據(jù)，將數(shù)據(jù)歸一化后輸入網(wǎng)絡(luò)進行訓(xùn)練。進行預(yù)測訓(xùn)練時，選取75%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，取25%的數(shù)據(jù)作為測試數(shù)據(jù)，對比BP算法和LSTM算法的訓(xùn)練效果。BP算法訓(xùn)練采用Sigmoid激活函數(shù)，輸入時域為100 s，即將16組輸入變量的100 s(20個點)的數(shù)據(jù)堆疊起來作為輸入，2層隱含層個數(shù)分別為64和16，訓(xùn)練代數(shù)為100，初始學(xué)習(xí)率為0.5，學(xué)習(xí)輸入歷史數(shù)據(jù)的特征。LSTM算法訓(xùn)練將16組數(shù)據(jù)直接輸入到當前時刻的模塊中，不需要將歷史數(shù)據(jù)堆疊，隱含層個數(shù)為64，訓(xùn)練代數(shù)為100，初始學(xué)習(xí)率為0.5。2種方法設(shè)置成相同的訓(xùn)練代數(shù)和初始學(xué)習(xí)率，預(yù)測70 s后的二級減溫前蒸汽溫度和90 s后的主蒸汽溫度。

為了評價和對比預(yù)測效果，采用平均絕對值誤差EMA、均方誤差EMS、平均絕對百分誤差EMAP3個指標說明預(yù)測效果，一般認為EMA小于10%時的預(yù)測效果可以被接受。3個指標的公式分別為：

(7)

(8)

(9)

將BP算法和LSTM算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果反歸一化后，比較兩者的預(yù)測效果(見表2)。

表2 BP算法與LSTM算法的效果對比

由表2可以看出：主蒸汽溫度的預(yù)測誤差比二級減溫前蒸汽溫度的小，并且LSTM算法的效果明顯優(yōu)于BP算法，適合離線訓(xùn)練網(wǎng)絡(luò)參數(shù)，深入學(xué)習(xí)歷史數(shù)據(jù)中的隱含信息。選取3 000 個樣本的訓(xùn)練集和2 000 個樣本的測試集作為LSTM算法的訓(xùn)練效果(見圖6)。

圖6 LSTM算法的預(yù)測效果

由圖6可以看出：二級減溫前蒸汽溫度和主蒸汽溫度的測試集中實際值與預(yù)測值變化趨勢的吻合程度較高，誤差較小，有很好的魯棒性。

圖7為電廠中采用LSTM算法的實際預(yù)測效果。圖7(a)中將預(yù)測值推遲70 s后，其曲線與二級減溫前蒸汽溫度實際值曲線相吻合；圖7(b)中將預(yù)測值推遲90 s后，其曲線與主蒸汽溫度實際值曲線相吻合。這說明電廠實際運行時，預(yù)測值能提前反映機組參數(shù)狀態(tài)，可將其用于控制系統(tǒng)的預(yù)估補償前饋中，進而起到提前控制的作用。

圖7 電廠實際預(yù)測效果

3.3 主蒸汽溫度控制效果

改進前電廠采用常規(guī)的串級PID控制策略對主蒸汽溫度進行控制，選取其中1 h的控制效果圖(見圖8)，其中：機組負荷(MW)由[100，300]歸一化到[0，100]，一級減溫水質(zhì)量流量(t/h)由[20，135]歸一化到[0，100]，二級減溫水質(zhì)量流量(t/h)由[0，50]歸一化到[0，100]。

圖8 改進前蒸汽溫度控制效果

由圖8可以看出：在10:54:00至11:06:00，機組負荷在211～228 MW波動，主蒸汽溫度在設(shè)定值附近振蕩，二級減溫前蒸汽溫度波動最大偏差為7.3 K，由于二級減溫前蒸汽溫度存在偏差，即使二級減溫水的閥門完全關(guān)閉，主蒸汽溫度也一直低于設(shè)定值。在11:06:00后，機組負荷由220 MW上升到250 MW，運行人員手動降低二級減溫前蒸汽溫度的設(shè)定值防止主蒸汽溫度超溫?？偠灾捎迷械目刂撇呗詴r溫度偏差大，甚至需要運行人員的手動干預(yù)。將基于LSTM預(yù)估補償?shù)闹髡羝麥囟瓤刂撇呗詰?yīng)用于電廠控制中，分析電廠的實際控制效果，其歸一化方式與常規(guī)的串級PID控制策略相同。

改進后穩(wěn)態(tài)時主蒸汽溫度的控制效果見圖9。

圖9 改進后穩(wěn)態(tài)時蒸汽溫度控制效果

由圖9可以看出：在改進后的控制策略中，LSTM預(yù)估器能夠預(yù)測蒸汽溫度的變化方向，從而利用控制器對減溫水進行超前調(diào)節(jié)，避免了主蒸汽溫度的大幅度波動。該電廠中一級減溫控制系統(tǒng)響應(yīng)相對較快，并且一級減溫水流量的調(diào)節(jié)范圍廣，因此主要對二級減溫前蒸汽溫度超前調(diào)節(jié)，而二級減溫水流量起到穩(wěn)定主蒸汽溫度的作用。以圖9中的二級減溫前蒸汽溫度為例進行分析。在06:32:00時，二級減溫前蒸汽溫度高于設(shè)定值且在溫度的高點時，一級減溫水流量提前降低，防止后續(xù)二級減溫前蒸汽溫度欠溫。同理，在06:12:00時，主蒸汽溫度高于設(shè)定值且在高點時，二級減溫水流量提前降低，防止06:14:00時主蒸汽溫度欠溫，最終使主蒸汽溫度更快地收斂到設(shè)定值上。當機組負荷在210～232 MW波動時，二級減溫前蒸汽溫度波動最大偏差為3.48 K，主蒸汽溫度波動最大偏差為3.06 K，說明了基于LSTM預(yù)估補償?shù)闹髡羝麥囟瓤刂撇呗缘挠行浴?/p>

改進后動態(tài)時主蒸汽溫度的控制效果見圖10。

圖10 改進后動態(tài)時蒸汽溫度控制效果

由圖10可以看出：在09:19:00時，二級減溫前蒸汽溫度的設(shè)定值由497 ℃調(diào)整到490 ℃，主蒸汽溫度設(shè)定值由538 ℃調(diào)整到533 ℃，此時減溫水流量快速提升，然而機組負荷下降，二級減溫前蒸汽溫度和主蒸汽溫度會隨著機組負荷的下降而下降。因此，減溫水的閥門需要提前關(guān)小一部分，防止蒸汽溫度超調(diào)，同時在調(diào)節(jié)過程中抑制燃燒狀態(tài)造成的干擾，說明了動態(tài)過程中基于LSTM預(yù)估補償?shù)闹髡羝麥囟瓤刂撇呗缘挠行浴?/p>

4 結(jié)語

針對具有大慣性、大延遲特點的主蒸汽溫度控制系統(tǒng)，基于LSTM預(yù)估補償?shù)闹髡羝麥囟瓤刂葡到y(tǒng)能夠預(yù)測蒸汽溫度變化的方向，對減溫水進行超前調(diào)節(jié)，避免了主蒸汽溫度大幅度波動，提升控制系統(tǒng)的動態(tài)特性和控制效果。電廠的實際應(yīng)用表明基于LSTM預(yù)估補償?shù)闹髡羝麥囟瓤刂葡到y(tǒng)的應(yīng)用效果優(yōu)于常規(guī)控制系統(tǒng)的應(yīng)用效果，能使主蒸汽溫度更快穩(wěn)定在設(shè)定值。