基于LSTM-XGBoost集成模型的重型燃气轮机负荷预测控制

针对重型燃气轮机负荷系统具有复杂耦合关系、高度非线性以及内部特性难以获取等特点,设计了一种基于LSTM-XGBoost集成模型的非线性模型预测控制策略,用于提高燃气轮机负荷系统的设定值跟踪能力。结合LSTM和XGBoost两种不同的网络构建集成模型,对燃气轮机负荷系统的输出功率及排气温度进行预测,两种输出参数的测试集均方根误差分别为0.060 3和0.064 1。仿真结果表明,LSTM-XGBoost集成模型可以实现两种输出参数在时间序列上的多步预测,且极大程度上提高了单一模型的预测精度。之后,利用该模型设计了基于数据驱动的模型预测控制器,并采用蛇优化(SO)算法与目标函数结合,进行滚动优化。与常规预测控制策略相比,引入SO算法的LSTM-XGBoost控制器在不同功率指令下的超调量分别缩小至3.2%和0.2%,排气温度控制的超调量为0,实现了重型燃机负荷系统的多输入多输出非线性预测控制,提高了设定值跟踪的准确性及快速性。