[發明專利]基于皮爾遜相關性和神經網絡的工業蒸汽生成量預測方法和系統

在審

• 申請號: 202110992912.1
• 申請日: 2021-08-27
• 公開（公告）號: CN113705888A
• 公開（公告）日: 2021-11-26
• 發明（設計）人: 劉毅;馬正陽;劉凱新;賈明偉
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/06;G06N3/08;G06Q50/06
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵

1.基于皮爾遜相關性和神經網絡的工業蒸汽生成量預測方法，其特征在于，包括如下步驟：

1)獲取數據：采用相關設備對火力發電過程中產生的燃料進給量、空氣送風量、基準液面高度差和負載水平進行監測并采集數據作為模型的多維輸入特征數據，采集工業蒸汽生成量數據作為輸入特征數據的標簽值。

2)選擇特征：將所采集的多維特征數據與工業蒸汽生成量數據進行基于皮爾遜相關性的相似度度量，根據相似性程度對輸入特征數據進行選擇。

3)構建模型：基于前向反饋機制構建神經網絡模型，搭建輸入層、中間隱藏層和輸出層等框架，并設置神經網絡的神經元節點數等超參數。

4)訓練和預測：將基于皮爾遜相關性所選擇到的若干輸入特征數據和工業蒸汽生成量標簽數據傳入神經網絡模型，通過神經網絡不同層之間神經節點的傳遞計算來進行訓練，并將訓練后的神經網絡用于工業蒸汽生成量的預測。

2.根據權利要求1所述的基于皮爾遜相關性和神經網絡的工業蒸汽生成量預測方法，其特征在于：所述步驟1)具體包括：使用傳感器等設備對火力發電過程中的燃料進給量、空氣送風量、基準液面高度差和負載水平進行監測并采集數據作為模型的輸入特征數據X＝{x₁,x₂,...,x_R}，R表示所采集的特征個數。同時測算工業蒸汽生成量數據作為模型輸入特征數據的標簽值y＝[y₁,y₂,...,y_N]^T，N表示樣本個數。

3.根據權利要求1所述的基于皮爾遜相關性和神經網絡的工業蒸汽生成量預測方法，其特征在于：所述步驟2)具體包括：基于皮爾遜相關性計算各個輸入特征x_i與目標變量y之間的相似性Q，具體公式如下所示：

皮爾遜相關性的變化范圍為-1到1之間。當皮爾遜相關性值為1時，表示兩個變量之間具有完全的正相關線性關系，即所有的數據點都落在同一條直線上。當皮爾遜相關性值為-1時，則表示兩個變量之間具有完全的負相關線性關系，所有的數據點同樣都落在同一條直線上，只是目標變量會隨著因變量的增加而減少。當皮爾遜相關性值為0時，表明兩個變量之間完全沒有線性關系。

通過計算各個輸入特征與目標特征變量之間的皮爾遜相關性，可以對各個輸入特征與目標特征變量之間的相關性進行排序，然后可根據需要選擇前幾個相關性最高的輸入特征作為模型的最終特征。

4.根據權利要求1所述的基于皮爾遜相關性和神經網絡的工業蒸汽生成量預測方法，其特征在于：所述步驟3)具體包括：基于前向反饋機制分別構建神經網絡的輸入層、隱藏層和輸出層等結構。對于隱藏層中的神經節點，其接收來自輸入層神經節點傳遞的數據，并進行基于權重和偏置的計算，如下式所示：

H＝X_netW+b (2)

其中，H表示隱藏層神經元節點的計算值矩陣，X_net表示神經網絡輸入層的數值矩陣，W表示輸入層和隱藏層之間的權重矩陣，b表示計算偏置向量。

在隱藏層的神經元節點完成初步計算得到初值后，需要對隱藏層神經元節點的初值進行激活處理，即可采用ReLU激活函數進行計算，具體如下式所示：

ReLU(x)＝max(0,x) (3)

即，當隱藏層神經元節點的計算值小于0時，輸出為0；當其大于0時，輸出等于原值。

在完成隱藏層神經元節點的計算之后，按照相同的方式進行隱藏層與輸出層之間的計算，且輸出層的神經元節點不需要進行激活操作。

在完成對神經網絡各個層的神經元節點的設置之后即可完成神經網絡的建模。