[發(fā)明專利]基于皮爾遜相關性和神經網絡的工業(yè)蒸汽生成量預測方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110992912.1
• 申請日: 2021-08-27
• 公開（公告）號: CN113705888A
• 公開（公告）日: 2021-11-26
• 發(fā)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(yè)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

基于皮爾遜相關性和神經網絡的工業(yè)蒸汽生成量預測方法，包括：1)數據獲取：對火力發(fā)電過程進行監(jiān)測并采集數據作為模型的多維輸入特征數據，采集工業(yè)蒸汽生成量數據作為輸入特征數據的標簽值；2)特征選擇：將步驟1)采集的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，并設置神經網絡的超參數；4)訓練和預測：將選擇到的輸入特征數據和工業(yè)蒸汽生成量標簽數據傳入神經網絡模型，通過神經網絡進行訓練，并將訓練后的神經網絡用于工業(yè)蒸汽生成量的預測。本發(fā)明還包括實施基于皮爾遜相關性和神經網絡的工業(yè)蒸汽生成量預測方法的系統(tǒng)。

技術領域

本發(fā)明涉及一種工業(yè)蒸汽生成量預測方法。

背景技術

化石能源是人類社會最基礎也最重要的能源，即使在新能源被大力推廣的當下，基于化石能源的火電仍然占據我國能源總量的大部分。火力發(fā)電的原理較為簡單，即通過化石燃料的燃燒加熱水從而生成水蒸氣，高壓水蒸氣推動大型汽輪機旋轉，進而帶動發(fā)電機旋轉，由此產生電能。工業(yè)蒸汽的生成量直接影響著火電廠的發(fā)電能力，因此，對工業(yè)蒸汽生成量進行準確預測具有重要意義。

目前對工業(yè)蒸汽生成量的預測方法多使用火力發(fā)電過程中的各種參數如燃料進給量、空氣送風量、負載水平等數據，使用線性回歸和決策樹等算法構建特征數據與目標變量之間的映射關系，并基于所學習到的映射關系對工業(yè)蒸汽生成量做出預測。然而，火力發(fā)電過程中產生的各類數據較多，若全部采集用于建模則會導致維度災難問題，即不僅會影響建模的效率而且會給模型引入不必要的噪聲。

皮爾遜相關性是一種衡量特征變量之間線性相關性的指標，皮爾遜相關性的一個重要特點是待對比的兩個特征變量的位置和尺寸的變化不會影響皮爾遜相關性的計算。因此，皮爾遜相關性較為適合對火力發(fā)電過程中產生的各類特征數據與工業(yè)蒸汽生成量數據進行相似性對比，并得到相關性最高的若干個特征變量。神經網絡是一種模仿動物神經網絡而構建的學習模型，其通過內部的隱藏層節(jié)點與輸入層和輸出層之間的關聯計算來達到處理數據的目的。神經網絡憑借其內部隱藏層強大的非線性逼近能力可以獲得較好的預測性能。因此，將皮爾遜相關性的特征選擇能力和神經網絡的逼近能力組合起來，可以得到預測性能較高的工業(yè)蒸汽生成量預測模型。

發(fā)明內容

針對現有技術中存在的問題，本發(fā)明提供了可提高工業(yè)蒸汽生成量預測性能的基于皮爾遜相關性和神經網絡的工業(yè)蒸汽生成量預測方法和系統(tǒng)。

本發(fā)明的技術方案如下：

基于皮爾遜相關性和神經網絡的工業(yè)蒸汽生成量預測方法和系統(tǒng)，其特征在于，包括如下步驟：

1)數據獲取：采用相關設備對火力發(fā)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(jiān)測并采集數據作為模型的多維輸入特征數據，采集工業(yè)蒸汽生成量數據作為輸入特征數據的標簽值。

2)特征選擇：將所采集的多維特征數據與工業(yè)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(jié)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(yè)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(jié)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(yè)蒸汽生成量的預測。