[發明專利]一種基于時延神經網絡及支持向量機的脫硫效率預測方法

在審

• 申請號: 202111446664.7
• 申請日: 2021-11-30
• 公開（公告）號: CN114201915A
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 薛菲;彭愿;陳超;鄢烈祥;周力
• 申請（專利權）人: 漢谷云智（武漢）科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/02
• 代理公司: 武漢知伯樂知識產權代理有限公司 42282
• 代理人: 王福新

1.一種基于時延神經網絡及支持向量機的脫硫效率預測方法，其特征在于，包括以下步驟：

S1采集脫硫系統運行數據以及脫硫效率數據，對所述脫硫系統運行數據以及脫硫效率數據進行預處理；

S2基于神經網絡結構，以所述脫硫系統運行數據作為脫硫效率預測模型的輸入，脫硫效率數據作為脫硫效率預測模型的輸出，構建初級脫硫效率預測模型，基于延時神經網絡結構增加初級脫硫效率預測模型的隱含層，以構建脫硫效率預測模型；

S3計算脫硫效率預測模型反向傳播誤差的累計誤差；

S4將所述累計誤差傳輸至多分類支撐向量機中，進行累計誤差訓練，并求出最優累計誤差；

S5將所述最優累計誤差作為所述脫硫效率預測模型的下降策略，進行收斂計算，并及時調整脫硫效率預測模型的權重和閾值，使得所述脫硫效率預測模型的預測精度滿足要求，獲取最優脫硫效率預測模型；

S6采用所述最優脫硫效率預測模型進行脫硫效率預測，并輸出預測結果。

2.根據權利要求1所述的一種基于時延神經網絡及支持向量機的脫硫效率預測方法，其特征在于，步驟S1中，所述脫硫系統運行數據包括煙氣流量、負荷、液氣比、PH值、液位高度以及漿液密度；

所述預處理包括對所述脫硫系統運行數據以及脫硫效率數據進行平滑、中心化以及標準化處理。

3.根據權利要求1所述的一種基于時延神經網絡及支持向量機的脫硫效率預測方法，其特征在于，步驟S2中，所述初級脫硫效率預測模型如下：

其中，每個所述脫硫系統運行數據均是包含前N個時刻的子集以及該子集對應的權重，式中，Y(t)為初級脫硫效率預測模型的輸出，即脫硫效率，f為激勵函數，Xⁱ(t-d)為第i個輸入層節點信息，d＝1,2,3...,N，t為時間，d為時間步長，M為時延神經元總個數，N為每個時延神經元總時長，w_id為第i個輸入層節點權重，b_i為第i個輸入層節點偏置；

所述脫硫效率預測模型如下：

式中，f為激勵函數，M為輸入層個數，N₁和N₂均為隱藏層時延步數，Y^r(t)表示輸出層，H^j(t)為隱含層輸出，r為輸出層節點，表示第r個輸出層節點與各隱含層節點間連接權重，表示第r個輸出層節點與各隱含層節點間連接的偏置，為各隱含層節點與第i個輸出層節點的連接權重，為各隱含層節點與第i個輸出層節點的偏置，H^j(t-d)為第i個隱含層節點信息，d＝1,2,3...,N，t為時間，d為時間步長。

4.根據權利要求1所述的一種基于時延神經網絡及支持向量機的脫硫效率預測方法，其特征在于，步驟S3具體包括以下步驟：

S31正向的傳播輸入：將神經網絡隱藏層或輸出層的所有神經元j對應的上層神經元i的神經網絡凈輸入向量S_j計算出來，并采用Sigmoid函數對神經網絡凈輸入向量S_j進行處理；

S32構建神經網絡的誤差平方和計算模型；

S33根據所述誤差平方和的鏈式法則對脫硫效率預測模型的權重進行求導，并采用實用選取的脫硫系統運行數據中樣本所對應的目標期望輸出向量來代替神經網絡信息X_j，將神經網絡隱藏層神經元j的反向誤差向量推算出來；

S34求累計誤差：累加求和隱藏層各神經元j誤差向量，以獲取脫硫效率預測模型反向傳播誤差的累計誤差。