[发明专利]基于深度学习的空压站的优化方法

权利要求书

1.一种基于深度学习的空压站的优化方法，所述基于深度学习的空压站的优化方法包括以下步骤：

(A1)利用监测物联网，获得空压站内各空压机的运行参数；

(A2)利用深度学习算法分析所述运行参数，提取空压站内各空压机的运行模式特征模型；

(A3)利用遗传算法优化所述运行模式特征模型，获取空压机的开启台数以及开启时间。

2.根据权利要求1所述的基于深度学习的空压站的优化方法，其特征在于：所述基于深度学习的空压站的优化方法进一步包括以下步骤：

(A4)利用物联网以及开源Hadoop架构，构建空压站优化运行系统。

3.根据权利要求1所述的基于深度学习的空压站的优化方法，其特征在于：所述运行参数包括：运行时间、进气压力、出口压力、空压站环境温度、进口温度、出口温度、流量和功率。

4.根据权利要求1所述的基于深度学习的空压站的优化方法，其特征在于：所述深度学习算法利用深度自动编码器，所述深度自动编码器包括：编码器、解码器和隐含层；

所述编码器采用如下关系式进行编码：

h＝f(x)＝S_f(Wx+b_j)

其中，x为运行参数所构成的特征向量，W为输入向量的权值，b_j表示第j个神经元的阈值，或者称为偏置，h是得到的隐含层值；

解码器采用如下关系式进行解码：

y＝g(h)＝S_g(Wh+b_h)

其中，h为隐含层向量，这里作为输入，W为对应的权值向量，b_h为阈值，S_g是解码器的激活函数；

对深度自动编码器的训练过程是在训练样本集D上寻找参数W，b_j，b_h构成的最小化重构误差，重构误差的表达式为：

其中，x为上述公式的输入，g(f(x))为上述公式的解码器输出，L是重构误差函数。

5.根据权利要求4所述的基于深度学习的空压站的优化方法，其特征在于：所述对深度自动编码器的训练过程包括以下步骤：

(B1)输入用作训练的所述运行参数，无监督训练出第一个自编码器；

(B2)以第一个自编码器的输出作为下一个自编码器的输入，训练出第二个自编码器；

(B3)重复步骤(B2)，直到完成预设数量隐含层的训练为止；

(B4)以空压站的功率H为输出，在最后一个隐含层上增加一个反向传播神经网络预测模型，实现对所述预测模型的权重微调。

6.根据权利要求1所述的基于深度学习的空压站的优化方法，其特征在于：在步骤(A3)中，优化包括以下步骤：

(C1)构建空压机的所述运行参数的网格，以及评估函数，评估函数采用

(C2)对空压机的开启台数、开启顺序，以空压站初始运行台数和运行顺序作为初始值，评估每条染色体所对应个体的适应度，以空压机组的功率H为适应度；

(C3)遵照适应度越高，选择概率P越大的原则，从种群中选择两个个体作为父方和母方；

(C4)抽取父母双方的染色体，进行交叉，产生子代。

(C5)对子代的染色体进行变异。

(C6)重复步骤(C2)-(C4)，直到新种群的产生，当迭代次数达到设定次数，获得空压机开启台数、开启时长。

7.根据权利要求1所述的基于深度学习的空压站的优化方法，其特征在于：在步骤(A3)中，利用遗传算法求解在空压站功率最小的情况下，获得空压机的开启台数和顺序。