[发明专利]一种蒸汽产耗量的动态预测方法

权利要求书

1.一种蒸汽产耗量的动态预测方法，其特征在于，所述方法包括：

S1、获取各个设备蒸汽的产耗历史数据，并对所述产耗历史数据进行归一化处理，得到归一化集合，所述产耗历史数据包括蒸汽产生量历史数据和蒸汽消耗量历史数据；

S2、获取长短期记忆神经网络预测模型的多组设定参数；

S3、将所述归一化集合划分为训练数据集和测试数据集；

S4、将所述训练数据集输入多组已设置所述设定参数的所述长短期记忆神经网络预测模型，通过前向传播算法和反向传播算法进行训练，形成训练结果数据；

S5、根据所述训练结果数据，使用适应性矩估计算法，对设置于所述长短期记忆神经网络预测模型中的多组所述设定参数的节点矩阵和偏差向量进行更新，得到多组优化的预测模型；

S6、将所述测试数据集代入多组所述优化的预测模型中进行预测得到预测结果，通过误差计算公式计算所述预测结果与实际值之间的误差，选择误差最小的所述预测结果对应的所述优化的预测模型作为最优预测模型；

S7、利用所述最优预测模型预测待预测时间间隔的蒸汽产耗数据,所述蒸汽产耗数据包括蒸汽产生量数据和蒸汽消耗量数据。

2.如权利要求1所述的蒸汽产耗量的动态预测方法，其特征在于，所述S1包括：

S11、获取各个设备蒸汽的所述产耗历史数据，以及对应所述产耗历史数据的生产计划和检修计划，根据所述生产计划和所述检修计划确定各个设备的生产工况；

S12、根据所述生产工况获取各个设备的工况点，根据所述工况点对所述产耗历史数据进行分类得到分类集合，并对所述分类集合中的数据进行归一化处理得到所述归一化集合。

3.如权利要求2所述的蒸汽产耗量的动态预测方法，其特征在于，所述根据所述工况点对所述产耗历史数据进行分类得到分类集合包括：

将第k个设备的第l个工况下的所述产耗历史数据集合成所述分类集合S^k,l，S^k,l表示为：

S^k,l＝{S_t^k,l|t＝1,2,...,T}

其中，T表示所有的节点数，t表示时间节点，t和t+1之间的差值为设定时间间隔。

4.如权利要求3所述的蒸汽产耗量的动态预测方法，其特征在于，所述对所述分类集合中的数据进行归一化处理得到归一化集合包括：

使用min-max方法使所述分类集合中的所有数据线性映射到0-1之间，从而获得所述归一化集合X，所述归一化集合表示为：X＝{X_t|t＝1,2,...,T}，转换函数表示为：

式中，X_t表示所述归一化集合中的数据，min表示所述分类集合中的最小值，max表示所述分类集合中的最大值。

5.如权利要求4所述的蒸汽产耗量的动态预测方法，其特征在于，所述设定参数包括输入层节点数、隐层数、隐层节点数以及输出层节点数。