[发明专利]基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和系统

权利要求书

1.基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法，其特征在于，包括如下步骤：

1)获取数据：采用相关设备对火力发电过程中产生的燃料进给量、空气送风量、基准液面高度差和负载水平进行监测并采集数据作为模型的多维输入特征数据，采集工业蒸汽生成量数据作为输入特征数据的标签值。

2)选择特征：将所采集的多维特征数据与工业蒸汽生成量数据进行基于皮尔逊相关性的相似度度量，根据相似性程度对输入特征数据进行选择。

3)构建模型：基于前向反馈机制构建神经网络模型，搭建输入层、中间隐藏层和输出层等框架，并设置神经网络的神经元节点数等超参数。

4)训练和预测：将基于皮尔逊相关性所选择到的若干输入特征数据和工业蒸汽生成量标签数据传入神经网络模型，通过神经网络不同层之间神经节点的传递计算来进行训练，并将训练后的神经网络用于工业蒸汽生成量的预测。

2.根据权利要求1所述的基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法，其特征在于：所述步骤1)具体包括：使用传感器等设备对火力发电过程中的燃料进给量、空气送风量、基准液面高度差和负载水平进行监测并采集数据作为模型的输入特征数据X＝{x₁,x₂,...,x_R}，R表示所采集的特征个数。同时测算工业蒸汽生成量数据作为模型输入特征数据的标签值y＝[y₁,y₂,...,y_N]^T，N表示样本个数。

3.根据权利要求1所述的基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法，其特征在于：所述步骤2)具体包括：基于皮尔逊相关性计算各个输入特征x_i与目标变量y之间的相似性Q，具体公式如下所示：

皮尔逊相关性的变化范围为-1到1之间。当皮尔逊相关性值为1时，表示两个变量之间具有完全的正相关线性关系，即所有的数据点都落在同一条直线上。当皮尔逊相关性值为-1时，则表示两个变量之间具有完全的负相关线性关系，所有的数据点同样都落在同一条直线上，只是目标变量会随着因变量的增加而减少。当皮尔逊相关性值为0时，表明两个变量之间完全没有线性关系。

通过计算各个输入特征与目标特征变量之间的皮尔逊相关性，可以对各个输入特征与目标特征变量之间的相关性进行排序，然后可根据需要选择前几个相关性最高的输入特征作为模型的最终特征。

4.根据权利要求1所述的基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法，其特征在于：所述步骤3)具体包括：基于前向反馈机制分别构建神经网络的输入层、隐藏层和输出层等结构。对于隐藏层中的神经节点，其接收来自输入层神经节点传递的数据，并进行基于权重和偏置的计算，如下式所示：

H＝X_netW+b (2)

其中，H表示隐藏层神经元节点的计算值矩阵，X_net表示神经网络输入层的数值矩阵，W表示输入层和隐藏层之间的权重矩阵，b表示计算偏置向量。

在隐藏层的神经元节点完成初步计算得到初值后，需要对隐藏层神经元节点的初值进行激活处理，即可采用ReLU激活函数进行计算，具体如下式所示：

ReLU(x)＝max(0,x) (3)

即，当隐藏层神经元节点的计算值小于0时，输出为0；当其大于0时，输出等于原值。

在完成隐藏层神经元节点的计算之后，按照相同的方式进行隐藏层与输出层之间的计算，且输出层的神经元节点不需要进行激活操作。

在完成对神经网络各个层的神经元节点的设置之后即可完成神经网络的建模。