[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

说明书

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，包括：1)数据获取：对火力发电过程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)特征选择：将步骤1)采集的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，并设置神经网络的超参数；4)训练和预测：将选择到的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。本发明还包括实施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的系统。

技术领域

本发明涉及一种工业蒸汽生成量预测方法。

背景技术

化石能源是人类社会最基础也最重要的能源，即使在新能源被大力推广的当下，基于化石能源的火电仍然占据我国能源总量的大部分。火力发电的原理较为简单，即通过化石燃料的燃烧加热水从而生成水蒸气，高压水蒸气推动大型汽轮机旋转，进而带动发电机旋转，由此产生电能。工业蒸汽的生成量直接影响着火电厂的发电能力，因此，对工业蒸汽生成量进行准确预测具有重要意义。

目前对工业蒸汽生成量的预测方法多使用火力发电过程中的各种参数如燃料进给量、空气送风量、负载水平等数据，使用线性回归和决策树等算法构建特征数据与目标变量之间的映射关系，并基于所学习到的映射关系对工业蒸汽生成量做出预测。然而，火力发电过程中产生的各类数据较多，若全部采集用于建模则会导致维度灾难问题，即不仅会影响建模的效率而且会给模型引入不必要的噪声。

皮尔逊相关性是一种衡量特征变量之间线性相关性的指标，皮尔逊相关性的一个重要特点是待对比的两个特征变量的位置和尺寸的变化不会影响皮尔逊相关性的计算。因此，皮尔逊相关性较为适合对火力发电过程中产生的各类特征数据与工业蒸汽生成量数据进行相似性对比，并得到相关性最高的若干个特征变量。神经网络是一种模仿动物神经网络而构建的学习模型，其通过内部的隐藏层节点与输入层和输出层之间的关联计算来达到处理数据的目的。神经网络凭借其内部隐藏层强大的非线性逼近能力可以获得较好的预测性能。因此，将皮尔逊相关性的特征选择能力和神经网络的逼近能力组合起来，可以得到预测性能较高的工业蒸汽生成量预测模型。

发明内容

针对现有技术中存在的问题，本发明提供了可提高工业蒸汽生成量预测性能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和系统。

本发明的技术方案如下：

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，其特征在于，包括如下步骤：

1)数据获取：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)特征选择：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。