[发明专利]一种基于深度学习的火电厂锅炉蒸汽量预测方法

权利要求书

1.一种基于深度学习的火电厂锅炉蒸汽量预测方法，其特征在于：以锅炉的工况数据作为特征数据，通过皮尔森相关系数找出特征数据中相关性高的特征，并且将这些相关度高的特征数据划分为一组，将每一组的特征数据进行线性组合，形成新的变量，将新的变量输入神经网络模型中进行回归，实现蒸汽量的回归预测；具体包括如下步骤：

步骤1：获取锅炉蒸汽量和锅炉传感器的特征数据，对得到的历史数据做数据预处理操作；将数据按照3：1划分训练集和测试集。

步骤2：将经过数据预处理的特征数据进行相关性分析，采用皮尔森相关系数法，将相关度高的特征数据划分为一组，变量X与变量Y的相关性系数ρ_X，Y的计算公式如下：

式1中cov(X，Y)为变量X与变量Y的协方差，σ_X，σ_Y分别为变量X和变量Y的标准差；

步骤3：将每一组的特征数据进行线性组合形成一个新的变量，如下公式所示：

f(x)＝a₀x₀+a₁x₁+…a_ix_i+b 式2

式2中f(x)f(x)为新变量，x₀，x₁，x_i表示锅炉的工况数据，a₀，a₁，a_i和b为系数。

步骤4：构建神经网络模型，神经网络的输入按照相关性进行特征分组，网络的第一层由n个带有线性整流函数的全连接层分支网络构成，然后将所有全连接层分支网络输出的隐含层进行合并，依次输入三层带有线性整流函数的全连接层网络，这三层全连接层的输出维度分别为64维、32维和10维，10维全连接层连接输出预测值的输出层；

步骤5：将通过线性组合得到的新变量输入神经网络模型，进行回归预测，神经网络模型结构采用分支网络分别对每个分组进行线性组合，每个分组分别通过一层全连接层网络，将输出的隐含层进行合并，然后输入具有三层全连接层的网络，最后通过回归预测输出一维的蒸汽量预测值。

2.根据权利要求1所述的一种基于深度学习的火电厂锅炉蒸汽量预测方法，其特征在于：步骤2所述的将相关度高的特征数据划分为一组具体为：在分组过程中优先选择相关性系数大于0.8的进行分组，然后将相关性系数大于0.6的特征数据放入已经划好的分组，或形成新的分组，依次划分，直到所有相关性系数大于0.3的特征数据都完成分组，最后将不能划分到任何组的特征数据合并成一组。