[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

说明书

本发明公开了一种基于深度学习的火电厂锅炉蒸汽量预测方法，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；本发明不需要火电厂专业背景就可以完成工况数据的线性组合和蒸汽量预测，是大数据、深度学习、人工智能等技术在火电厂应用的一个典型案例。

技术领域

本发明涉及火电厂锅炉蒸汽量预测技术领域，具体涉及一种基于深度学习的火电厂锅炉蒸汽量预测方法。

背景技术

火电厂在我国发电领域占据主要地位，占全国发电总量的70％。虽然各种清洁能源发电逐渐涌现，但是目前的清洁能源还存在局限性，难以满足大规模的用电需求，因此在很长一段时间内，火电厂的主体地位仍然不可动摇。火电厂实现了热能、动能和电能的转化，首先将煤燃烧产生热能，产生的热能加热水形成水蒸汽，水蒸汽推动发电机将动能转化为电能。在整个发电过程中，锅炉产生的蒸汽量是一个重要的指标，蒸汽量跟锅炉的燃烧效率有着紧密的关系，影响锅炉燃烧效率的特征因素包括炉膛温度、炉膛压力、过热器温度、给煤量、给水量和一二次风等。蒸汽量的预测对锅炉的生产效率和生产安全具有指导意义。随着大数据分析，人工智能，深度学习等技术的快速发展，大数据挖掘、机器学习等越来越多的应用到实际工程中，在蒸汽量预测方面，目前有支撑向量机回归、线性回归、随机森林等大数据分析方法，这些方法需要通过分析工况数据与蒸汽量之间的相关性来实现特征的选择，这种挑选特征的方式没有考虑到工况数据之间的多重共线性关系，使得模型的预测效果不理想。人工选择特征，预测精度很大程度上取决于人工设计，非常耗时耗力，周期较长，而且难以适应其他的工况数据。因此，利用数据分析和深度学习方法，分析特征数据之间的相关性，将相关性高的特征数据进行线性组合形成新变量有利于解决多重共线性问题对预测结果的影响，使用神经网络回归蒸汽量的预测值，提高了预测模型的精确度和泛化性。

目前的锅炉蒸汽量预测方法分为两大类：

1)传统的蒸汽量预测方法依赖专业人士通过人工选择特征，预测精度很大程度上取决于人工设计，非常耗时耗力，周期较长，而且难以适应其他的工况数据，预测的精确度不高。

2)目前的大数据分析和机器学习方法逐渐被应用到锅炉的蒸汽量预测，这类方法对数据进行特征工程完成特征选择，然后通过支撑向量机，随机森林，K近邻等算法进行回归预测。也有一些方法融合多种回归方法实现蒸汽量的预测。但这些方法没有考虑到工况数据之间的多重共线性，或者仅通过删除一些工况参数来削弱数据之间的多重共线性，但是这种方法可能消除了专家和传统意义上重要的特征，留下来的可能是比较冷门的特征，这使得模型的稳定性和解释性难以保证。

综上所述，现有的火电厂锅炉蒸汽量的预测方法无法有效的实现蒸汽量的预测，为解决这一问题，本发明提出了一种基于深度学习的火电厂锅炉蒸汽量的预测方法，实现了预测效果的稳定性以及模型的可解释性。

发明内容

为了克服上述现有技术存在的问题，本发明的目的在于提出一种基于深度学习的火电厂锅炉蒸汽量预测方法，通过分析工况数据之间的多重共线性，将相关性高的多个工况数据进行线性组合，形成新的变量，将经过线性组合的新变量放入神经网络模型进行回归，实现有效的火电厂锅炉蒸汽量预测。

为了达到上述目的，本发明采用以下技术方案：

一种基于深度学习的火电厂锅炉蒸汽量预测方法，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。