(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111272383.4 (22)申请日 2021.10.2 9 (71)申请人 西安热工 研究院有限公司 地址 710032 陕西省西安市碑林区兴庆路 136号 申请人 华能秦煤瑞金发电有限责任公司 (72)发明人 查玲　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 代理人 何会侠 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的火电厂锅炉蒸汽量预 测方法 (57)摘要 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。 权利要求书1页 说明书4页 附图3页 CN 113987942 A 2022.01.28 CN 113987942 A 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ρX， 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， σX， σY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+…aixi+b    式2 式2中f(x)f(x)为 新变量， x0， x1， xi表示锅炉的工况 数据， a0， a1， ai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。权　利　要　求　书 1/1 页 2 CN 113987942 A 2一种基于深度学习的火电厂锅炉蒸汽量预测方 法 技术领域 [0001]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 [0002]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。 [0003]目前的锅炉蒸汽量预测方法分为两大类： [0004]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。 [0005]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。 [0006]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。说　明　书 1/4 页 3 CN 113987942 A 3