买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京工业职业技术大学

摘要：本发明一种基于注意力机制和多层LSTM的电厂烟气含氧量智能预测方法，通过传感器采集数据，将采集的传感器数据保存到原始数据库；从原始数据库中顺序采样数据，通过数据清洗和数据降维，数据清洗剔除相似性较高的数据，数据降维过滤数据内的次要特征，并将处理后的数据保存到剩余数据库；从剩余数据库中随机提取小批量数据，通过注意力网络得到权值特征，将权值特征数据输入到基于LSTM的预测网络进行预测网络训练；最后利用训练好的预测网络进行烟气含氧量的预测。本发明降低了数据之间和数据内部的冗余信息，从而提高的模型训练效率。引入注意力机制赋予主要特征不同的权值，使得预测系统更接近实际系统的物理过程，从而提高了预测精度。

主权项：1.一种基于注意力机制和多层LSTM的电厂烟气含氧量智能预测方法，其特征在于，该方法包括：1原始传感器数据的采集和存储，在燃煤电厂锅炉不同的工况下，以设定频率采集传感器的数据，并将数据保存到数据库，2原始传感器数据预处理，预处理主要包含两个阶段：数据清洗和数据降维，保存的原始传感器数据记作A＝[a1,a2,...,al]T∈Rl×s，l和s分别表示数据个数和数据特征维度，3基于专家知识的数据融合，通过专家知识和收集到的历史磨煤机煤量对锅炉燃烧系统的影响分析，将磨煤机煤量的煤量进行了如式3所示的加权融合得到总的煤量， 其中，T表示总的煤量，Ti表示各个磨煤机的分煤量，γi表示权值系数，该值通过专家知识对历史数据的分析确定，4PCA主成分分析，假设进行基于专家知识的数据融合后，数据记作Φ＝[φ1,φ2,...,φn]T∈Rn×m，m分别表示数据融合后数据的特征维度，数据Φ的协方差矩阵C计算如下 协方差矩阵C可进行如下的特征值分解QTCQ＝Λ＝diagλ1,λ2,....,λm5其中，λ1＞λ2,＞...,＞λm为协方差矩阵C的特征值，相应的特征向量记作U＝[u1,u2,…,um]，通过设定累计方差贡献率阈值，得到d个对输出影响较大的主要特征，以第i个主要特征zi为例，其表示如下 其中，uij和Φij从特征向量U和融合后的数据Φ中直接获取，5注意力机制，由于不同的主要特征对输出的影响也不同，在这里设计了具有3层结构的注意力网络来计算每个特征向量的注意力权值，并获得权值特征向量，3层结构包含特征输入层，注意力权值计算层和权值特征输出层，注意力网络的注意力权值计算如下 其中，F为输入向量，F＝[Fp,Fo]T，Fp＝[z1,z2,...,zd]∈R1×d为主要特征向量，Fo＝[F1,F2]为两个烟气含氧量测量点的测量值，ω和β为注意力网络的超参数，κi表示第i个注意力权值，注意力网络的输出，即权值特征向量表示为 其中，⊙表示点乘，即两个矩阵对应位置的元素相乘，κ＝[κ1,κ2,...,κd]∈R1×d为权值向量，6多层LSTM的预测网络，考虑到LSTM适合处理时间序列的数据，搭建了多层LSTM网络结构进行烟气含氧量的预测，针对每个LSTM结构单元，其包含3个门单元：输入门，遗忘门和输出门，网络超参数更新如下 其中，it表示t时刻的输入的时间序列，即t时刻的带有注意力权值的特征向量，ht表示t时刻的LSTM结构单元的隐藏状态，ft表示t时刻的遗忘门的状态，ot表示t时刻的输出门的状态，b＝[bi,bf,bo]和W＝[Wxi,Whi,Wxf,Whf,Wxo,Who,Wxu,Whu]为预测网络的超参数，通过网络训练获得，σ·表示sigmoid激活函数，7预测网络训练，在预测网络训练时，采用了如下的均方误差作为网络的训练损失函数L，网络的训练就是最小化损失函数， 其中，为预测网络的输出值，N表示网络训练过程中批量数据训练中数据个数，min·表示最小化函数，8超参数更新，基于预测网络的损失函数定义10，预测网络的超参数更新如下 其中，α是参数更新率，←表示赋值。

全文数据：

权利要求：

百度查询： 南京工业职业技术大学 基于注意力机制和多层LSTM的电厂烟气含氧量智能预测方法