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！

摘要：本发明公开了基于神经网络的火电厂锅炉效率预测系统及方法，涉及火电厂技术领域，包括以下步骤：S100、收集火电厂锅炉运行期间的历史数据，对收集的数据进行清洗，选择与锅炉效率相关的特征。本发明通过使用BP神经网络等深度学习模型，提高预测准确性，通过计算燃煤指标与锅炉效率、运行指标与锅炉效率的斯皮尔曼相关系数，可以了解各个特征对于锅炉效率的影响程度，根据相关系数的结果，调整神经网络中与这些特征相关的权重，进一步优化模型，进一步提高预测准确性，通过预测锅炉效率，火电厂可以更精准地调整运行参数，实现更高效的能源转化，提高能源利用率，降低能源浪费。

主权项：1.基于神经网络的火电厂锅炉效率预测方法，其特征在于，包括以下步骤：S100、收集火电厂锅炉运行期间的历史数据，对收集的数据进行清洗，选择与锅炉效率相关的特征；S200、将数据进行标准化后，通过标准化后的数据构建BP神经网络模型，通过BP神经网络模型对火电厂锅炉效率预测；S300、对BP神经网络模型进行火电厂锅炉效率预测的性能进行评估，根据评估的结果增加训练数据量使BP神经网络模型泛化新数据或者提高模型复杂度；步骤S300中，获取BP神经网络模型进行火电厂锅炉效率预测时的信息熵、KL散度以及模型复杂度，将信息熵、KL散度以及模型复杂度建立综合分析模型，生成拟合指数，通过拟合指数对BP神经网络模型进行火电厂锅炉效率预测的性能进行评估，根据拟合指数增加训练数据量使BP神经网络模型泛化新数据或者提高模型复杂度，依据的公式为：，式中，、、分别表示信息熵、KL散度以及模型复杂度，、、分别为信息熵、KL散度以及模型复杂度的预设比例系数，且、、均大于0；信息熵的计算表达式为：，其中，表示随机变量X的信息熵，n表示随机变量的可能取值的个数，n为正整数，表示随机变量X取值为的概率；KL散度的计算表达式为：，其中，表示事件i在分布P中的概率，事件i在分布Q中的概率，表示P相对于Q的KL散度；模型复杂度的计算公式为：，式中，表示模型复杂度，k表示模型的参数数量；将BP神经网络模型进行火电厂锅炉效率预测时生成的拟合指数与预先设定的拟合指数参考阈值进行比对分析，若拟合指数大于等于拟合指数参考阈值，则增加训练数据量使BP神经网络模型泛化新数据，提高对新数据的泛化能力；若拟合指数小于拟合指数参考阈值，则增加模型的复杂度；S400、计算燃煤指标与锅炉效率、运行指标与锅炉效率的斯皮尔曼相关系数，根据斯皮尔曼相关系数的结果，调整神经网络中与燃煤指标和运行指标相关的特征的权重；步骤S400中，计算燃煤指标与锅炉效率的斯皮尔曼相关系数通过以下步骤：S401、从火电厂锅炉运行期间的历史数据中获取燃煤指标和锅炉效率的相关信息；S402、对燃煤指标和锅炉效率的数据分别进行升序排序，记录每个数据的原始序号，为每个排序后的数据分配一个秩次；S403、计算燃煤指标与锅炉效率的斯皮尔曼相关系数，计算的表达式为：，式中，d表示每对燃煤指标和锅炉效率的秩次差异，，其中，x是燃煤指标，y是锅炉效率，n表示样本数量；计算运行指标与锅炉效率的斯皮尔曼相关系数通过以下步骤：S411、从火电厂锅炉运行期间的历史数据中获取运行指标和锅炉效率的相关信息；S412、对运行指标和锅炉效率的数据分别进行升序排序，记录每个数据的原始序号，为每个排序后的数据分配一个秩次；S413、计算运行指标和锅炉效率的斯皮尔曼相关系数，计算的表达式为：，式中，h表示每对运行指标和锅炉效率的秩次差异，，其中，k是运行指标，v是锅炉效率，m表示样本数量；基于斯皮尔曼相关系数的结果调整神经网络中与燃煤指标和运行指标相关的特征的权重的过程中，使用梯度下降法进行权重的更新，以下是具体步骤：S421、对于每个与燃煤指标和运行指标相关的特征i，计算损失函数对该特征权重的梯度，计算的表达式为：，梯度表示了损失函数关于权重的变化方向，其中，J是均方误差损失函数，是与特征i相关的权重，N是样本数量，是真实值，是模型的预测值；S422、根据梯度计算权重的调整量，计算公式为：，式中，学习率是一个超参数，用于控制每次迭代中权重的更新步长；S423、对于每个与燃煤指标和运行指标相关的特征i，使用以下公式更新权重，计算公式为：，式中，为更新后的权重；S424、重复以上步骤S421—S423，直到模型收敛或达到设定的训练次数。

全文数据：

权利要求：

百度查询： 华北电力大学 基于神经网络的火电厂锅炉效率预测系统及方法