[发明专利]基于多层LSTM的火电厂凝汽器真空度预测方法

权利要求书

1.一种基于多层长短期记忆神经网络的火电厂凝汽器真空度预测方法，其特征在于，选取火电厂样本数据，进行归一化处理后输入长短期记忆神经网络预测模型，并采用参数寻优的自适应矩估计算法对预测模型进行训练，从而对火电厂凝汽器真空度进行预测。

2.如权利要求1所述的方法，其特征在于，包括以下步骤：

S1：选取火电厂的气温、气压、风速、湿度数据和凝汽器真空度数据，形成输入数据集，并采用滞后于输入数据时间144个周期的凝汽器真空度量，形成实际输出数据集；

S2：对样本中的输入数据和实际输出数据分别进行标准化处理；

S3：构建2层长短期记忆神经网络附带2层全连接层作为预测模型，并将步骤S2中的标准化处理后数据输入到该模型中；其中将输入数据顺序进入2层长短期记忆网络神经网络，然后将第2层长短期记忆网络的输出数据输入至2个全连接层，得到模型输出数据；

S4：用自适应矩估计算法，根据步骤S3中的模型输出数据和步骤S1中得到的实际输出数据，利用训练梯度的一阶矩估计和二阶矩估计动态调整所述训练模型中每个参数的学习率，对步骤S3搭建的预测模型进行训练；

S5：采集待预测数据，进行标准化处理后，将其输入到训练好的模型中，计算得到标准化处理后的预测结果；

S6：对预测结果进行逆归一化，得出火电厂凝汽器真空度的预测结论。

3.如权利要求2所述的方法，其特征在于，

所述步骤S1中，选取火电厂3个月的气温、气压、风速、湿度数据和凝汽器真空度数据，形成输入数据集，数据时间周期为每10分钟取一个数值。

4.根据权利要求2或3所述的方法，其特征在于，所述标准化处理方法是使用最小最大值归一化方法对相应数据进行归一化，同时使归一化后的结果映射到[0,1]以内。

5.如权利要求4所述的方法，其特征在于，所述最小最大值归一化方法的函数可以表示为：

其中x_max和x_min分别表示归一化参数的最大值和最小值，x表示所要归一化的参数，x_scaled表示归一化后的数值。

6.如权利要求2所述的方法，其特征在于，步骤S3中，

所述长短期记忆神经网络的神经元结构包括输入门、遗忘门和输出门三个判断条件，其中：输入门表示允许信息加入到记忆单元中的比例；遗忘门表示保留当前状态节点中存储的历史信息的比例；输出门表示将当前状态节点的信息作为输出的比例；三个门的激励函数使用sigmoid函数来表示，取值范围在0到1之间，表达式如下：

其中x表示输入序列。