[发明专利]飞灰浓度预测模型的训练方法、装置、计算机设备

权利要求书

1.一种飞灰浓度预测模型的训练方法，其特征在于，所述飞灰浓度预测模型包括时间序列处理层、特征数据处理层、融合层、输出层，所述方法包括：

获取训练样本数据；其中，所述训练样本数据包括标签飞灰浓度时间序列、历史飞灰浓度时间序列、与飞灰浓度相关的关键特征数据；

将所述历史飞灰浓度时间序列输入所述时间序列处理层，得到飞灰浓度处理结果，以及，将所述关键特征数据输入所述特征数据处理层，得到关键特征处理结果：

将所述飞灰浓度处理结果和所述关键特征处理结果输入所述融合层，得到数据融合结果；

将所述数据融合结果输入所述输出层，得到预测飞灰浓度时间序列；所述输出层包括根据所述飞灰浓度预测模型的输出目标所配置的预测头；

基于所述预测飞灰浓度时间序列和所述标签飞灰浓度时间序列，对所述时间序列处理层、所述特征数据处理层、所述融合层、所述输出层进行训练，得到训练后飞灰浓度预测模型；

其中，还包括：

基于进化算法，对初始飞灰浓度预测模型的初始模型结构参数进行优化，得到优化后模型结构参数；所述初始模型结构参数包括所述初始飞灰浓度预测模型中的多个初始超参数；

基于所述优化后模型结构参数，构建所述飞灰浓度预测模型；

所述将所述历史飞灰浓度时间序列输入所述时间序列处理层，得到飞灰浓度处理结果，包括：

将所述历史飞灰浓度时间序列输入所述时间序列处理层，得到历史飞灰浓度数据；

基于反k型网络结构，对所述历史飞灰浓度数据进行外置权重放大处理，得到所述飞灰浓度处理结果；所述飞灰浓度处理结果在模型网络中传递的影响力大于所述历史飞灰浓度数据在模型网络中传递的影响力；

在所述得到训练后飞灰浓度预测模型的步骤之前，还包括：

在所述飞灰浓度预测模型的损失函数中加入预设的惩罚项；所述惩罚项用于抑制模型输出负值；

在所述得到训练后飞灰浓度预测模型的步骤之后，还包括：

在出现负值的情况下，对所述训练后飞灰浓度预测模型进行负值裁剪。

2.根据权利要求1所述的方法，其特征在于，在所述获取训练样本数据的步骤之前，还包括：

获取电厂采样数据；所述电厂采样数据为针对多个时间点的采样数据，每一时间点对应一飞灰浓度值和多个特征数据；

对所述电厂采样数据进行归一化处理，根据归一化处理后的电厂采样数据，得到模型训练数据和模型测试数据。

3.根据权利要求2所述的方法，其特征在于，所述获取训练样本数据，包括：

根据预设的时间选取信息，建立所述标签飞灰浓度时间序列与所述历史飞灰浓度时间序列之间的关系；

基于所述标签飞灰浓度时间序列与所述历史飞灰浓度时间序列之间的关系，从所述模型训练数据中，确定所述标签飞灰浓度时间序列和所述历史飞灰浓度时间序列。

4.根据权利要求2所述的方法，其特征在于，所述获取训练样本数据，包括：

基于预设的数据筛选规则，对所述模型训练数据中的多个时间点各自对应的多个特征数据进行筛选处理，得到筛选处理结果；

对所述筛选处理结果进行降维处理，得到与飞灰浓度相关的关键特征数据。

5.根据权利要求1所述的方法，其特征在于，所述基于所述预测飞灰浓度时间序列和所述标签飞灰浓度时间序列，对所述时间序列处理层、所述特征数据处理层、所述融合层、所述输出层进行训练，得到训练后飞灰浓度预测模型，包括：

基于反向传播算法，根据所述预测飞灰浓度时间序列和所述标签飞灰浓度时间序列，对所述时间序列处理层、所述特征数据处理层、所述融合层、所述输出层的模型内部参数进行调整，直至得到优化后模型内部参数；所述模型内部参数包括权重和偏差；

基于所述优化后模型内部参数，得到训练后飞灰浓度预测模型。