CN109948869A - 基于有序聚类离散化的脱硫系统so2出口浓度预测方法 - Google Patents

Abstract

本发明公开了一种基于有序聚类离散化的脱硫系统SO₂出口浓度预测方法，包括从SIS历史数据库中采集脱硫系统相关参数的历史运行数据；以负荷、SO₂进口浓度为条件对历史数据进行稳态判断筛选得到原始稳态样本；将原始稳态样本的SO₂出口浓度进行升序排列得到一维有序样本，然后利用有序聚类算法对其进行离散化，得到k个出口浓度区间，并统计得到各个区间的样本数量；样本数量最少的区间内的样本数量为m，对除样本数量最少的区间之外的所有区间进行抽样，使得各个出口浓度区间内的样本数量最接近m，得到SO₂出口浓度均匀分布的稳态样本集；基于均匀分布的稳态样本集，采用BP神经网络算法进行模型训练，建立SO₂出口浓度预测模型。

Description

基于有序聚类离散化的脱硫系统SO2出口浓度预测方法

技术领域

本发明涉及SO₂出口浓度预测方法，尤其涉及一种基于有序聚类离散化的脱硫系统SO₂出口浓度预测方法。

背景技术

当前电力行业烟气脱硫技术中以石灰石-石膏湿法脱硫工艺为主，用含石灰石粉的浆液为吸收剂吸收烟气中的SO₂等酸性气体。脱硫系统耗电率在0.6-0.7％之间，此外还需要消耗大量的石灰石和工艺水，脱硫系统的优化运行对于电厂节能减排具有重要的意义。《中华人民共和国环境保护税法》自2018年1月1日起正式施行，环保税政策有了很大变化。对于脱硫系统而言，在完成区域内污染物排放标准的前提下，可以通过降低污染物排放浓度来达到节约环保税额的目的，脱硫系统在实际运行过程中需要密切关注出口SO₂浓度的变化。控制SO₂出口浓度不仅有助于实现脱离系统的达标排放，也有利于提升脱硫系统的经济性，因此SO₂出口浓度的精确预测显得尤为重要。

近年来，许多学者对脱硫系统优化运行建立了多种数学模型，徐刚等人在研究脱硫系统特性的基础上通过调整运行方式对脱硫系统进行了优化，顾慧等人基于数据挖掘方法建立了脱硫系统目标工况库模型，但目前的研究都未考虑SO₂出口浓度对于脱硫系统经济运行的影响。

由于深度调峰以及煤质变化的影响，脱硫系统的历史数据具有动态性、不均匀性等特征，这给脱硫系统建模以及SO₂出口浓度预测带来了很大困难。

因此，亟待解决上述技术难题。

发明内容

发明目的：本发明的目的是提供一种基于有序聚类离散化的脱硫系统SO₂出口浓度预测方法，对数据进行离散化和抽样可保证样本分布的均匀性，为后续建模提供均匀样本，从而提升脱硫系统SO₂出口浓度预测的准确性。

技术方案：为实现以上目的，本发明公开了一种基于有序聚类离散化的脱硫系统SO₂出口浓度预测方法，包括如下步骤：

(1)、从SIS历史数据库中采集脱硫系统相关参数的历史运行数据，取数间隔为1min；其中相关参数包括负荷、SO₂进口浓度、浆液密度、pH值、液气比和SO₂出口浓度；

(2)、以负荷、SO₂进口浓度为条件对历史数据进行稳态判断，筛选得到原始稳态样本；

(3)、将原始稳态样本的SO₂出口浓度进行升序排列得到一维有序样本，然后利用有序聚类算法对其进行离散化，得到k个出口浓度区间，并统计得到各个区间的样本数量；

(4)、样本数量最少的区间内的样本数量为m，对除样本数量最少的区间之外的所有区间进行抽样，使得各个出口浓度区间内的样本数量最接近m，得到SO₂出口浓度均匀分布的稳态样本集；

(5)、基于SO₂出口浓度均匀分布的稳态样本集，采用BP神经网络算法进行模型训练，建立SO₂出口浓度预测模型。

其中，所述步骤(2)中稳态判断的筛选条件为：10min内机组负荷变化不超过10MW、SO₂进口浓度变化不超过50mg/m³。

优选的，所述步骤(3)中对于一维有序样本{x₁,x₂,···x_n}，利用有序聚类算法对其进行离散化的具体步骤包括如下：

(3.1)、计算离差平方和矩阵D_n×n，离差平方和D(i,j)的计算公式为：

其中为该类的均值向量，D_n×n的其余元素置为0；

(3.2)、计算分类损失函数：

其中b(n.k)表示将n个样本分为k类的一种分法，1＝j₁＜j₂＜···j_k＜n＝j_k+1-1为分类点；

(3.3)、构建最小分类损失矩阵C_n×n及分类标记矩阵J_n×n，具体方法为：

对有

J(l,k)＝j_lk

式中，3≤l≤n,k≤j≤n；p(l,k)表示将l个样本分为k类的最佳分法；j_lk表示p(l,k)中第k类的起始样本序号；矩阵C_n×n和矩阵J_n×n中其余元素均置为0；

(3.4)、计算最小分类损失变化delta(k)，当delta(k)开始小于10％时对应的k为最佳分类数k_opt，delta(k)的计算方法如下：

delta(k)＝[C(n,k)-C(n,k+1)]/C(n,k)×100％

(3.5)、根据k_opt值确定离散化区间，具体方法为：

第k_opt个区间

第(k_opt-1)个区间

以此类推可以得到所有离散区间{G_k,G_k-1,···,G₁}。

再者，所述步骤(4)中对于任一出口浓度区间内的样本集{S_i}(1≤i≤n,n＞m)，从其中抽取得到最接近m个样本的具体抽取方法包括如下步骤：

(4.1)、设参数离散化区间数为k₁(k₁≥2，k₁为整数)，并初始化为2；

(4.2)、将样本集{S_i}中的负荷升序排列得到一维有序样本{P_i}(1≤i≤n}，将样本集{S_i}中的SO₂进口浓度升序排列得到一维有序样本{c_i}(1≤i≤n}；

(4.3)、分别采用有序聚类算法将{P_i}、{c_i}离散化为k₁个区间，得到k₁×k₁个二维单元格，将{S_i}的样本分别映射到各个单元格，并统计各个单元格的样本数量；

其中对于一维有序样本{x₁,x₂,···x_n}，利用有序聚类算法对其离散化为k₁个离散化区间的具体步骤包括如下：

(4.3.1)、计算离差平方和矩阵D_n×n，离差平方和D(i,j)的计算式为：

其中为该类的均值向量，D_n×n的其余元素置为0；

(4.3.2)、计算分类损失函数：

其中，b(n.k)表示将n个样本分为k类的某一种分法，1＝j₁＜j₂＜···j_k＜n＝j_k+1-1为分类点；

(4.3.3)、构建最小分类损失矩阵C_n×n及分类标记矩阵J_n×n，具体方法如下：

对有

J(l,k)＝j_lk

式中，3≤l≤n,k≤j≤n；p(l,k)表示将l个样本分为k类的最佳分法；j_lk表示p(l,k)中第k类的起始样本序号；矩阵C_n×n和矩阵J_n×n中其余元素均置为0；

(4.3.4)、由离散化区间数k₁求离散化区间，具体方法为：

第k₁个区间

第(k₁-1)区间

以此类推可以得到所有离散区间{G_k,G_k-1,···G₁}；

(4.4)、对于样本数为1的单元格，直接采集其样本；对于样本数大于1的单元格，计算单元格内各个样本的局部密度，采集局部密度最大的样本，若存在多个密度同时最大的样本则取第一个样本，其中局部密度采用高斯核函数进行计算：

其中：d_ij为样本i、j之间的欧式距离，d_c为截断距离；

(4.5)、统计抽取得到的样本数量总和，若最接近m则退出，若不满足则增大k₁并转至步骤4.3循环，直至抽取到最接近m个数量的数据样本。

进一步，所述步骤(5)中SO₂出口浓度预测模型的建立方法包括如下步骤为：

(5.1)、对模型的输入参数、输出参数进行归一化，数据为X＝{x₁,x₂,···,x_i,···,x_n},则归一化后的数据X’为：

其中min(X)为采集数据X的最小值，max(X)为采集数据X的最大值；

(5.2)、设置模型参数：输入层大小为5，隐层节点数为6，输出层大小为1，激活函数用sigmoid；

(5.3)、训练神经网络模型：随机值初始化权重矩阵，偏差向量初始化为0，利用梯度下降法进行参数更新，最大训练次数设置为3000，训练要求精度设为0.001。

有益效果：与现有技术相比，本发明具有以下显著优点：

(1)、本发明首先从历史数据库中筛选得到稳态数据样本，再利用有序聚类算法对数据进行离散化，能够自动确定离散化区间，使得各区间内部之间的差异最小，无需人工参与；

(2)、针对各个区间样本数量不一致问题，本发明基于有序聚类算法对样本数量多的区间进行了抽取，使得各个区间的样本数量基本一致，从而得到出口浓度均匀分布的稳态样本集；该抽样方法可发现样本密集单元，删除冗余样本，在保证建模数据完整性的情况下可获取期望的抽样数量；

(3)、本发明采用BP神经网络算法建立了SO₂出口浓度预测模型，将SO₂出口浓度均匀分布的稳态样本集作为模型训练数据，可对各个区间的SO₂出口浓度进行准确的预测。

附图说明

图1为本发明流程示意图；

图2为本发明实施例中最小分类损失与出口浓度分类数的趋势图；

图3为本发明实施例中样本抽取数量总和与离散区间数k₁的关系示意图；

图4为本发明实施例中预测效果对比图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

如图1所示，一种基于有序聚类离散化的脱硫系统SO₂出口浓度预测方法，其特征在于，包括如下步骤：

(1)、从SIS历史数据库中采集脱硫系统相关参数的历史运行数据，取数间隔为1min；其中相关参数包括负荷、SO₂进口浓度、浆液密度、pH值、液气比和SO₂出口浓度；

(2)、以负荷、SO₂进口浓度为条件对历史数据进行稳态判断，筛选得到原始稳态样本；其中稳态判断的筛选条件为：10min内机组负荷变化不超过10MW、SO₂进口浓度变化不超过50mg/m³；

(3)、将原始稳态样本的SO₂出口浓度进行升序排列得到一维有序样本，然后利用有序聚类算法对其进行离散化，得到k个出口浓度区间，并统计得到各个区间的样本数量；

其中对于一维有序样本{x₁,x₂,···x_n}，利用有序聚类算法对其进行离散化的具体步骤包括如下：

(3.1)、计算离差平方和矩阵D_n×n，离差平方和D(i,j)的计算公式为：

其中为该类的均值向量，D_n×n的其余元素置为0；

(3.2)、计算分类损失函数：

其中b(n.k)表示将n个样本分为k类的一种分法，1＝j₁＜j₂＜···j_k＜n＝j_k+1-1为分类点；

(3.3)、构建最小分类损失矩阵C_n×n及分类标记矩阵J_n×n，具体方法为：

对有

J(l,k)＝j_lk

式中，3≤l≤n,k≤j≤n；p(l,k)表示将l个样本分为k类的最佳分法；j_lk表示p(l,k)中第k类的起始样本序号；矩阵C_n×n和矩阵J_n×n中其余元素均置为0；

(3.4)、计算最小分类损失变化delta(k)，当delta(k)开始小于10％时对应的k为最佳分类数k_opt，delta(k)的计算方法如下：

delta(k)＝[C(n,k)-C(n,k+1)]/C(n,k)×100％

(3.5)、根据k_opt值确定离散化区间，具体方法为：

第k_opt个区间

第(k_opt-1)个区间

以此类推可以得到所有离散区间{G_k,G_k-1,···,G₁}；

(4)样本数量最少的区间内的样本数量为m，对除样本数量最少的区间之外的所有区间进行抽样，使得各个出口浓度区间内的样本数量最接近m个，得到SO₂出口浓度均匀分布的稳态样本集；

对于任一出口浓度区间内的样本集{S_i}(1≤i≤n,n＞m)，从其中抽取得到最接近m个样本的具体抽取方法包括如下步骤：

(4.1)、设参数离散化区间数为k₁(k₁≥2，k₁为整数)，并初始化为2；

(4.2)、将样本集{S_i}中的负荷升序排列得到一维有序样本{P_i}(1≤i≤n}、将样本集{S_i}中的SO₂进口浓度升序排列得到一维有序样本{c_i}(1≤i≤n}；

(4.3)、分别采用有序聚类算法将{P_i}、{c_i}离散化为k₁个区间，得到k₁×k₁个二维单元格，将{S_i}的样本分别映射到各个单元格，并统计各个单元格的样本数量；

其中对于一维有序样本{x₁,x₂,···x_n}，利用有序聚类算法对其离散化为k₁个离散化区间的具体步骤包括如下：

(4.3.1)、计算离差平方和矩阵D_n×n，离差平方和D(i,j)的计算式为：

其中为该类的均值向量，D_n×n的其余元素置为0；

(4.3.2)、计算分类损失函数：

其中，b(n.k)表示将n个样本分为k类的某一种分法，1＝j₁＜j₂＜···j_k＜n＝j_k+1-1为分类点；

(4.3.3)、构建最小分类损失矩阵C_n×n及分类标记矩阵J_n×n，具体方法如下：

对有

J(l,k)＝j_lk

式中，3≤l≤n,k≤j≤n；p(l,k)表示将l个样本分为k类的最佳分法；j_lk表示p(l,k)中第k类的起始样本序号；矩阵C_n×n和矩阵J_n×n中其余元素均置为0；

(4.3.4)、由离散化区间数k₁求离散化区间，具体方法为：

第k₁个区间

第(k₁-1)区间

以此类推可以得到所有离散区间{G_k,G_k-1,···G₁}；

(4.4)、对于样本数为1的单元格，直接采集其样本；对于样本数大于1的单元格，计算单元格内各个样本的局部密度，采集局部密度最大的样本，若存在多个密度同时最大的样本则取第一个样本，其中局部密度采用高斯核函数进行计算：

其中：d_ij为样本i、j之间的欧式距离，d_c为截断距离；

(4.5)、统计抽取得到的样本数量总和，若最接近m则退出，若不满足则增大k₁并转至步骤4.3循环，直至抽取到最接近m个数量的数据样本；

(5)、基于SO₂出口浓度均匀分布的稳态样本集，采用BP神经网络算法进行模型训练，建立SO₂出口浓度预测模型；

其中SO₂出口浓度预测模型的建立方法包括如下步骤为：

(5.1)、对模型的输入参数、输出参数进行归一化，数据为X＝{x₁,x₂,···,x_i,···,x_n},则归一化后的数据X’为：

其中min(X)为采集数据X的最小值，max(X)为采集数据X的最大值；

(5.2)、设置模型参数：输入层大小为5，隐层节点数为6，输出层大小为1，激活函数用sigmoid；

(5.3)、训练神经网络模型：随机值初始化权重矩阵，偏差向量初始化为0，利用梯度下降法进行参数更新，最大训练次数设置为3000，训练要求精度设为0.001。

实施例

以某660MW燃煤机组脱硫系统为例，采集SIS历史数据库中2017年10月1日到2018年10月1日的历史数据，采集间隔为1min，采集参数主要包括负荷、SO₂进口浓度、浆液密度、pH值、液气比、SO₂出口浓度等。以负荷、SO₂进口浓度为边界条件进行稳态筛选，筛选条件为：10min内负荷变化不超过10MW，SO₂进口浓度变化不超过50mg/m³。稳态筛选后得到原始稳态样本2077条。

对原始稳态样本的SO₂出口浓度进行升序排列，得到其最小浓度为4.0mg/m³，最大浓度为32.9mg/m³，采用有序聚类算法对其进行离散化，如图2所示得到原始稳态样本的最小分类损失随出口浓度分类数k的趋势图，当k＝5时，最小分类损失变化开始小于10％，因此确定最佳分类数为5，将出口浓度分为[4.0，8.7]、[8.8，13.0]、[13.0，17.5]、[17.6，22.9]、[23，32.9]五个区间，具体如表1所示，并统计得到各个区间的样本数量及所占的百分比。

表1原始稳态样本各出口浓度区间的分布情况

从表1可以看出原始稳态样本中各个SO₂出口浓度区间的样本数量占比差距非常大，[23，32.9]区间样本占比为8.1％，而[13.0，17.5]区间的样本占比高达34％，原始稳态样本的SO₂出口浓度分布极不均匀。SO₂出口浓度在[13.0，17.5]、[17.6，22.9]之间的样本占比较大，多于23mg/m³的样本非常少，SO₂出口浓度样本分布不均匀对于建立SO₂出口浓度预测模型非常不利。

以[13.0，17.5]区间为例具体说明发明的抽样方法，该区间的样本总数为706条，需从中抽取样本数量最接近168条，如此[13.0，17.5]与[23，32.9]区间的样本数量才会接近，数据的均匀性才会较好。具体取样方法如下：先令离散化区间数k₁＝2，利用有序聚类算法分别对升序排列后的负荷、SO₂进口浓度进行离散化，得到二维单元格，再将706个样本映射到单元格中，计算每个单元格中各样本的局部密度，抽取密度最大的样本，统计抽取到的样本数量总和，然后增加k₁直至抽样数量总和最接近168。[13.0，17.5]区间抽样数量总和与离散化区间数k₁的关系如图3所示，当k₁＝16时抽样数量总和为164，与168最接近。因而最终确定的离散化区间数k₁＝16，抽取得到样本数量164条。

对[4.0,8.7]、[8.8,13.0]、[17.6,22.9]等三个区间采用同样的抽样方法进行抽样，直接采集[23，32.9]区间的样本，最终得到的均匀分布样本在各个SO₂出口浓度区间的分布情况如表2所示，共抽取样本847条，抽取后各个区间的样本数量基本一致，样本数量所占百分比基本持平，数据分布呈现很好的均匀性。本发明对样本多的SO₂出口浓度区间进行了抽样，目的是让各个出口浓度区间的样本数量大致相等，保证样本分布的均匀性，为后续建模提供均匀样本。

表2均匀分布样本各出口浓度区间的分布情况

最后基于抽取得到的均匀分布样本集，利用BP神经网络算法建立了SO₂出口浓度预测模型。本文选取了150组实际运行数据对模型进行了测试，[4.0，8.7]、[8.8，13.0]、[13.0，17.5]、[17.6，22.9]、[23，32.9]五个区间各30组测试样本。经核算，本发明所采用的预测方法的平均预测偏差为2.5mg/m³，在各个SO₂出口浓度区间都有较好的预测效果。为方便对比，本发明还用2077条原始稳态样本作为训练数据建立了SO₂出口浓度预测模型，其平均预测偏差为3.1mg/m³。图4给出了两种训练样本的预测效果对比，本发明的预测方法得到的均匀分布稳态样本建立的预测模型不仅平均预测偏差更低，相比原始稳态样本建立的预测模型在[23，32.9]、[4.0，8.7]两个原始样稳态样本数量较少的区间预测效果也得到了很大提升，能够满足各个区间的预测需求。

综上，发明所公开的一种基于有序聚类离散化的脱硫系统SO₂出口浓度预测方法能够在各个SO₂出口浓度区间都取得很好的预测精度。

Claims (5)

1.一种基于有序聚类离散化的脱硫系统SO₂出口浓度预测方法，其特征在于，包括如下步骤：

(1)、从SIS历史数据库中采集脱硫系统相关参数的历史运行数据，取数间隔为1min；其中相关参数包括负荷、SO₂进口浓度、浆液密度、pH值、液气比和SO₂出口浓度；

(2)、以负荷、SO₂进口浓度为条件对历史数据进行稳态判断，筛选得到原始稳态样本；

(3)、将原始稳态样本的SO₂出口浓度进行升序排列得到一维有序样本，然后利用有序聚类算法对其进行离散化，得到k个出口浓度区间，并统计得到各个区间的样本数量；

(4)、样本数量最少的区间内的样本数量为m，对除样本数量最少的区间之外的所有区间进行抽样，使得各个出口浓度区间内的样本数量最接近m，得到SO₂出口浓度均匀分布的稳态样本集；

(5)、基于SO₂出口浓度均匀分布的稳态样本集，采用BP神经网络算法进行模型训练，建立SO₂出口浓度预测模型。

2.根据权利要求1所述的基于有序聚类离散化的脱硫系统SO₂出口浓度预测方法，其特征在于：所述步骤(2)中稳态判断的筛选条件为：10min内机组负荷变化不超过10MW、SO₂进口浓度变化不超过50mg/m³。

3.根据权利要求1所述的基于有序聚类离散化的脱硫系统SO₂出口浓度预测方法，其特征在于：所述步骤(3)中对于一维有序样本{x₁,x₂,···x_n}，利用有序聚类算法对其进行离散化的具体步骤包括如下：

(3.1)、计算离差平方和矩阵D_n×n，离差平方和D(i,j)的计算公式为：

其中为该类的均值向量，D_n×n的其余元素置为0；

(3.2)、计算分类损失函数：

其中b(n.k)表示将n个样本分为k类的一种分法，1＝j₁＜j₂＜···j_k＜n＝j_k+1-1为分类点；

(3.3)、构建最小分类损失矩阵C_n×n及分类标记矩阵J_n×n，具体方法为：

对有

J(l,k)＝j_lk

式中，3≤l≤n,k≤j≤n；p(l,k)表示将l个样本分为k类的最佳分法；j_lk表示p(l,k)中第k类的起始样本序号；矩阵C_n×n和矩阵J_n×n中其余元素均置为0；

(3.4)、计算最小分类损失变化delta(k)，当delta(k)开始小于10％时对应的k为最佳分类数k_opt，delta(k)的计算方法如下：

delta(k)＝[C(n,k)-C(n,k+1)]/C(n,k)×100％

(3.5)、根据k_opt值确定离散化区间，具体方法为：

第k_opt个区间

第(k_opt-1)个区间

以此类推可以得到所有离散区间{G_k,G_k-1,···,G₁}。

4.根据权利要求1所述的基于有序聚类离散化的脱硫系统SO₂出口浓度预测方法，其特征在于：所述步骤(4)中对于任一出口浓度区间内的样本集{S_i}(1≤i≤n,n＞m)，从其中抽取得到最接近m个样本的具体抽取方法包括如下步骤：

(4.1)、设参数离散化区间数为k₁(k₁≥2，k₁为整数)，并初始化为2；

(4.2)、将样本集{S_i}中的负荷升序排列得到一维有序样本{P_i}(1≤i≤n}，将样本集{S_i}中的SO₂进口浓度升序排列得到一维有序样本{c_i}(1≤i≤n}；

(4.3)、分别采用有序聚类算法将{P_i}、{c_i}离散化为k₁个区间，得到k₁×k₁个二维单元格，将{S_i}的样本分别映射到各个单元格，并统计各个单元格的样本数量；

其中对于一维有序样本{x₁,x₂,···x_n}，利用有序聚类算法对其离散化为k₁个离散化区间的具体步骤包括如下：

(4.3.1)、计算离差平方和矩阵D_n×n，离差平方和D(i,j)的计算式为：

其中为该类的均值向量，D_n×n的其余元素置为0；

(4.3.2)、计算分类损失函数：

其中，b(n.k)表示将n个样本分为k类的某一种分法，1＝j₁＜j₂＜···j_k＜n＝j_k+1-1为分类点；

(4.3.3)、构建最小分类损失矩阵C_n×n及分类标记矩阵J_n×n，具体方法如下：

对有

J(l,k)＝j_lk

式中，3≤l≤n,k≤j≤n；p(l,k)表示将l个样本分为k类的最佳分法；j_lk表示p(l,k)中第k类的起始样本序号；矩阵C_n×n和矩阵J_n×n中其余元素均置为0；

(4.3.4)、由离散化区间数k₁求离散化区间，具体方法为：

第k₁个区间

第(k₁-1)区间

以此类推可以得到所有离散区间{G_k,G_k-1,···G₁}；

(4.4)、对于样本数为1的单元格，直接采集其样本；对于样本数大于1的单元格，计算单元格内各个样本的局部密度，采集局部密度最大的样本，若存在多个密度同时最大的样本则取第一个样本，其中局部密度采用高斯核函数进行计算：

其中：d_ij为样本i、j之间的欧式距离，d_c为截断距离；

(4.5)、统计抽取得到的样本数量总和，若最接近m则退出，若不满足则增大k₁并转至步骤4.3循环，直至抽取到最接近m个数量的数据样本。

5.根据权利要求1所述的基于有序聚类离散化的脱硫系统SO₂出口浓度预测方法，其特征在于：所述步骤(5)中SO₂出口浓度预测模型的建立方法包括如下步骤为：

(5.1)、对模型的输入参数、输出参数进行归一化，数据为X＝{x₁,x₂,···,x_i,···,x_n},则归一化后的数据X’为：

其中min(X)为采集数据X的最小值，max(X)为采集数据X的最大值；

(5.2)、设置模型参数：输入层大小为5，隐层节点数为6，输出层大小为1，激活函数用sigmoid；

(5.3)、训练神经网络模型：随机值初始化权重矩阵，偏差向量初始化为0，利用梯度下降法进行参数更新，最大训练次数设置为3000，训练要求精度设为0.001。