CN113705098A - 一种基于pca和ga-bp网络的风道加热器建模方法 - Google Patents

一种基于pca和ga-bp网络的风道加热器建模方法 Download PDF

Info

Publication number
CN113705098A
CN113705098A CN202111006310.0A CN202111006310A CN113705098A CN 113705098 A CN113705098 A CN 113705098A CN 202111006310 A CN202111006310 A CN 202111006310A CN 113705098 A CN113705098 A CN 113705098A
Authority
CN
China
Prior art keywords
air duct
duct heater
energy consumption
value
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111006310.0A
Other languages
English (en)
Inventor
陈宇沁
杨世海
陈铭明
孔月萍
方凯杰
刘恬畅
黄艺璇
李波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co ltd Marketing Service Center, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202111006310.0A priority Critical patent/CN113705098A/zh
Publication of CN113705098A publication Critical patent/CN113705098A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

一种基于PCA和GA‑BP网络的风道加热器建模方法，包括：步骤1，采集风道加热器运行数据；步骤2，用主成分分析法对预处理后的运行数据降维，提取累计贡献率大于设定阈值的主分量作为输入数据；步骤3，基于BP神经网络构建风道加热器能耗模型；步骤4，利用遗传算法优化风道加热器能耗模型的权值和阈值；步骤5，将输入数据输入至模型中，利用优化后的权值和阈值训练模型，以能耗量为输出数据，基于梯度下降法更新权值和阈值，获得训练好的风道加热器能耗模型预测风道加热器能耗量。结合主成分分析法和遗传算法的BP神经网络，对风道加热器等能耗设备搭建高效率模型，基于实际运行数据，计算风道加热器的能耗量，反映其能耗表征特性。

Description

一种基于PCA和GA-BP网络的风道加热器建模方法
技术领域
本发明涉及基于人工智能算法的工业负荷建模技术领域，更具体地，涉及一种基于PCA和GA-BP网络的风道加热器建模方法。
背景技术
近年来，电力需求侧管理的相关通知和意见陆续出台，强调提升以需求侧管理为主的供需平衡保障水平，逐步形成占最大用电负荷3％左右的需求侧机动调峰容量。因此，深化工业企业可调节负荷应用，构建占最大负荷5％以上的工业负荷可调节资源库，支撑源网荷储协同服务。
工业负荷具有容量大、种类多、易于集中管理的特点，多分布于西北地区。同时，西北地区风光资源丰富，若能进一步提高工业负荷的调控能力，使其积极参与电网调度管理，不仅有助于消纳新能源，还能够降低工业生产成本。
工业负荷参与电网互动的发展方向明确，在典型的工业负荷中，风道加热器是能耗主要研究对象，基于风道加热器的生产工艺特性，需要进行反映能耗表征特性的工业负荷建模。工业负荷模型能耗表征特性主要包括工业负荷生产过程中的电气量和核心非电气量等参数，这些特性可以决定能耗设备生产出的产品产量、质量、能耗关系。因此，可以根据这些特性的定量关系，得出工业负荷模型，可为后续的调控策略拟定提供依据。但是，通过已有研究成果分析和对多个工业负荷的调研发现，现有技术中能尽可能准确地反映不同类型工业负荷调节属性的高效率工业负荷模型仍然缺乏。此外，以风道加热器为例，在实际生产过程中的工作电压、工作电流、风道内气压、风道加热器的出风温度和风道加热器的加热功率等，这在一定程度上增加了数据采集的困难度，同时多变量之间很有可能存在相关性，导致问题分析的复杂度进一步提升。
随着神经网络的不断发展，人工神经网络以其强大的自学习、自适应以及可以逼近任意非线性问题的能力，且不需要建立复杂的实际系统数学模型辨识格式的优点，展现了神经网络建模的优越性。将神经网络技术应用于风道加热器建模研究中。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于PCA(PrincipalComponent Analysis，主成分分析)和GA-BP((Genetic Algorithm-Back Propagation，遗传神经)网络的风道加热器建模方法，该方法将风道加热器在实际生产过程中的工作电压、工作电流、风道内气压、风道加热器的出风温度和风道加热器的加热功率作为输入数据，预测风道加热器的能耗量。
本发明采用如下的技术方案。
一种基于PCA和GA-BP网络的风道加热器建模方法包括：
步骤1，采集风道加热器的运行数据；
步骤2，对运行数据进行预处理后，使用主成分分析(Principal ComponentAnalysis，PCA)法将预处理后的运行数据降维处理，提取累计贡献率大于设定阈值的主分量作为BP神经网络的输入数据；
步骤3，基于BP神经网络构建风道加热器能耗模型；
步骤4，利用遗传算法优化风道加热器能耗模型的权值和阈值；
步骤5，将输入数据输入至风道加热器能耗模型中，利用优化后的权值和阈值对风道加热器能耗模型进行训练，以风道加热器能耗量为输出数据，基于梯度下降法更新权值和阈值，获得训练好的风道加热器能耗模型；使用训练好的风道加热器能耗模型获得风道加热器能耗量。
优选地，步骤1中，运行数据包括：工作电压、工作电流、风道内气压、出风温度和加热功率。
优选地，步骤2中，预处理包括：填补缺失值、剔除异常值和过滤噪声值。
优选地，步骤2中，基于主成分分析法对预处理后的运行数据进行降维处理，包括：
步骤2.1，利用不同工况下的工作电压V、工作电流I、风道内气压AP、出风温度T和加热功率P形成运行数据集X；
步骤2.2，对运行数据集去中心化处理，得到特征数据组；所述去中心化处理，是将特征数据集的每一行数据中的每一个数据减去该行数据的平均值；
步骤2.3，以协方差矩阵
Figure BDA0003237202390000021
反映特征数据组中各数据之间的相关性，其中，n为各运行数据的样本总数；
步骤2.4，采用特征值分解法求协方差矩阵的特征值λ1,λ2,λ3,λ4,λ5与每个特征值对应的特征向量；并将特征值按照从大到小的顺序进行排序；
步骤2.5，以如下关系式计算前k个主分量的累计贡献率CCi，其中k<5：
Figure BDA0003237202390000031
式中，i＝1,2,3,4,5；
步骤2.6，选择满足累计贡献率CCi达到90％以上的前k个主分量，并将其对应的k个特征向量分别作为行向量组成特征向量矩阵P；
步骤2.7，以如下关系式计算得到降维处理后的特征数据集Y：
Y＝PX
运行数据集X包含5维运行数据，特征数据集Y包含累计贡献率大于设定阈值的k维主分量。
优选地，步骤3中，基于BP神经网络所构建的风道加热器能耗模型包括：输入层、隐含层、输出层；
其中，输入层内置k个神经元，以特征数据集Y作为输入数据；隐含层神经元的数量不大于k；输出层内置1个神经元，以风道加热器能耗量为输出数据。
优选地，步骤4包括：
步骤4.1，根据风道加热器能耗模型中各层的神经元数量，确定各层的权值和阈值的数量；
步骤4.2，对权值的初始值和阈值的初始值进行二进制编码；
步骤4.3，以如下关系式定义遗传算法的适应度函数ffi：
ffi＝Yout-R
式中，
Yout为风道加热器能耗模型的输出值，
R为真实值；
步骤4.4，设置随机初始种群，种群内每个个体均由染色体组成，每个个体的染色体对应不同的权值初始值和阈值初始值的二进制编码；
步骤4.5，计算每个个体的适应度值，采用基于适应度比例的选择策略随机选择个体；
步骤4.6，采用单点交叉方式，在种群内任意两个体之间的随机基因处进行基因交叉；其中，交叉概率设置为0.8；
步骤4.7，对任意一个个体，对随机位置上的基因进行变异处理，即由0变1或者由1变0；其中，个体变异的概率设置为0.01；
步骤4.8，重复步骤4.5至4.7进行多次迭代，当迭代次数达到设定值时，结束迭代获得优化后的权值和阈值。
进一步，步骤4.5中，基于适应度比例的选择策略，每个个体的选择概率Pl，满足如下关系式：
Figure BDA0003237202390000041
式中，
Fl为第l个个体的适应度值，
N为种群个体数目；
第l个个体的适应度Fl越低，该个体被选中的概率Pl越高。
进一步，步骤4.8中，迭代次数的设定值为80次。
优选地，步骤5包括：
步骤5.1，将输入数据划分为训练数据集和测试数据集；
步骤5.2，将优化后的权值和阈值赋值给风道加热器能耗模型，将训练数据集输入至风道加热器能耗模型中，经过正向传播计算得到模型的输出值；
步骤5.3，判断所述输出值与实际值之间的损失值是否在设定范围之内，若否，则进入步骤5.4，若是，则停止权值和阈值的更新；
步骤5.4，将输出值通过隐含层向输入层逐层反向传播，并将误差分摊给各层的所有神经元，从而获得各层神经元的误差信号；
步骤5.5，利用梯度下降法，根据所述误差信号更新各层神经元的权值和阈值；
步骤5.6，重复步骤5.2至5.5进行多次更新，当更新次数达到设定值或所述损失值在设定范围之内时，停止更新得到最终的权值和阈值；由此获得训练好的风道加热器能耗模型；
步骤5.7，以测试数据集输入至训练好的风道加热器能耗模型中，获得风道加热器能耗量。
进一步，步骤5.1中，将输入数据按7：3的比例划分为训练数据集和测试数据集；步骤5.3和5.6中，所述设定范围取为输出值与实际值之间的均方误差不大于1000；步骤5.5中，更新次数的设定值为700次。
本发明的有益效果在于，与现有技术相比：
1、本发明使用BP神经网络模型为主要框架对风道加热器进行建模，利用人工神经网络所具备的自学习、自适应以及可以逼近任意非线性问题的能力，并且不需要建立复杂的实际系统数学模型辨识格式，体现了神经网络建模的优越性。
2、本发明使用PCA算法对原始输入数据进行降维，PCA算法在神经网络建模方面有很大的优势，通常我们所得数据中除了包含正常的数据外，还包含了大量特征不相关联的冗余信息，这些冗余信息的存在不仅会对检测工作的准确率造成了很大的干扰，而且分析这些不相关信息同样会使数据训练和检测的运算量大大增加，从而降低系统分析异常数据的效率。PCA算法相较其他降维方法不仅仅是单纯地删除一些数据达到降低维度的目的，它还提供了一种相对于原始特征信息一种比较高的贡献率特征，使原始数据的特征得以保留，为异常数据检测的准确率提供了保障。这种分析方法对解决流量大、维度高、实时性强的数据非常适合。实验结果也表明主成分分析法可以有效加快神经网络模型的收敛速度和提高预测精度。
3、本发明还使用智能优化算法中的遗传算法来优化BP神经网络性能。遗传算法是基于自然选择和遗传学机理的迭代自适应概率搜索算法，可克服人工神经网络自身的缺陷。相比传统的优化算法从单个解开始搜索寻优，遗传算法则是从问题解的串集开始搜索，它可以同时处理群体中的多个个体，即对搜索空间的多个解进行关于误差的适应度值评估，从概率的变迁规则角度搜索最优的权值和阈值解，同时算法本身易于实现并行化。使用该算法优化的BP神经网络有相较传统的BP神经网络更好的收敛性和更高的预测精度。
4、将主成分分析法和遗传算法加入到BP神经网络中，通过结合两者优势，可以对风道加热器这类调节属性差异较大的能耗设备搭建高效率的模型。基于风道加热器在实际生产过程中的工作电压、工作电流、风道内气压、风道加热器的出风温度和风道加热器的加热功率数据，可以计算出风道加热器模型输出的能耗量，反映其能耗表征特性。最终实验结果也显示了对风道加热器搭建的神经网络模型有着良好的预测能力。
附图说明
图1是本发明一种基于PCA和GA-BP网络的风道加热器建模方法的步骤框图；
图2是本发明一种基于PCA和GA-BP网络的风道加热器建模方法的主要流程图；
图3是本发明一种基于PCA和GA-BP网络的风道加热器建模方法中遗传算法结合BP神经网络的算法流程图；
图4是传统BP神经网络700次迭代测试结果；
图5是GA-BP神经网络700次迭代测试结果(个体数＝10)；
图6是PCA-BP神经网络700次迭代测试结果；
图7是PCA-GA-BP神经网络700次迭代测试结果(个体数＝10)；
图8是PCA-BP神经网络100次迭代测试结果；
图9是PCA-GA-BP神经网络100次迭代测试结果(个体数＝10)；
图10是PCA-GA-BP神经网络700次迭代测试结果(个体数＝20)；
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1，一种基于PCA和GA-BP网络的风道加热器建模方法包括步骤1至步骤5；该方法的主要流程以及遗传算法结合BP神经网络的算法流程分别如图2和图3所示。基于PCA和GA-BP网络的风道加热器建模方法为：
步骤1，采集风道加热器的运行数据。
具体地，步骤1中，运行数据包括但不限于：工作电压、工作电流、风道内气压、出风温度和加热功率。
风道加热器在运行过程中产生的数据包括：加热器工作电压电流、电热管规格、出风温度、出风湿度、出风压力、输出风量、风道气压、升温速率等。其中风道加热器的工作电压和工作电流可以控制风道加热器运行稳定，调节风道加热器风机和电热管工作状态。风道加热器的出风温度、风道内气压对能耗的影响贡献因子较大。可以通过调控调节加热器的气压，并调控加热器的温度来实现对能耗的控制效果。因此，本优选实施例中采用工作电压、工作电流、风道内气压、出风温度和加热功率这五个运行数据，是一种非限制性的较优选择。
步骤2，对运行数据进行预处理后，使用PCA法将预处理后的运行数据降维处理，提取累计贡献率大于设定阈值的主分量作为BP神经网络的输入数据。
具体地，步骤2中，预处理包括：填补缺失值、剔除异常值和过滤噪声值。
具体地，步骤2中，基于主成分分析法对预处理后的运行数据进行降维处理，包括：
步骤2.1，利用不同工况下的工作电压V、工作电流I、风道内气压AP、出风温度T和加热功率P形成运行数据集X，满足如下关系式：
Figure BDA0003237202390000071
式中，n为各运行数据的样本总数；
本优选实施例中，运行数据作为原始特征数据需要进一步处理为更低维的新特征数据，采用基于特征值分解协方差矩阵的方法来实现主成分分析，协方差矩阵可以刻画特征之间的相关性，可通过协方差的正值、负值或零值来考察两个变量在高维空间中的相互关系。
步骤2.2，对运行数据集去中心化处理，得到特征数据组；所述去中心化处理，是将特征数据集的每一行数据中的每一个数据减去该行数据的平均值；
步骤2.3，以协方差矩阵
Figure BDA0003237202390000072
反映特征数据组中各数据之间的相关性，其中，n为各运行数据的样本总数；
本优选实施例中，协方差矩阵大小为5×5。
步骤2.4，采用特征值分解法求协方差矩阵的特征值λ1,λ2,λ3,λ4,λ5与每个特征值对应的特征向量；并将特征值按照从大到小的顺序进行排序；
本优选实施例中，特征值越大，说明对应的特征向量方向上所包含的信息量越多，对特征值进行排序以找到较大的特征值及对应的特征向量，从而便于尽快计算得到较大的累计贡献率。
步骤2.5，以如下关系式计算前k个主分量的累计贡献率CCi，其中k<5：
Figure BDA0003237202390000081
式中，i＝1,2,3,4,5；
步骤2.6，选择满足累计贡献率CCi达到90％以上的前k个主分量，并将其对应的k个特征向量分别作为行向量组成特征向量矩阵P；本优选实施例中，特征向量矩阵P的大小为k×5；
步骤2.7，以如下关系式计算得到降维处理后的特征数据集Y：
Y＝PX
运行数据集X包含5维运行数据，特征数据集Y包含累计贡献率大于设定阈值的k维主分量。
步骤3，基于BP神经网络构建风道加热器能耗模型。
具体地，步骤3中，基于BP神经网络所构建的风道加热器能耗模型包括：输入层、隐含层、输出层；
其中，输入层内置k个神经元，以特征数据集Y作为输入数据；隐含层神经元的数量不大于k，一般设置为4；输出层内置1个神经元，以风道加热器能耗量为输出数据。
步骤4，利用遗传算法优化风道加热器能耗模型的权值和阈值。
优选地，步骤4包括：
步骤4.1，根据风道加热器能耗模型中各层的神经元数量，确定各层的权值和阈值的数量；
步骤4.2，对权值的初始值和阈值的初始值进行二进制编码。
值得注意的是，本发明优选实施例中，采用二进制编码方式，是一种非限制性的较优选择。
对神经网络的权值和阈值进行编码，这样所有的权值和阈值就会都由基因来表示，一串基因的组合就是一个解。在编码的基础上，可以对这些基因串进行遗传算法的相关操作。
步骤4.3，以如下关系式定义遗传算法的适应度函数ffi：
ffi＝Yout-R
式中，
Yout为风道加热器能耗模型的输出值，
R为真实值；
适应度是用来衡量种群中个体优劣的指标值，定义本次遗传算法适应度函数为BP神经网络最后输出的预测值与真实值之差，适应度值越小说明误差越小，该个体越优秀。
步骤4.4，设置随机初始种群，种群内每个个体均由染色体组成，每个个体的染色体对应不同的权值初始值和阈值初始值的二进制编码。
初始化种群包括种群交叉的范围以及概率，变异的概率和对种群个体的初始化。种群初始化后，搜索算法正式开始执行。
步骤4.5，计算每个个体的适应度值，采用基于适应度比例的选择策略随机选择个体；
进一步，步骤4.5中，基于适应度比例的选择策略，每个个体的选择概率Pl，满足如下关系式：
Figure BDA0003237202390000091
式中，
Fl为第l个个体的适应度值，
N为种群个体数目；
第l个个体的适应度Fl越低，该个体被选中的概率Pl越高。
选择的目的是为了从交换后的群体中选出优良的个体，使他们有机会作为父代来繁殖下一代。选择的原则是适应性强的个体被选中的概率要大，即适者生存的原则。
步骤4.6，采用单点交叉方式，在种群内任意两个体之间的随机基因处进行基因交叉；其中，交叉概率设置为0.8。
值得注意的是，本发明优选实施例中，交叉概率设置为0.8，是一种非限制性的较优选择。
交叉是遗传算法中最主要的遗传操作，由交换概率挑选的每两个父代通过将相异的部分基因进行交换，产生新的个体，提高种群的多样性，体现了群体信息交换的思想。
步骤4.7，对任意一个个体，对随机位置上的基因进行变异处理，即由0变1或者由1变0；其中，个体变异的概率设置为0.01。
值得注意的是，本发明优选实施例中，个体变异的概率设置为0.01，是一种非限制性的较优选择。
通过模拟生物学中各种偶然因素所引起的基因突变，将种群中的个体的某些基因随机变异，变异产生的新个体具有上一代个体所不具备的基因值，增加了群体的多样化，体现了个体进化的思想。这样产生新的个体之后将父代与子代整合为新的种群，用这新的种群进入下一次迭代过程。
步骤4.8，重复步骤4.5至4.7进行多次迭代，当迭代次数达到设定值时，结束迭代获得优化后的权值和阈值。
进一步，步骤4.8中，迭代次数的设定值为80次。
值得注意的是，本发明优选实施例中，迭代次数的设定值取80次，是一种非限制性的较优选择。
步骤5，将输入数据输入至风道加热器能耗模型中，利用优化后的权值和阈值对风道加热器能耗模型进行训练，以风道加热器能耗量为输出数据，基于梯度下降法更新权值和阈值，获得训练好的风道加热器能耗模型；使用训练好的风道加热器能耗模型获得风道加热器能耗量。
具体地，步骤5包括：
步骤5.1，将输入数据划分为训练数据集和测试数据集；
进一步，将输入数据按7：3的比例划分为训练数据集和测试数据集；测试数据集是用来测试训练完成后的模型性能，其中图4至图10的波形均为采用测试数据集的结果。
值得注意的是，按7：3的比例划分为训练数据集和测试数据集是比较常见的划分，也就是1000组数据有700组数据用于训练模型，300组数据用于测试模型；本优选实施例中，按7：3的比例划分为训练数据集和测试数据集，是一种非限制性的较优选择。
步骤5.2，将优化后的权值和阈值赋值给风道加热器能耗模型，将训练数据集输入至风道加热器能耗模型中，经过正向传播计算得到模型的输出值；
步骤5.3，判断所述输出值与实际值之间的损失值是否在设定范围之内，若否，则进入步骤5.4，若是，则停止权值和阈值的更新；
进一步，设定范围取为输出值与实际值之间的均方误差不大于1000。
步骤5.4，将输出值通过隐含层向输入层逐层反向传播，并将误差分摊给各层的所有神经元，从而获得各层神经元的误差信号；
步骤5.5，利用梯度下降法，根据所述误差信号更新各层神经元的权值和阈值；
进一步，更新次数的设定值为700次。
步骤5.6，重复步骤5.2至5.5进行多次更新，当更新次数达到设定值或所述损失值在设定范围之内时，停止更新得到最终的权值和阈值；由此获得训练好的风道加热器能耗模型；
进一步，设定范围取为输出值与实际值之间的均方误差不大于1000。
步骤5.7，以测试数据集输入至训练好的风道加热器能耗模型中，获得风道加热器能耗量。
值得注意的是，本发明优选实施例中，更新次数的设定值取700次以及设定范围取为输出值与实际值之间的均方误差不大于1000，均是一种非限制性的较优选择。
实施例1。
一种基于PCA和GA-BP网络的风道加热器建模方法的主要流程如图2所示，首先采用主成分分析法对初始数据进行数据降维处理。选用1000组收集到的风道加热器工作电压、工作电流、风道内气压、出风温度和加热功率，采用主成分分析法对输入数据使用基于特征值分解协方差矩阵的方法进行主成分分析，最终选择满足累计贡献率达到90％的前3维特征，即将输入降至3维，得到1000组便于训练的低维数据，最终的数据分布如图2中所示。
将降维后的1000组3维数据作为输入，1000个对应的能耗量作为输出，搭建如图2所示的BP神经网络模型，其中，BP神经网络输入输出层的神经元数完全根据实际要求来设计。根据降维后的3维输入数据和需要预测的1维输出结果，设计本发明的神经网络结构有3个输入层神经元和1个输出层神经元。隐含层神经元数的选择是一个较为复杂的问题，设计的神经元数量过多，会导致学习的时间过长；而数量太少，容错性和泛化能力差，本次研究根据经验和实践结果设计了4个隐含层神经元。激活函数的选择一般有4种，本发明选择了比较常用的sigmoid激活函数。
确立了网络拓扑结构之后，采用遗传算法来优化网络的性能，具体算法流程图如图3所示，具体操作步骤如下：
(1)优化开始前要先计算BP神经网络的权值和阈值的个数。从输入层到隐含层有3×4个权值，从隐含层到输出层共有4×1个权值，隐含层有4个阈值，输出层有1个阈值，所以确立本发明中共有16个权值和5个阈值。
(2)用二进制编码的方式对上述权值和阈值进行编码。
(3)定义本次遗传算法适应度函数为BP神经网络最后输出的预测值与真实值之差，个体的适应度越小，说明误差越小，该个体“存活”的概率越高。
(4)选择过程使用轮盘赌方法。本发明中设置随机初始种群有10个个体，每个个体由染色体组成，不同位置的染色体对应不同的权值和阈值，先对初始个体计算他们的适应度值，再利用轮盘赌算法随机选择个体。
(5)交叉过程采用单点交叉方式，设置交叉概率为0.8，随机在种群两个体间随机基因处进行基因交叉，提高种群的多样性。
(6)对二进制编码的个体，变异操作仅需把某些随机位置上的基因由0变1或者由1变0，设置个体变异的概率为0.01。
(7)将上述遗传算法的操作迭代80次，满足结束条件后获得最优初始权值和阈值，再利用该数值开始BP神经网络的训练，用梯度下降法更新权值和阈值，设置700个epoch，训练结束后，搭建网络完成。
为了体现本发明提出的建模方案的有效性，在python中对该模型进行测试。图4和图5分别给出传统BP神经网络和GA-BP神经网络训练700次的测试结果，发现用了遗传算法的模型预测结果更稳定，精度更高。图6和图7是在图4和图5的基础上加上了主成分分析法对数据进行预处理后的测试结果，相对之前网络模型更简单，训练速度更快，精度也更高。图8和图9是降低模型训练次数至100次的测试结果，相较700次性能有所下降。图10是在遗传算法中将初始种群中个体数由10提高到20，发现模型的准确度又有所上升。
表1是对上述不同条件下的测试模型用均方误差MSE，平均绝对误差MAE，均方根误差RMSE和平均绝对百分比误差MAPE评价标准具体反映模型好坏的结果。
表1不同条件下的测试模型的评价标准
Figure BDA0003237202390000131
从表1可以看出，本发明提出的风道加热器神经网络建模方法可以很好地根据风道加热器在生产过程中的相关数据预测出它实际的能耗量，实验结果验证了该模型有着较高的准确度。
本发明的有益效果在于，与现有技术相比：
1、本发明使用BP神经网络模型为主要框架对风道加热器进行建模，利用人工神经网络所具备的自学习、自适应以及可以逼近任意非线性问题的能力，并且不需要建立复杂的实际系统数学模型辨识格式，体现了神经网络建模的优越性。
2、本发明使用PCA算法对原始输入数据进行降维，PCA算法在神经网络建模方面有很大的优势，通常我们所得数据中除了包含正常的数据外，还包含了大量特征不相关联的冗余信息，这些冗余信息的存在不仅会对检测工作的准确率造成了很大的干扰，而且分析这些不相关信息同样会使数据训练和检测的运算量大大增加，从而降低系统分析异常数据的效率。PCA算法相较其他降维方法不仅仅是单纯地删除一些数据达到降低维度的目的，它还提供了一种相对于原始特征信息一种比较高的贡献率特征，使原始数据的特征得以保留，为异常数据检测的准确率提供了保障。这种分析方法对解决流量大、维度高、实时性强的数据非常适合。实验结果也表明主成分分析法可以有效加快神经网络模型的收敛速度和提高预测精度。
3、本发明还使用智能优化算法中的遗传算法来优化BP神经网络性能。遗传算法是基于自然选择和遗传学机理的迭代自适应概率搜索算法，可克服人工神经网络自身的缺陷。相比传统的优化算法从单个解开始搜索寻优，遗传算法则是从问题解的串集开始搜索，它可以同时处理群体中的多个个体，即对搜索空间的多个解进行关于误差的适应度值评估，从概率的变迁规则角度搜索最优的权值和阈值解，同时算法本身易于实现并行化。使用该算法优化的BP神经网络有相较传统的BP神经网络更好的收敛性和更高的预测精度。
4、将主成分分析法和遗传算法加入到BP神经网络中，通过结合两者优势，可以对风道加热器这类调节属性差异较大的能耗设备搭建高效率的模型。基于风道加热器在实际生产过程中的工作电压、工作电流、风道内气压、风道加热器的出风温度和风道加热器的加热功率数据，可以计算出风道加热器模型输出的能耗量，反映其能耗表征特性。最终实验结果也显示了对风道加热器搭建的神经网络模型有着良好的预测能力。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.一种基于PCA和GA-BP网络的风道加热器建模方法，其特征在于，
所述方法包括：
步骤1，采集风道加热器的运行数据；
步骤2，对所述运行数据进行预处理后，使用主成分分析法将预处理后的运行数据降维处理，提取累计贡献率大于设定阈值的主分量作为BP神经网络的输入数据；
步骤3，基于BP神经网络构建风道加热器能耗模型；
步骤4，利用遗传算法优化风道加热器能耗模型的权值和阈值；
步骤5，将输入数据输入至风道加热器能耗模型中，利用优化后的权值和阈值对风道加热器能耗模型进行训练，以风道加热器能耗量为输出数据，基于梯度下降法更新权值和阈值，获得训练好的风道加热器能耗模型；使用训练好的风道加热器能耗模型获得风道加热器能耗量。
2.根据权利要求1所述的一种基于PCA和GA-BP网络的风道加热器建模方法，其特征在于，
步骤1中，所述运行数据包括：工作电压、工作电流、风道内气压、出风温度和加热功率。
3.根据权利要求2所述的一种基于PCA和GA-BP网络的风道加热器建模方法，其特征在于，
步骤2中，所述预处理包括：填补缺失值、剔除异常值和过滤噪声值。
4.根据权利要求3所述的一种基于PCA和GA-BP网络的风道加热器建模方法，其特征在于，
步骤2中，基于主成分分析法对预处理后的运行数据进行降维处理，包括：
步骤2.1，利用不同工况下的工作电压V、工作电流I、风道内气压AP、出风温度T和加热功率P形成运行数据集X；
步骤2.2，对运行数据集去中心化处理，得到特征数据组；所述去中心化处理，是将特征数据集的每一行中的每一个数据减去该行数据的平均值；
步骤2.3，以协方差矩阵
Figure FDA0003237202380000011
反映特征数据组中各数据之间的相关性，其中，n为各运行数据的样本总数；
步骤2.4，采用特征值分解法求协方差矩阵的特征值λ1,λ2,λ3,λ4,λ5与每个特征值对应的特征向量；并将特征值按照从大到小的顺序进行排序；
步骤2.5，以如下关系式计算前k个主分量的累计贡献率CCi，其中k<5：
Figure FDA0003237202380000021
式中，i＝1,2,3,4,5；
步骤2.6，选择满足累计贡献率CCi达到90％以上的前k个主分量，并将其对应的k个特征向量分别作为行向量组成特征向量矩阵P；
步骤2.7，以如下关系式计算得到降维处理后的特征数据集Y：
Y＝PX
运行数据集X包含5维运行数据，特征数据集Y包含累计贡献率大于设定阈值的k维主分量。
5.根据权利要求4所述的一种基于PCA和GA-BP网络的风道加热器建模方法，其特征在于，
步骤3中，基于BP神经网络所构建的风道加热器能耗模型包括：输入层、隐含层、输出层；
其中，输入层内置k个神经元，以特征数据集Y作为输入数据；隐含层神经元的数量不大于k；输出层内置1个神经元，以风道加热器能耗量为输出数据。
6.根据权利要求5所述的一种基于PCA和GA-BP网络的风道加热器建模方法，其特征在于，
步骤4包括：
步骤4.1，根据风道加热器能耗模型中各层的神经元数量，确定各层的权值和阈值的数量；
步骤4.2，对权值的初始值和阈值的初始值进行二进制编码；
步骤4.3，以如下关系式定义遗传算法的适应度函数ffi：
ffi＝Yout-R
式中，
Yout为风道加热器能耗模型的输出值，
R为真实值；
步骤4.4，设置随机初始种群，种群内每个个体均由染色体组成，每个个体的染色体对应不同的权值初始值和阈值初始值的二进制编码；
步骤4.5，计算每个个体的适应度值，采用基于适应度比例的选择策略随机选择个体；
步骤4.6，采用单点交叉方式，在种群内任意两个体之间的随机基因处进行基因交叉；其中，交叉概率设置为0.8；
步骤4.7，对任意一个个体，对随机位置上的基因进行变异处理，即由0变1或者由1变0；其中，个体变异的概率设置为0.01；
步骤4.8，重复步骤4.5至4.7进行多次迭代，当迭代次数达到设定值时，结束迭代获得优化后的权值和阈值。
7.根据权利要求6所述的一种基于PCA和GA-BP网络的风道加热器建模方法，其特征在于，
步骤4.5中，基于适应度比例的选择策略，每个个体的选择概率Pl，满足如下关系式：
Figure FDA0003237202380000031
式中，
Fl为第l个个体的适应度值，
N为种群个体数目；
第l个个体的适应度Fl越低，该个体被选中的概率Pl越高。
8.根据权利要求6所述的一种基于PCA和GA-BP网络的风道加热器建模方法，其特征在于，
步骤4.8中，迭代次数的设定值为80次。
9.根据权利要求6所述的一种基于PCA和GA-BP网络的风道加热器建模方法，其特征在于，
步骤5包括：
步骤5.1，将输入数据划分为训练数据集和测试数据集；
步骤5.2，将优化后的权值和阈值赋值给风道加热器能耗模型，将训练数据集输入至风道加热器能耗模型中，经过正向传播计算得到模型的输出值；
步骤5.3，判断所述输出值与实际值之间的损失值是否在设定范围之内，若否，则进入步骤5.4，若是，则停止权值和阈值的更新；
步骤5.4，将输出值通过隐含层向输入层逐层反向传播，并将误差分摊给各层的所有神经元，从而获得各层神经元的误差信号；
步骤5.5，利用梯度下降法，根据所述误差信号更新各层神经元的权值和阈值；
步骤5.6，重复步骤5.2至5.5进行多次更新，当更新次数达到设定值或所述损失值在设定范围之内时，停止更新得到最终的权值和阈值；由此获得训练好的风道加热器能耗模型；
步骤5.7，以测试数据集输入至训练好的风道加热器能耗模型中，获得风道加热器能耗量。
10.根据权利要求9所述的一种基于PCA和GA-BP网络的风道加热器建模方法，其特征在于，
步骤5.1中，将输入数据按7：3的比例划分为训练数据集和测试数据集；
步骤5.3和5.6中，所述设定范围取为输出值与实际值之间的均方误差不大于1000；
步骤5.5中，更新次数的设定值为700次。
CN202111006310.0A 2021-08-30 2021-08-30 一种基于pca和ga-bp网络的风道加热器建模方法 Pending CN113705098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111006310.0A CN113705098A (zh) 2021-08-30 2021-08-30 一种基于pca和ga-bp网络的风道加热器建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111006310.0A CN113705098A (zh) 2021-08-30 2021-08-30 一种基于pca和ga-bp网络的风道加热器建模方法

Publications (1)

Publication Number Publication Date
CN113705098A true CN113705098A (zh) 2021-11-26

Family

ID=78655032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111006310.0A Pending CN113705098A (zh) 2021-08-30 2021-08-30 一种基于pca和ga-bp网络的风道加热器建模方法

Country Status (1)

Country Link
CN (1) CN113705098A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114354455A (zh) * 2022-01-17 2022-04-15 北京石油化工学院 一种电池浆料粒度分布在线测量的方法
CN117910170A (zh) * 2024-03-19 2024-04-19 西安慧金科技有限公司 一种工业炉上风道设计方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021859A (zh) * 2016-05-09 2016-10-12 吉林大学 改进遗传算法的可控源音频大地电磁法一维反演方法
CN108408855A (zh) * 2018-04-10 2018-08-17 大唐（北京）水务工程技术有限公司 一种用于废水处理的在线加药控制方法及系统
CN109359469A (zh) * 2018-10-16 2019-02-19 上海电力学院 一种工业控制系统的信息安全风险评估方法
CN109932903A (zh) * 2019-02-25 2019-06-25 北京妙微科技有限公司 多父代优化网络和遗传算法的风机控制多目标优化方法
CN110033118A (zh) * 2019-02-25 2019-07-19 浙江工业大学 弹性网络建模且基于遗传算法的风机多目标优化控制方法
CN110490351A (zh) * 2019-03-27 2019-11-22 浙江工业大学 基于pca-ga-rbf的换热器污垢生长预测方法
CN113065715A (zh) * 2021-04-21 2021-07-02 东南大学 一种综合能源系统多元负荷超短期预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021859A (zh) * 2016-05-09 2016-10-12 吉林大学 改进遗传算法的可控源音频大地电磁法一维反演方法
CN108408855A (zh) * 2018-04-10 2018-08-17 大唐（北京）水务工程技术有限公司 一种用于废水处理的在线加药控制方法及系统
CN109359469A (zh) * 2018-10-16 2019-02-19 上海电力学院 一种工业控制系统的信息安全风险评估方法
CN109932903A (zh) * 2019-02-25 2019-06-25 北京妙微科技有限公司 多父代优化网络和遗传算法的风机控制多目标优化方法
CN110033118A (zh) * 2019-02-25 2019-07-19 浙江工业大学 弹性网络建模且基于遗传算法的风机多目标优化控制方法
CN110490351A (zh) * 2019-03-27 2019-11-22 浙江工业大学 基于pca-ga-rbf的换热器污垢生长预测方法
CN113065715A (zh) * 2021-04-21 2021-07-02 东南大学 一种综合能源系统多元负荷超短期预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张泽龙;钱勇;刘华兵;: "基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究", 宁夏电力, no. 06, pages 1 - 6 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114354455A (zh) * 2022-01-17 2022-04-15 北京石油化工学院 一种电池浆料粒度分布在线测量的方法
CN114354455B (zh) * 2022-01-17 2023-12-08 北京石油化工学院 一种电池浆料粒度分布在线测量的方法
CN117910170A (zh) * 2024-03-19 2024-04-19 西安慧金科技有限公司 一种工业炉上风道设计方法及系统

Similar Documents

Publication Publication Date Title
CN107730054B (zh) 一种基于支持向量回归的燃气负荷组合预测方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN113705098A (zh) 一种基于pca和ga-bp网络的风道加热器建模方法
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN109818775A (zh) 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法
CN105184415B (zh) 一种配电网络重构设计方法
CN106845012A (zh) 一种基于多目标密度聚类的高炉煤气系统模型隶属度函数确定方法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN115186803A (zh) 一种考虑pue的数据中心算力负荷需求组合预测方法和系统
CN113139596A (zh) 低压台区线损神经网络的优化算法
CN112819225A (zh) 基于bp神经网络和arima模型的碳市场价格预测方法
CN111105077B (zh) 一种基于变异萤火虫算法的含dg配电网重构方法
CN115293400A (zh) 一种电力系统负荷预测方法及系统
CN113971517A (zh) 一种基于ga-lm-bp神经网络的水质评价方法
CN114298377A (zh) 一种基于改进极限学习机的光伏发电预测方法
CN112036651A (zh) 基于量子免疫优化bp神经网络算法的电价预测方法
CN108830292A (zh) 数据分类模型优化方法及分类方法
CN108734349B (zh) 基于改进遗传算法的分布式电源选址定容优化方法及系统
CN110298506A (zh) 一种城市建设水平预测系统
Wang et al. Sustainable investment forecasting of power grids based on the deep restricted Boltzmann machine optimized by the lion algorithm
CN113095477A (zh) 基于de-bp神经网络的风电功率预测方法
Wang Analysis of bank credit risk evaluation model based on BP neural network
CN111563614A (zh) 一种基于自适应神经网络与tlbo算法的负荷预测方法
Xu et al. Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network
CN115689001A (zh) 基于模式匹配的短期负荷预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination