时空融合深度神经网络的锅炉再热器温度偏差预测方法

技术特征：
1.一种基于时空融合深度神经网络的锅炉再热器温度偏差预测方法，其特征在于：方法包括以下步骤：步骤1，通过传感器采集锅炉再热器的过程变量及过程变量对应的锅炉再热器温度，所述过程变量包括风门挡板位置变量、锅炉煤状态变量、水状态变量和风粉风速变量，对过程变量进行归一化处理，归一化处理后的过程变量及过程变量对应的锅炉再热器温度组成训练集；步骤2，结合训练集对时空融合深度神经网络cnn-gru-attention进行训练，确定网络参数；步骤3，采集实际工业生产过程中的过程变量，利用时空融合深度神经网络cnn-gru-attention预测锅炉再热器的温度偏差预测值。2.根据权利要求1所述的一种基于时空融合深度神经网络的锅炉再热器温度偏差预测方法，其特征在于：所述归一化处理具体根据以下公式确定：其中，x是过程变量，μ是过程变量的均值，σ是过程变量的方差，表示归一化过程变量。3.根据权利要求1所述的一种基于时空融合深度神经网络的锅炉再热器温度偏差预测方法，其特征在于：所述时空融合深度神经网络cnn-gru-attention主要由轻量型网络模块mobilenet v2、注意力模块attention、循环模块gru和回归模块组成；所述轻量型网络模块mobilenet v2与注意力模块attention串联连接后同时与循环模块gru连接到回归模块。4.根据权利要求3所述的一种基于时空融合深度神经网络的锅炉再热器温度偏差预测方法，其特征在于：所述轻量型网络模块mobilenet v2主要由扩张卷积层expansion layer、深度卷积层depthwise convolution和投影卷积层projection layer依次串联组成；所述扩张卷积层expansion layer、深度卷积层depthwise convolution和投影卷积层projection layer依次对输入轻量型网络模块mobilenet v2的归一化过程变量进行升维处理、特征提取和降维处理后获得初始特征。5.根据权利要求3所述的一种基于时空融合深度神经网络的锅炉再热器温度偏差预测方法，其特征在于：所述注意力模块attention主要由全局平均池化层、全局最大池化层和注意力分数层组成，所述全局平均池化层和全局最大池化层并联后同时连接到注意力分数层；由轻量型网络模块mobilenet v2输出的初始特征经注意力模块attention处理后得到空间向量所述空间向量具体根据以下公式确定：式中，表示注意力模块中第k个网络输出通道输出的第l个网络层的空间向量；c
i
表示轻量型网络模块mobilenet v2中第i层卷积块输出的初始特征；max()表示最大值操作；
ω表示池化层中滑动窗口的窗口长度；n表示过程变量的数量。6.根据权利要求5所述的一种基于时空融合深度神经网络的锅炉再热器温度偏差预测方法，其特征在于：所述循环模块gru主要由滑动窗口器和循环层组成，且滑动窗口器的窗口大小设置为k；将归一化过程变量保存到滑动窗口器中，滑动窗口保存(t-k,t)时间段内的过程变量的时序信息，其中，t表示时刻；所述循环模块gru对输入的归一化过程变量的时序信息进行处理，获得隐藏状态h，所述隐藏状态h具体根据以下公式确定：式中，h
t
表示第t时刻的归一化过程变量的隐藏状态；h
t-1
表示第t-1时刻的归一化过程变量的隐藏状态；表示第t个样本的候选隐藏状态；
·
表示矩阵的乘积；z
t
表示更新门；其中，所述更新门z
t
具体根据以下公式确定：z
t
＝σ(w
z
·
[h
t-1
,x
t
] b
z
)式中，σ()表示激活函数sigmoid；w
z
表示更新门权值矩阵；x
t
表示时间序列中第t时刻的归一化过程变量；b
z
表示更新门偏置参数；[]表示向量合并操作；其中，所述第t个样本的候选隐藏状态具体根据以下公式确定：式中，tanh()表示双曲切线激活函数；w
h
表示候选隐藏状态的权值矩阵；r
t
表示重置门；b
h
表示候选隐藏状态偏置参数；其中，所述重置门r
t
具体根据以下公式确定：r
t
＝σ(w
r
·
[h
t-1
,x
t
] b
r
)式中，w
r
表示重置门权值矩阵；b
r
表示重置门偏置参数。7.根据权利要求6所述的一种基于时空融合深度神经网络的锅炉再热器温度偏差预测方法，其特征在于：所述回归模块主要由特征融合层和全连接层依次连接组成；结合循环模块gru输出的第t时刻的归一化过程变量的隐藏状态h
t
和注意力模块attention输出的空间向量利用回归模块的特征融合层确定融合特征s，所述融合特征s具体根据以下公式确定：式中，s表示融合特征；h
x
表示空间特征的权重矩阵；h
μ
表示时间特征的权重矩阵；b
d
表示融合特征的偏置参数；所述融合特征s经回归模块的全连接层回归处理后获得温度偏差预测值，所述温度偏差预测值具体根据以下公式确定：式中，表示第t时刻的归一化过程变量对应的温度偏差预测值。

技术总结
本发明公开了一种基于时空融合深度神经网络的锅炉再热器温度偏差预测方法。方法包括将传感器采集到的锅炉再热器的过程变量进行归一化处理后，输入到时空融合深度神经网络进行处理进而预测锅炉再热器温度；时空融合深度神经网络主要由用于处理过程变量的空间信息的轻量型网络模块和注意力模块、用于处理过程变量的时序信息的循环模块以及回归模块组成，且轻量型网络模块与注意力模块串联连接后同时与循环模块进行特征融合获得具有时空信息的特征图，将特征图连接到回归模块，进而获取温度偏差预测值。本发明提供了可靠有效的技术支持，具备准确率高、计算成本低，实时预测等特点。点。点。


技术研发人员：曾九孙 武晨雨 蔡晋辉 姚燕
受保护的技术使用者：中国计量大学
技术研发日：2022.10.19
技术公布日：2023/2/6