一种SSAE+BPNN的变工况飞灰含碳量软测量方法
火电机组变工况运行使数据呈现多模态特征,导致基于浅层网络结构的回归软测量模型的预测精度下降.研究一种改进的BP神经网络(back propagation neural network,BPNN)软测量方法:首先利用堆叠稀疏自编码器(stacked sparse autoencoder,SSAE)强大的深度学习能力提取原始数据特征,然后再利用BPNN对提取特征进行回归分析.经实验验证,SSAE+BPNN软测量方法的均方误差为0.135 8×10-3,平方相关系数为0.9832,其预测精度和泛化能力显著优于BPNN.将其应用于某台灵活调峰的超超临界660MW发电机组飞灰含碳量软测量中,预测结果的平均相对误差为0.91％,总体相对误差控制在±5％以内,具有良好的工程应用价值.
堆叠稀疏自编码器、特征提取、软测量、多工况、飞灰含碳量、深度学习
52
TP391;TN959;TP181
国家重点研发计划2017YFB0902100
2023-04-07（万方平台首次上网日期，不代表论文的发表时间）
共8页
66-73
