一种基于PCA和GA-BP网络的风道加热器建模方法技术

一种基于PCA和GA

【技术实现步骤摘要】
Analysis，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；
[0011]步骤3，基于BP神经网络构建风道加热器能耗模型；
[0012]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；
[0013]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。
[0014]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。
[0015]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。
[0016]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：
[0017]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；
[0018]步骤2.2，对运行数据集去本文档来自技高网...

【技术保护点】

【技术特征摘要】
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CC
i
，其中k<5：式中，i＝1,2,3,4,5；步骤2.6，选择满足累计贡献率CC
i
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...

【专利技术属性】
技术研发人员：陈宇沁，杨世海，陈铭明，孔月萍，方凯杰，刘恬畅，黄艺璇，李波，
申请(专利权)人：国网江苏省电力有限公司国家电网有限公司，
类型：发明
国别省市：