[發(fā)明專利]基于BP神經(jīng)網(wǎng)絡的有機朗肯循環(huán)輸出功率預測方法

在審

• 申請?zhí)枺?/td>: 201810361923.8
• 申請日: 2018-04-20
• 公開（公告）號: CN108564172A
• 公開（公告）日: 2018-09-21
• 發(fā)明（設計）人: 楊富斌;張紅光;侯孝臣;田亞明
• 申請（專利權）人: 北京工業(yè)大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 北京思海天達知識產(chǎn)權代理有限公司 11203
• 代理人: 張立改

1.一種基于BP神經(jīng)網(wǎng)絡的有機朗肯循環(huán)輸出功率預測方法，其特征在于，包括如下步驟：

(1)有機朗肯循環(huán)運行數(shù)據(jù)的采集

采集有機朗肯循環(huán)系統(tǒng)運行過程中的多組試驗數(shù)據(jù)，每組試驗數(shù)據(jù)包括如下參數(shù)：有機工質(zhì)的體積流量膨脹機轉矩(Tor_exp)、膨脹機入口壓力(p_exp,in)、膨脹機出口壓力(p_exp,out)、膨脹機入口溫度(T_exp,in)、冷凝器出口溫度(T_con,out)、工質(zhì)泵出口壓力(p_p,out)和膨脹機輸出功率將上述多組試驗數(shù)據(jù)隨機分組，分為馴化處理組數(shù)據(jù)和測試組數(shù)據(jù)；

(2)采集數(shù)據(jù)的歸一化處理

由于各參數(shù)的數(shù)量級相差較大，為了加快神經(jīng)網(wǎng)絡的收斂速度，需要對各參數(shù)進行歸一化處理，使其轉化為[0，1]區(qū)間內(nèi)的對應值

式中，X_min為各參數(shù)的最小值，X_max為各參數(shù)的最大值，X為各參數(shù)的采集數(shù)據(jù)，為各參數(shù)歸一化處理后的數(shù)值；

(3)BP神經(jīng)網(wǎng)絡的建立

建立基于BP神經(jīng)網(wǎng)絡的有機朗肯循環(huán)輸出功率的預測模型，該神經(jīng)網(wǎng)絡預測模型包括一個輸入層、一個中間隱含層和一個輸出層；其中，輸入層包含7個神經(jīng)元：有機工質(zhì)的體積流量、膨脹機轉矩、膨脹機入口壓力、膨脹機出口壓力、膨脹機入口溫度、冷凝器出口溫度、工質(zhì)泵出口壓力；輸出層包含一個神經(jīng)元，即有機朗肯循環(huán)的輸出功率；隱含層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin；該神經(jīng)網(wǎng)絡預測模型可以通過調(diào)用MATLAB神經(jīng)網(wǎng)絡工具箱實現(xiàn)；輸入層和輸出層的神經(jīng)元均采用步驟(2)歸一化處理后的數(shù)據(jù)；

(4)神經(jīng)網(wǎng)絡的訓練和測試

設置神經(jīng)網(wǎng)絡最大訓練次數(shù)及訓練目標誤差，將步驟(2)中歸一化處理后的訓練數(shù)據(jù)輸入到步驟(3)所建立的神經(jīng)網(wǎng)絡中進行訓練，待神經(jīng)網(wǎng)絡訓練完成后，將測試數(shù)據(jù)輸入到神經(jīng)網(wǎng)路進行檢驗；其中，訓練目標誤差采用均方誤差進行評價：

式中，Q為輸入層神經(jīng)元訓練組數(shù)，Y(k)為神經(jīng)網(wǎng)絡預測值，t(k)為實際輸出值，使得均方誤差小于訓練目標誤差；

(5)測試數(shù)據(jù)中神經(jīng)網(wǎng)絡輸出數(shù)據(jù)即膨脹機輸出功率的反歸一化處理

按照步驟(4)對神經(jīng)網(wǎng)絡測試完成后，將神經(jīng)網(wǎng)絡輸出數(shù)據(jù)進行反歸一化處理：

式中，Y_min為所有馴化處理組數(shù)據(jù)中膨脹機輸出功率的最小值，Y_max為所有馴化處理組數(shù)據(jù)中膨脹機輸出功率的最大值，為神經(jīng)網(wǎng)絡測試輸出值，Y為反歸一化處理后的測試輸出值。

2.按照權利要求1所述的一種基于BP神經(jīng)網(wǎng)絡的有機朗肯循環(huán)輸出功率預測方法，其特征在于，循環(huán)步驟(1)-(5)，將前一循環(huán)的數(shù)據(jù)重新納入步驟(1)，將經(jīng)過步驟(2)歸一化處理后的7個運行參數(shù)輸入到步驟(4)所建立的神經(jīng)網(wǎng)絡中，得到相應輸出值后再按照步驟(5)進行反歸一化處理，進而得到下一循環(huán)預測的輸出功率。