科研之友
微信
新浪微博
Facebook
分享链接
摘要
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0.983 2，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660 MW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。
- 单位
