(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111470419.X (22)申请日 2021.12.0 3 (71)申请人 华电新疆哈密煤电开发有限公司 地址 839000 新疆维吾尔自治区哈密市伊 州区广东路 建行大厦10楼 申请人 哈尔滨锅炉厂 有限责任公司 (72)发明人 马甜甜　管志伟　夏良伟　于强　 王欢　黄莺　马孝纯　李亚坤　 魏国华　梁宝琦　沈涛　孟晓冬　 杨天昱　孙晶　朱绘娟　姜文婷　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 代理人 牟永林 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/08(2006.01) G06F 113/14(2020.01) G06F 119/08(2020.01) (54)发明名称 基于门控神经网络的电站锅炉水冷壁壁温 在线预测方法 (57)摘要 基于门控神经网络的电站锅炉水冷壁壁温 在线预测方法， 属于电站锅炉设备水冷壁管道温 度测量领域。 本发明解决了利用现有更新模型难 以实现对水冷壁管温度长期实时精准预测的问 题。 本发明方法包括： 采集水冷壁管道温度和温 度相关变量； 对 水冷壁管道温度和温度相关变量 进行预处理， 得到预处理后的数据， 得作为历史 训练数据集； 建立门控神经网络模型， 利用 历史 训练数据对门控神经网络模型进行离线训练； 对 离线训练好的门控神经网络模型进行模型参数 在线更新， 得到在线更新参数的门控神经网络模 型； 将实时采集的水冷壁管道温度相关变量输入 至在线更新后的门控神经网络模 型， 输出得到预 测的水冷壁管道温度。 本发明用于锅炉水冷壁管 道温度预测。 权利要求书2页 说明书6页 附图4页 CN 114117934 A 2022.03.01 CN 114117934 A 1.基于门控神经网络的电站锅炉水冷壁壁温在线预测方法， 其特征在于， 包括以下步 骤： 步骤一、 利用 传感器等间隔采集水冷壁管道温度和水冷壁管道温度相关变量， 所述水 冷壁管道温度相关变量包括锅炉给 水阀入口压力、 侧二次风温和再 热器温度； 步骤二、 对水冷壁管道温度和水冷壁管道温度相关变量进行数据预处理， 得到预处理 后的数据， 作为历史训练数据集， 其中输入训练数据为水冷壁管道温度相关变量， 输出训练 数据为水冷壁管道温度； 步骤三、 建立门控神经网络模型， 利用历史训练数据对门控神经网络模型进行离线训 练， 得到离线训练好的门控神经网络模型； 步骤四、 对离线训练好的门控神经网络模型进行模型参数在线更新， 得到在线更新参 数的门控神经网络模型， 具体过程包括： 在历史训练数据集中找出与实时采集的水冷壁管道温度相关变量相关度高的训练数 据， 所述训练数据包括水冷壁管道相关变量和水冷壁管道温度， 利用找出 的训练数据对门 控神经网络模型进行参数的在线更新， 得到在线更新后的门控神经网络模型； 步骤五、 将 实时采集的水冷壁管道温度相关变量输入至在线更新后的门控神经网络模 型， 输出得到预测的水冷壁管道温度， 并将所述实时采集的水冷壁管道温度相关变量和预 测的水冷壁管道温度经 预处理后存入历史训练数据集中。 2.根据权利要求1所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法， 其特 征在于， 所述水冷壁管道温度相关变量包括锅炉给水阀入口压力、 侧 二次风温和再热器温 度。 3.根据权利要求1所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法， 其特 征在于， 所述对水冷壁管道温度和水冷壁管道温度相关变量进行数据预处理， 得到预处理 后的数据， 作为历史训练数据集， 具体过程包括： 步骤二一、 剔除在某一时刻 传感器收集的含有缺失或损坏数据的所有数据； 步骤二二、 对剔除数据后的水冷壁管道温度和水冷壁管道温度相关变量进行归一化处 理； 步骤二三、 设置时间步长， 将归一化后的水冷壁管道温度相关变量和水冷壁管道温度 按照设置的时间步长进行滑窗分割， 得到 长度相同的数据， 作为历史训练数据集。 4.根据权利要求3所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法， 其特 征在于， 所述步骤二二对剔除数据后的水冷壁管道温度和水冷壁管道温度相关变量进 行归 一化处理， 具体过程 为： 其中x*代表归一化后的样本数据， xmin代表样本数据中最小值， xmax表示样本数据 中的 最大值。 5.根据权利要求4所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法， 其特 征在于， 步骤二三中滑 窗的宽度为水冷壁管道温度相关变量的个数， 所述滑 窗的长度为时 间步长。 6.根据权利要求5所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法， 其特权　利　要　求　书 1/2 页 2 CN 114117934 A 2征在于， 步骤三中门控神经网络的前向传递网络表示 为： rt＝σ(Wr·[ht‑1,xt]) zt＝σ(Wz·[ht‑1,xt]) y＝σ(Wy·h+b) 其中， rt表示重置门； zt表示更新门； Wr表示重置门的共享权值； σ和tanh表示非线性激 活函数； ht‑1表示t‑1时刻的隐藏态； xt表示t时刻的输入值； 表示t时刻隐藏态的备选值； 表示备选状态更新的共享权值； y表示预测温度值； Wy表示预测全连接层的共享权值； b表 示预测全连接层的偏置值。 7.根据权利要求6所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法， 其特 征在于， 所述前向传递网络的损失函数表示 为： 其中， Loss表示预测值与真实值 之间的损失值； m表示一个样本中采样时间点的个 数； yi 表示第i个真实值； 表示第i个预测值。 8.根据权利要求7所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法， 其特 征在于， 在对门控神经网络模型训练时， 需要对门控神经网络模型进行权 重更新： 其中， vt表示t时刻的速度； vt‑1表示t‑1时刻的速度； 表示所有样本的平均梯度； ρ1 表示一阶矩估计的指数衰减率； rt表示t时刻累计平方梯度； ρ2表示二阶矩估计的指数衰减 率； 表示经过偏差修正后的累计平方梯度； xt表示t时刻的网络参数； ε表示非零参数； rt‑1 表示t‑1时刻累计平方梯度； 表示一阶矩估计在t时刻修正的指数衰减率； 表示二阶矩 估计在t时刻修正的指数衰减率； 表示经过偏差修正后的t时刻累计平方梯度； xt表示t时 刻的网络参数； xt‑1表示t‑1时刻的网络参数； ε表示非零 参数； η表示梯度更新 步长。权　利　要　求　书 2/2 页 3 CN 114117934 A 3