一种SSAE+BPNN的变工况飞灰含碳量软测量方法A soft measurement method of carbon content in fly ash under variable operating conditions of SSAE+BPNN
刘鑫屏,李波,邓拓宇
摘要(Abstract)：
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。
关键词(KeyWords)： 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
基金项目(Foundation):
作者(Author): 刘鑫屏,李波,邓拓宇
DOI: 10.19666/j.rlfd.202205097