一種基于集成模型的燒結(jié)能耗預(yù)測方法技術(shù)

本發(fā)明專利技術(shù)涉及一種基于集成模型的燒結(jié)能耗預(yù)測方法，該方法包括以下步驟：1)基于RReliefF的特征選擇算法進(jìn)行模型特征選擇；2)根據(jù)所選模型特征的歷史數(shù)據(jù)，建立改進(jìn)極限學(xué)習(xí)機(jī)智能預(yù)測模型和回歸型支持向量機(jī)智能預(yù)測模型；3)對(duì)多個(gè)單一智能預(yù)測模型進(jìn)行加權(quán)集成，獲得集成后的燒結(jié)能耗預(yù)測值。與現(xiàn)有技術(shù)相比，本發(fā)明專利技術(shù)基于信息熵的集成預(yù)測模型具有良好的預(yù)測精度和泛化能力，同時(shí)具有較高時(shí)間效率，在實(shí)際生產(chǎn)具有應(yīng)用推廣價(jià)值。

【技術(shù)實(shí)現(xiàn)步驟摘要】

本專利技術(shù)設(shè)及鋼鐵企業(yè)燒結(jié)過程能耗預(yù)測領(lǐng)域，尤其是設(shè)及一種基于集成模型的燒 結(jié)能耗預(yù)測方法。
技術(shù)介紹
燒結(jié)是鋼鐵企業(yè)中耗能最大的工序之一，雖然近年來國內(nèi)重點(diǎn)鋼鐵企業(yè)燒結(jié)工序 能耗逐年降低，但其與國外先進(jìn)值還有較大差距，并且國內(nèi)各鋼鐵企業(yè)之間能耗水平差異 明顯，故研究燒結(jié)工序節(jié)能降耗意義重大。在W降低能耗和成本為導(dǎo)向的燒結(jié)配料優(yōu)化和 工藝參數(shù)優(yōu)化研究中，燒結(jié)能耗預(yù)測是其中的關(guān)鍵問題之一。燒結(jié)工序能耗主要包括電力 消耗和非電力消耗，其中非電力能耗包括固體燃料消耗、點(diǎn)火煤氣消耗兩大類，占到總能耗 的80%~90%，是研究燒結(jié)降耗的主要方向。目前，國內(nèi)外現(xiàn)存的燒結(jié)能耗預(yù)測方法都存 在一定缺陷；輸入?yún)?shù)難W確定，建模方法精度不足等，都影響著燒結(jié)能耗預(yù)測的精度和時(shí) 效。燒結(jié)能耗預(yù)測的難點(diǎn)在于；1)特征難W確定。能耗的影響因素錯(cuò)綜復(fù)雜，難W簡單通過 機(jī)理和經(jīng)驗(yàn)確定，需要從眾多因素中擇取有用信息，剔除冗余變量，獲得更精準(zhǔn)的模型輸入 參數(shù)。2)單一方法精度不足。實(shí)際生產(chǎn)中能耗數(shù)據(jù)波動(dòng)較大，在其內(nèi)在機(jī)理不能完全闡明 的情況下，單一預(yù)測方法很難獲得較好的預(yù)測精度，需要進(jìn)行多種方法和技術(shù)的集成研究。 通過對(duì)現(xiàn)有技術(shù)的檢索發(fā)現(xiàn)，針對(duì)燒結(jié)領(lǐng)域能耗預(yù)測而提出的方法很少，針對(duì)其 他領(lǐng)域類似問題所提出的方法可W借鑒。中國專利"一種能源消耗預(yù)測方法及裝置"（授權(quán) 號(hào)；CN103544544A)中，楊海東等人針對(duì)企業(yè)電力需求預(yù)報(bào)提出了一種基于SVR的能耗預(yù)測 方法。該方法利用歷史能耗數(shù)據(jù)構(gòu)建訓(xùn)練樣本集，其中的能耗數(shù)據(jù)按時(shí)間序列排列，通過選 擇最佳的輸入階數(shù)獲得最佳的預(yù)測模型，經(jīng)對(duì)比驗(yàn)證該方法能夠較好地預(yù)測未來電力需求 值。然而，從驗(yàn)證結(jié)果看該單一預(yù)測模型的精度仍有待提高。中國專利"一種基于Bagging 的漿紗過程上漿率軟測量方法"（授權(quán)號(hào)；CN103018426A)中，田慧欣將bagging集成技術(shù) 用于上漿率的預(yù)測中，提出了基于SVR的集成預(yù)測模型，進(jìn)一步提高了單一SVR的預(yù)測準(zhǔn)確 度。不過，該專利技術(shù)在確定模型輸入?yún)?shù)時(shí)，僅采用機(jī)理分析和經(jīng)驗(yàn)判斷的方法。對(duì)于鋼鐵企 業(yè)燒結(jié)過程，其中影響能耗變化的因素復(fù)雜多樣，難W通過機(jī)理分析確定影響能耗的顯著 特征，而僅憑經(jīng)驗(yàn)判斷缺乏理論依據(jù)，因而需要更為客觀有效的參數(shù)選擇方法。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種預(yù)測結(jié)果精確、 時(shí)間效率高的基于集成模型的燒結(jié)能耗預(yù)測方法。 本專利技術(shù)的目的可W通過W下技術(shù)方案來實(shí)現(xiàn)： -種基于集成模型的燒結(jié)能耗預(yù)測方法，該方法包括W下步驟： 1)基于RRelie巧的特征選擇算法進(jìn)行模型特征選擇； 2)根據(jù)所選模型特征的歷史數(shù)據(jù)，建立改進(jìn)極限學(xué)習(xí)機(jī)智能預(yù)測模型和回歸型支 持向量機(jī)智能預(yù)測模型； 3)對(duì)多個(gè)單一智能預(yù)測模型進(jìn)行加權(quán)集成，獲得集成后的燒結(jié)能耗預(yù)測值。 RRelie巧算法則用于處理目標(biāo)屬性為連續(xù)值的回歸問題，假設(shè)樣本空間S的規(guī)模 為m，隨機(jī)選擇一個(gè)樣本Di(i= 1，2,. . .，m)，并計(jì)算出其最近的k。。。,個(gè)近鄰樣本Sk，同時(shí)， 假設(shè)樣本的預(yù)測值為T(?)。根據(jù)貝葉斯定理，特征屬性A的權(quán)重可由下式得到：[001引該里PdiffA= (diff(A，D^Dj.)iDj.GSk)是樣本Di與其knear個(gè)近鄰樣本之間特征屬 性A差異的概率；PdiffT= (diff(T|DjGSk)是Di與其k。。。,個(gè)近鄰樣本之間預(yù) 測指標(biāo)值T(?)差異的概率；P"ffT帖fA= (diff(T(.)，D^Dj') |diff(A，Di，Dj')，Dj'GSk)表 示在已知Di與其k。。。,個(gè)近鄰樣本之間特征屬性A差異的情況下其預(yù)測指標(biāo)值T(?)差異 的條件概率；P化化fA=(diff(T( ? )，D。Dj) ?diff(A，D。Dj)|DjGSk)表示Di與其k"ear 個(gè)近鄰樣本之間特征屬性A差異和其預(yù)測指標(biāo)值T(?)差異的概率。該里， 其中value(A,Di)、value(A,Dj)是樣本Di、Dj中特征屬性A的值;max(A)和min(A) 是Di和它k。。。,個(gè)近鄰樣本中屬性A的最大和最小值。diff(T( ? )，Di，Dp與之同理。 所述步驟1)具體為： SteplOl;參數(shù)初始化，令i= 1，j= 1 ; Stepl02 ;在規(guī)模為m的樣本空間S中選擇樣本町，從剩余的m-1個(gè)樣本中選出離 該樣本Di距離最近的k。。"個(gè)樣本，組成近鄰樣本集Sk;St巧103 ;從Sk中選擇樣本DJ，迭代計(jì)算不同預(yù)測值下的權(quán)重NdiffT;[001 引NdiffT=N"ffT+diff(T( ? )，Di，Dj')/lw 其中，T( ?)為樣本的預(yù)測值； St巧104;對(duì)每個(gè)特征屬性A，迭代計(jì)算不同特征屬性的權(quán)重NduaW及不同預(yù)測值 與不同特征屬性的權(quán)重NdiffTMiffA:[002引 N"f曲-N"ffA+diff(A,D。Dj)/knear[002引 N"ffT&diffA-NdiffTMiffA+diff(T( ? ) ,D。Dj') ?diff(A,D。Dj')/knear St巧105 ;令i=i+1，j=j+1，判斷j是否滿足j《knear，若是，則返回St巧103， 若否，則執(zhí)行Steploe;St巧106 ;判斷i是否滿足i《m，若是，貝ij返回St巧101，若否，則執(zhí)行St巧107 ; St巧107 ;對(duì)于每個(gè)屬性A，計(jì)算每個(gè)特征屬性的最終權(quán)重估計(jì)； W -N"ffTT- (N"ffT_N"ffT&diffA) / (m-NdiffT) 最后根據(jù)權(quán)重選擇模型的特征屬性。 所述改進(jìn)極限學(xué)習(xí)機(jī)智能預(yù)測模型的建立過程為： Stepal;確定子學(xué)習(xí)機(jī)的個(gè)數(shù)M;[003。Stepa2;用Bootstrap方法從訓(xùn)練數(shù)據(jù)集B中有放回抽樣，得到每個(gè)子學(xué)習(xí)機(jī)的訓(xùn) 練數(shù)據(jù)集Bk，k= 1，…，M，且Bk與B規(guī)模相同，都為N;[00礎(chǔ)Stepa3 ;依次用Bk訓(xùn)練相應(yīng)的子學(xué)習(xí)機(jī)，得到M個(gè)訓(xùn)練結(jié)果，并分別用統(tǒng)一的測試 數(shù)據(jù)集C檢驗(yàn)預(yù)測精度； Stepa4;用平均法對(duì)所有子學(xué)習(xí)機(jī)訓(xùn)練結(jié)果進(jìn)行集成，得到最終結(jié)果，并驗(yàn)證模型 精度。 所述回歸型支持向量機(jī)智能預(yù)測模型的建立過程為：Stepbl;對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理： 其中，Qp為各因素的第P個(gè)值，P= 1，…，N，Qm"、Qmi。分別為各因素中的最大值和 最小值，a、d為參數(shù)，d= (1-a) /2 ; Stepb2 ;采用RBF核函數(shù)，確定SVR模型的參數(shù)并訓(xùn)練網(wǎng)絡(luò)； Stepb3 ;用測試數(shù)據(jù)集C測試網(wǎng)絡(luò)的精度，得到網(wǎng)絡(luò)預(yù)測輸出值，然后進(jìn)行反歸一 化： 其中，式為第q個(gè)測試樣本的網(wǎng)絡(luò)輸出值，L為測試數(shù)據(jù)集樣本個(gè)數(shù)，欠為第q個(gè) 測試樣本反歸一化后的預(yù)測值，q= 1，2, . . .，L; Stepb4 ;對(duì)SVR模型進(jìn)行性能評(píng)價(jià)。 所述步驟3)中，采用信息滴對(duì)多個(gè)單一智能預(yù)測模型進(jìn)行加權(quán)集成，具體為： Step301 ;計(jì)算各智能預(yù)測模型所獲得的預(yù)測結(jié)果的變異程度：[004引其中，e。。、5V表示第U個(gè)模型第q個(gè)樣本的相對(duì)誤差值和預(yù)測輸出值，y。表示第q個(gè)樣本期望輸出，q= 1，2, . . .，LL為測試數(shù)據(jù)集樣本個(gè)數(shù)，U= 1，2,分別代表改本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于集成模型的燒結(jié)能耗預(yù)測方法，其特征在于，該方法包括以下步驟：1)基于RReliefF的特征選擇算法進(jìn)行模型特征選擇；2)根據(jù)所選模型特征的歷史數(shù)據(jù)，建立改進(jìn)極限學(xué)習(xí)機(jī)智能預(yù)測模型和回歸型支持向量機(jī)智能預(yù)測模型；3)對(duì)多個(gè)單一智能預(yù)測模型進(jìn)行加權(quán)集成，獲得集成后的燒結(jié)能耗預(yù)測值。

【技術(shù)特征摘要】

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：喬非，馬玉敏，王俊凱，盧凱璐，李國臣，
申請(qǐng)(專利權(quán))人：同濟(jì)大學(xué)，
類型：發(fā)明
國別省市：上海;31