[發明專利]一種基于小波變換的ARMA?RBF副產煤氣發生量組合預測方法

在審

• 申請號: 201710609626.6
• 申請日: 2017-07-25
• 公開（公告）號: CN107545321A
• 公開（公告）日: 2018-01-05
• 發明（設計）人: 郝勇生;閆雷;王培紅
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/18;G06K9/62;G06N3/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙)32204
• 代理人: 王安琪

技術領域

本發明涉及信息技術及數學建模領域，尤其是一種基于小波變換的ARMA-RBF(自回歸滑動平均模型ARMA模型和徑向基神經網絡模型RBF模型)副產煤氣發生量組合預測方法。

背景技術

鋼鐵企業的副產煤氣主要包括焦爐煤氣、高爐煤氣和轉爐煤氣，是鋼鐵企業中重要的二次能源，約占企業能源消耗總量的30％。在確保煤氣系統安全穩定供給的前提下，如何保證煤氣管網的供用平衡，避免出現煤氣過剩而放散以及煤氣供氣不足而需要補充其他能源的異常現象，對優化利用鋼鐵聯合企業的煤氣資源、降低噸鋼能耗都有十分重要的現實意義。

鋼鐵企業煤氣系統結構復雜、涉及到的設備繁多，尤其是高爐、轉爐等煤氣發生設備，普遍具有大范圍、非線性的特點，且煤氣發生量的影響因素較多，采用機理建模等常規方法難以進行較為準確地預測。

針對上述問題，中國發明專利CN 103559543 B提出了一種基于BP神經網絡的高爐煤氣發生量的預測方法及裝置，該方法的輸入變量包括高爐爐況信息、強化冶煉信息等，但其中的燃料比、燒結百分比、焦比等變量難以在線獲取，導致該方法難以實現對高爐煤氣發生量的在線預測；中國發明專利申請CN 103530705 A提出了一種鋼鐵企業煤氣預測方法，該方法通過對預處理后的煤氣產耗數據建立回歸AR、神經網絡或遺傳算法等預測模型，實現了煤氣量的預測，但該方法并未明確指出預測模型的選擇方法，現有研究表明，不同設備的煤氣產耗特性差異較大，且影響煤氣產耗量的因素繁多，針對煤氣量數據序列中的趨勢部分和隨機波動部分，應該采用不同的預測建模方法，故而該方法在實際應用中難以取得較好地效果。

發明內容

本發明所要解決的技術問題在于，提供一種基于小波變換的ARMA-RBF副產煤氣發生量組合預測方法，針對副產煤氣發生量時間序列的非線性、時變性等復雜特性，采用小波變換對副產煤氣發生量時間序列進行預處理解析，在此基礎上，通過ARMA-RBF組合預測模型實現副產煤氣發生量的超短期預測。

為解決上述技術問題，本發明提供一種基于小波變換的ARMA-RBF副產煤氣發生量組合預測方法，包括如下步驟：

(1)選擇合適的小波基和分解層數對采集的副產煤氣發生量序列數據進行小波分解；

(2)對上述小波分解得到的各分解序列數據進行重構；

(3)對上述重構后的分解序列分別選用自回歸滑動平均模型ARMA模型和徑向基神經網絡模型RBF神經網絡模型進行建模并預測；

(4)將上述各分解序列的預測值相加得到副產煤氣發生量序列的超短期預測值。

優選的，步驟(1)中，采用DBN小波對副產煤氣發生量的歷史數據序列進行分解，分別選取DB1、DB2、…、DB8小波對上述序列進行處理，從中選擇均方根誤差最小的小波基。

優選的，步驟(1)中，分解層數的確定方法為：分別選取一層至四層的分解層數對副產煤氣發生量的原始數據序列進行處理，從中選擇均方根誤差最小的分解層數。

優選的，步驟(3)中針對不同的重構后的分解序列選擇預測模型的方法為：對于高頻分解序列{x_t}，采用ARMA模型建模；對于低頻分解序列{y_t}，采用RBF神經網絡模型建模。

優選的，高頻分解序列{x_t}的ARMA模型建模具體包括如下步驟：

(1)差分處理；對{x_t}進行d階差分，保證序列是平穩的時間序列，得到平穩后的時間序列{x_t′}；

(2)模型識別；通過計算樣本的自相關和偏自相關函數判斷數據序列的模型類型，得到平穩后的副產煤氣發生量時間序列{x_t′}適用于ARMA模型來描述；

式中：p、q、a_j、b_k為ARMA模型參數；e_t為白噪聲；

(3)模型定階；使用信息定階(AIC)準則來確定ARMA模型中的p、q值；

(4)參數估計，使用矩估計法分別對參數a_j、b_k進行估計，得到ARMA模型。

優選的，低頻分解序列{y_t}的RBF神經網絡模型建模具體包括如下步驟：

(1)關聯度分析；采用灰色關聯度分析方法確定副產煤氣發生量的主要影響因素；