[發明專利]基于循環高速神經網絡的水泥生料粉磨系統電耗預測方法

在審

• 申請號: 202210717541.0
• 申請日: 2022-06-23
• 公開（公告）號: CN114862060A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 劉剛;董嘯林;郝曉辰
• 申請（專利權）人: 燕山大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/04;G06Q50/06;G06F16/25;G06N3/04;G06N3/08
• 代理公司: 石家莊眾志華清知識產權事務所(特殊普通合伙) 13123
• 代理人: 王忠良

1.一種基于循環高速神經網絡的水泥生料粉磨系統電耗預測方法，其特征在于包括以下步驟：

步驟1：根據水泥廠現實生產要求和應用范圍，通過相關性分析篩選一定數量的相關變量，確定輸入數據維度，從水泥企業能源管理數據庫中挑選輸入變量數據，清理異常值后進行歸一化標準化處理，排列得到完整的時間序列；

步驟2：建立以循環高速神經網絡為基礎的電耗預測模型，目標是利用變量數據和電耗值得歷史值預測下一時刻的電耗值；

步驟3：采用監督學習的方法進行模型訓練，并利用誤差逆傳播算法對模型中編碼器解碼器的參數進行調整優化，對模型的預測精度做進一步的提高；

步驟4：至此完成對循環高速神經網絡模型的訓練，并利用其對水泥生料粉磨系統電耗的實時預測。

2.根據權利要求1所述的一種基于循環高速神經網絡的水泥生料粉磨系統電耗預測方法，其特征在于：步驟1中與電耗相關性最高的輸入變量具體選擇為立磨內外壓差x¹,渣帶電流x²，立磨主機電流x³，反渣斗電流x⁴，儲存鏟斗提電流x⁵，選粉機轉速反饋x⁶，喂料量反饋x⁷。

3.根據權利要求2所述的一種基于循環高速神經網絡的水泥生料粉磨系統電耗預測方法，其特征在于：步驟1的訓練步長取為T-1，那么通過前T-1時刻的變量數據以及電耗真實值得到T時刻的電耗預測值：

構建時間序列輸入層，得到編碼器解碼器的輸入矩陣X和Y：

4.根據權利要求1所述的一種基于循環高速神經網絡的水泥生料粉磨系統電耗預測方法，其特征在于：步驟2中模型的兩個主體部分由編碼器和解碼器構成，每一部分都包含一個多層循環高速神經網絡，編碼器的初始部分連接一個卷積神經網絡，負責提取輸入變量數據的特征信息，其卷積池化過程如下表示：

卷積層和池化層的尺寸分別為1×v和1×p，δ為ReLU激活函數，經過卷積和池化操作后，將輸出通過一個全連接層，得到了攜帶特征信息的局部變量，能夠很好的體現每個時間步不同組件之間的相互關系，編碼器部分的RHN接收并分析來自CNN的輸入數據的時間動態，捕捉不同層級的時間特性，其非線性變換，轉換門以及進位門更新如下：

上述公式中，W_H，W_R，W_C，是需要學習的權重和參數，是偏置，單元狀態的更新方式如下：

是當前時刻第d層的輸出，是對應層的上一時刻的輸出，對同一時間的所有RHN層的輸出進行串聯，得到此刻的上下文向量e：

結合電耗歷史觀測值，得到編碼器的最終輸出

其中和分別是要學習的權重和偏差項，至此編碼器的運算部分結束，開始解碼器部分；

作為解碼器RHN的輸入，假設解碼器RHN為d層，則解碼器中非線性變換，轉換門以及進位門更新如下：

上述公式中，是需要學習的權重和參數，是偏置，單元狀態的更新方式如下：

根據解碼器的最終輸出經過一個全連接層我們可以獲得T時刻的電耗預測值

5.根據權利要求1所述的一種基于循環高速神經網絡的水泥生料粉磨系統電耗預測方法，其特征在于：步驟3采用均方誤差作為目標函數：

先將數據提供給輸入層神經元，然后逐層將信號前傳，直到產生輸出層的結果，然后計算輸出層的誤差，再將誤差逆向傳播至隱含層神經元，最后根據隱含層神經元的誤差對連接權重和閾值進行調整，該迭代過程循環進行，直到達到設定的停止條件為止。

6.根據權利要求5所述的一種基于循環高速神經網絡的水泥生料粉磨系統電耗預測方法，其特征在于：停止條件為訓練誤差達到很小的值。

7.根據權利要求1所述的一種基于循環高速神經網絡的水泥生料粉磨系統電耗預測方法，其特征在于：模型的最終輸出結果即為利用歷史電耗數據以及相關變量，精準預測的未來時刻電耗值。