[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

本發明公開了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，屬于工業大數據分析技術領域，包括以下步驟：步驟1：從水泥企業能源管理數據庫中挑選與電耗相關性最高的變量數據，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，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；步驟4：利用上述步驟完成的模型，實現對水泥生料粉磨系統電耗的實時預測。本申請的預測方法使資源得到合理調度，進而為降低能耗，提高水泥生產效率提供可能性。

技術領域

本發明涉及工業大數據分析技術領域，特別是水泥生料粉磨系統的電耗預測領域，具體涉及一種基于循環高速神經網絡的水泥生料粉磨系統的電耗預測方法。

技術背景

電耗作為工業生產效率的一個重要指標，在水泥生料粉磨系統中也具有重要地位。對其進行精確的預測，能夠使資源得到合理的調度，進而降低能耗，提高水泥生產效率。目前已有較多方法在時序預測問題上有較好作用，但鑒于歷史觀察和過去的外生數據，預測未來序列仍然具有挑戰性。現有方法不能考慮外生變量的不同分量之間的強耦合性，導致單個變量的波動會牽扯到其他所有變量不同程度的變化，從而難以提取變量之間的動態特征，這可能影響預測精度，或者不能模擬外源數據與目標數據之間的相關性。此外，外生數據固有的時延屬性也與目標序列預測有關，這都導致了水泥工業節能這類任務的挑戰性。如何結合水泥數據的特性，對電耗做出精準預測，便成為了一個亟待解決的核心問題。

發明內容

針對上述背景中所描述的問題，本發明提出了一種基于循環高速神經網絡(Recurrent Highway Networks,RHN)的水泥生料粉磨系統電耗預測方法，系統地解決了水泥生料數據中變量間的強耦合以及時延問題，并對未來時刻的電耗值進行精準預測。

為實現上述目的，本發明所采取的技術方案步驟如下所示：

步驟1：數據選擇與預處理。我們使用的數據集來自于國內一家水泥企業能源管理數據庫的時序數據，根據相關性分析選擇7個關鍵因素作為系統變量，采用歸一化進行處理，削弱數值差異過大給模型精度帶來的影響，使值的變化范圍更加集中，提高模型的計算效率。通過標準化操作，將數據分布區間映射為[0,1]，不改變數據之間關聯性的同時，有效地削弱數據差異過大給模型精度造成的影響，同時數據也會呈現正態分布，旨在提高模型的計算速度。

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。

步驟2：電耗預測模型的構建。模型的主體部分由編碼器和解碼器組成，編解碼器的主體部分由RHN構成。在編碼器階段引入卷積神經網絡對數據進行特征提取，隨后對系統變量進行編碼，使系統變量轉化為包含變量間非線性關系的特征碼，再將特征碼與電耗歷史數據同時作為解碼器的輸入，預測得到未來下一時刻的電耗值。模型包括權重、偏置，學習率等初始參數。

在輸入階段，利用卷積網絡提取外生變量中的“空間”信息，實現對外生變量的解耦，攜帶卷積特征的外生變量作為編碼器新的輸入，通過多層RHN學習動態的時間信息。解碼器不同語義層次上對他們的時間依賴性進行建模，從而削弱了某一時段整體時延對其中單個數據可信度的影響，利用另一個多層循環高速神經網絡結構捕捉目標序列的長期依賴，并生成未來預測值。

步驟3：模型訓練。在訓練過程中，我們采用均方誤差作為目標函數，采用監督學習的方式對模型進行迭代訓練,并利用誤差逆傳播算法對模型參數進行調整，提高預測精度。

步驟4：實時預測。利用上述模型，對水泥生料粉磨系統進行實時電耗預測。