[發(fā)明專利]基于注意力深度神經(jīng)網(wǎng)絡(luò)的流程工業(yè)能耗多目標(biāo)優(yōu)化方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310137422.2
• 申請(qǐng)日: 2023-02-20
• 公開（公告）號(hào): CN116107279A
• 公開（公告）日: 2023-05-12
• 發(fā)明（設(shè)計(jì)）人: 李曉潔;謝貽富;高學(xué)貴;沈亞;邱峰;劉勝軍;范武松
• 申請(qǐng)（專利權(quán)）人: 合肥城市云數(shù)據(jù)中心股份有限公司
• 主分類號(hào): G05B19/418
• 分類號(hào): G05B19/418
• 代理公司: 合肥國(guó)和專利代理事務(wù)所(普通合伙) 34131
• 代理人: 張祥騫

本發(fā)明涉及一種基于注意力深度神經(jīng)網(wǎng)絡(luò)的流程工業(yè)能耗多目標(biāo)優(yōu)化方法，包括：獲得流程工業(yè)數(shù)據(jù)集，構(gòu)建基于注意力深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，使用流程工業(yè)數(shù)據(jù)集進(jìn)行訓(xùn)練，得到電力消耗模型E、水能消耗模型W、燃?xì)庀哪Ｐ虶和產(chǎn)品質(zhì)量模型Q，將電力消耗模型E、水能消耗模型W和燃?xì)庀哪Ｐ虶線性組合得到能耗預(yù)測(cè)模型EC；采用多目標(biāo)優(yōu)化算法對(duì)能耗預(yù)測(cè)模型EC和產(chǎn)品質(zhì)量模型Q進(jìn)行優(yōu)化，得到優(yōu)化結(jié)果。本發(fā)明利用多目標(biāo)優(yōu)化算法對(duì)能耗組合及能耗指標(biāo)進(jìn)行優(yōu)化，在不降低質(zhì)量的同時(shí)實(shí)現(xiàn)降低企業(yè)的綜合能耗成本；多目標(biāo)優(yōu)化能通過(guò)綜合尋優(yōu)的方式緩解目標(biāo)函數(shù)之間的沖突，得出更多可選方案，根據(jù)決策得到的均衡解反映用戶需求。

技術(shù)領(lǐng)域

本發(fā)明涉及流程工業(yè)生產(chǎn)能耗優(yōu)化技術(shù)領(lǐng)域，尤其是一種基于注意力深度神經(jīng)網(wǎng)絡(luò)的流程工業(yè)能耗多目標(biāo)優(yōu)化方法。

背景技術(shù)

流程工業(yè)的生產(chǎn)過(guò)程有著不中斷、連續(xù)性的典型特征，又被稱之為連續(xù)型工業(yè)，流程工業(yè)的生產(chǎn)過(guò)程可視為一個(gè)多參量的函數(shù)。自變量是原材料、能源等生產(chǎn)要素，因變量是產(chǎn)品質(zhì)量等輸出結(jié)果。流程工業(yè)的代表行業(yè)有石油、化工、焦化、鋼鐵、水泥、玻璃等行業(yè)。中國(guó)在這些領(lǐng)域的年產(chǎn)值均占有近似全球一半的比重，其中能源就是主要的工業(yè)生產(chǎn)要素，是流程工業(yè)企業(yè)的主要生產(chǎn)成本項(xiàng)。故而研究工業(yè)生產(chǎn)過(guò)程中能源的消耗預(yù)測(cè)、能耗的優(yōu)化問(wèn)題非常重要，不僅可以幫助企業(yè)降本增效，也可以優(yōu)化全社會(huì)的能源要素配置。

工業(yè)的生產(chǎn)線冗長(zhǎng)、生產(chǎn)過(guò)程是個(gè)復(fù)雜的系統(tǒng)工程。現(xiàn)有的能耗預(yù)測(cè)工作，其訓(xùn)練模型前的特征選擇工作往往依賴于生產(chǎn)專家的人工經(jīng)驗(yàn)，無(wú)法做到自適應(yīng)選擇。此外，特征向量的選擇往往影響著模型效果的天花板，不同專家認(rèn)知下的特征向量的選擇結(jié)果會(huì)出現(xiàn)不同，故而造成模型在行業(yè)內(nèi)的泛化性差，影響研究成果的推廣與落地。

同時(shí)，在實(shí)際的工業(yè)生產(chǎn)場(chǎng)景下，某一個(gè)工藝段會(huì)存在使用多種能源的情況，例如焦化生產(chǎn)過(guò)程就會(huì)同時(shí)使用水、電、燃?xì)狻，F(xiàn)有的節(jié)能降耗研究工作大多著眼于單品種的能耗優(yōu)化問(wèn)題，然而企業(yè)的能耗優(yōu)化問(wèn)題是著眼于綜合能耗生產(chǎn)要素基礎(chǔ)之上的一個(gè)組合優(yōu)化問(wèn)題。

發(fā)明內(nèi)容

為解決流程工業(yè)能耗預(yù)測(cè)中特征工程的復(fù)雜性問(wèn)題以及能耗優(yōu)化的單目標(biāo)問(wèn)題，本發(fā)明的目的在于提供一種利用多目標(biāo)優(yōu)化算法對(duì)能耗組合及能耗指標(biāo)進(jìn)行優(yōu)化，在不降低質(zhì)量的同時(shí)實(shí)現(xiàn)降低企業(yè)的綜合能耗成本的基于注意力深度神經(jīng)網(wǎng)絡(luò)的流程工業(yè)能耗多目標(biāo)優(yōu)化方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采用了以下技術(shù)方案：一種基于注意力深度神經(jīng)網(wǎng)絡(luò)的流程工業(yè)能耗多目標(biāo)優(yōu)化方法，該方法包括下列順序的步驟：

(1)獲得流程工業(yè)數(shù)據(jù)集，構(gòu)建基于注意力深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，使用流程工業(yè)數(shù)據(jù)集對(duì)基于注意力深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到四個(gè)模型分別為：電力消耗模型E、水能消耗模型W、燃?xì)庀哪Ｐ虶和產(chǎn)品質(zhì)量模型Q，將電力消耗模型E、水能消耗模型W和燃?xì)庀哪Ｐ虶線性組合得到能耗預(yù)測(cè)模型EC；

(2)采用多目標(biāo)優(yōu)化算法對(duì)能耗預(yù)測(cè)模型EC和產(chǎn)品質(zhì)量模型Q進(jìn)行優(yōu)化，得到優(yōu)化結(jié)果。

所述步驟(1)具體包括以下步驟：

(1a)采集流程工業(yè)數(shù)據(jù)，進(jìn)行數(shù)據(jù)清洗，得到流程工業(yè)數(shù)據(jù)集，將流程工業(yè)數(shù)據(jù)集按比例劃分為訓(xùn)練集和測(cè)試集；

(1b)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理；

(1c)構(gòu)建基于注意力深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，將訓(xùn)練集輸入基于注意力深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到能耗預(yù)測(cè)模型EC和產(chǎn)品質(zhì)量模型Q；

(1d)將測(cè)試集輸入能耗預(yù)測(cè)模型EC和產(chǎn)品質(zhì)量模型Q，計(jì)算測(cè)試集上預(yù)測(cè)值和實(shí)測(cè)值的誤差，達(dá)到誤差允許范圍則視為訓(xùn)練結(jié)束，否則返回步驟(1c)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)重新訓(xùn)練。

所述步驟(2)具體包括以下步驟：

(2a)確定能耗優(yōu)化過(guò)程中的決策變量個(gè)數(shù)與每個(gè)決策變量的范圍；