CN112766608B - 一种基于极限学习机的水泥磨***电耗指标预测方法 - Google Patents
一种基于极限学习机的水泥磨***电耗指标预测方法 Download PDFInfo
- Publication number
- CN112766608B CN112766608B CN202110152975.6A CN202110152975A CN112766608B CN 112766608 B CN112766608 B CN 112766608B CN 202110152975 A CN202110152975 A CN 202110152975A CN 112766608 B CN112766608 B CN 112766608B
- Authority
- CN
- China
- Prior art keywords
- power consumption
- input
- cement mill
- elm
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000004568 cement Substances 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 33
- 210000002569 neuron Anatomy 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000000843 powder Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于极限学习机的水泥磨***电耗指标预测方法,首先对相关变量进行收集,通过对水泥磨***的运行分析,选取与水泥磨电耗相关的八个变量作为输入变量,吨电耗作为输出变量,构建ELM模型的输入输出层;使用IPSO算法对ELM的神经元个数L、输入层权重w及隐含层偏置b进行优化;IPSO算法在参数寻优过程中将模型的均方误差作为适应度函数;使用IPSO优化得到的ELM相关参数结合样本数据完成IPSO‑ELM预测模型的训练,将工业现场实际数据带入到训练好的模型完成水泥磨***电耗的在线预测;本发明通过使用样本数据对IPSO‑ELM模型进行训练得到电耗预测模型,将实际水泥生产现场的变量数据输入到训练好的模型中,实现水泥磨电耗指标在线预测。
Description
技术领域
本发明属于水泥磨***电耗指标预测领域,特别涉及一种基于极限学习机的水泥磨***电耗指标预测方法。
背景技术
水泥工业是我国传统工业,随着国家的发展,大型建筑不断出现,水泥使用量大大增加,水泥行业是我国主要的高耗能、高排放产业。实现水泥磨电耗指标的在线预测,有利于指导水泥磨研磨过程各个生产指标的调度优化,有利于降低水泥磨生产过程电耗,从而能达到节能减排的目的。但是由于水泥研磨***各个生产指标之间存在滞后性,并且耦合性较高,因此很难通过建立机理模型模拟水泥磨***的能耗模型;由于不同操作人员现场经验的差异,很难保证水泥磨处于高效,稳定的运行状态,从而导致能耗浪费。另外,在采用OPC技术对水泥工业现场DCS设备的数据提取过程中,由于人员操作不当,易会产生数据异常,如激增等,为后续建立精确地电耗预测模型增加难度。
针对上述问题,赵辉等人采用主成分分析法得到影响水泥生产电耗的关键因素,降低了回归预测模型的复杂度,并提出基于改进多元非线性算法的水泥电耗预测模型,但该方法未解决水泥生产过程的时滞问题。谢武明等人将33个指标作为输入建立基于BP神经网络的污水处理厂电耗预测模型,对于电耗预测这类问题求解复杂非线性函数的全局极值,BP神经网络容易陷入局部最优。王昭旭等人将一种隐含时间序列深度信念网络用到水泥生产电耗预测,消除了时变时延对水泥能耗预测的影响,但深度信念网络预训练采用无监督学习,学习过程缓慢,难以进行水泥磨***电耗在线预测。
发明内容
针对上述问题本发明提供一种基于极限学习机的水泥磨***电耗指标预测方法,有效的解决了水泥磨***各个电耗指标之间的滞后性问题以及多个电耗指标之间强耦合的问题,且相对于其他神经网络模型,极限学习机(ExtremeLearningMachine,ELM)训练速度及计算速度快,能达到实时训练-预测;极限学习机在训练之前随机产生权重w和偏置b,只需确定隐含层神经元的个数及隐含层神经元的能无限微分的激活函数,所以极限学习机的训练过程,即为求解的过程;然而根据经验设置极限学习机隐含层神经元的个数及随机生成权重w和偏置b会使预测准确度不稳定,在预测模型中加入改进粒子群优化算法(ImproveParticleSwarmOptimization,IPSO)对上述参数进行寻优,提高预测的准确度及稳定性,增强泛化能力。
为实现上述目的,本发明所采用的技术方案是提供一种基于极限学习机的水泥磨***电耗指标预测方法,其步骤包括:
步骤1:确定输入、输出变量;
通过对水泥磨***的运行分析,确定与水泥磨电耗相关的输入变量为喂料量反馈、出磨斗提电流反馈、选粉机转速反馈、喂料斗提电流反馈、入库提升机电流反馈、比表面积、主机电流及选粉机进口压力共八个工业参量,确定输出变量为水泥磨吨电耗;
步骤2:提取输入、输出变量;
将水泥磨***设备中的历史数据存入数据库,从数据库中提取所述输入变量和输出变量;
步骤3:对PSO算法改进得到IPSO算法;
改进的IPSO算法中的位置更新模型为:
其中,wi为惯性权重,fiti为当前粒子第i次迭代的适应度值,Pgd为算法的全局最优值,k,k+1分别表示第k次、第k+1次迭代;c1和c2为加速因子,令c1=c2=2;r1和r2为分布于[0,1]之间的随机数;Mi为第i个粒子为S维的向量,Mi=(Mi1,Mi2,…,Mid,…,Mis)T,Mid为第i个粒子在d维空间中的位置;Vi=(Vi1,Vi2,…,Vid,…,Vis)T为第i个粒子的速度,Vid为第i个粒子在d维空间中的速度;Pi=(Pi1,Pi2,…,Pid,…,Pis)T为第i个粒子的个体极值,Pid为第i个粒子在d维空间的个体极值;Pg=(Pg1,Pg2,…,Pgd,…,Pgs)T为种群全局极值,Pgd为种群g在d维空间的全局极值;
步骤4:利用IPSO算法及所述提取的输入、输出变量值对ELM模型参数进行寻优,得到ELM模型的寻优变量:神经元个数L、输入层权重w和隐含层偏置b;
步骤6:构建基于IPSO-ELM的水泥磨***电耗指标预测模型为:
其中,j=1,2,…,L,L为隐含层神经元的个数,为输出权重,为激活函数,Wj为隐含层第j个神经元的输入权重矩阵,X=[x1,x2,…xi,…,x7,x8]为输入变量时间序列数据集,xi=[xi1,xi2,…,xit]i=1,2…8,t为时间序列的长度,bj为隐含层第j个神经元的偏置;
步骤7:进行在线预测:
将实时输入变量数据输入基于IPSO-ELM的水泥磨***电耗指标预测模型,得到实时的水泥磨吨电耗数值,实现水泥磨***电耗指标的在线预测。
进一步地,所述步骤4中寻优过程如下:
步骤41:对种群进行初始化,设置粒子群的初始位置和初始速度;
步骤42:根据适应度函数,计算每个粒子的适应度值;
步骤43:对每个粒子进行位置比较,即对经过的位置和上一次的位置进行比较,如果适应度低于上一次的位置,就取代上一次的位置;
步骤44:对个体最优位置和群体最优位置进行比较,如优于群体最优位置,就取代群体最优位置;
步骤45:根据公式更新粒子速度和位置;
步骤46:判断是否满足终止条件,若满足则停止运算,否则返回第二步重新开始。
进一步地,所述步骤5中模型训练的具体步骤如下:
首先利用构建好的输入输出层数据结合IPSO-ELM算法,进行IPSO-ELM水泥磨***电耗预测模型的训练:
对N个任意样本(Xi,ti),其中,Xi=[xi1,xi2,xi3,…,xin]T,ti=[ti1,ti2,ti3,…,tim]T∈Rm,则存在L个隐含层节点的ELM预测模型表示为:
其中,oi是ELM预测模型的输出,n为输入变量的个数,m为输出变量的个数,βj为隐含层第j个神经元的输出权重,为激活函数,L为隐含层神经元的个数,Wj为隐含层第j个神经元的输入权重矩阵,Xi=[xi1,xi2,xi3,…,xin]T为输入变量值,bj为隐含层第j个神经元的偏置;N为样本总数;
ELM网络训练的目标就是使预测值与真实值之间的误差最小,表达式为:
即存在Wj,bj,βj使得:
上述表达式的矩阵表达形式为:
Hβ=T (5)
其中:
其中,H的第i列是对输入Xi第i个隐藏节点的输出,其中T表示样本的实际值,神经元个数L、输入权重w和隐含层偏置b由IPSO算法确定;
求得输出权值矩阵:
进一步地,所述步骤6中,t=50,即输入数据为当前时点之前50分钟的输入变量数据构成的时间序列数据。
进一步地,所述步骤6中,y为当前时点未来10分钟水泥磨吨电耗。
本发明由于采用了上述的技术方案,本发明具有以下有益效果:
(1)本发明有效的解决了水泥磨***各个电耗指标之间的滞后性问题以及多个电耗指标之间强耦合的问题,且相对于其他神经网络模型,极限学习机训练速度及计算速度快,能达到实时训练-预测;
(2)本发明克服了根据经验设置极限学习机隐含层神经元的个数L及随机生成权重w和偏置b导致的预测准确度不稳定,在预测模型中加入IPSO算法对上述参数进行寻优,提高预测的准确度及稳定性,增强泛化能力。
附图说明
图1为本发明IPSO-ELM模型预测水泥磨***电耗指标的***流程图;
图2为本发明基于IPSO-ELM的水泥磨***电耗指标预测方法的算法流程图;
图3为本发明实施例的水泥磨电耗预测值与实际值的对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。需要注意的为,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。例如本发明所用的前、后、左和右仅仅是示例性质的,是为了描述方便使用的用语。
下面通过实施例,并结合附图1-3,对本发明的技术方案作进一步具体的说明。
本发明提出一种基于极限学习机的水泥磨***电耗指标预测方法,首先选取水泥磨电耗相关的八个变量,采用OPC技术对工业现场数据进行收集,建立基于IPSO-ELM的水泥磨***能耗预测模型。具体结构如图1所示;根据训练数据样本初始化IPSO算法的参数,随机生成第一组神经元个数L、输入层权重w及隐含层偏置b,寻优过程中以均方误差作为适应度函数进行迭代寻优,当迭代次数达到设定值时,停止寻优。至此完成了ELM模型的参数寻优,下一步结合样本数据对IPSO-ELM模型进行训练,至此完成IPSO-ELM模型的训练,将工业现场样本数据集带入到训练好的模型完成水泥磨***电耗指标的在线预测。
基于IPSO-ELM的水泥磨***电耗整体流程图如图1所示,IPSO-ELM算法流程图如图2所示。具体步骤如下:
步骤A:输入、输出变量筛选:通过对水泥研磨过程的工艺分析,从众多工业参数中选取与水泥磨电耗相关的八个工业参量作为输入;一个工业参量作为输出。
通过对水泥研磨过程的工艺分析,结合现场操作员丰富的经验,从众多工业参量中选取与水泥磨电耗相关的八个工业参量作为输入变量,分别为:喂料量反馈X1、出磨斗提电流反馈X2、选粉机转速反馈X3、喂料斗提电流反馈X4、入库提升机电流反馈X5、比表面积X6、主机电流X7、选粉机进口压力X8。吨电耗Y作为输出变量。
步骤B:采集数据:采用OPC(OLEforProcessControl)技术将水泥工业现场DCS中的水泥研磨相关数据提取并导入SQLserver数据库中。从历史数据库中提取步骤A中确定的八个输入数据和一个输出数据。
数据收集时,为解决水泥磨***各变量与电耗的时变时延问题,将数据以1天为单位将24小时的数据等分为144个区间,每个区间的间隔为10分钟,当前时刻之前的50分钟的输入数据构成时间序列数据以对应未来10分钟的水泥磨电耗。
步骤C:对ELM模型参数进行寻优:根据IPSO的寻优机制,首先对初始参数进行设置,其中有种群规模、迭代次数、学习因子、惯性权重(动态设置)等,寻优过程中ELM模型的神经元个数L、输入层权重w和隐含层偏置b为寻优变量,以ELM预测模型输出的均方误差作为适应度函数。
具体寻优步骤如下:
1.对种群进行初始化,首先要设置粒子群的初始位置和初始速度;
2.根据适应度函数,计算每个粒子的适应度值;
3.对每个粒子进行位置比较,即对经过的位置和上一次的位置进行比较,如果适应度低于上一次的位置,就取代上一次的位置;
4.对个体最优位置和群体最优位置进行比较,如优于群体最优位置,就取代群体最优位置;
5.根据公式更新粒子速度和位置;
6.判断是否满足终止条件,若满足则停止训练,否则返回第二步重新开始。
设在一个S维的搜索空间中,由n个粒子组成的种群M=(M1,M2,…,Mi,…,Mn),其中Mi表示第i个粒子为S维的向量,Mi=(Mi1,Mi2,…,Mid,…,Mis)T,其中Mid表示第i个粒子在d维空间中的位置。根据适应度函数计算出每个粒子位置对应的适应度值。记第i个粒子的速度Vi=(Vi1,Vi2,…,Vid,…,Vis)T,其中Vid为第i个粒子在d维空间中的速度;第i个粒子的个体极值Pi=(Pi1,Pi2,…,Pid,…,Pis)T,其中Pid为第i个例子在d维空间的个体极值;种群全局极值Pg=(Pg1,Pg2,…,Pgd,…,Pgs)T,其中Pgd为种群g在d维空间的全局极值。
在每一次迭代过程中,粒子通过个体极值和全局极值更新自身的速度和位置,更新模型为:
步骤D:利用步骤C求解的神经元个数L、输入层权重w和隐含层偏置b,结合ELM算法及样本数据,进行水泥磨***电耗指标预测模型的训练。具体步骤如下:
首先利用构建好的输入输出层数据结合IPSO-ELM算法,进行IPSO-ELM水泥磨***电耗预测模型的训练;
对N个任意样本(Xi,ti),其中,Xi=[xi1,xi2,xi3,…,xin]T,ti=[ti1,ti2,ti3,…,tim]T∈Rm,则存在L个隐含层节点的ELM预测模型表示为:
其中,oi是ELM预测模型的输出,n为输入变量的个数,m为输出变量的个数,βj为隐含层第j个神经元的输出权重,g(x)为激活函数,L为隐含层神经元的个数,Wj为隐含层第j个神经元的输入权重矩阵,Xi=[xi1,xi2,xi3,…,xin]T为输入变量值,bj为隐含层第j个神经元的偏置;N为样本总数。
本方法选用的是sigmoid函数,其公式如下:
ELM网络训练的目标就是使预测值与真实值之间的误差最小,公式表示为:
即存在Wj,bj,βj使得:
上述公式的矩阵表达形式为:
Hβ=T (5)
其中:
H的第i列是对输入Xi第i个隐藏节点的输出。其中T表示样本的实际值。极限学习机作为单隐层神经网络的延伸,现有技术中已经证实激活函数是能无限微分的,神经元个数L、输入权重w和隐含层偏置b由IPSO算法确定。由以下公式得知,训练基于极限学习机的电耗预测模型就相当于寻找***的最小二乘解
输入权重和偏置确定后,隐含层输出矩阵H就能确定,此时易求得输出权值矩阵:
至此,基于IPSO-ELM的水泥磨***电耗指标预测模型训练完成,模型的数学表达式为:
其中X=[x1,x2,…xi,…,x7,x8]为输入数据,xi=[xi1,xi2,…,xit]i=1,2…8,t为时间序列的长度,本方法选为50分钟,即t=50。即输入数据为当前时刻之前50分钟的数据构成时间序列数据。L为隐含层神经元的个数,Wj为输入权重矩阵,bj为隐含层神经元的偏置,为已确定的输出权重,y为未来10分钟水泥磨吨电耗。
步骤E:将水泥磨***实际生产中的实时数据输入到步骤D中训练好的IPSO-ELM水泥磨***电耗预测模型,实现水泥磨***电耗预测在线预测。
附图3为采集现场实时数据,对水泥磨电耗进行预测的趋势图,因预测模型采用50分钟历史数据作为输入,未来10分钟水泥磨吨电耗作为输出,所以图中每个数据点均代表10分钟的吨电耗,该趋势图(附图3)为500分钟的电耗预测值与实际值的对比图。从对比图可以看出,使用本方法预测水泥磨***电耗与实际电耗的均方误差为0.01216,证明本方法有效。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,能轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (3)
1.一种基于极限学习机的水泥磨***电耗指标预测方法,其特征在于,其步骤包括:
步骤1:确定输入、输出变量;
通过对水泥磨***的运行分析,确定与水泥磨电耗相关的输入变量为喂料量反馈、出磨斗提电流反馈、选粉机转速反馈、喂料斗提电流反馈、入库提升机电流反馈、比表面积、主机电流及选粉机进口压力共八个工业参量,确定输出变量为水泥磨吨电耗;
步骤2:提取输入、输出变量;
将水泥磨***设备中的历史数据存入数据库,从数据库中提取所述输入变量和输出变量;
步骤3:对PSO算法改进得到IPSO算法;
改进的IPSO算法中的位置更新模型为:
其中,wi为惯性权重,fiti为当前粒子第i次迭代的适应度值,Pgd为算法的全局最优值,k,k+1分别表示第k次、第k+1次迭代;c1和c2为加速因子,令c1=c2=2;r1和r2为分布于[0,1]之间的随机数;Mi为第i个粒子为S维的向量,Mi=(Mi1,Mi2,…,Mid,…,Mis)T,Mid为第i个粒子在d维空间中的位置;Vi=(Vi1,Vi2,…,Vid,…,Vis)T为第i个粒子的速度,Vid为第i个粒子在d维空间中的速度;Pi=(Pi1,Pi2,…,Pid,…,Pis)T为第i个粒子的个体极值,Pid为第i个粒子在d维空间的个体极值;Pg=(Pg1,Pg2,…,Pgd,…,Pgs)T为种群全局极值,Pgd为种群g在d维空间的全局极值;
步骤4:利用IPSO算法及所述提取的输入、输出变量值对ELM模型参数进行寻优,得到ELM模型的寻优变量:神经元个数L、输入层权重w和隐含层偏置b;所述步骤4中寻优过程如下:
步骤41:对种群进行初始化,设置粒子群的初始位置和初始速度;
步骤42:根据适应度函数,计算每个粒子的适应度值;
步骤43:对每个粒子进行位置比较,即对经过的位置和上一次的位置进行比较,如果适应度低于上一次的位置,就取代上一次的位置;
步骤44:对个体最优位置和群体最优位置进行比较,如优于群体最优位置,就取代群体最优位置;
步骤45:根据公式更新粒子速度和位置;
步骤46:判断是否满足终止条件,若满足则停止运算,否则返回第二步重新开始;
所述步骤5中模型训练的具体步骤如下:
首先利用构建好的输入输出层数据结合IPSO-ELM算法,进行IPSO-ELM水泥磨***电耗预测模型的训练:
对N个任意样本(Xi,ti),其中,Xi=[xi1,xi2,xi3,…,xin]T,ti=[ti1,ti2,ti3,…,tim]T∈Rm,则存在L个隐含层节点的ELM预测模型表示为:
其中,oi是ELM预测模型的输出,n为输入变量的个数,m为输出变量的个数,βj为隐含层第j个神经元的输出权重,为激活函数,L为隐含层神经元的个数,Wj为隐含层第j个神经元的输入权重矩阵,Xi=[xi1,xi2,xi3,…,xin]T为输入变量值,bj为隐含层第j个神经元的偏置;N为样本总数;
ELM网络训练的目标就是使预测值与真实值之间的误差最小,表达式为:
即存在Wj,bj,βj使得:
上述表达式的矩阵表达形式为:
Hβ=T (5)
其中:
其中,H的第i列是对输入Xi第i个隐藏节点的输出,其中T表示样本的实际值,神经元个数L、输入权重w和隐含层偏置b由IPSO算法确定;
求得输出权值矩阵:
步骤6:构建基于IPSO-ELM的水泥磨***电耗指标预测模型为:
其中,j=1,2,…,L,L为隐含层神经元的个数,为输出权重,为激活函数,Wj为隐含层第j个神经元的输入权重矩阵,X=[x1,x2,…xi,…,x7,x8]为输入变量时间序列数据集,xi=[xi1,xi2,…,xit]i=1,2…8,t为时间序列的长度,bj为隐含层第j个神经元的偏置;
步骤7:进行在线预测;
将实时输入变量数据输入基于IPSO-ELM的水泥磨***电耗指标预测模型,得到实时的水泥磨吨电耗数值,实现水泥磨***电耗指标的在线预测。
2.根据权利要求1所述的基于极限学习机的水泥磨***电耗指标预测方法,其特征在于,所述步骤6中,t=50,即输入数据为当前时点之前50分钟的输入变量数据构成的时间序列数据。
3.根据权利要求1所述的基于极限学习机的水泥磨***电耗指标预测方法,其特征在于,所述步骤6中,y为当前时点未来10分钟水泥磨吨电耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110152975.6A CN112766608B (zh) | 2021-02-03 | 2021-02-03 | 一种基于极限学习机的水泥磨***电耗指标预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110152975.6A CN112766608B (zh) | 2021-02-03 | 2021-02-03 | 一种基于极限学习机的水泥磨***电耗指标预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766608A CN112766608A (zh) | 2021-05-07 |
CN112766608B true CN112766608B (zh) | 2022-03-11 |
Family
ID=75704851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110152975.6A Active CN112766608B (zh) | 2021-02-03 | 2021-02-03 | 一种基于极限学习机的水泥磨***电耗指标预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766608B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029202B (zh) * | 2021-05-25 | 2021-09-07 | 西北工业大学 | 基于参数优化深度置信模型的冗余捷联惯组故障检测方法 |
CN113268913B (zh) * | 2021-06-24 | 2022-02-11 | 广州鼎泰智慧能源科技有限公司 | 一种基于pso-elm算法的智能建筑空调冷机***运行优化方法 |
CN113807040B (zh) * | 2021-09-23 | 2023-06-09 | 北京邮电大学 | 一种面向微波电路的优化设计方法 |
CN117278338A (zh) * | 2023-11-23 | 2023-12-22 | 江苏君立华域信息安全技术股份有限公司 | 一种基于深度学习优化的网络入侵检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200268A (zh) * | 2014-09-03 | 2014-12-10 | 辽宁大学 | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 |
CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
-
2021
- 2021-02-03 CN CN202110152975.6A patent/CN112766608B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200268A (zh) * | 2014-09-03 | 2014-12-10 | 辽宁大学 | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 |
CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
Non-Patent Citations (1)
Title |
---|
基于深度信念网络的水泥煅烧能耗预测和模型优化研究;郭曈曈;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20210115;B015-691 * |
Also Published As
Publication number | Publication date |
---|---|
CN112766608A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766608B (zh) | 一种基于极限学习机的水泥磨***电耗指标预测方法 | |
CN108448610B (zh) | 一种基于深度学习的短期风功率预测方法 | |
CN107679671A (zh) | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 | |
CN110910277A (zh) | 一种基于XGBoost的水泥磨***电耗指标预测方法 | |
CN109255477B (zh) | 一种基于深度极限学习机的风速预测方法及其***和机组 | |
CN106650920A (zh) | 一种基于优化极限学习机的预测模型 | |
CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
CN105302973A (zh) | 基于moea/d算法的铝电解生产优化方法 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
Liu et al. | Intelligent adaptive control in milling processes | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN112785080A (zh) | 一种基于水泥工业的实时动态水泥粉磨***能耗优化方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN116362376A (zh) | 基于机器学习的综合能源站建设碳排放预测方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
Yang et al. | Application of fuzzy neural network PID algorithm in oil pump control | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN114384931B (zh) | 一种基于策略梯度的无人机多目标最优控制方法和设备 | |
CN113191078B (zh) | 城市生活垃圾焚烧过程一燃室烟气温度预报方法 | |
CN113377075B (zh) | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
Lv et al. | Research on short-term load forecasting approach for smart grid | |
CN113627731A (zh) | 一种基于som-熵值算法的起重机械能效评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |