本发明专利技术属于信息技术领域，涉及到重采样方法、Bootstrap估计、贝叶斯估计方法和回声状态网络集成理论，是一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法。本发明专利技术利用冶金企业现场已有的历史数据，首先对煤气系统各用户流量数据进行重采样处理以构造有效地训练样本；然后建立基于回声状态网络集成的区间预测模型，预测当前时间点后指定时间长度内的煤气系统用户流量；最后分别基于Bootstrap方法和Bayesian方法估计模型和数据不确定性对预测结果的影响，进而构造出置信区间和预测区间。此方法在冶金企业其它能源介质系统均可有广泛的应用。
【技术实现步骤摘要】
-种基于Bootstrap回声状态网络集成的冶金企业煤气流 量区间预测方法
本专利技术属于信息
，涉及到重采样方法、Bootstrap估计、贝叶斯估计方法 和回声状态网络集成理论，是一种基于Bootstrap回声状态网络集成的冶金企业煤气流量 区间预测方法。本专利技术利用冶金企业现场已有的历史数据，首先对煤气系统各用户流量数 据进行重采样处理以构造有效的训练样本；然后建立基于回声状态网络集成的区间预测模 型，预测当前时间点后指定时间长度内的煤气系统用户流量；最后分别基于Bootstrap方 法和Bayesian方法估计模型和数据不确定性对预测结果的影响，进而构造出置信区间和 预测区间。此方法在冶金企业其它能源介质系统均可有广泛的应用。
技术介绍
冶金企业是高能耗、高污染、高排放的产业。节能降耗一直是冶金行业所面临的 最严峻问题之一。随着一次能源的紧缺和新节能技术的提高，冶金生产过程中产生的副产 煤气能否得到合理的利用将直接影响到整个冶金企业的能耗成本和节能减排效果（Iwao Higashi, (1982). Energy balance of steel mills and utilization of byproduct gases[J]. Transactions of the Iron and Steel Institute of Japan, 22(I):57-65. )〇 合理利用副产煤气至关重要，所以必须对副产煤气系统进行有效地调度，而副产煤气的发 生和消耗流量的变化是实施调度手段的重要参考指标。在冶金企业生产过程中，副产煤气 是炼铁、炼焦和炼钢的副产物，通过煤气管网输送给各个煤气用户供其正常生产，剩余的存 入联网的煤气柜，考虑煤气柜的容量限制和安全运行，现场调度人员需时刻把握副产煤气 系统发生和消耗流量的变化情况。当煤气系统的发生流量严重大于其消耗流量，煤气柜的 柜位会迅速上升，为防止煤气柜的容量超限，需要增加系统中调整用户对煤气的消耗量以 维持煤气系统的平衡；反之，如果煤气系统的消耗流量严重大于其发生流量，煤气柜中的煤 气会自动供给消耗用户使用，如果煤气柜中的煤气储备不足时，需要减少系统中调整用户 的消耗量以维持煤气系统的平衡。因此准确预测副产煤气系统的发生和消耗消量，可以有 效指导煤气的平衡调度。然而冶金企业副产煤气的发生和消耗流量预测问题是极其复杂 的，根本无法保证预测的精确性，所以调度人员往往不仅关注于煤气流量预测的结果，更关 心预测结果的可靠性，甚至希望得到煤气流量在未来一段时间内的可能的变化范围。综上， 为副产煤气系统的发生和消耗流量构造置信区间和预测区间，可以更有效地指导煤气系统 的平衡调度，使得煤气经回收后可供生产自用及发电，从而大大降低一次能源的使用量、减 少煤气的无效排放，并且解决城市电能紧张等问题。 目前实际生产中，对冶金企业副产煤气的发生和消耗流量预测除了最基 本的经验预测法外，还是以点预测为主，点预测主要是通过神经网络（Zhao J，Wang ff, Liu Y, et al. A two-stage online prediction method for a blast furnace gas system and its application[J]. IEEE Transactions on Control Systems Technology，2011, 19(3) :507-520.)和支持向量机（Zhao J,Liu Q,Pedrycz W,et al.Effective noise estimation-based online prediction for byproduct gas system in steel industry[J] ? IEEE Transactions on Industrial Informatics，2012, 8(4) :953-963.)等机器学习方法预测出煤气系统发生或消耗用户流量 在未来一段时间内可能的取值。本专利技术认为仅仅通过机器学习的方法对煤气系统用户流量 进行预测还很难满足调度人员的需要，结合统计类方法对预测结果的可信度进行估计是非 常必要的。 以上方法存在如下不足：首先，对副产煤气系统发生和消耗流量的预测采用点预 测模式，仅能给出未来时间范围内发生和消耗流量的可能取值，缺少对预测结果可靠性的 分析，而工业数据通常都含有较高级别的噪声和不确定性，预测结果的可靠性是调度人员 非常关心的；其次，如果调度人员基于可靠性未知的预测结果做出相应的调度计划可能给 系统运行的安全性带来巨大隐患，所以调度人员往往缺乏对点预测结果的信任，也就是说 点预测结果很难被用作调度手段制定时的参考，以防止错误的调度手段给工业生产带来巨 大的损失。
技术实现思路
本专利技术要解决的技术问题是现有冶金企业煤气流量区间预测问题。为解决上述这 一问题，对煤气系统的发生流量和消耗流量的变化情况进行分析，针对煤气系统的流量区 间预测，首先对煤气流量数据采用重采样方法进行重采样处理以构造有效的训练样本，然 后建立一种回声状态网络集成预测模型，预测当前时间点后指定时间长度内（为保证预测 的精度通常此时间长度小于60分钟）煤气系统的发生和消耗流量；针对煤气流量预测过程 中预测区间的构建，分别采用Boot strap估计方法和Bayes ian估计方法估计模型不确定性 和数据不确定性对预测结果的影响，进而为煤气流量预测构造置信区间和预测区间（置信 度为95% )。利用该专利技术可以准确地为煤气系统流量构造预测区间，从而为煤气系统的平 衡调度提供决策支持。 本专利技术技术方案的整体实现流程如附图1所示，具体步骤如下： 1.现场数据的读取：从冶金企业现场实时数据库中读取所需的煤气系统的用户 流量数据； 2.数据样本的构建：采用Bootstrap重采样方法步骤1中获得的流量数据进行重 采样处理以构建有效地训练样本； 3.初步建立区间预测模型：建立基于回声状态网络集成的区间预测模型，模型的 结构参数和权值参数待定； 4.估计区间预测模型的参数：根据步骤2得到的训练样本和步骤3初步建立的网 络集成模型，采用〇. 632 Bootstrap交叉验证的方法确定回声状态网络集成模型的结构，采 用Bayesian估计方法确定网络集成模型的权值参数，此过程还可求得数据噪声的方差， 可用以估计数据噪声对预测结果的影响； 5.构造置信区间和预测区间：步骤4结束后，会得到结构和权值参数已知的回声 状态网络集成模型，给定新的输入可以得到预测输出，以及模型不确定性对预测结果的影 响，这样便可为煤气用户流量预测构造置信区间，根据步骤4求得的数据噪声的方差，可进 一步为煤气用户流量预测构造预测区间。 本专利技术的效果和益处是： 本专利技术在对煤气系统流量进行区间预测时，考虑现场的流量数据可能存在着间断 的特点，采用Bootstrap方法对原始流量数据进行重采样处理以构建训练样本集，保证了 训练样本的完备性；本专利技术中Bootstrap估计方法的引入，可以在求得预测结果的同时，计 算出模型不确定性对预测结果的影响，本文档来自技高网...
【技术保护点】
一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法，其特征在于如下步骤：(1)从冶金企业现场实时数据库读取预测所需的煤气系统用户流量数据，将数据按时间点划分为训练数据集和预测数据集，当前时间点前的一段时间内的数据为预测数据集，远离当前时间点的历史数据为训练数据集；(2)从训练数据集中构造原始的训练样本集其中，ui为训练样本集中的第i个样本的输入，输入样本ui的维度为m；ti为训练样本集中的第i个样本的输出，输出样本维度为1；n为原始训练样本集中样本的个数；按Bootstrap重采样方法对原始训练样本进行抽样得到容量为n的Bootstrap样本按同样地方法进行B次，得到一组Bootstrap样本集{D1,D2,…,DB}，也就是Bootstrap训练样本集；从预测数据集中构造预测用输入样本u*，即当前时间点之前长度为m的一段数据样本；(3)初步建立回声状态网络集成模型由于有B组Bootstrap样本，因此回声状态网络集成模型包含B个回声状态网络单元，每一组Bootstrap样本为一个回声状态网络单元的训练样本；采用基于回声状态网络集成的预测方法来预测煤气系统流量，具体模型如下：xbi=f[Wbinubi+Wbxbi-1]---(1)]]>ybi=Wbout·[ubi;xbi]---(2)]]>ti=yi+ϵi≈1BΣi=1Bybi+ϵi---(3)]]>σyi2=E{(yi-y^i)2}≈1B-1Σi=1B(yi-ybi)2---(4)]]>其中，为第b个回声状态网络单元的输入权值参数，Wb为第b个回声状态网络单元的储备池神经元连接权值参数，为第b个回声状态网络单元的输出权值参数，为第b个回声状态网络单元的储备池神经元状态，维度为N，为第b个回声状态网络单元的输出，yi为网络集成模型的输出，ti为真实输出，εi为零均值高斯白噪声，为模型预测的误差，以反映所见模型的不确定性；(4)确定网络集成模型的参数回声状态网络集成模型初步建立后，可采用0.632Bootstrap交叉验证的方法来确定网络集成模型的结构参数，即网络集成模型中回声状态网络单元的个数B以及回声状态网络单元中储备池神经元的个数N；确定网络集成模型结构参数过程中的权值参数估计本专利技术中采用Bayesian估计方法，即通过Bayesian估计方法确定模型的权值参数θ=[w1out,w2out,···,wBout]]]>和超参数α和β；(5)构造置信区间和预测区间首先要计算给定预测输入样本u*下，回声状态网络集成模型的输出y^*=1BΣb=1By^b*=W^bout(u*,x*)---(5)]]>基于Bootstrap方法估计模型的不确定性，即因模型不确定性导致的偏差的方差：σy^*2=1B-1Σb=1B(y^b*-y^*)---(6)]]>步骤4中基于Bayesian方法估计超参数的过程可以求得数据噪声的方差，也就是反映数据不确定性导致的偏差的方差1/β；这样就得到一个以均值为中心的置信水平为1‑α的置信区间和一个以均值为中心的置信水平为1‑α的预测区间其中，tα/2(B‑1)表示自由度为(B‑1)的t分布函数在分位数为α/2处的取值。...
【技术特征摘要】
1?一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法，其特征 在于如下步骤： (1)从冶金企业现场实时数据库读取预测所需的煤气系统用户流量数据，将数据按时 间点划分为训练数据集和预测数据集，当前时间点前的一段时间内的数据为预测数据集， 远离当前时间点的历史数据为训练数据集； ⑵从训练数据集中构造原始的训练样本集其中，屮为训练样本集中的 第i个样本的输入，输入样本屮的维度为m#为训练样本集中的第i个样本的输出，输出 样本维度为1 为原始训练样本集中样本的个数；按Bootstrap重采样方法对原始训练样 本进行抽样得到容量为n的Bootstrap样本A=丨，按同样地方法进行B次，得到一 组Bootstrap样本集他，D2，…，DB}，也就是Bootstrap训练样本集； 从预测数据集中构造预测用输入样本u%即当前时间点之前长度为m的一段数据样 本； (3) 初步建立回声状态网络集成模型 由于有B组Bootstrap样本，因此回声状态网络集成模型包含B个回声状态网络单元， 每一组Bootstrap样本为一个回声状态网络单元的训练样本；采用基于回声状态网络集成 的预测方法来预测煤气系统流量，具体模型如下：其中，W:为第b个回声状态网络单元的输入权值参数，Wb为第b个回声状态网络单元 的储备池神经元连接权值参数，\￥厂为第b个回声状态网络单元的输出权值参数，< 为第 b个回声状态网络单元的储备池神经元状态，维度为N，<为第b个回声状态网络单元的输 出，yi为网络集成模型的输出，V为真实输出，e,为零均值高斯白噪声，为模型预测的 误差，以反映所见模型的不确定性； (4) 确定网络集成模型的参数 回声状态网络集成模型初步建立后，可采用0.632B〇〇tstrap交叉验证的方法来确 定网络集成模型的结构参数，即网络集成模型中回声状态...
【专利技术属性】
技术研发人员：赵珺，盛春阳，刘颖，王伟，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。