一种基于小波变换的ARMA‑RBF副产煤气发生量组合预测方法技术

本发明专利技术公开了一种基于小波变换的ARMA‑RBF副产煤气发生量组合预测方法，包括如下步骤：(1)选择合适的小波基和分解层数对采集的副产煤气发生量序列数据进行小波分解；(2)对上述小波分解得到的各分解序列数据进行重构；(3)对上述重构后的分解序列分别选用ARMA模型和RBF神经网络模型进行建模并预测；(4)将上述各分解序列的预测值相加得到副产煤气发生量序列的超短期预测值。本发明专利技术的有益效果为：针对副产煤气发生量时间序列的非线性、时变性等复杂特性，采用小波变换对副产煤气发生量时间序列进行预处理解析，在此基础上，通过ARMA‑RBF组合预测模型实现副产煤气发生量的超短期预测。

【技术实现步骤摘要】
一种基于小波变换的ARMA-RBF副产煤气发生量组合预测方法
本专利技术涉及信息技术及数学建模领域，尤其是一种基于小波变换的ARMA-RBF(自回归滑动平均模型ARMA模型和径向基神经网络模型RBF模型)副产煤气发生量组合预测方法。
技术介绍
钢铁企业的副产煤气主要包括焦炉煤气、高炉煤气和转炉煤气，是钢铁企业中重要的二次能源，约占企业能源消耗总量的30％。在确保煤气系统安全稳定供给的前提下，如何保证煤气管网的供用平衡，避免出现煤气过剩而放散以及煤气供气不足而需要补充其他能源的异常现象，对优化利用钢铁联合企业的煤气资源、降低吨钢能耗都有十分重要的现实意义。钢铁企业煤气系统结构复杂、涉及到的设备繁多，尤其是高炉、转炉等煤气发生设备，普遍具有大范围、非线性的特点，且煤气发生量的影响因素较多，采用机理建模等常规方法难以进行较为准确地预测。针对上述问题，中国专利技术专利CN103559543B提出了一种基于BP神经网络的高炉煤气发生量的预测方法及装置，该方法的输入变量包括高炉炉况信息、强化冶炼信息等，但其中的燃料比、烧结百分比、焦比等变量难以在线获取，导致该方法难以实现对高炉煤气发生量的在线预测；中国专利技术专利申请CN103530705A提出了一种钢铁企业煤气预测方法，该方法通过对预处理后的煤气产耗数据建立回归AR、神经网络或遗传算法等预测模型，实现了煤气量的预测，但该方法并未明确指出预测模型的选择方法，现有研究表明，不同设备的煤气产耗特性差异较大，且影响煤气产耗量的因素繁多，针对煤气量数据序列中的趋势部分和随机波动部分，应该采用不同的预测建模方法，故而该方法在实际应用中难以取得较好地效果。
技术实现思路
本专利技术所要解决的技术问题在于，提供一种基于小波变换的ARMA-RBF副产煤气发生量组合预测方法，针对副产煤气发生量时间序列的非线性、时变性等复杂特性，采用小波变换对副产煤气发生量时间序列进行预处理解析，在此基础上，通过ARMA-RBF组合预测模型实现副产煤气发生量的超短期预测。为解决上述技术问题，本专利技术提供一种基于小波变换的ARMA-RBF副产煤气发生量组合预测方法，包括如下步骤：(1)选择合适的小波基和分解层数对采集的副产煤气发生量序列数据进行小波分解；(2)对上述小波分解得到的各分解序列数据进行重构；(3)对上述重构后的分解序列分别选用自回归滑动平均模型ARMA模型和径向基神经网络模型RBF神经网络模型进行建模并预测；(4)将上述各分解序列的预测值相加得到副产煤气发生量序列的超短期预测值。优选的，步骤(1)中，采用DBN小波对副产煤气发生量的历史数据序列进行分解，分别选取DB1、DB2、…、DB8小波对上述序列进行处理，从中选择均方根误差最小的小波基。优选的，步骤(1)中，分解层数的确定方法为：分别选取一层至四层的分解层数对副产煤气发生量的原始数据序列进行处理，从中选择均方根误差最小的分解层数。优选的，步骤(3)中针对不同的重构后的分解序列选择预测模型的方法为：对于高频分解序列{xt}，采用ARMA模型建模；对于低频分解序列{yt}，采用RBF神经网络模型建模。优选的，高频分解序列{xt}的ARMA模型建模具体包括如下步骤：(1)差分处理；对{xt}进行d阶差分，保证序列是平稳的时间序列，得到平稳后的时间序列{xt′}；(2)模型识别；通过计算样本的自相关和偏自相关函数判断数据序列的模型类型，得到平稳后的副产煤气发生量时间序列{xt′}适用于ARMA模型来描述；式中：p、q、aj、bk为ARMA模型参数；et为白噪声；(3)模型定阶；使用信息定阶(AIC)准则来确定ARMA模型中的p、q值；(4)参数估计，使用矩估计法分别对参数aj、bk进行估计，得到ARMA模型。优选的，低频分解序列{yt}的RBF神经网络模型建模具体包括如下步骤：(1)关联度分析；采用灰色关联度分析方法确定副产煤气发生量的主要影响因素；(2)数据样本构建；数据样本中的变量应包含经上述关联度分析确定的影响副产煤气发生量的主要运行变量以及副产煤气发生量，前者为输入样本，后者为输出样本，将数据样本总量的三分之二作为训练样本，另三分之一作为预测样本；(3)数据归一化；将上述构建的输入和输出样本进行归一化处理；(4)模型参数确定；采用高斯核函数来确定RBF神经网络的中心和高度，高斯核函数表达式为：式中：ci为基函数中心；y为输入变量；δ为函数的宽度参数；通过计算欧式范数||y-ci||，描述输入向量y和基函数中心ci之间的距离，找出最接近输入样本中心cmin。设计调整函数来学习并计算欧式范数，调整函数为：cmin(j)＝cmin(j-1)+a(y(j)-cmin(j-1))式中：a为学习训练频率；对于t组中的第j组输入向量，调整学习训练频率a来逼近欧式范数最小值，为了自适应选取中心，通过分析学习次数q以及欧式范围的权益增效，引入对数型训练因子来调整网络训练频率，训练因子为：ptr＝ln||yi-1-ci-1||-lnq训练因子ptr越大，则a训练频率相应增大，训练因子越小则训练频率降低；(5)建立模型；根据确定的中心，利用线性变换求出输出层权值wis，即第i个隐单元到第s个输出单元的权值，建立RBF神经网络模型，如下式：本专利技术的有益效果为：(1)本专利技术所需的参数均可从PLC/DCS控制系统或钢铁企业能源管理系统中直接读取，现场不需要额外增加分析或测量仪表等昂贵的辅助设备，可集成在已有的上位机中，成本低；(2)本专利技术提出了一种基于小波变换的ARMA-RBF副产煤气发生量组合预测模型，采用小波分解将煤气发生量序列分解为表征趋势项的低频部分以及表针随机项的高频部分，进一步分别采用ARMA以及RBF模型进行预测建模，既能准确反映各运行变量对煤气发生量的影响程度以及煤气发生量时间序列的推演特征，具有较好的预测效果；(3)本专利技术可加载到钢铁企业能源管理系统的相关功能模块中，用于指导煤气系统优化调度。附图说明图1为本专利技术的方法流程示意图。具体实施方式如图1所示，一种基于小波变换的ARMA-RBF副产煤气发生量组合预测方法，包括如下步骤：步骤一：选择合适的小波基和分解层数对采集的副产煤气发生量序列数据进行小波分解；步骤二：对上述小波分解得到的各分解序列数据进行重构；步骤三：对上述重构后的分解序列分别选用ARMA模型和RBF神经网络模型进行建模并预测；步骤四：将上述各分解序列的预测值相加得到副产煤气发生量序列的超短期预测值。上述步骤一中的小波基的确定方法为：采用Daubechines(DBN)小波对副产煤气发生量的历史数据序列进行分解，分别选取DB1、DB2、…、DB8小波对上述序列进行处理，从中选择均方根误差最小的小波基。上述步骤一中的分解层数的确定方法为：分别选取一层至四层的分解层数对副产煤气发生量的原始数据序列进行处理，从中选择均方根误差最小的分解层数。上述步骤三中针对不同的重构后的分解序列选择预测模型的方法为：(1)对于高频分解序列，采用ARMA模型建模；(2)对于低频分解序列，采用RBF神经网络模型建模。高频分解序列{xt}的ARMA模型建模步骤如下：(1)差分处理。对{xt}进行d阶差分，保证序列是平稳的时间序列，得到平稳后的时间序列{xt′}；(2本文档来自技高网...

【技术保护点】
一种基于小波变换的ARMA‑RBF副产煤气发生量组合预测方法，其特征在于，包括如下步骤：(1)选择合适的小波基和分解层数对采集的副产煤气发生量序列数据进行小波分解；(2)对上述小波分解得到的各分解序列数据进行重构；(3)对上述重构后的分解序列分别选用自回归滑动平均模型ARMA模型和径向基神经网络模型RBF神经网络模型进行建模并预测；(4)将上述各分解序列的预测值相加得到副产煤气发生量序列的超短期预测值。

【技术特征摘要】
1.一种基于小波变换的ARMA-RBF副产煤气发生量组合预测方法，其特征在于，包括如下步骤：(1)选择合适的小波基和分解层数对采集的副产煤气发生量序列数据进行小波分解；(2)对上述小波分解得到的各分解序列数据进行重构；(3)对上述重构后的分解序列分别选用自回归滑动平均模型ARMA模型和径向基神经网络模型RBF神经网络模型进行建模并预测；(4)将上述各分解序列的预测值相加得到副产煤气发生量序列的超短期预测值。2.如权利要求1所述的基于小波变换的ARMA-RBF副产煤气发生量组合预测方法，其特征在于，步骤(1)中，采用DBN小波对副产煤气发生量的历史数据序列进行分解，分别选取DB1、DB2、…、DB8小波对上述序列进行处理，从中选择均方根误差最小的小波基。3.如权利要求1所述的基于小波变换的ARMA-RBF副产煤气发生量组合预测方法，其特征在于，步骤(1)中，分解层数的确定方法为：分别选取一层至四层的分解层数对副产煤气发生量的原始数据序列进行处理，从中选择均方根误差最小的分解层数。4.如权利要求1所述的基于小波变换的ARMA-RBF副产煤气发生量组合预测方法，其特征在于，步骤(3)中针对不同的重构后的分解序列选择预测模型的方法为：对于高频分解序列，采用ARMA模型建模；对于低频分解序列，采用RBF神经网络模型建模。5.如权利要求4所述的基于小波变换的ARMA-RBF副产煤气发生量组合预测方法，其特征在于，高频分解序列{xt}的ARMA模型建模具体包括如下步骤：(1)差分处理；对{xt}进行d阶差分，保证序列是平稳的时间序列，得到平稳后的时间序列{x′t}；(2)模型识别；通过计算样本的自相关和偏自相关函数判断数据序列的模型类型，得到平稳后的副产煤气发生量时间序列{x′t}适用于ARMA模型来描述；式中：p、q、aj、bk为ARMA模...

【专利技术属性】
技术研发人员：郝勇生，闫雷，王培红，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32