一种多晶硅还原炉还原过程能耗预测方法、系统技术方案

本发明专利技术公开了一种多晶硅还原炉还原过程能耗预测方法、系统，步骤一，由相似时段的能耗历史数据构建成训练样本和测试样本，步骤二，建立LS‑SVM算法的目标函数；步骤三，训练出能耗预测模型；步骤四，进行还原过程能耗预测。基于D‑S融合LS‑SVM算法即综合了D‑S和LS‑SVM的优点又避免了二者的一些不足。一方面，用选出的相似时段能耗数据作为LS‑SVM的训练样本，克服了LS‑SVM算法的噪音干扰。另一方面，利用LS‑SVM的原理，可以很好的实现复杂的映射，获得能耗曲线的规律。

Energy consumption prediction method and system for reduction process of polysilicon reduction furnace

The invention discloses a method and system for predicting energy consumption in polycrystalline silicon reduction furnace reduction process. The first step is to construct a training sample and a test sample from the energy consumption history data of similar period. The second step is to establish the objective function of LS_SVM algorithm; the third step is to train the energy consumption prediction model; the fourth step is to carry out the energy consumption prediction in the reduction process. Forecast. LS_SVM algorithm based on D_S fusion combines the advantages of D_S and LS_SVM and avoids some disadvantages of them. On the one hand, the noise interference of LS_SVM algorithm is overcome by using the selected similar energy consumption data as the training samples of LS_SVM. On the other hand, the principle of LS_SVM can be used to realize complex mapping and obtain the law of energy consumption curve.

【技术实现步骤摘要】
一种多晶硅还原炉还原过程能耗预测方法、系统
本专利技术涉及多晶硅还原建模领域，尤其涉及一种多晶硅还原炉还原过程能耗预测方法、系统。
技术介绍
多晶硅还原炉是多晶硅制备最耗能的设备，多晶硅沉积过程中每天都要消耗大量的电能，多晶硅还原炉的还原沉积生产过程是封闭的，不确定性的。在改良西门子法制备多晶硅工艺中，还原炉电源系统为硅棒自身电阻性发热提供能量，维持炉内发热表面温度于1100℃附近，SiHCl3和H2在硅杆表面发生持续性的气相沉积反应不断地沉积成晶体硅。晶体硅在生产过程中，硅棒直径从细变粗，电阻逐渐变小，所以要调节电源系统所供给的功率以满足还原炉中硅棒表面的热量需求。因此，还原沉积过程其能耗是随直径的变化而动态变化的，其整个生产过程的能耗曲线受还原炉结构型式、工艺运行参数等多重因素影响，其能耗每时每刻都在变化，在生产过程中很难确定下一时刻的能耗情况，这种复杂的生产过程给工艺人员的可控管理带来了极大的困难。
技术实现思路
本专利技术的目的在于提出一种避免LS-SVM算法的噪音干扰，预测精度高的多晶硅还原炉还原过程能耗预测方法、系统。为达此目的，本专利技术采用以下技术方案：一种多晶硅还原炉还原过程能耗预测方法，包括以下步骤：步骤一，采集多晶硅还原炉的能耗历史数据，然后上位机通过D-S理论证据筛选出与待预测时段差异度最小的相似时段，由相似时段的能耗历史数据构建成训练样本和测试样本；步骤二，根据多晶硅还原炉的生产经验，确定LS-SVM算法的可调参数C和标准化参数σ，建立LS-SVM算法的目标函数；步骤三，上位机利用LS-SVM算法，通过训练样本和测试样本训练出能耗预测模型；步骤四，上位机通过能耗预测模型对生产中的多晶硅还原炉的待预测时段进行还原过程能耗预测。优选地，定义多晶硅还原炉的生产周期为120小时，所述待预测时段为生产中的多晶硅还原炉的第二天，所述相似时段为在历史生产周期中与待预测时段所处位置相同的时间段，所述待预测时段的位置为待预测时段在当前生产周期内的位置；所述D-S理论证据筛选出与待预测时段差异度最小的相似时段为：首先，选取炉内温度和炉内压力设置相同的能耗历史数据，并以该能耗历史数据中的三个因子：生产数据时间间隔、三氯氢硅消耗量和氢气消耗量构造出两个证据；然后，计算各个证据的识别框架中的基本信度；最后，根据D-S理论证据合成规则筛选出与待预测时段差异度最小的相似时段；其中，参与选取的能耗历史数据评判为好、中、差三个等级，依次用A、B、C表示，并把{A，B，C}称为识别框架的焦元。优选地，所述计算各个证据的识别框架中的基本信度为：首先，将生产数据时间间隔作为第一证据，则第一证据的信度分配m1如下：t1为参与选取的能耗历史数据所在的历史时间段与待预测时段的月份间隔值；然后，对三氯氢硅消耗量和氢气消耗量进行量化处理：若待预测时段处在的第i天的三氯氢硅消耗量为Si，第i天三氯氢硅消耗量范围为Simax到Simin，则三氯氢硅消耗量可量化为从而把待预测时段三氯氢硅消耗量化到[0，1]；若待预测时段处在的第i天的氢气消耗量为Hi，第i天氢气消耗量范围为Hima到Himin，则氢气消耗量可量化为从而把待预测时段氢气消耗量化到[0，1]；接着，计算出每一个因子在不同的历史时间段与待预测时间段之间的差值t2，将所述差值t2作为第二证据，则所述第二证据的信度分配m2如下：当t2＞0.9时，m2(A)＝0.05，m2(B)＝0.13，m2(C)＝0.82；当t2＜0.1时，m2(A)＝0.82，m2(B)＝0.13，m2(C)＝0.05；当0.1≤t2≤0.9时，优选地，所述D-S理论证据合成规则为：定义Bel1、Bel2为某识别框架上基于两个互不相干的信度函数，设焦元分别为A1,A2,...,Ak和B1,B2,...,Bk，设则：其中，系数是规范因子，第一证据和第二证据可合成的前提是满足不等式K＜ε，ε＝7。优选地，所述建立LS-SVM算法的目标函数为：利用LS-SVM算法，将能耗预测模型的映射表示为：y＝f(x)＝w·φ(x)+b，其中w为权向量，b是偏向项，φ(x)是将相似时段的能耗历史数据映射到高维空间的核空间映射函数；优化目标：s.t.y＝wTφ(xi)+b+ei,i＝1,2,…,N，其中，C是可调参数，ei是残差，e∈Rl×1是训练误差；然后，构造拉格朗日函数：αi为拉格朗日乘子，从而得到α和b；则确定所述可调参数C和标准化参数σ后，所述目标函数为：其中，(xi,xj)＝φ(xi)Tφ(xj)，k(xi,xj)＝exp(-||xi-xj||2/2σ2)。优选地，还包括步骤五：通过相对误差γ对能耗预测模型进行性能评价，为第i个样本的预测值，yi为第i个样本的实际值；当γ趋于零的极限时，能耗预测模型的性能符合要求；当能耗预测模型的性能不符合要求时，重新筛选出相似时段，并重新训练能耗预测模型。优选地，一种多晶硅还原炉还原过程能耗预测系统，包括多晶硅还原炉、上位机和数据采集器，所述数据采集器用于采集多晶硅还原炉的能耗历史数据并发送至上位机，所述上位机包括：时段筛选模块，用于通过D-S理论证据筛选出与待预测时段差异度最小的相似时段，由相似时段的能耗历史数据构建成训练样本和测试样本；目标函数构建模块，用于根据多晶硅还原炉的生产经验，确定LS-SVM算法的可调参数C和标准化参数σ，建立LS-SVM算法的目标函数；模型生成模块，用于利用LS-SVM算法，通过训练样本和测试样本训练出能耗预测模型；预测模块，用于通过能耗预测模型对生产中的多晶硅还原炉的待预测时段进行还原过程能耗预测。优选地，定义多晶硅还原炉的生产周期为120小时，所述待预测时段为生产中的多晶硅还原炉的第二天，所述相似时段为在历史生产周期中与待预测时段所处位置相同的时间段，所述待预测时段的位置为待预测时段在当前生产周期内的位置；所述时段筛选模块具体用于：首先，选取炉内温度和炉内压力设置相同的能耗历史数据，并以该能耗历史数据中的三个因子：生产数据时间间隔、三氯氢硅消耗量和氢气消耗量构造出两个证据；然后，计算各个证据的识别框架中的基本信度；最后，根据D-S理论证据合成规则筛选出与待预测时段差异度最小的相似时段，由相似时段的能耗历史数据构建成训练样本和测试样本；其中，参与选取的能耗历史数据评判为好、中、差三个等级，依次用A、B、C表示，并把{A，B，C}称为识别框架的焦元。优选地，所述时段筛选模块计算各个证据的识别框架中的基本信度为：首先，将生产数据时间间隔作为第一证据，则第一证据的信度分配m1如下：t1为参与选取的能耗历史数据所在的历史时间段与待预测时段的月份间隔值；然后，对三氯氢硅消耗量和氢气消耗量进行量化处理：若待预测时段处在的第i天的三氯氢硅消耗量为Si，第i天三氯氢硅消耗量范围为Simax到Simin，则三氯氢硅消耗量可量化为从而把待预测时段三氯氢硅消耗量化到[0，1]；若待预测时段处在的第i天的氢气消耗量为Hi，第i天氢气消耗量范围为Hima到Himin，则氢气消耗量可量化为从而把待预测时段氢气消耗量化到[0，1]；接着，计算出每一个因子在不同的历史时间段与待预测时间段之间的差值t2，将所述差值t2作为第二证据，则所述第二证据的信度分配m2如下：当t2＞0.本文档来自技高网...

【技术保护点】
1.一种多晶硅还原炉还原过程能耗预测方法，其特征在于，包括以下步骤：步骤一，采集多晶硅还原炉的能耗历史数据，然后上位机通过D‑S理论证据筛选出与待预测时段差异度最小的相似时段，由相似时段的能耗历史数据构建成训练样本和测试样本；步骤二，根据多晶硅还原炉的生产经验，确定LS‑SVM算法的可调参数C和标准化参数σ，建立LS‑SVM算法的目标函数；步骤三，上位机利用LS‑SVM算法，通过训练样本和测试样本训练出能耗预测模型；步骤四，上位机通过能耗预测模型对生产中的多晶硅还原炉的待预测时段进行还原过程能耗预测。

【技术特征摘要】
1.一种多晶硅还原炉还原过程能耗预测方法，其特征在于，包括以下步骤：步骤一，采集多晶硅还原炉的能耗历史数据，然后上位机通过D-S理论证据筛选出与待预测时段差异度最小的相似时段，由相似时段的能耗历史数据构建成训练样本和测试样本；步骤二，根据多晶硅还原炉的生产经验，确定LS-SVM算法的可调参数C和标准化参数σ，建立LS-SVM算法的目标函数；步骤三，上位机利用LS-SVM算法，通过训练样本和测试样本训练出能耗预测模型；步骤四，上位机通过能耗预测模型对生产中的多晶硅还原炉的待预测时段进行还原过程能耗预测。2.根据权利要求1所述的多晶硅还原炉还原过程能耗预测方法，其特征在于：定义多晶硅还原炉的生产周期为120小时，所述待预测时段为生产中的多晶硅还原炉的第二天，所述相似时段为在历史生产周期中与待预测时段所处位置相同的时间段，所述待预测时段的位置为待预测时段在当前生产周期内的位置；所述D-S理论证据筛选出与待预测时段差异度最小的相似时段为：首先，选取炉内温度和炉内压力设置相同的能耗历史数据，并以该能耗历史数据中的三个因子：生产数据时间间隔、三氯氢硅消耗量和氢气消耗量构造出两个证据；然后，计算各个证据的识别框架中的基本信度；最后，根据D-S理论证据合成规则筛选出与待预测时段差异度最小的相似时段；其中，参与选取的能耗历史数据评判为好、中、差三个等级，依次用A、B、C表示，并把{A，B，C}称为识别框架的焦元。3.根据权利要求2所述的多晶硅还原炉还原过程能耗预测方法，其特征在于，所述计算各个证据的识别框架中的基本信度为：首先，将生产数据时间间隔作为第一证据，则第一证据的信度分配m1如下：t1为参与选取的能耗历史数据所在的历史时间段与待预测时段的月份间隔值；然后，对三氯氢硅消耗量和氢气消耗量进行量化处理：若待预测时段处在的第i天的三氯氢硅消耗量为Si，第i天三氯氢硅消耗量范围为Simax到Simin，则三氯氢硅消耗量可量化为从而把待预测时段三氯氢硅消耗量化到[0，1]；若待预测时段处在的第i天的氢气消耗量为Hi，第i天氢气消耗量范围为Himax到Himin，则氢气消耗量可量化为从而把待预测时段氢气消耗量化到[0，1]；接着，计算出每一个因子在不同的历史时间段与待预测时间段之间的差值t2，将所述差值t2作为第二证据，则所述第二证据的信度分配m2如下：当t2＞0.9时，m2(A)＝0.05，m2(B)＝0.13，m2(C)＝0.82；当t2＜0.1时，m2(A)＝0.82，m2(B)＝0.13，m2(C)＝0.05；当0.1≤t2≤0.9时，4.根据权利要求3所述的多晶硅还原炉还原过程能耗预测方法，其特征在于，所述D-S理论证据合成规则为：定义Bel1、Bel2为某识别框架上基于两个互不相干的信度函数，设焦元分别为A1,A2,...,Ak和B1,B2,...,Bk，设则：其中，系数是规范因子，第一证据和第二证据可合成的前提是满足不等式K＜ε，ε＝7。5.根据权利要求1所述的多晶硅还原炉还原过程能耗预测方法，其特征在于，所述建立LS-SVM算法的目标函数为：利用LS-SVM算法，将能耗预测模型的映射表示为：y＝f(x)＝w·φ(x)+b，其中w为权向量，b是偏向项，φ(x)是将相似时段的能耗历史数据映射到高维空间的核空间映射函数；优化目标：s.t.y＝wTφ(xi)+b+ei,i＝1,2,…,N，其中，C是可调参数，ei是残差，e∈Rl×1是训练误差；然后，构造拉格朗日函数：αi为拉格朗日乘子，从而得到α和b；则确定所述可调参数C和标准化参数σ后，所述目标函数为：其中，(xi,xj)＝φ(xi)Tφ(xj)，k(xi,xj)＝exp(-||xi-xj||2/2σ2)。6.根据权利要求1所述的多晶硅还原炉还原过程能耗预测方法，其特征在于，还包括步骤五：通过相对误差γ对能耗预测模型进行性能评价，为第i个样本的预测值，yi为第i个样本的实际值；当γ趋于零的极限时，能耗预测模型的性能符合要求；当能耗预测模型的性能不符合要求时，重新筛选出相似时段，并重新训练能耗...

【专利技术属性】
技术研发人员：杨海东，肖云，朱成就，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44