基于模糊神经网络的设备负荷区间预测方法及计算机可读存储介质技术

本发明专利技术提供了一种基于模糊神经网络的设备负荷区间预测方法及计算机可读存储介质，设备负荷区间预测方法，步骤包括：S1初始化规则库，基于迭代密度估计方法计算规则的潜能，并根据第一规则算法生成模糊规则；S2基于隶属度函数相似法计算模糊规则的相似度，以根据第三规则算法融合模糊规则；S3基于模糊权重递推最小二乘算法，对模糊规则后件参数在线更新；S4基于Bootstrap方法构造预测区间。采用上述技术方案后，可提供智能、快速的设备内负荷幅值变化的预估及可信度度量。

Prediction Method of Equipment Load Interval Based on Fuzzy Neural Network and Computer Readable Storage Media

【技术实现步骤摘要】
基于模糊神经网络的设备负荷区间预测方法及计算机可读存储介质
本专利技术涉及智能控制领域，尤其涉及一种基于模糊神经网络的设备负荷区间预测方法及计算机可读存储介质。
技术介绍
空气压缩机是冶金、工业制造、生物制药等工业生产过程的主要动力能源。随着煤炭、石油等一次能源的紧缺，空气压缩机群组的合理调度不但可以提高企业节能降耗水平，增加企业的经济效益，还可减少化石燃料燃烧对环境的污染。为了实现空气压缩机组的优化调度，生产人员需要及时掌握空气压缩机群组负荷的变化趋势。因此，在及时准确预测空气压缩机群组负荷流量下，一方面能够辅助生产人员制定既安全又经济的调度方案，满足不同生产用户的用气需求；另一方面又可提高空气压缩机群组的节能性和经济性，为生产安全、节能降耗提供基础支撑。同时随着人工智能技术的飞速发展，传统行业中需要引入人工智能来辅助解决生产问题。于是，便可引入神经网络算法来实现对设备负荷的预测。其中，模糊神经网络是将模糊逻辑推理的知识表达能力和神经网络的自学习能力结合的产物，广泛用于解决模糊回归、模糊谱系分析、模糊控制器设计和模糊专家系统等问题。因此，本专利技术提供了一种新型的基于模糊神经网络的设备负荷区间预测方法，可准确估计设备中负荷幅值变化，协助现场运行方案的制定。
技术实现思路
为了克服上述技术缺陷，本专利技术的目的在于提供一种基于模糊神经网络的设备负荷区间预测方法及计算机可读存储介质，可提供智能、快速的设备内负荷幅值变化的预估及可信度度量。本专利技术公开了一种基于模糊神经网络的设备负荷区间预测方法，步骤包括：S1初始化规则库，基于迭代密度估计方法计算规则的潜能，并根据第一规则算法生成模糊规则；S2基于隶属度函数相似法计算模糊规则的相似度，以根据第三规则算法融合模糊规则；S3基于模糊权重递推最小二乘算法，对模糊规则后件参数在线更新；S4基于Bootstrap方法构造预测区间。优选地，步骤还包括：S1.1基于第二规则算法，对模糊规则进行修剪及召回。根据权利要求2所述基于模糊神经网络的设备负荷区间预测方法，其中所述第二规则算法步骤包括：S1.1.1基于以下公式计算模糊规则中第i条规则的输出数据与真实输出数据的接近程度：其中，d(N)表示第N个真实输出数据，yi(N)表示第i条规则的输出数据；表示第i条规则的第N个输出数据的与真实输出输出的接近程度。S1.1.2基于以下公式计算第i条规则的生命强度Pi(N)：其中，遗忘因子ζ∈(0，1]；当生命强度Pi(N)＜＝thresP时，自模糊规则内修剪第i条规则，其中，thresP表示规则修剪阀值；S1.1.3根据公式：判断是否召回第i条规则，其中，κ分别表示规则库中修剪后的规则个数和未修剪的规则个数。优选地，其中所述基于迭代密度估计方法计算规则的潜能步骤包括：利用高斯隶属度函数进行一阶泰勒展开可以得到：其中表示第N个样本；基于以下公式计算新生成样本密度：其中优选地，其中所述第一规则算法步骤包括：S1.2根据条件：或中的至少一种，判断以生成模糊规则；S1.3计算公式：Cnew＝xN，Ωnew＝rand(u)以初始化新生成的模糊规则的参数，其中Cnew表示新生成的模糊规则的中心，Ωnew表示新生成的模糊规则的后件参数。优选地，其中所述隶属度函数相似法计算包括以下步骤：S2.1计算公式：其中cwin，j和ci，j分别表示获胜规则win和第i个规则在第j个维度的中心，和分别表示获胜规则win和第i个规则在第j个维度的方差；S2.2以至少两个隶属度函数交点坐标的最大隶属度作为该子集的相似度，根据以下公式计算模糊规则内前件所有子集的相似度进行聚合获取获胜规则win与规则i的重叠程度：S2.3根据si(win，i)＞0和overlapwin，i＞thresplap选取规则相似度大于一设定值thresplap的规则；S2.4若满足步骤S2.3的不等式条件，则利用第三规则算法融合模糊规则。根据权利要求1所述基于模糊神经网络的设备负荷区间预测方法，其中所述第三规则算法计算步骤包括：S2.5根据以下公式融合模糊规则：分别获取融合后的规则中心Cmerged、方差σ2merged以及后件参数Ωmerged，其中和分别表示获胜规则和第i条模糊规则中的样本个数；和分别表示获胜规则和第i条模糊规则的方差；Ωwin和Ωi分别表示获胜规则win和第i条模糊规则的后件参数。优选地，其中所述模糊权重递推最小二乘算法计算步骤包括：S3.1基于以下公式更新后件参数：其中，I为后件参数的单位矩阵，A表示遗忘因子，ΩN表示后件参数的第N次迭代。优选地，其中基于Bootstrap方法构造预测区间的步骤包括：S4.1基于以下构造预测区间：其中，表示θ次独立重复实验后预测输出的平均值；tθ/2(θ)为具有θ自由度的t分布函数的(θ/2)分位数，σ2noisy表示利用GammaTest方法对数据中噪声进行估计的方差。本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的设备符合区间预测方法。采用了上述技术方案后，与现有技术相比，具有以下有益效果：1.可为如空气压缩机等设备；提供负荷幅值变化的准确估计及相应的可信度度量；2.设备应用现场可根据预测区间结果指定安全又经济的调度方案，提高设备的资源利用率；3.利用模糊神经网络可实现快速、高效、低成本的预估手段，大幅度提高传统行业的智能化水平。附图说明图1为符合本专利技术的模糊神经网络的拓扑结构示意图；图2为符合本专利技术一优选实施例中设备负荷区间预测方法的逻辑示意图；图3为符合本专利技术一优选实施例中设备负荷区间预测方法的流程示意图。具体实施方式以下结合附图与具体实施例进一步阐述本专利技术的优点。这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。参阅图1，为符合本专利技术的模糊神经网络拓扑结构的示意图。在输入神经元和输出神经元间，通过例如前馈神经网络的映射，第一层对输入数据作语义赋予，第二层归一化第i条规则的可信度，最终层可自适应模糊神经网络的输出可表示为后件参数的线性组合(当前件参数固定时，用LSE法辨识的后件参数是最优的)。图2示出了本专利技术中模糊神经网络所依托的基本逻辑，在获得新输入的训练样本后，首先需判断规本文档来自技高网...

【技术保护点】
1.一种基于模糊神经网络的设备负荷区间预测方法，步骤包括：S1初始化规则库，基于迭代密度估计方法计算规则的潜能，并根据第一规则算法生成模糊规则：S2基于隶属度函数相似法计算模糊规则的相似度，以根据第三规则算法融合模糊规则；S3基于模糊权重递推最小二乘算法，对模糊规则后件参数在线更新；S4基于Bootstrap方法构造预测区间。

【技术特征摘要】
1.一种基于模糊神经网络的设备负荷区间预测方法，步骤包括：S1初始化规则库，基于迭代密度估计方法计算规则的潜能，并根据第一规则算法生成模糊规则：S2基于隶属度函数相似法计算模糊规则的相似度，以根据第三规则算法融合模糊规则；S3基于模糊权重递推最小二乘算法，对模糊规则后件参数在线更新；S4基于Bootstrap方法构造预测区间。2.根据权利要求1所述基于模糊神经网络的设备负荷区间预测方法，步骤还包括：S1.1基于第二规则算法，对模糊规则进行修剪及召回。3.根据权利要求2所述基于模糊神经网络的设备负荷区间预测方法，其中所述第二规则算法步骤包括：S1.1.1基于以下公式计算模糊规则中第i条规则的输出数据与真实输出数据的接近程度：其中，d(N)表示第N个真实输出数据，yi(N)表示第i条规则的输出数据；riback(N)表示第i条规则的第N个输出数据的与真实输出输出的接近程度；S1.1.2基于以下公式计算第i条规则的生命强度Pi(N)：Pi(N)＝ζ×Pi(N-1)+fi×riback(N)其中，遗忘因子ζ∈(0，1]；当生命强度Pi(N)＜＝thresP时，自模糊规则内修剪第i条规则，其中，thresP表示规则修剪阀值：S1.1.3根据公式：判断是否召回第i条规则，其中，κ分别表示规则库中修剪后的规则个数和未修剪的规则个数。4.根据权利要求1所述基于模糊神经网络的设备负荷区间预测方法，其中所述基于迭代密度估计方法计算规则的潜能步骤包括：利用高斯隶属度函数进行一阶泰勒展开可以得到：其中表示第N个样本；基于以下公式计算新生成样本密度：其中：5.根据权利要求1所述基于模糊神经网络的设备负荷区间预测方法，其中所述第一规则算法步骤包括：S1.2根据条件：或中的至少一种，判断以生成模糊规则；S1.3计算公式：Cnew＝xN，Ωnew＝rand(u)以初始化新生成的模糊规则的参数，其中Cnew表示新生成的模糊规则的中心，Ωnew表示新生成的模糊规则的后件参数。6.根...

【专利技术属性】
技术研发人员：冯为民，刘洋，万成，
申请(专利权)人：上海宝能信息科技有限公司，
类型：发明
国别省市：上海,31