一种空气压缩机群组负荷预测方法及其控制设备技术

本发明专利技术提供了一种空气压缩机群组负荷预测方法及其控制设备，其基于Mamdani模型的模糊推理机进行预测，主要步骤包括：步骤A：基于相空间重构法构造时间序列模型，输入模糊推理机；步骤B：基于模糊C‑均值聚类算法初始化模糊规则，及基于最大密度法调整模糊规则隶属度参数，以构建模糊规则库；步骤C：步骤A的模糊推理机，基于步骤B的模糊规则库中的模糊规则，计算输出预测结果，通过本发明专利技术提供的该空气压缩机群组负荷预测方法，能够实现Mamdani模糊系统中模糊规则隶属度函数的覆盖度和特异性的折中，从而提高了空气压缩机负荷幅值的估计准确性，籍此能有效降低空气压缩机群组的能耗，以减少企业的生产成本。

A load forecasting method and control equipment for air compressor group

The invention provides an air compressor group load forecasting method and its control equipment, which forecasts based on the fuzzy inference engine of Mamdani model, and the main steps include: step a: construct the time series model based on the phase space reconstruction method, input the fuzzy inference engine; step B: initialize the fuzzy rules based on the fuzzy C \u2011 means clustering algorithm, and adjust the fuzzy rules based on the maximum density method The fuzzy inference engine in step a, based on the fuzzy rules in step B, calculates and outputs the prediction results. Through the load prediction method of the air compressor group provided by the invention, the compromise between the coverage and the specificity of the fuzzy rule membership function in Mamdani fuzzy system can be realized, thereby improving The accuracy of load amplitude estimation of air compressor can effectively reduce the energy consumption of air compressor group and reduce the production cost of the enterprise.

【技术实现步骤摘要】
一种空气压缩机群组负荷预测方法及其控制设备
本专利技术涉及空气压缩机群组负荷预测领域，尤其涉及基于Mamdani模型的空气压缩机群组负荷预测及控制设备技术。
技术介绍
压缩空气是冶金企业主要动力能源之一。据统计，压缩空气生产过程约占冶金企业总能耗的10％～15％。随着煤炭、石油等一次能源的紧缺，压缩机群组的优化调度越来越成为企业和研究人员关注的重点。为了实现空气压缩机群组的优化调度，生产调度人员需要及时掌握空气压缩机群组负荷的变化趋势。因此，准确的空气压缩机群组负荷流量预测能够辅助生产人员制定安全、经济、高效的生产调度方案，为降低企业生产成本和节能减排提供基础支撑。Mamdani模糊系统具有语言形式的特点，由模糊化处理算子，模糊推理机制和非模糊化处理算子三个部分组成，广泛应用于解决模糊回归、模糊谱系分析、模糊控制器设计和模糊专家系统等问题。关于模糊规则的适应性，现有研究主要包括：协同模糊-C均值聚类提取模糊规则应用于预测问题(PrasadM，ChouKP，SaxenaA，etal.(2014).CollaborativefuzzyrulelearningforMamdanitypefuzzyinferencesystemwithmappingofclustercenters[C]//2014IEEESymposiumonComputationalIntelligenceinControlandAutomation(ClCA).IEEE，2014.)；基于多目标演化算法产生模糊规则实现规则库复杂度和准确度的折中(Antonelli，M.，Ducange，P.，Lazzerini，B.，&Marcelloni，F..(2009).Multi-objectiveevolutionarylearningofgranularity，membershipfunctionparametersandrulesofMamdanifuzzysystems.EvolutionaryIntelligence，2(1-2)，21-37.)；基于贪婪的参数化学习方法从数据中提取模糊规则，提高模糊系统的可解释性(Dutu，L.C.，Mauris，G.，&Bolon，P.(2018).Afastandaccuraterule-basegenerationmethodforMamdanifuzzysystems.IEEETransactionsonFuzzySystems，26(2)，715-733.)。虽然上述方法采用不同的方式提高模糊模型的可解释性，但是它们没有实现模糊规则隶属度函数的覆盖度和特异性的折中。同时工业生产数据往往存在噪声和异常值，如何度量和实现模糊规则参数的特异性和覆盖度的折中，是目前相关研究的重点。因此目前还缺少一种有效的方法能够系统性的解决上述问题。
技术实现思路
本专利技术的主要目的在于提供一种空气压缩机群组负荷预测方法及其控制设备，以实现Mamdani模糊系统中模糊规则隶属度函数的覆盖度和特异性的折中，从而提高空气压缩机负荷变化趋势的预测准确性。为了实现上述目的，本专利技术提供了一种空气压缩机群组负荷预测方法，其基于Mamdani模型的模糊推理机进行预测，步骤包括：步骤A：基于相空间重构法构造时间序列模型，输入模糊推理机；步骤B：基于模糊C-均值聚类算法初始化模糊规则，及基于最大密度法调整模糊规则隶属度参数，以构建模糊规则库；步骤C：步骤A的模糊推理机，基于步骤B的模糊规则库中的模糊规则，计算输出预测结果。在优选的实施可能性中，该步骤B中，基于模糊C-均值聚类算法初始化模糊规则的步骤包括：依据步骤A的时间序列模型，采用模糊C-均值聚类算法初始化模糊规则参数，且其聚类中心为模糊规则高斯隶属函数的均值，同一聚类数据的方差为模糊规则高斯隶属函数的方差。在优选的实施可能性中，该步骤B中，基于最大密度法调整模糊规则隶属度参数的步骤包括：基于模糊规则，利用拟合方法获取聚类中心半径与聚类中数据个数的关系，进而获得密度最大聚类的中心半径作为模糊规则高斯隶属度函数的方差。在优选的实施可能性中，该步骤A中基于相空间重构法构造时间序列模型的步骤包括：初始化延时和嵌入维度参数构造空气压缩机负荷的时间序列模型，设历史数据中空气压缩机群组负荷的时间序列为{x(k)，k＝1，2，…，N}，则通过相空间同构这一点状态矢量可以表示为：Xi＝[x(i)，x(i+τ)，…x(i+(l-1)τ)]，i＝1，2，…M其中，M为重构相空间中相点的个数，M＝N-(I-1)τ，I和τ分别表示系统的嵌入维数和时间延时。在优选的实施可能性中，该时间序列模型，采用模糊C-均值聚类算法初始化模糊规则，其目标函数可以定义为：其中，m为模糊化因子，uij是Xi在第j个聚类的隶属度函数，Xi是第i个l维度的数据，cj是第j个聚类中心，||·||表示测量数据与聚类中心之间的欧式距离，C表示聚类中心的个数，S为样本的个数，每一个样本相对于各个聚类的隶属度函数为1，i＝1，2，…S，令Jm对mj和uj(xi)的偏导为0，可得到必要条件为：在优选的实施可能性中，该模糊规则隶属度参数，即隶属度函数的中心和隶属度值，采用最大隶属度值法获得每个聚类样本即其中，ri分别表示样本属于聚类的标号，ri∈[1，C]；ri值相同则属于同一个聚类，设ri所属的聚类为g，该聚类的中心可以定义为其中，Ng表示第g个聚类中样本个数，Xg，j表示第g个聚类中第j个样本，表示第g个聚类的中心，利用非线性函数来逼近聚类半径随样本个数的变化关系，则可以定义为设G(W)＝f(W)-Wf′(W)，则对G(W)求偏导，可以得到G′(W)＝f′(W)-(f′(W)+Wf″(W))＝-Wf″(W)选取f(W)＝aebW+cedW函数，则在处取得极大值，因此，聚类中心到密度最大数据的距离即为规则隶属度函数的方差。在优选的实施可能性中，该模糊规则的定义为：Rulei：IFx(i)isAf1andx(i+τ)isAf2，…，x(i+(l-1)τ)isAfm，ThenyiisBfα其中，x(i)，x(i+τ)，…x(i+(l-1)τ)表示模糊规则的输入，Af1，Af2…Afm表示模糊规则输入的子集，Bfα表示模糊规则输出的子集，yi表示第i条模糊规则的输出，其中，Ui表示第i条模糊规则的隶属度，Ci表示第i条规则的聚类中心。为实现上述目的，本专利技术另一方面还提供了一种空气压缩机群组负荷控制设备，其包括：存储器，计算单元，所述存储器中存储有计算机可读存储指令，所述指令用于使得计算单元执行上述空气压缩机群组负荷预测方法。通过本专利技术提供的该空气压缩机群组负荷预测方法及其控制设备，能够实现Mamdani模糊系统中模糊规则隶属度函数的覆盖度和特异性的折中，从而提高了空气压缩机负荷幅值的估计准确性，籍此能有效降低空气压缩机群组的能耗，以减少企业的生产成本。附图说明构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术的空气压缩机群组负荷预测方法流程示意图；图2为采用该空气压缩机群组负荷预测方法的空气压缩机群组负荷预测统计图。具体实施方本文档来自技高网...

【技术保护点】
1.一种空气压缩机群组负荷预测方法，其基于Mamdani模型的模糊推理机进行预测，步骤包括：步骤A：基于相空间重构法构造时间序列模型，输入模糊推理机；步骤B：基于模糊C‑均值聚类算法初始化模糊规则，及基于最大密度法调整模糊规则隶属度参数，以构建模糊规则库；步骤C：步骤A的模糊推理机，基于步骤B的模糊规则库中的模糊规则，计算输出预测结果。

【技术特征摘要】
1.一种空气压缩机群组负荷预测方法，其基于Mamdani模型的模糊推理机进行预测，步骤包括：步骤A：基于相空间重构法构造时间序列模型，输入模糊推理机；步骤B：基于模糊C-均值聚类算法初始化模糊规则，及基于最大密度法调整模糊规则隶属度参数，以构建模糊规则库；步骤C：步骤A的模糊推理机，基于步骤B的模糊规则库中的模糊规则，计算输出预测结果。2.根据权利要求1所述的空气压缩机群组负荷预测方法，其中步骤B中，基于模糊C-均值聚类算法初始化模糊规则的步骤包括：依据步骤A的时间序列模型，采用模糊C-均值聚类算法初始化模糊规则参数，且其聚类中心为模糊规则高斯隶属函数的均值，同一聚类数据的方差为模糊规则高斯隶属函数的方差。3.根据权利要求1所述的空气压缩机群组负荷预测方法，其中步骤B中，基于最大密度法调整模糊规则隶属度参数的步骤包括：基于模糊规则，利用拟合方法获取聚类中心半径与聚类中数据个数的关系，进而获得密度最大聚类的中心半径作为模糊规则高斯隶属度函数的方差。4.根据权利要求1所述的空气压缩机群组负荷预测方法，其中步骤A中基于相空间重构法构造时间序列模型的步骤包括：初始化延时和嵌入维度参数构造空气压缩机负荷的时间序列模型，设历史数据中空气压缩机群组负荷的时间序列为{x(k)，k＝1，2，…，N}，则通过相空间同构这一点状态矢量可以表示为：Xi＝[x(i)，x(i+τ)，…x(i+(l-1)τ)]，i＝1，2，…M其中，M为重构相空间中相点的个数，M＝N-(I-1)τ，l和τ分别表示系统的嵌入维数和时间延时。5.根据权利要求2所述的空气压缩机群组负荷预测方法，其中：时间序列模型，采用模糊C-均值聚类算法初始化模糊规则，其目标函数可以定义为：其中，m为模糊化因子，uij是Xi在第j个聚类的隶属度函数，Xi是第i个I...

【专利技术属性】
技术研发人员：万成，赵珺，刘洋，茅心怡，
申请(专利权)人：上海宝能信息科技有限公司，大连智慧海洋软件有限公司，
类型：发明
国别省市：上海,31