基于循环高速神经网络的水泥生料粉磨系统电耗预测方法技术方案

本发明专利技术公开了一种基于循环高速神经网络的水泥生料粉磨系统电耗预测方法，属于工业大数据分析技术领域，包括以下步骤：步骤1：从水泥企业能源管理数据库中挑选与电耗相关性最高的变量数据，清理异常值后进行归一化标准化处理，排列得到完整的时间序列；步骤2：建立以循环高速神经网络为基础的电耗预测模型，目标是利用变量数据和电耗值得历史值预测下一时刻的电耗值；步骤3：采用监督学习的方法进行模型训练，利用误差逆传播算法对模型中编码器解码器的参数进行调整优化；步骤4：利用上述步骤完成的模型，实现对水泥生料粉磨系统电耗的实时预测。本申请的预测方法使资源得到合理调度，进而为降低能耗，提高水泥生产效率提供可能性。能性。能性。

【技术实现步骤摘要】
基于循环高速神经网络的水泥生料粉磨系统电耗预测方法


[0001]本专利技术涉及工业大数据分析
，特别是水泥生料粉磨系统的电耗预测领域，具体涉及一种基于循环高速神经网络的水泥生料粉磨系统的电耗预测方法。
技术背景
[0002]电耗作为工业生产效率的一个重要指标，在水泥生料粉磨系统中也具有重要地位。对其进行精确的预测，能够使资源得到合理的调度，进而降低能耗，提高水泥生产效率。目前已有较多方法在时序预测问题上有较好作用，但鉴于历史观察和过去的外生数据，预测未来序列仍然具有挑战性。现有方法不能考虑外生变量的不同分量之间的强耦合性，导致单个变量的波动会牵扯到其他所有变量不同程度的变化，从而难以提取变量之间的动态特征，这可能影响预测精度，或者不能模拟外源数据与目标数据之间的相关性。此外，外生数据固有的时延属性也与目标序列预测有关，这都导致了水泥工业节能这类任务的挑战性。如何结合水泥数据的特性，对电耗做出精准预测，便成为了一个亟待解决的核心问题。

技术实现思路

[0003]针对上述背景中所描述的问题，本专利技术提出了一种基于循环高速神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环高速神经网络的水泥生料粉磨系统电耗预测方法，其特征在于包括以下步骤：步骤1：根据水泥厂现实生产要求和应用范围，通过相关性分析筛选一定数量的相关变量，确定输入数据维度，从水泥企业能源管理数据库中挑选输入变量数据，清理异常值后进行归一化标准化处理，排列得到完整的时间序列；步骤2：建立以循环高速神经网络为基础的电耗预测模型，目标是利用变量数据和电耗值得历史值预测下一时刻的电耗值；步骤3：采用监督学习的方法进行模型训练，并利用误差逆传播算法对模型中编码器解码器的参数进行调整优化，对模型的预测精度做进一步的提高；步骤4：至此完成对循环高速神经网络模型的训练，并利用其对水泥生料粉磨系统电耗的实时预测。2.根据权利要求1所述的一种基于循环高速神经网络的水泥生料粉磨系统电耗预测方法，其特征在于：步骤1中与电耗相关性最高的输入变量具体选择为立磨内外压差x1,渣带电流x2，立磨主机电流x3，反渣斗电流x4，储存铲斗提电流x5，选粉机转速反馈x6，喂料量反馈x7。3.根据权利要求2所述的一种基于循环高速神经网络的水泥生料粉磨系统电耗预测方法，其特征在于：步骤1的训练步长取为T
‑
1，那么通过前T
‑
1时刻的变量数据以及电耗真实值得到T时刻的电耗预测值：构建时间序列输入层，得到编码器解码器的输入矩阵X和Y：构建时间序列输入层，得到编码器解码器的输入矩阵X和Y：4.根据权利要求1所述的一种基于循环高速神经网络的水泥生料粉磨系统电耗预测方法，其特征在于：步骤2中模型的两个主体部分由编码器和解码器构成，每一部分都包含一个多层循环高速神经网络，编码器的初始部分连接一个卷积神经网络，负责提取输入变量数据的特征信息，其卷积池化过程如下表示：
卷积层和池化层的尺寸分别为1
×
v和1
×
p，δ为ReLU激活函数，经过卷积和池化操作后，将输出通过一个全连接层，得到了携带特征信息的局部变量，能够很好的体现每个时间步不...

【专利技术属性】
技术研发人员：刘刚，董啸林，郝晓辰，
申请(专利权)人：燕山大学，
类型：发明
国别省市：