【技术实现步骤摘要】
一种结合信息特征与生产计划的工业间歇性能源数据动态预测方法
[0001]本专利技术属于信息
，涉及到信息元素的特征提取与时频分析、强化学习、数据驱动建模等技术，是一种将深度确定性策略梯度算法(deep deterministic policy gradient,DDPG)与信息片段中有效的时频特征结合，来预测工业中类周期数据的一种方法。首先，将信息元素划分为有效等时间间隔的数据片段，再通过一种基于模基底匹配的信息粒描述方法，从不同的数据片段中提取其中能描述工业中周期性质的时域特征与频域特征，通过构建二维特征向量将其描述出来。之后将二维特征向量和生产计划结合，采用DDPG方法进行建模、预测，并将得到的预测信息通过特征向量反重构方式实现数据的动态预测。此种方法预测精度较高，计算效率符合工业现场的应用要求，为后续的能源优化调度提供科学、有效的决策支持。
技术介绍
[0002]类周期时间序列数据广泛存在与流程工业生产与二次能源的发生与消耗过程。对这类数据的准确预测可以令工作人员针对未来一段时间内的工业系统产销、存储等目标变量的...
【技术保护点】
【技术特征摘要】
1.一种结合信息特征与生产计划的工业间歇性能源数据动态预测方法，其特征在于，步骤如下：(1)数据预处理与划分从炼钢厂的实时数据库中，读取本次实验所需要的转炉煤气发生量的相关数据，并将转炉煤气发生量数据根据等时间间隔划分为有限的数据片段，本次中以一天1440min作为划分标准；(2)基于模匹配方法的特征提取在间歇性能源数据中，每个数据峰值的高度及其时间跨度具有高度的相似性，对此构建一个由相邻波峰与中间间隙组成的凹型模基底，通过为划分后的数据片段匹配凹型模基底来提取周期性特征；其中周期性特征包含时移特性和伸缩特性两种特性；时移特性为相邻两次转炉炼钢生产间隙发生的中间时刻，设目标样本为间歇性能源数据片段，记为x(n)，其中n表示步骤(1)中预处理后的时间序列长度；对目标样本x(n)进行匹配后得到的时移集合表述为：B＝{b1,b2,...,b
j
,...,b
N
}其中，b
N
为匹配过程中的最大时移量，N表示与样本x(n)匹配过程中的有效个数；伸缩特性描述相邻两次转炉炼钢的间隙持续时长；由于每一次生产后转炉需要一定的时间冷却，导致生产间隙的持续时长保持在一定的范围中；生产间隙的最小值是出于工艺特点与下次炼钢之间最小时长，生产间隙的最大值是保证能够完成当天的生产计划，得到的伸缩尺度集合描述为：A＝{a1,a2,...,a
i
,...,a
l
}其中，a
l
为生产间隙的最大值，l表示生产间隙的总时长数；将时移集合与伸缩尺度集合进行组合，得到模序列组{t1,t2,...,t
i
,...,t
M
}，M表示时移集合与伸缩尺度集合经过组合后的总数；通过计算模序列组中第i个模序列t
i
(m)在时间维度上沿着目标样本x(n)移动的互相关函数来衡量匹配程度，具体如式(1)所示：其中，m
i
为模序列中基底的长度，j表示在目标样本x(n)长度范围内的时移值；Y
ij
表示当模序列t
i
(m)的伸缩尺度为a
i
、时移尺度为b
j
时，与样本序列x(n)的相似程度；Y
ij
的取值越大时，表示模序列t
i
(m)与样本序列x(n)相似性越好；因此，Y
ij
的局部极值表示目标样本与模序列在该伸缩尺度与时移尺度下最为匹配；将这些局部极值点构成一个集合，记作Y
*
＝{Y(a
i
,b
j
)}，其中a
i
,b
j
为最佳的伸缩尺度与时移尺度，而Y(a
i
,b
j
)需要满足式(2)：将局部极值点Y
*
中的最佳伸缩尺度与时移尺度提取出来，重新构成特征向量χ＝{(a
i
,b
j
)}；构成特征向量集χ后也意味着完成了对有限数据片段的特征提取的工作；(3)建立DDPG网络预测模型
DDPG网络预测模型基于Actor
‑
Critic形式，分为Actor网络和Critic网络两部分；每一部分又分为双网络，分别为Actor估计网络和Actor目标网络、C...
【专利技术属性】
技术研发人员：黄兰蔼，赵珺，董天浩，滕兆桓，沈畅，鲁治国，赵汉卿，王天宇，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。