【技术实现步骤摘要】
本专利技术涉及能耗预测，具体涉及一种基于de-mk-msvr的锡冶炼过程多类别能耗预测方法。
技术介绍
1、有色金属冶炼作为高排放、高耗能行业，低碳化是其可持续发展的关键，。有色金属在冶炼过程中消耗大量的煤炭、矿石等自然矿产资，能源消耗是企业的重要成本之一，能耗预测对挖掘节能潜力有非常重要的作用。目前的能耗预测方法大致可分为三类：机理建模、数据驱动建模及混合建模。基于机理的建模方法，大多为领域专家在具备丰富的领域知识的提前下，根据对象过程内部的反应运行机制，利用过程涉及到的如化学反应规律、热力学、能量质量守恒定律等规律建立过程模型的方法，该方法一般较为复杂且成本较高；基于数据驱动建模方法不过分依赖反应过程的机理知识，通过分析过程特性和数据特征来建立能耗预测模型，其预精度高、响应快，代表方法有bp神经网络预测，长短期记忆神经网络(lstm)，支持向量机(svm)，随机森林(rf)等模型；混合建模是将机理分析与数据驱动相结合的方法，通过将先验知识引入到建模和分析过程中，不仅可以极大地提高建模优化的效率，还可以解决模型泛化能力差的问题。
2、面对锡冶炼过程中高温、强粉尘，涉及复杂的物理化学反应和多相流的能质转换，冶炼过程关键状态参数无法准确感知的情况下，采用机理分析建模是困难的，选用基于数据驱动的建模方法更适用于锡冶炼过程全流程的能耗分析。传统的能耗预测模型只针某一生产工序或某种单一能源进行预测分析，这些单一预测模型无法满足对多工序复杂生产过程的多类别输出预测的需求。锡冶炼过程伴随着多类型的能源交叉消耗且能源消耗之间存在强
技术实现思路
1、为了解决现有技术中存在锡冶炼过程小样本数据集条件下、涉及多工序的生产过程中多类型能耗预测问题，本专利技术提出了一种基于de-mk-msvr的锡冶炼过程多类别综合能耗预测方法。以期能充分考虑不同能耗之间的相关性，通过采用多输出支持向量回归(msvr)的方法解决单一模型对多类别能耗预测精度低的问题，从而提高锡冶炼企业能耗数据的预测效果。
2、为实现上述目的，本专利技术提供了一种基于de-mk-msvr的锡冶炼过程多能耗预测方法，具体包括以下步骤：
3、s1、通过数据采集装置对锡冶炼过程的能耗数据、生产过程数据以及实时状态数据进行采集；
4、所述数据采集装置包括：电子式多功能智能电表、智能热力仪表、热力积算仪、智能气体流量表、智能液态流量表、称重仪表、压力、温度、测速传感器，运用互联网、5g网络通讯方式进行数据传输；
5、s2、将s1中获得能耗数据作为输出变量，过程数据及实时状态数据作为输入变量并进行预处理；
6、由于采集的数据存在缺失值、异常值以及采集周期和量纲的差异，现场收集的数据无法直接用于建模，所以需要对数据进行预处理，所述预处理包括：数据格式的转换、缺失值填充、异常值检测以及数据量纲的统一，具体步骤如下：
7、s2.1、对原始数据中的类别型数据采用独热编码的方式将其转换为数值型数据；
8、s2.2、对缺失数据采用拉格朗日插值进行补差，具体表达式如下所示：
9、
10、
11、式中：yj表示第j个输出变量的位置，lj(x)表示插值函数，x表示输入变量，xi表示第i个输入变量的位置，xj表示第j个输入变量的位置，k表示自变量的个数；
12、s2.3、对异常值使用箱线图进行检测并剔除；
13、箱线图由5个数值组成：最小值(min)、下四分位数(q1)、中位数(median)、上四分位数(q3)和最大值(max)；在箱线图中iqr表示四分位距离，iqr＝q3-q1，设置最小观测值为q1-1.5*iqr，最大观测值为q3+1.5*iqr，超出最大、最小范围的值即视为“异常值”；
14、箱线图没有对数据作任何限制性要求，它只是真实直观地表现数据分布的本来面貌，箱型图判断异常值的标准以四分位数和四分位距为基础，四分位数具有一定的鲁棒性，箱型图识别异常值的结果比较客观，在识别异常值方面有一定的优越性；
15、s2.4、对数据使用归一化处理的算法消除变量之间的量纲差异，具体表达式如下所示：
16、
17、式中：μ表示均值，σ表示标准差，x表示输入变量，x*表示归一化后的数据；
18、s3、采用距离相关系数算法分析s2预处理后的输入、输出变量，并根据相关系数比去除冗余的输入变量，筛选出与输出变量相关性高的输入变量；
19、通过距离相关系数算法，计算输入与输出变量之间的相关系数比，系数比值范围为[0,1]，若比值为0，则代表变量之间相互独立，比值越接近于1，则表明变量之间的相关性越强，将相关系数比为0.9作为阈值，相关系数高于0.9，则表明变量之间强相关；通过将两个强相关的冗余变量分别与输出变量之间的相关性进行对比，并保留与输出变量之间相关性更高的一组变量；
20、所述距离相关系数算法的具体表达式如下所示：
21、
22、式中：x表示输入变量，y表示输出变量，dcor(x,y)表示距离相关系数值，dcov(x,y)表示距离协方差，dvar(x)与dvar(y)分别表示x和y的距离协方差；
23、s4、将输入变量和输出变量设为训练样本并划分训练集与测试集，搭建de-mk-msvr能耗预测模型，采用s3去除冗余后的输入变量对所述模型进行训练，采用测试集验证模型的预测效果；
24、将训练集与测试集按8:2进行划分，所述搭建de-mk-msvr能耗预测模型的具体步骤为：
25、s4.1、建立多输出支持向量回归模型；
26、对于函数拟合问题，设训练样本为s＝{(xi,yi)}，其中，xi表示第i个输入变量的位置，yi表示第i个输出变量的位置，i＝1,2,...,np，np表示种群规模，构造所述回归函数模型具体表达式如下所示：
27、
28、式中，φ(x)表示高维空间的非线性映射函数，w为映射函数φ(x)的权重系数，b表示多输出函数f(x)的偏置向量，w＝[w1,w2,…,wn]，b＝[b1,b2,…,bn]，f1(x)…fn(x)表示为n维输出函数，其中n＝1,2,3...n，f1(x)表示1维输出函数，fn(x)表示第n维输出函数；φ1(x)…φn(x)表示n维非线性映射函数，其中n＝1,2,3...n，φ1(x)表示1维非线性映射函数，φn(x)表示第n非线性映射函数；b1...bn表示n维偏置向量，其中n＝1,2,3...n，b1表示1维偏执向量，bn表示第n维偏置向量；
29、对于有n维输出的情况，回归函数可以表示为：
30、y＝φt(x)φ(x)β+b
31、式中，φ(x)表示非线性映射函数，β表示模型的系数，b表示偏置向量；
32、s4.2、引入多核学习本文档来自技高网...
【技术保护点】
1.一种基于DE-MK-MSVR的锡冶炼过程多能耗预测方法，其特征在于，所述方法的具体步骤如下：
2.根据权利要求1所述的一种基于DE-MK-MSVR的锡冶炼过程多能耗预测方法，其特征在于：所述的S1中的数据采集装置包括：电子式多功能智能电表、智能热力仪表、热力积算仪、智能气体流量表、智能液态流量表、称重仪表、压力、温度、测速传感器。
3.根据权利要求1所述的一种基于DE-MK-MSVR的锡冶炼过程多能耗预测方法，其特征在于：所述的S2中预处理包括：数据格式的转换、缺失值填充、异常值检测以及数据量纲的统一，具体过程如下：
4.根据权利要求1所述的一种基于DE-MK-MSVR的锡冶炼过程多能耗预测方法，其特征在于：所述的S3的具体过程为：通过距离相关系数算法，计算输入与输出变量之间的相关系数比，系数比值范围为[0,1]，若比值为0，则代表变量之间相互独立，比值越接近于1，则表明变量之间的相关性越强，所述距离相关系数算法的具体表达式如下所示：
5.根据权利要求1所述的一种基于DE-MK-MSVR的锡冶炼过程多能耗预测方法，其特征在于：所
6.根据权利要求1所述的一种基于DE-MK-MSVR的锡冶炼过程多能耗预测方法，其特征在于：所述的S5中的模型预测评价指标包括：决定系数、均方根误差、平均误差以及百分比误差；所述决定系数、均方根误差、平均误差以及百分比误差具体表达式如下所示：
...【技术特征摘要】
1.一种基于de-mk-msvr的锡冶炼过程多能耗预测方法，其特征在于，所述方法的具体步骤如下：
2.根据权利要求1所述的一种基于de-mk-msvr的锡冶炼过程多能耗预测方法，其特征在于：所述的s1中的数据采集装置包括：电子式多功能智能电表、智能热力仪表、热力积算仪、智能气体流量表、智能液态流量表、称重仪表、压力、温度、测速传感器。
3.根据权利要求1所述的一种基于de-mk-msvr的锡冶炼过程多能耗预测方法，其特征在于：所述的s2中预处理包括：数据格式的转换、缺失值填充、异常值检测以及数据量纲的统一，具体过程如下：
4.根据权利要求1所述的一种基于de-mk-msvr的锡冶炼过程多能耗预测方法，其特征在于：所述的s3的具体过...
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。