基于BiLSTM-ARIMA-Attention的工业循环水系统温度预测方法技术方案

本发明专利技术提供了一种工业循环水系统温度预测方法，步骤包括：首先，获取高炉系统及循环水系统的温度、流量、压力等原始数据，并进行预处理；采用基于模糊不一致性度量的特征约简方法衡量特征重要性，剔除冗余特征，获得关键特征子集；将数据分为训练集、验证集和测试集，使用双向长短期记忆神经网络模型进行训练和评估；利用验证集进行预测，计算残差序列；采用注意力机制在局部和全局维度对特征加权，增强不同时间步的差异性；然后使用自回归综合移动平均模型修正残差，并与预测值整合，得到最终预测结果；基于此建立综合模型，使用测试集评估预测性能。该方法能够准确预测回水温度，提高系统效率与节能效果。

【技术实现步骤摘要】

本专利技术涉及高炉冷却设备，特别是涉及一种基于注意力机制的双向长短期记忆-自回归综合移动平均神经网络(bilstm-arima-attention)的工业循环水系统回水温度预测方法。

技术介绍

1、工业循环水系统广泛应用于化工、钢铁、电力等行业，主要用于冷却设备和工艺流程中的热量。系统通常包括冷却塔、换热器、泵、管道等组件。冷却水在系统中循环流动，吸收设备产生的热量，然后通过冷却塔散热，回到系统中重新循环使用。回水温度是衡量工业循环水系统运行效率的重要参数。准确预测回水温度可以帮助优化冷却水流量、调节系统参数，从而提高冷却效果，降低能耗，延长设备寿命。

2、目前，涉及工业循环水系统回水温度预测的方法中，多采用传统机器学习的方法，这些方法通过人工提取环境温度、冷却塔效率、系统流量、设备负荷等特征，并将其用于建立预测模型。然而，该方法通常需要丰富的专家经验与相关领域知识，预测效率和准确性难以保障。此外，由于回水温度受多种复杂因素影响，传统方法在处理非线性和长时间依赖性方面存在局限性。虽然深度学习方法在处理复杂非线性关系和时间序列数据方面表现出色，但本文档来自技高网...

【技术保护点】

1.一种工业循环水系统温度预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种工业循环水系统温度预测方法，其特征在于，对所述原始数据进行数据清洗以及归一化预处理，得到标准化的时间序列数据，包括：首先对系统运行机理进行详细分析，人工挑选出与预测值不相关的变量；其次，根据所述循环水系统和高炉系统收集的多种运行参数，通过数据清洗、滤波等信号预处理方法后，采用数据归一化方法，将所述一维离散时间序列数据转化为标准化的数值范围。归一化处理公式为：其中X为原始数据，Xnorm为归一化后的数据，Xmax和Xmin分别是离散点的最大值和最小值。

3.根据权利要求2所述...

【技术特征摘要】

1.一种工业循环水系统温度预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种工业循环水系统温度预测方法，其特征在于，对所述原始数据进行数据清洗以及归一化预处理，得到标准化的时间序列数据，包括：首先对系统运行机理进行详细分析，人工挑选出与预测值不相关的变量；其次，根据所述循环水系统和高炉系统收集的多种运行参数，通过数据清洗、滤波等信号预处理方法后，采用数据归一化方法，将所述一维离散时间序列数据转化为标准化的数值范围。归一化处理公式为：其中x为原始数据，xnorm为归一化后的数据，xmax和xmin分别是离散点的最大值和最小值。

3.根据权利要求2所述的工业循环水系统温度预测方法，其特征在于，对所述时间序列数据进行数据增强处理，其中包括：对预处理后的时间序列数据进行数据增强，通过数据的再次筛选和处理，增加数据的多样性和数量，以增强模型的泛化能力。数据增强方法包括但不限于滑动窗口法、时间切片法和随机抽样法。

4.根据权利要求1所述的工业循环水系统温度预测方法，其特征在于，将所述约简后的数据输入到双向长短期记忆神经网络模型中进行训练和验证，其中包括：利用双向长短期记忆神经网络模型能够捕捉长时间依赖关系的特点，从时间维度提取温度变化的特征，并对其进行训练和验证，得到初步预测结果。双向长短期记忆神经网络模型的基...

【专利技术属性】
技术研发人员：吴佳，赵俊诚，唐文妍，石颖，黄启宏，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：