CN104866725A - 一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法 - Google Patents

Abstract

本发明公开了一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法，运用最小二乘支持向量机的方法建立起一个未来某一段时间蒸汽消耗总量的预测模型，对企业的蒸汽消耗量进行预测,然后根据预测结果利用锅炉蓄热器或蒸汽相关的控制调节系统和方法对蒸汽的供应量和供气压力进行调节，以满足下一时刻蒸汽的实际需求;利用改进后的最小二乘支持向量机的先进预测方法进行蒸汽消耗量的预测能够在短时间内通过运算得到较为精确的预测数据，并利用现代化系统调控优化技术手段，及时调节蒸汽供汽量，提前完成蒸汽供应量优化调控工作，提高蒸汽利用效率，减少蒸汽的浪费，降低现代化卷烟生产过程中的能源成本。

Description

一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法

技术领域

本发明涉及卷烟企业生产过程中能源预测控制领域，尤其涉及一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法。

背景技术

卷烟工业属于轻工制造业的一员，随着生产制造技术的发展，自动化、信息化水平的提高，卷烟生产走在了轻工业制造技术的前列；现有的卷烟企业整个生产流程中都需要消耗一定量的压力不同的饱和蒸汽，如烟叶发酵、烟包回潮、润叶、烘丝、梗丝膨化、糖料间、制浆房及冷冻站和热交换站等；部分工序的生产设备不仅蒸汽消耗量大，而且还是周期性用汽,因此不同的生产工况或不同时间的生产均有可能造成用汽量波动；这就导致了在卷烟企业的生产过程中，一方面可能造成蒸汽供应过量，导致能量浪费；另一方面可能因蒸汽需求量突然的增加，而蒸汽管网供应不足，影响生产设备运行和产品质量，直接造成经济损失。

现有技术利用企业能源管理系统记录了t时刻设备蒸汽消耗点的数据和t时刻蒸汽消耗总量数据，并且利用这些数据对蒸汽的使用量进行预测，还采用了蒸汽蓄热器等手段来缓解用汽波动的问题，但以上方式都属于被动调控，反馈不及时，调控动作迟缓，缺乏操作的主动性，还将不可避免的造成一定程度上的能源浪费和损失。

发明内容

本发明公开了一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法，用于解决现有技术中因为利用蒸汽蓄热器等被动调控手段调节卷烟企业蒸汽消耗量方法而导致的反馈不及时、调控动作迟缓、缺乏操作主动性的问题。

为了解决上述问题，本发明采用以下技术方案：

一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法，其特征在于，包括以下步骤：

A：利用各设备蒸汽消耗的数据作为影响蒸汽消耗总量的影响因子对进行预测，根据数据库数据存储的频率，将各监测时刻的m个蒸汽消耗设备的监测数据构成生产历史数据集L，其中x'_tm为t时刻的各设备蒸汽消耗的数据，y'_t1为t时刻的蒸汽消耗总量，t＝1,2,3,……n，m为消耗蒸汽的设备的个数，

$L=\left[\begin{array}{ccccc}{x}_{11}^{\′}& x_{12}^{\′}& ...& x_{1m}^{\′}& y_{11}^{\′}\\ x_{21}^{\′}& x_{21}^{\′}& ...& x_{2m}^{\′}& y_{21}^{\′}\\ ...& ...& ...& ...& ...\\ x_{t1}^{\′}& x_{t2}^{\′}& ...& x_{\mathrm{tm}}^{\′}& y_{t1}^{\′}\end{array}\right],$ 然后进入下一步；

B：将建立模型的生产历史数据集L作为样本数据，剔除样本数据中数据值为0或负数的数据列，然后对剔除异常数据后的样本数据进行归一化预处理，数据归一化范围为[-1,1]，归一化预处理之后的样本数据设为U：

$U=\left[\begin{array}{ccccc}{x}_{11}& x_{12}& ...& x_{1m}& y_{11}\\ x_{21}& x_{21}& ...& x_{2m}& y_{21}\\ ...& ...& ...& ...& ...\\ x_{t1}& x_{t2}& ...& x_{\mathrm{tm}}& y_{t1}\end{array}\right],$ 然后进入下一步；

C：利用最小二次支持向量机的建模方法对预处理后的样本数据U进行建模，利用交叉检验的方法将建模数据U分为训练模型数据U₁和测试模型数据U₂两部分，然后用训练模型数据U₁中的x_tm作为自变量_、用训练模型数据U₁中的y_t1作为因变量建立预测模型，即将自变量x_tm作为模型的输入值，将因变量y_t1作为模型的输出值，建立预测模型，然后进入下一步；

D：利用最小二次支持向量机的建模方法将输入值x_tm用一个非线性函数映射到高维特征空间变为在此高维特征空间进行线性回归，并在高维特征空间中构造最优决策函数：

利用最小二次支持向量机结构风险最小化原则，选取目标优化函数为：

其中，ω,b分别为高维空间中预测模型的复杂度和常数项，ξ_i为模型的拟合误差，i＝1,2,……,t，C为错误惩罚因子，s.t.为约束条件，min为目标函数，然后进入下一步；

E：引入拉格朗日乘子对目标优化函数进行拉格朗日变换，同时采用核函数表示方式，得到卷烟企业中t时刻设备蒸汽消耗点的数据和t时刻蒸汽消耗总量数据的预测模型：

其中α_i为回归系数，i＝1,2,……,t，然后进入下一步；

F：用测试模型数据U₂中的自变量x_i和因变量y_i数据进行模型预测精度的测试，测试过程是将自变量x_i输入预测模型，求得计算值y'_i，再与测试模型数据U₂中真实的因变量y_i值进行比较，分别计算均方误差MSE、平均绝对误差MAE和平均相对误差MAPE并作为预测模型的预测精度的评价指标。

本发明运用最小二乘支持向量机的建模方法，根据对卷烟企业能源管理系统所得历史生产运行数据的建模与计算，从而对企业未来某一段的时间蒸汽消耗总量进行有效预测，首先达到了合理用汽，节能减排的目的；其次降低了企业能源成本，进一步增大了生产效益；最后在主动调控的过程中，反馈及时，操作主动性高，可以有效的避免能源的浪费和损失，同时，还可以有效的防止在生产过程中出现供气量不足的问题。

附图说明

图1是本发明蒸汽消耗量LSSVM模型预测流程图；

图2是本发明实施例中LSSVM模型对某卷烟企业蒸汽消耗量预测的效果图；

具体实施方式

下面结合具体实施方式，对本发明所述的一种基于最小二乘支持向量机(LSSVM)对卷烟企业蒸汽消耗量进行预测的方法作进一步说明。

实施例：已知企业现有真空回潮机3台、润叶机1台、烤梗机1台、烤片机2台、松包回潮机2台、蒸叶机2台、润梗机1台、蒸梗机1台、烘叶丝机2台、烘梗丝机1台，卷烟生产的过程为典型的复烤打叶和制丝卷接包工序。

根据上述烟草企业的蒸汽供应和使用情况，建立最小二乘支持向量机(LSSVM)模型，并应用此模型对该企业未来某一段时间蒸汽消耗量进行预测，如图1所示，预测过程分为以下六个步骤：

A：利用企业能源管理系统，从卷烟企业能源管理系统(EMS)的后台数据库中提取t时刻设备蒸汽消耗点的数据和t时刻蒸汽消耗总量数据，或者直接利用计算机记录t时刻设备蒸汽消耗点的数据和t时刻蒸汽消耗总量数据，包含真空回潮机、润叶机、烤梗机、烤片机、松包回潮机、蒸叶机、润梗机、蒸梗机、烘叶丝机、烘梗丝机等16台t时刻设备蒸汽消耗点的数据和t时刻蒸汽消耗总量数据，因为蒸汽消耗总量只与t时刻设备蒸汽消耗点的数据有关，所以可以利用t时刻设备蒸汽消耗点的数据作为影响蒸汽消耗总量的影响因子对蒸汽消耗总量进行预测，根据数据库数据存储的频率，以分钟为单位，将各监测时刻t的m个蒸汽设备消耗点监测数据构成生产历史数据集L，共选取60组数据构成生产历史数据集L，其中x’_tm为t时刻的各设备蒸汽消耗的数据，y’_t1为t时刻的蒸汽消耗总量，t＝1,2,3,……60,m＝16,

$L=\left[\begin{array}{ccccc}{x}_{11}^{\′}& x_{12}^{\′}& ...& x_{116}^{\′}& y_{11}^{\′}\\ x_{21}^{\′}& x_{21}^{\′}& ...& x_{216}^{\′}& y_{21}^{\′}\\ ...& ...& ...& ...& ...\\ x_{601}^{\′}& x_{602}^{\′}& ...& x_{6016}^{\′}& y_{601}^{\′}\end{array}\right],$ 然后进入下一步；

B：用于建立模型的生产历史数据集L即为样本数据，对L进行剔除异常数据整理，在卷烟工业中，异常数据为数据值为0或负数的数据列，剔除异常数据后剩余56组数据，为了方便样本数据的处理，对剔除异常数据后的样本数据集进行归一化预处理，数据归一化范围为[-1,1]，归一化预处理之后的样本数据变为U：

$U=\left[\begin{array}{ccccc}{x}_{11}& x_{12}& ...& x_{116}& y_{11}\\ x_{21}& x_{21}& ...& x_{216}& y_{21}\\ ...& ...& ...& ...& ...\\ x_{561}& x_{562}& ...& x_{5616}& y_{561}\end{array}\right],$ 然后进入下一步；

C：利用LSSVM的建模方法对预处理后的数据U进行建模,利用公知技术中的交叉检验的方法将建模数据U分为训练模型数据U₁和测试模型数据U₂两部分，

$U1=\left[\begin{array}{ccccc}{x}_{11}& x_{12}& ...& x_{116}& y_{11}\\ x_{21}& x_{21}& ...& x_{216}& y_{21}\\ ...& ...& ...& ...& ...\\ x_{501}& x_{502}& ...& x_{5016}& y_{501}\end{array}\right],$ 其中训练模型数据U₁包括50组数据，

$U2=\left[\begin{array}{ccccc}{x}_{11}& x_{12}& ...& x_{116}& y_{11}\\ x_{21}& x_{21}& ...& x_{216}& y_{21}\\ ...& ...& ...& ...& ...\\ x_{61}& x_{62}& ...& x_{616}& y_{61}\end{array}\right],$ 其中测试模型数据U₂包括剩余的6组数据，

然后用U₁中的自变量x_t’m(影响蒸汽消耗总量的影响因子)和因变量y_t’1(蒸汽消耗总量)建立预测模型，其中t'＝50，将自变量x_t’m作为模型的输入值，将因变量y_t’1作为模型的输出值，建立预测模型，然后进入下一步；

D：对于给定的训练模型数据U₁，利用LSSVM建立模型的方法将训练模型数据U₁用一个非线性函数映射到高维特征空间在此高维特征空间进行线性回归，并在高维特征空间中构造最优决策函数：

利用LSSVM结构风险最小化原则，选取目标优化函数为：

其中，ω,b为高维空间中预测模型的复杂度和常数项，ξ_i为模型的拟合误差，i＝1,2,……,t'，C为错误惩罚因子，s.t.为约束条件，mini为目标函数，然后进入下一步；

E：引入拉格朗日乘子对目标优化函数进行拉格朗日变换，同时采用核函数表示方式，得到卷烟企业中t时刻设备蒸汽消耗点的数据和t时刻蒸汽消耗总量数据的预测模型：

其中α_i为回归系数，i＝1,2,……,t'，然后进入下一步；

F：用测试模型数据U₂中的自变量x_i和因变量数据进行模型预测精度的测试，测试过程是将6组测试模型数据的测试自变量输入预测模型，求得计算值y'_i，再与真实的因变量y_i值进行比较，分别计算均方误差MSE、平均绝对误差MAE和平均相对误差MAPE作为评价预测精度的指标，均方误差MSE、平均绝对误差MAE和平均相对误差MAPE的值越小，说明预测模型的预测精度越高。

最后根据预测值与真实值构建图2，以展示预测效果。图2中，菱形数据点为真实值，正三角数据点为预测值。由图可比较直观的看出，预测模型预测所得的预测值与实际的真实值差距较小，预测精度较高。锅炉或能源调度操作人员可以根据此预测消耗量，利用企业现有调节控制方法和技术，对蒸汽供应量进行调控，以优化蒸汽管网供应量，满足蒸汽使用的需求。

本发明运用LSSVM的建模方法，根据对卷烟企业能源管理系统所得历史生产运行数据的建模与计算，从而对企业未来某一段的时间蒸汽消耗总量进行有效预测，并根据预测结果结合企业蒸汽供应量调控技术对蒸汽管网内的蒸汽供应量和供汽压力进行适当调节，首先达到了合理用汽，节能减排的目的；其次降低了企业能源成本，进一步增大了生产效益；最后在主动调控的过程中，反馈及时，操作主动性高，可以有效的避免能源的浪费和损失，同时，还可以有效的防止在生产过程中出现供气量不足的问题。

Claims (1)

1.一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法，其特征在于，包括以下步骤：

A：利用各设备蒸汽消耗的数据作为影响蒸汽消耗总量的影响因子对进行预测，根据数据库数据存储的频率，将各监测时刻的m个蒸汽消耗设备的监测数据构成生产历史数据集L，其中x’_tm为t时刻的各设备蒸汽消耗的数据，y’_t1为t时刻的蒸汽消耗总量，t＝1,2,3,……n，m为消耗蒸汽的设备的个数，

$L=\left[\begin{array}{ccccc}{x}_{11}^{\′}& x_{12}^{\′}& ...& x_{1m}^{\′}& y_{11}^{\′}\\ x_{21}^{\′}& x_{21}^{\′}& ...& x_{2m}^{\′}& y_{21}^{\′}\\ ...& ...& ...& ...& ...\\ x_{t1}^{\′}& x_{t2}^{\′}& ...& x_{\mathrm{tm}}^{\′}& y_{t1}^{\′}\end{array}\right],$ 然后进入下一步；

B：将建立模型的生产历史数据集L作为样本数据，剔除样本数据中数据值为0或负数的数据列，然后对剔除异常数据后的样本数据进行归一化预处理，数据归一化范围为[-1,1]，归一化预处理之后的样本数据设为U：

$U=\left[\begin{array}{ccccc}{x}_{11}& x_{12}& ...& x_{1m}& y_{11}\\ x_{21}& x_{21}& ...& x_{2m}& y_{21}\\ ...& ...& ...& ...& ...\\ x_{t1}& x_{t2}& ...& x_{\mathrm{tm}}& y_{t1}\end{array}\right],$ 然后进入下一步；

C：利用最小二次支持向量机的建模方法对预处理后的样本数据U进行建模，利用交叉检验的方法将建模数据U分为训练模型数据U₁和测试模型数据U₂两部分，然后用训练模型数据U₁中的x_tm作为自变量_、用训练模型数据U₁中的y_t1作为因变量建立预测模型，即将自变量x_tm作为模型的输入值，将因变量y_t1作为模型的输出值，建立预测模型，然后进入下一步；

D：利用最小二次支持向量机的建模方法将输入值x_tm用一个非线性函数映射到高维特征空间变为在此高维特征空间进行线性回归，并在高维特征空间中构造最优决策函数：

利用最小二次支持向量机结构风险最小化原则，选取目标优化函数为：

其中，ω,b分别为高维空间中预测模型的复杂度和常数项，ξ_i为模型的拟合误差，i＝1,2,……,t，C为错误惩罚因子，s.t.为约束条件，min为目标函数，然后进入下一步；

E：引入拉格朗日乘子对目标优化函数进行拉格朗日变换，同时采用核函数表示方式，得到卷烟企业中t时刻设备蒸汽消耗点的数据和t时刻蒸汽消耗总量数据的预测模型：

其中α_i为回归系数，i＝1,2,……,t，然后进入下一步；

F：用测试模型数据U₂中的自变量x_i和因变量y_i数据进行模型预测精度的测试，测试过程是将自变量x_i输入预测模型，求得计算值y’_i，再与测试模型数据U₂中真实的因变量y_i值进行比较，分别计算均方误差MSE、平均绝对误差MAE和平均相对误差MAPE并作为预测模型的预测精度的评价指标。