CN109034497A - 多晶硅还原工序能耗值的预测方法、系统、介质及设备 - Google Patents
多晶硅还原工序能耗值的预测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN109034497A CN109034497A CN201811011302.3A CN201811011302A CN109034497A CN 109034497 A CN109034497 A CN 109034497A CN 201811011302 A CN201811011302 A CN 201811011302A CN 109034497 A CN109034497 A CN 109034497A
- Authority
- CN
- China
- Prior art keywords
- reduction process
- energy consumption
- polycrystalline reduction
- algorithm
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种多晶硅还原工序能耗值的预测方法,包括:利用预先创建好的目标模型对目标多晶硅还原工序的能耗值进行预测,得到目标多晶硅还原工序的能耗预测值;其中,目标模型的创建过程为:对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据;利用LSTM算法对预处理数据进行建模,得到预测模型;利用Adaboost算法对预测模型进行处理,构建目标模型。显然,利用本申请公开的方法能够显著提高目标多晶硅还原工序能耗值的预测精度。相应的,本申请公开的一种多晶硅还原工序能耗值的预测系统、介质及设备,同样具有上述有益效果。
Description
技术领域
本发明涉及生产工艺能耗预测领域,特别涉及一种多晶硅还原工序能耗值的预测方法、系统、介质及设备。
背景技术
多晶硅作为光伏转换器最好的制作材料之一,有95%的太阳能电池都是以多晶硅作为原材料,其主要的生产方法有西门子法、冶金法和碳热还原法等等。其中,西门子法是生产多晶硅最为成熟的工艺技术,该工艺流程主要包括三氯氢硅合成工艺、三氯氢硅精馏提纯工艺、三氯氢硅还原工艺和尾气回收再利用工艺。而三氯氢硅还原工艺是多晶硅生产的核心技术,长期被国外企业所垄断,我国工艺技术水平落后,每生产1kg的多晶硅将消耗10~15kg的三氯氢硅,能量消耗巨大,而利用预测模型可以对多晶硅还原工序的能耗值进行预测,从而工作人员可以根据多晶硅还原工序的能耗值对多晶硅还原工序的生产流程进行控制,进而达到提高多晶硅生产效率的目的,该方法在目前市场上应用较为广泛。但是,在现有技术当中,大多数的预测模型对多晶硅还原工序能耗值进行预测时,都存在预测精度较低的问题,由此可见,如何利用一种更好的方法来提高多晶硅还原工序能耗值的预测精度,是本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种多晶硅还原工序能耗值的预测方法、系统、介质及设备,以提高多晶硅还原工序能耗值的预测精度。其具体方案如下:
一种多晶硅还原工序能耗值的预测方法,包括:
利用预先创建好的目标模型对目标多晶硅还原工序的能耗值进行预测,得到所述目标多晶硅还原工序的能耗预测值;
其中,所述目标模型的创建过程为:
对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据;
利用LSTM算法对所述预处理数据进行建模,得到预测模型;
利用Adaboost算法对所述预测模型进行处理,构建所述目标模型。
优选的,所述对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据的过程,包括:
利用PCA算法对影响多晶硅还原工序能耗值的影响因子进行预处理,得到所述预处理数据。
优选的,所述对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据的过程,包括:
利用LDA算法对影响多晶硅还原工序能耗值的影响因子进行预处理,得到所述预处理数据。
优选的,所述利用预先创建好的目标模型对目标多晶硅还原工序的能耗值进行预测,得到所述目标多晶硅还原工序的能耗预测值的过程之后,还包括:
利用RMSE和/或MRE评估所述能耗预测值的精确度。
优选的,所述利用LSTM算法对所述预处理数据进行建模,得到预测模型的过程,包括:
对所述LSTM算法中的权重进行正则化处理,得到优化算法;
利用所述优化算法对所述预处理数据进行建模,得到所述预测模型。
优选的,所述对所述LSTM算法中的权重进行正则化处理,得到优化算法的过程,包括:
对所述LSTM算法中的权重进行L2正则化处理,得到所述优化算法。
优选的,所述L2正则化的模型表达式为:
式中,w为所述LSTM算法中待估计的参数,T为所述LSTM算法中参数的迭代次数,yti为所述LSTM算法在第t时刻的真实值,为所述LSTM算法在第t时刻的输出值,λ为系数值。
相应的,本发明还公开了一种多晶硅还原工序能耗值的预测系统,包括:
能耗值预测模块,用于利用预先创建好的目标模型对目标多晶硅还原工序的能耗值进行预测,得到所述目标多晶硅还原工序的能耗预测值;
其中,所述能耗值预测模块由目标模型构建模块预测所得,所述目标模型构建模块包括:
数据预处理子模块,用于对多晶硅还原工序的原始数据进行预处理,得到预处理数据;
模型建立子模块,用于利用LSTM算法对所述预处理数据进行建模,得到预测模型;
模型优化子模块,用于利用Adaboost算法对所述预测模型进行处理,构建所述目标模型。
相应的,本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如前述公开的多晶硅还原工序能耗值的预测方法的步骤。
相应的,本发明还公开了一种多晶硅还原工序能耗值的预测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如前述公开的多晶硅还原工序能耗值的预测方法的步骤。
可见,在本发明中,首先是对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据,然后利用LSTM算法对预处理数据进行建模,得到预测模型,再利用Adaboost算法对预测模型进行处理,构建目标模型,显然,利用Adaboost算法能够提高预测模型中预测精度较高的权重,降低预测模型中预测精度较低的权重,所以,利用Adaboost算法对预测模型进行处理之后,得到的目标模型就能够对目标多晶硅还原工序的能耗值进行更为精确的预测。相应的,本发明提供的一种多晶硅还原工序能耗值的预测系统、介质及设备,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种多晶硅还原工序能耗值的预测方法的流程图;
图2为本发明实施例提供的另一种多晶硅还原工序能耗值的预测方法的流程图;
图3为本发明实施例提供的一种多晶硅还原工序能耗值的预测方法的示意图;
图4为本发明实施例提供的一种多晶硅还原工序能耗值的预测系统的结构图;
图5为本发明实施例提供的一种多晶硅还原工序能耗值的预测设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种多晶硅还原工序能耗值的预测方法,如图1所示,该方法包括:
利用预先创建好的目标模型对目标多晶硅还原工序的能耗值进行预测,得到目标多晶硅还原工序的能耗预测值;
在本实施例中,为了对目标多晶硅还原工序的能耗值进行预测,以提高生产多晶硅企业的利益,在本实施例中,是利用预先创建好的目标模型来对目标多晶硅还原工序的能耗值进行预测,并预测得到目标多晶硅还原工序的能耗预测值。能够想到的是,当利用目标模型预测得到目标多晶硅还原工序的能耗预测值时,就可以根据该能耗预测值对目标多晶硅的还原工序进行调整和改良,以提高目标多晶硅的生产效率。
其中,目标模型的创建过程为:
步骤S11:对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据;
可以理解的是,多晶硅在还原炉内会受到多种影响因子的影响,包括还原炉的结构、还原炉中硅棒的布置方式、还原炉内的沉积温度、还原炉内的压力、还原炉内三氯氢硅和氢气的配比、硅棒的电流和电压等因素,而且,这些影响因子相互制约、相互影响,对多晶硅还原工序能耗值的预测都有极大的影响,所以,在本实施例中,为了对多晶硅还原工序的能耗值进行预测,首先需要预先获取影响多晶硅还原工序能耗值的影响因子,然后,对获取到的影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据。
需要说明的是,此处的预处理是指将影响多晶硅还原工序能耗值的影响因子中具有冗余性的影响因子进行去除,这样一来,在后续流程的处理过程中,不仅可以减少在后续流程步骤中处理数据的处理速度,而且,还可以提高创建目标模型的速度。
步骤S12:利用LSTM算法对预处理数据进行建模,得到预测模型;
LSTM算法(Long-Short Term Memory,长短期记忆网络)是递归神经网络,它是一种能够根据时间序列或字符序列进行自我调用的特殊的神经网络,递归神经网络与其他网络的不同之处在于它的隐含层是能够跨越时间点的自连接隐含层,隐含层的输出不仅进入输出端,还进入了下一个时间步骤的隐含层,所以,该种网络模型能够持续保留样本数据中的信息。
而在实际应用当中,多晶硅还原工序的能耗值与时间的相关程度较高,所以,为了保证创建预测模型中信息的持久性,在本实施例中,是利用LSTM算法对预处理数据进行建模,得到预测模型。
具体的,在本实施例中,假设输入数据的序列为(x1,x2,...,xt),隐藏层状态为(h1,h2,...,ht),则在t时刻有:
it=σ(Wxixt+Whiht-1+bi);
式中,it为输入门,σ(x)为sigmoid函数,Wxi为输入层的权重矩阵,xt为输入序列,Whi为隐藏层到输入门限层的权重矩阵,ht-1为隐藏层,bi为输入层的偏差向量;
ft=σ(Wxfxt+Whfht-1+bf);
式中,ft为遗忘门,σ(x)为sigmoid函数,Wxf为输入层到遗忘门限层的权重矩阵,xt为输入序列,Whf为隐藏层到遗忘门限层的权重矩阵,ht-1为隐藏层,bf为遗忘门限层的偏差向量;
ot=σ(Wxoxt+Whoht-1+bo);
式中,ot为输出门,σ(x)为sigmoid函数,Wxo为输入层到输出门限层的权重矩阵,xt为输入序列,Who为隐藏层到输出门限层的权重矩阵,ht-1为隐藏层,bo为输出门限层的偏差向量;
ct=ft⊙ct-1+it⊙tanh(Whcht-1+Wxcxt+bc);
式中,ft为遗忘门,⊙为矩阵逐元素点乘,ct-1为记忆细胞状态中的信息,it为输入门,Whc为隐藏层到细胞状态层的权重矩阵,ht-1为隐藏层,Wxc为输入层到细胞状态层的权重矩阵,xt为输入序列,bc为细胞状态的权重矩阵;
需要说明的是,该公式表示遗忘门ft控制有多少上一时刻的记忆细胞中的信息ct-1可以传输到当前时刻的记忆细胞中,输入门it控制有多少信息可以流入记忆细胞ct中,而输出门ot控制有多少当前时刻的记忆细胞ct中的信息可以流入当前隐藏层ht中。
ht=ot⊙tanh(ct);
式中,ht为隐藏层,ot为输出门,⊙为矩阵逐元素点乘,ct为记忆细胞状态中的信息。
显然,基于LSTM算法理论,利用上述模型表达式就可以对预处理数据进行建模,得到能够对目标多晶硅还原工序能耗值进行预测的预测模型。
步骤S13:利用Adaboost算法对预测模型进行处理,构建目标模型。
为了进一步提高预测模型对多晶硅还原工序能耗值的预测精度,在本实施例中,还利用Adaboost算法对预测模型进行了处理,以此来构建目标模型。可以理解的是,Adaboost算法是一种迭代算法,其原理是针对同一个训练集训练不同的弱预测器,然后把这些弱预测器集合到一起,构成一个强预测器。其核心思想是,将预测误差比较大的样本和预测性能好的弱预测器的权值进行重新分配,也即,提高训练效果较好的弱预测器的权值,降低训练效果差的弱预测器的权值,然后,将修改过权值的弱预测器进行融合,得到最后的强预测器,也即,目标模型,以此来提高目标模型的预测精度。
其中,Adaboost算法的具体步骤如下:
1)初始化权值,令并训练弱预测器zt(x);
式中,Xt(i)为第t次迭代中样本的权值,n为训练样本的总数量;
2)计算每一个弱预测器在训练样本下的误差
3)更新样本的权值分类器的权值
其中,Qt为归一化因子。
4)重复迭代,迭代M次结束;
5)得到强预测器
需要说明的是,此处的强预测器即为目标模型。本实施例中的目标多晶硅是指待预测还原工序能耗值的多晶硅,上述步骤过程中提及到的多晶硅是指创建初始化模型时所用到的影响多晶硅还原工序的数据样本。并且,本实施例提供的一种多晶硅还原工序能耗值的预测方法,还可以应用于其它与多晶硅还原工序相类似的工艺流程,比如:铁还原工序和铜还原工序的能耗值预测等等。
可见,在本实施例中,首先是对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据,然后利用LSTM算法对预处理数据进行建模,得到预测模型,再利用Adaboost算法对预测模型进行处理,构建目标模型,显然,利用Adaboost算法能够提高预测模型中预测精度较高的权重,降低预测模型中预测精度较低的权重,所以,利用Adaboost算法对预测模型进行处理之后,得到的目标模型就能够对目标多晶硅还原工序的能耗值进行更为精确的预测。
基于上述实施例,本实施例对上述实施例作进一步的说明与优化,具体的,上述步骤S11:对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据的过程,包括:
利用PCA算法对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据。
可以理解的是,影响多晶硅还原工序能耗值的影响因子的种类多种多样,但是,在获取到的影响多晶硅还原工序能耗值的影响因子当中必定有一些影响因子是线性相关的,此种情况的出现,增加了处理问题的复杂度,同时也对分析问题带来一定的不便,因此,需要找到一个合理的方法,来减少影响多晶硅还原工序能耗值的影响因子的数量,以达到对影响因子进行分析的目的。
具体的,在本实施例中,是利用PCA算法(Principal Component Analysis)来对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据。也即,利用PCA算法去除掉影响多晶硅还原工序能耗值影响因子中互不相关的特征量,换句话说,也就是利用一组线性无关的特征向量来代替原有的特征向量,并且,经过PCA算法降维处理后,可以保留原来信息中绝大部分的信息,从而达到了减少影响因子的数量的目的,进而减少在后续流程步骤中对数据进行处理的数量。
其中,PCA算法的主要步骤如下:
1)当处理不同取值范围的特征值时,通常需要将特征值进行归一化处理,以消除特征值之间因为数值差别过大而对后续流程步骤的处理所造成的影响,此处,假设有n个样本,每个样本有m个特征向量,然后,将这m个特征向量进行归一化处理,也即:
式中,为归一化后的特征值,i=1,2,...,n,j=1,2,...,m,xij为特征值,为xj的均值,sj为xj的方差。
2)建立相关矩阵R,并计算相关矩阵R的特征值和特征向量,也即:
R=(X*)TX*/(n-1);
式中,X*为由特征值所构建的矩阵,n为样本的数量。
3)根据R=(X*)TX*/(n-1)可求得矩阵R的特征值,并根据计算所得的特征值确定主成分的个数k,也即:
式中,k为确定的主成分的个数,λi为特征值,n为样本的数量。
具体的,在实际操作当中,可以将η的取值设置为0.9,这样一来就能够保留主成分中绝大部分的信息,当然,η的值还可以根据实际情况进行具体的调整,此处不作具体的限定。
基于上述实施例,本实施例对上述实施例作进一步的说明与优化,具体的,上述步骤S11:对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据的过程,包括:
利用LDA算法对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据。
可以理解的是,LDA算法(Linear Discriminant Analysis,线性判别法)是一种将高维模式的样本数据投影到最佳鉴别矢量空间,以达到抽取分类信息和压缩特征空间维数的目的,该种算法能够反映出不同样本数据之间的差异性,所以,在本实施例中,还可以利用LDA算法对影响多晶硅还原工序能耗值的影响因子进行预处理,以减少在后续流程步骤中对数据进行处理的数量。当然,在实际应用当中,还可以通过其他的方式来对影响多晶硅还原工序能耗值的影响因子进行降维处理,此处不作具体的限定。
基于上述实施例,本实施例对上述实施例作进一步的说明与优化,具体的,上述步骤:利用预先创建好的目标模型对目标多晶硅还原工序的能耗值进行预测,得到目标多晶硅还原工序的能耗预测值的过程之后,还包括:
利用RMSE和/或MRE评估能耗预测值的精确度。
可以理解的是,为了判断目标模型是否能够准确预测目标多晶硅还原工序的能耗值,在本实施例中,还利用RMSE(Root Mean Square Error,均方根误差)和/或MRE(MeanRelative Error,平均相对误差)来评估能耗预测值的精确度。能够想到的是,在实际应用当中,RMSE能够准确判断出测量数据中偏大的数据值和偏小的数据值偏离准确值的程度,能够很好的反映出能耗预测值的准确性。而MRE是相对误差的平均值,所以,通过MRE也能够避免因为人工评估目标模型,而导致的对目标多晶硅还原工序能耗值预测不准确的问题,显然,通过本实施例中的方法,能够使得预测所得数据结果更具有实际参考价值。
基于上述实施例,本实施例对上述实施例作进一步的说明与优化,如图2所示,具体的,上述步骤S12:利用LSTM算法对预处理数据进行建模,得到预测模型的过程,包括:
步骤S121:对LSTM算法中的权重进行正则化处理,得到优化算法;
步骤S122:利用优化算法对预处理数据进行建模,得到预测模型。
在本实施例中,为了进一步的提高目标模型的泛化能力,还对LSTM算法中的权重进行了正则化处理,得到优化算法,也即,通过正则化对LSTM算法中的权重进行重新调配,将LSTM算法中比较重要的权重进行增加,将LSTM算法中不重要的权重进行减少,从而起到修正LSTM算法的作用。
当对LSTM算法中的权重进行正则化处理,得到优化算法之后,就可以利用优化算法来对预处理数据进行建模,得到能够更好的预测多晶硅还原工序能耗值的预测模型。
具体的,上述步骤S121:对LSTM算法中的权重进行正则化处理,得到优化算法的过程,包括:
对LSTM算法中的权重进行L2正则化处理,得到优化算法。
具体的,L2正则化的模型表达式为:
式中,w为LSTM算法中待估计的参数,T为LSTM算法中参数的迭代次数,yti为LSTM算法在第t时刻的真实值,为LSTM算法在第t时刻的输出值,λ为系数值。
具体的,在本实施例中,是利用L2正则化对LSTM算法中的权重进行处理,也即,利用L2正则化使得LSTM算法中的解偏向于范数较小的值,通过限制范数的大小实现对模型空间的限制,从而在一定程度上避免了LSTM算法创建预测模型的过拟合现象。并且,在本实施例中,还提供了L2正则化的数学模型的具体表达式,显然,此表达式为本领域技术人员所公知的内容,此处不作具体的阐述。
基于上述实施例,本实施例通过一个具体的例子进行说明,如图3所示,在实际应用当中,为了对目标多晶硅还原工序的能耗值进行预测,首先是获取影响多晶硅还原工序能耗值的影响因子,将这些影响因子创建为一个数据库,也即,数据库中存储有创建目标模型的原始数据,并且,为了去除原始数据中的冗余数据,是利用PCA算法对原始数据进行处理,得到预处理数据。
此外,在后续步骤中,为了检测目标模型是否能够准确预测目标多晶硅还原工序的能耗值,在本实施例中,还将预处理数据分为训练数据和测试数据,然后,基于LSTM算法理论对训练数据进行处理,得到LSTM网络模型,也即,预测模型。
具体的,基于LSTM算法理论创建预测模型的过程包括:将初始化权重设置为迭代次数设置为m=0,之后,将初始化模型中的迭代次数进行逐次累加,也即,将迭代次数设置为m+1,逐次训练初始化模型中的权重,然后,将训练数据输入到初始化模型当中,以确定初始化模型中各个层的结构函数。
其中,确定初始化模型中各个层的结构函数,具体包括计算隐含层的输入和输出,计算输出层的输出,最后得到Loss误差函数,以调节各个层的连接权重,也即,通过Loss误差函数调节初始化模型中输入层、输出层和隐藏层中的各个连接权重,计算初始化模型在训练数据下的误差,并根据初始化模型在训练数据下的误差逐步调整初始化模型中的权重,当初始化模型中的迭代次数大于设定值时,就得到一个训练好的LSTM网络模型,也即,能够对目标多晶硅还原工序能耗值进行预测的预测模型,此处为了进一步提高预测模型的预测精度,还利用Adaboost算法对预测模型进行了优化,也即,将利用训练样本训练得到的预测模型作为一个弱预测器,然后,利用Adaboost算法通过综合多个弱预测器来构建一个精度更高的强预测器,最后,将构建得到的强预测器作为预测目标多晶硅还原工序能耗值的目标模型。
此外,为了判断目标模型是否能够准确预测目标多晶硅还原工序的能耗值,还可以利用测试数据对目标模型进行评估,也即,将测试数据输入至目标模型当中,输出得到目标模型对目标多晶硅还原工序的能耗预测值,并且,为了更为准确的评估利用目标模型预测目标多晶硅还原工序的能耗值,还可以利用RMSE或者是MRE来评估能耗预测值的准确率。显然,通过本实施例中的方法,能够进一步提高对目标多晶硅还原工序能耗预测值的预测精度。
相应的,本发明还公开了一种多晶硅还原工序能耗值的预测系统,如图4所示,该系统包括:
能耗值预测模块,用于利用预先创建好的目标模型对目标多晶硅还原工序的能耗值进行预测,得到目标多晶硅还原工序的能耗预测值;
其中,能耗值预测模块由目标模型构建模块预测所得,目标模型构建模块包括:
数据预处理子模块21,用于对多晶硅还原工序的原始数据进行预处理,得到预处理数据;
第一模型建立子模块22,用于利用LSTM算法对预处理数据进行建模,得到预测模型;
第二模型建立子模块23,用于利用Adaboost算法对预测模型进行处理,构建目标模型。
相应的,本发明还公开了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如前述公开的一种多晶硅还原工序能耗值的预测方法的步骤。
相应的,本发明还公开了一种多晶硅还原工序能耗值的预测设备,如图5所示,该设备包括:
存储器31,用于存储计算机程序;
处理器32,用于执行计算机程序时实现如前述公开的一种多晶硅还原工序能耗值的预测方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
以上对本发明所提供的一种多晶硅还原工序能耗值的预测方法、系统、介质及设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种多晶硅还原工序能耗值的预测方法,其特征在于,包括:
利用预先创建好的目标模型对目标多晶硅还原工序的能耗值进行预测,得到所述目标多晶硅还原工序的能耗预测值;
其中,所述目标模型的创建过程为:
对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据;
利用LSTM算法对所述预处理数据进行建模,得到预测模型;
利用Adaboost算法对所述预测模型进行处理,构建所述目标模型。
2.根据权利要求1所述的方法,其特征在于,所述对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据的过程,包括:
利用PCA算法对影响多晶硅还原工序能耗值的影响因子进行预处理,得到所述预处理数据。
3.根据权利要求1所述的方法,其特征在于,所述对影响多晶硅还原工序能耗值的影响因子进行预处理,得到预处理数据的过程,包括:
利用LDA算法对影响多晶硅还原工序能耗值的影响因子进行预处理,得到所述预处理数据。
4.根据权利要求1所述的方法,其特征在于,所述利用预先创建好的目标模型对目标多晶硅还原工序的能耗值进行预测,得到所述目标多晶硅还原工序的能耗预测值的过程之后,还包括:
利用RMSE和/或MRE评估所述能耗预测值的精确度。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述利用LSTM算法对所述预处理数据进行建模,得到预测模型的过程,包括:
对所述LSTM算法中的权重进行正则化处理,得到优化算法;
利用所述优化算法对所述预处理数据进行建模,得到所述预测模型。
6.根据权利要求5所述的方法,其特征在于,所述对所述LSTM算法中的权重进行正则化处理,得到优化算法的过程,包括:
对所述LSTM算法中的权重进行L2正则化处理,得到所述优化算法。
7.根据权利要求6所述的方法,其特征在于,所述L2正则化的模型表达式为:
式中,w为所述LSTM算法中待估计的参数,T为所述LSTM算法中参数的迭代次数,yti为所述LSTM算法在第t时刻的真实值,为所述LSTM算法在第t时刻的输出值,λ为系数值。
8.一种多晶硅还原工序能耗值的预测系统,其特征在于,包括:
能耗值预测模块,用于利用预先创建好的目标模型对目标多晶硅还原工序的能耗值进行预测,得到所述目标多晶硅还原工序的能耗预测值;
其中,所述能耗值预测模块由目标模型构建模块预测所得,所述目标模型构建模块包括:
数据预处理子模块,用于对多晶硅还原工序的原始数据进行预处理,得到预处理数据;
模型建立子模块,用于利用LSTM算法对所述预处理数据进行建模,得到预测模型;
模型优化子模块,用于利用Adaboost算法对所述预测模型进行处理,构建所述目标模型。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的多晶硅还原工序能耗值的预测方法的步骤。
10.一种多晶硅还原工序能耗值的预测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的多晶硅还原工序能耗值的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811011302.3A CN109034497A (zh) | 2018-08-31 | 2018-08-31 | 多晶硅还原工序能耗值的预测方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811011302.3A CN109034497A (zh) | 2018-08-31 | 2018-08-31 | 多晶硅还原工序能耗值的预测方法、系统、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034497A true CN109034497A (zh) | 2018-12-18 |
Family
ID=64622620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811011302.3A Pending CN109034497A (zh) | 2018-08-31 | 2018-08-31 | 多晶硅还原工序能耗值的预测方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034497A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667186A (zh) * | 2020-06-10 | 2020-09-15 | 西门子电力自动化有限公司 | 确定用于生产的机器能耗的方法与装置 |
EP3716164A1 (en) * | 2019-03-28 | 2020-09-30 | Accenture Global Solutions Limited | Predictive power usage monitoring |
CN115032891A (zh) * | 2022-08-11 | 2022-09-09 | 科大智能物联技术股份有限公司 | 一种基于时间序列预测的多晶硅还原炉控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103302777A (zh) * | 2013-06-26 | 2013-09-18 | 广东工业大学 | 一种基于神经网络的轮胎硫化机能耗异常检测方法 |
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
CN107301171A (zh) * | 2017-08-18 | 2017-10-27 | 武汉红茶数据技术有限公司 | 一种基于情感词典学习的文本情感分析方法和系统 |
CN108197743A (zh) * | 2017-12-31 | 2018-06-22 | 北京化工大学 | 一种基于深度学习的预测模型软测量方法 |
-
2018
- 2018-08-31 CN CN201811011302.3A patent/CN109034497A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
CN103302777A (zh) * | 2013-06-26 | 2013-09-18 | 广东工业大学 | 一种基于神经网络的轮胎硫化机能耗异常检测方法 |
CN107301171A (zh) * | 2017-08-18 | 2017-10-27 | 武汉红茶数据技术有限公司 | 一种基于情感词典学习的文本情感分析方法和系统 |
CN108197743A (zh) * | 2017-12-31 | 2018-06-22 | 北京化工大学 | 一种基于深度学习的预测模型软测量方法 |
Non-Patent Citations (4)
Title |
---|
曹莹等: "AdaBoost 算法研究进展与展望", 《自动化学报》 * |
曹阳等: "主成分分析法在热轧吨钢电耗回归预测模型中的应用", 《能源技术》 * |
陈敏等: "《认知计算导论_第1版》", 31 May 2017 * |
齐力编: "《公共安全大数据技术与应用》", 31 December 2017, 上海科学技术出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3716164A1 (en) * | 2019-03-28 | 2020-09-30 | Accenture Global Solutions Limited | Predictive power usage monitoring |
US11025061B2 (en) | 2019-03-28 | 2021-06-01 | Accenture Global Solutions Limited | Predictive power usage monitoring |
CN111667186A (zh) * | 2020-06-10 | 2020-09-15 | 西门子电力自动化有限公司 | 确定用于生产的机器能耗的方法与装置 |
CN111667186B (zh) * | 2020-06-10 | 2023-05-05 | 西门子电力自动化有限公司 | 确定用于生产的机器能耗的方法与装置 |
CN115032891A (zh) * | 2022-08-11 | 2022-09-09 | 科大智能物联技术股份有限公司 | 一种基于时间序列预测的多晶硅还原炉控制方法 |
CN115032891B (zh) * | 2022-08-11 | 2022-11-08 | 科大智能物联技术股份有限公司 | 一种基于时间序列预测的多晶硅还原炉控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
Hu et al. | A hybrid model based on CNN and Bi-LSTM for urban water demand prediction | |
CN110119854A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
CN103136598B (zh) | 基于小波分析的月度电力负荷计算机预测方法 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN109034497A (zh) | 多晶硅还原工序能耗值的预测方法、系统、介质及设备 | |
CN103559537B (zh) | 一种乱序数据流中基于误差反向传播的模板匹配方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
CN109471049B (zh) | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 | |
CN107958309A (zh) | 一种高坝多点变形性态联合预报方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN110458341B (zh) | 一种考虑气象特性的超短期风电预测方法及系统 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN103279672B (zh) | 基于噪声模型支持向量回归技术的短期风速预报方法 | |
CN115099461A (zh) | 基于双分支特征提取的太阳辐射预测方法及系统 | |
Chu et al. | Reliability based optimization with metaheuristic algorithms and Latin hypercube sampling based surrogate models | |
CN112241802A (zh) | 一种风电功率的区间预测方法 | |
CN111210051B (zh) | 一种用户用电行为预测方法及系统 | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
CN108876038A (zh) | 大数据、人工智能、超算协同的材料性能预测方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |