CN111475988A - 基于梯度提升决策树和遗传算法的印染定型机能耗优化方法 - Google Patents
基于梯度提升决策树和遗传算法的印染定型机能耗优化方法 Download PDFInfo
- Publication number
- CN111475988A CN111475988A CN202010258729.4A CN202010258729A CN111475988A CN 111475988 A CN111475988 A CN 111475988A CN 202010258729 A CN202010258729 A CN 202010258729A CN 111475988 A CN111475988 A CN 111475988A
- Authority
- CN
- China
- Prior art keywords
- setting machine
- energy consumption
- gas
- avg
- type
- 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.)
- Granted
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002068 genetic effect Effects 0.000 title claims abstract description 31
- 238000003066 decision tree Methods 0.000 title claims abstract description 30
- 238000004043 dyeing Methods 0.000 title claims abstract description 24
- 238000007639 printing Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 210000000349 chromosome Anatomy 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 239000003245 coal Substances 0.000 claims description 9
- 230000002759 chromosomal effect Effects 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 64
- 230000005611 electricity Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Coloring (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法,包括以下步骤:步骤1、获取数据;步骤2、构建综合能耗模型,设定优化目标函数;步骤3、使用梯度提升决策树算法进行建模;步骤4、使用遗传算法对得到的梯度提升决策树进行处理,寻优得到适应度值最大的控制变量值;步骤5、把得到的控制变量值设置为定型机生产的工艺参数,使定型机的综合能耗最小。本发明使用梯度提升决策树和遗传算法对定型机的能耗进行优化,具有较高的准确性。
Description
技术领域
本发明涉及到一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法。
技术背景
定型机是印染工艺流程中的重要设备,也是印染行业中能耗较大的设备之一,约占印染企业总能耗的二分之一,其能耗主要由导热油加热的燃气能耗以及导热风机消耗的电能等组成。
目前,印染行业通过工艺流程优化、车间优化调度和更新设备等方法能够实现一定程度上的节能,但效果较为局限。随着大数据技术的发展,通过建立预测模型对定型机的工艺参数和能耗数据进行训练,使用机器学习算法预测定型机的能耗,进而调整工艺参数对能耗进行优化,可实现更好的节能效果。
发明内容
为了克服现有的印染工艺流程优化、车间优化调度在定型机节能方面的局限性,本发明使用工艺参数、能耗等印染定型过程产生的数据构建预测模型进行训练,使用梯度提升决策树算法预测未来生产过程中定型机的能耗,并结合遗传算法进行能耗优化,具有较高的准确性。
为了解决上述技术问题,本发明所采用的技术方案是:
一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法,所述印染定型机能耗优化方法包括以下步骤:
步骤1、获取数据,过程如下:
获取N组定型机生产运行时的下述数据:一号定型机前端湿度、一号定型机尾端湿度、一号定型机燃气表压力、一号定型机车速、一号定型机排风平均转速、一号定型机烘房平均温度、环境温度、平均门幅、一号定型机耗电量、一号定型机燃气使用量、一号定型机耗水量,以及布料类别、耗电量、耗水量、燃气使用量和订单量,其中,N是大于0的自然数;
步骤2、构建综合能耗模型,设定优化目标函数;
所述综合能耗模型的构建过程为:
①从印染样本数据中抽取能耗相关数据:耗电量E、燃气消耗量G、耗水量W以及订单量数据米数M;
②通过综合单位产量能耗公式计算产品单位产量综合能耗,其中Pq为企业综合能耗,单位为千克标煤;Ei为生产活动中消耗的第i类能源实物量;Pi为第i类能源折算标煤系数。P产品单位产量综合能耗,单位为千克标煤每百米;∑Ngh为各种合格品产量,单位为百米;
步骤3、使用梯度提升决策树算法进行建模
输入参数如下:
Uf:一号定型机前端湿度;
Ue:一号定型机尾端湿度;
Pgas:一号定型机燃气表压力;
Sc:一号定型机车速;
Savg:一号定型机排风平均转速;
Tavg:一号定型机烘房平均温度;
Tenv:环境温度;
Tgas:一号定型机燃气表温度;
Ctype:布料类别;
Tp:流程耗时;
输出参数:
P:定型机综合能耗。
所述梯度提升决策树模型为:
其中,Ptypei为第i个订单的定型机能耗类别预测值,T为回归数的数量,J为叶子节点的数量,P表示定型机能耗类别预测模型,fp1,0(xi,p)为定型机能耗类别预测初始化的回归树,fp1,t(xi,p)t∈{1,T}代表定型机能耗类别预测模型第t棵回归树,j∈{1,J}代表第j个叶子节点,cp1,t,j代表定型机能耗类别预测模型第t棵回归树的第j个叶子节点的残差值,Rp,t,j为定型机能耗类别预测模型第t棵回归树的第j个叶子节点,I(xi,p∈Rp,t,j)即xi,p属于定型机能耗类别预测模型第t棵回归树的第j个叶子节点时等于1,否则为0;
将xi,pi∈{order}依次输入定型机能耗类别预测模型回归树t训练回归树模型以拟合cp1,t,j:
最终将所有定型机能耗类别预测模型回归树模型以上述公式组合得到最终定型机能耗类别预测模型:
其中Cp1it,j为cp1,t,j训练后最佳的值。
步骤4、使用遗传算法对得到的梯度提升决策树进行处理,寻优得到适应度值最大的控制变量值,过程如下:
(4.1)变量参数选定:
选定变量:Uf、Ue、Pgas、Tenv、Ctype、Tp;
控制变量:Sc、Savg、Tavg、Tgas;
输出变量:P;
求解精度:保留一位小数;
(4.2)将控制变量编码成二进制数,所有控制变量串联成一条染色体,每条染色体占37个二进制位,其中:10个二进制位表示Sc的编码,13个二进制位表示Savg的编码,9个二进制位表示Tavg的编码,5个二进制位表示Tgas的编码;
(4.3)当输入一组选定变量的值,即Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp变量值时,进行控制变量的二进制编码,得到所有可能的控制变量值,并从所有可能的控制变量值中随机选取M组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas的值;M是大于0的自然数;设置P为适应度值,即每一组的控制变量都对应一个适应度值;
对步骤3得到的梯度提升决策树进行处理,把Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Savg、Tgas代入,得到P;
进行M次代入,得到M组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas、P数据;
使用遗传算法在得到的M组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas、P数据中,找出适应度值最大的控制变量值,方法如下:
I)染色体的选择:
其中,所述个体i是指一组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas、P数据;所述j是指第j个个体;所述n是指第n个个体;
II)染色体的交叉:
把两个父代控制变量染色体部分结构进行替换重组形成新的个体,交叉算子根据交叉率将种群中的两个个体随机的交换某些基因,能够产生新的基因;
本遗传算法选择交叉概率为0.6,平均为60%的染色体进行交pos位点前后二进制进行交叉;
III)染色体的变异:
根据变异概率选择变异位点,将二进制位改变;
本遗传算法对1%基因进行变异;
步骤5、把得到的控制变量值设置为定型机生产的工艺参数,使定型机的综合能耗最小。
在本发明中,所述步骤1中,采集的印染定型机数据是5000组,即N取5000。
在本发明中,所述步骤4的(4.3)中,从所有可能的控制变量值中,随机选取10000组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas的值,即M取10000(这里不限定10000组的话,实际可得到237次方的值)
本发明的技术构思为:在定型机的工艺参数和能耗数据的基础上,计算产品单位产量能耗代表综合能耗,构建预测模型,使用梯度提升决策树和遗传算法对定型机的能耗进行优化。
本发明的有益效果主要表现在:使用梯度提升决策树来生成预测模型,提升预测的准确率。使用遗传算法进行寻优,得到适应度最大的控制变量值,以此设置定型机的工艺参数,使得综合能耗最低。
附图说明
图1为本发明实现基于梯度提升决策树和遗传算法的印染定型机能耗优化方法的流程图。
图2为遗传算法寻优的测试数据表示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
参照图1和图2,一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法,包括以下步骤:
步骤1、获取数据,过程如下:
利用温度、湿度、压力、速度、水表、电表、设备仪表盘以及订单信息,获取5000组定型机生产运行时的下述数据:一号定型机前端湿度、一号定型机尾端湿度、一号定型机燃气表压力、一号定型机车速、一号定型机排风平均转速、一号定型机烘房平均温度、环境温度、平均门幅、一号定型机耗电量、一号定型机燃气使用量、一号定型机耗水量,以及布料类别、耗电量、耗水量、燃气使用量、订单量。
步骤2、构建综合能耗模型,设定优化目标函数;
所述综合能耗模型的构建过程为:
①从印染样本数据中抽取能耗相关数据:耗电量E、燃气消耗量G、耗水量W以及订单量数据米数M,如表1所示:
耗电量(E) | 燃气消耗量(G) | 耗水量(W) | 米数(M) |
131 | 79 | 26 | 2560 |
203 | 142 | 39 | 3780 |
98 | 66 | 20 | 1650 |
231 | 189 | 42 | 4087 |
284 | 238 | 69 | 7420 |
245 | 171 | 51 | 5241 |
… | … | … | … |
91 | 56 | 12 | 1420 |
145 | 98 | 33 | 3670 |
表1
②通过计算所有数据样本的单位产量能耗P,得到最大值Pmax=8.70以及最小值Pmin=5.38,得到ΔP=Pmax-Pmin=3.32,单位产量能耗小于 的能耗类别用1表示,代表能耗较低;单位产量能耗大于6.49并且小于的能耗类别用2,代表能耗适中;单位产量能耗大于的能耗类别用4表示,代表能耗较高;
步骤3、使用梯度提升决策树算法进行建模
输入参数:
Uf:一号定型机前端湿度;
Ue:一号定型机尾端湿度;
Pgas:一号定型机燃气表压力;
Sc:一号定型机车速;
Savg:一号定型机排风平均转速;
Tavg:一号定型机烘房平均温度;
Tenv:环境温度;
Tgas:一号定型机燃气表温度;
Ctype:布料类别;
Tp:流程耗时;
输出参数:
P:定型机综合能耗;
所述梯度提升决策树模型为:
其中,Ptypei为第i个订单的定型机能耗类别预测值,T为回归数的数量,J为叶子节点的数量,P表示定型机能耗类别预测模型,fp1,0(xi,p)为定型机能耗类别预测初始化的回归树,fp1,t(xi,p)t∈{1,T}代表定型机能耗类别预测模型第t棵回归树,j∈{1,J}代表第j个叶子节点,cp1,t,j代表定型机能耗类别预测模型第t棵回归树的第j个叶子节点的残差值,Rp,t,j为定型机能耗类别预测模型第t棵回归树的第j个叶子节点,I(xi,p∈Rp,t,j)即xi,p属于定型机能耗类别预测模型第t棵回归树的第j个叶子节点时等于1,否则为0;
将xi,pi∈{order}依次输入定型机能耗类别预测模型回归树t训练回归树模型以拟合cp1,t,j:
最终将所有定型机能耗类别预测模型回归树模型以上述公式组合得到最终定型机能耗类别预测模型:
其中Cp1,t,j为cp1,t,j训练后最佳的值;
步骤4、使用遗传算法对得到的梯度提升决策树进行处理,寻优得到适应度值最大的控制变量值,过程如下:
(4.1)变量参数选定:
选定变量:Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp;
控制变量:Sc、Savg、Tavg、Tgas;
输出变量:P;
求解精度:保留一位小数;
(4.2)将控制变量编码成二进制数,所有控制变量串联成一条染色体,每条染色体占37个二进制位,其中:10个二进制位表示S_c的编码,13个二进制位表示S_avg的编码,9个二进制位表示T_avg的编码,5个二进制位表示T_gas的编码;
Sc的取值范围为[30,90],长度为60,由于要精确到1位小数,需要区分为600等份,又因为29<600<210,所以需用10位二进制表示Sc的编码。同理,Savg的取值范围为[636,1392],需用13位二进制表示Savg的编码;Tavg的取值范围为[165,205],需用9位二进制数表示Tavg的编码;Tgas的取值范围为[20,22]需用5位二进制数表示Tgas的编码;
(4.3)当系统输入Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp变量时,进行控制变量的二进制编码;设置P为适应度值,在范围内每一组的控制变量都对应一个适应度值;
对步骤3得到的梯度提升决策树进行处理,把Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas代入,得到P;
进行10000次代入,得到10000组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas、P数据;
利用遗传算法,在得到的10000组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas、P数据中,选出适应度值最大的控制变量值,方法如下:
I)染色体的选择:
其中,所述个体i是指一组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas、P数据;所述j是指第j个个体;所述n是指第n个个体;
II)染色体的交叉:
把两个父代控制变量染色体部分结构进行替换重组形成新的个体,交叉算子根据交叉率将种群中的两个个体随机的交换某些基因,能够产生新的基因;
本遗传算法选择交叉概率为0.6,平均为60%的染色体进行交pos位点前后二进制进行交叉;
III)染色体的变异:
根据变异概率选择变异位点,将二进制位改变;
本遗传算法对1%基因进行变异,即随机个数基因进行1到1之间的变异转换。
IV)重复进行I)至III)的选择、交叉、变异,直到达到迭代次数10000,实现通过遗传算法随机选出使印染定型机综合能耗P最大的一组控制变量进行输出;
步骤5、将步骤4得到的控制变量Sc、Savg、Tavg、Tgas,设置为定型机生产运行的工艺参数,使该定型机的综合能耗最小。
选取一组数据,利用上述步骤,得到输出结果,具体为:当输入的Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp分别为:23.29、3.07、302.63、28、1、287.54时,得到所有组合重的最大P为6.01,其中Sc、Savg、Tavg、Tgas组合分别为:71、1260.7、183.22、21.15,并把得到的数据进行控制界面的设置,提高印染定型机的运行效率。
本技术领域中的普通技术人员应当认识到,以上内容仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上实例的变化、变型都将落在本发明的权利要求书范围内。
Claims (5)
1.一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法,其特征在于,所述印染定型机能耗优化方法包括以下步骤:
步骤1、获取数据,过程如下:
获取N组定型机生产运行时的下述数据:一号定型机前端湿度、一号定型机尾端湿度、一号定型机燃气表压力、一号定型机车速、一号定型机排风平均转速、一号定型机烘房平均温度、环境温度、平均门幅、一号定型机耗电量、一号定型机燃气使用量、一号定型机耗水量,以及布料类别、耗电量、耗水量、燃气使用量和订单量,其中,N是大于0的自然数;
步骤2、构建综合能耗模型,设定优化目标函数;
步骤3、使用梯度提升决策树算法进行建模
输入参数如下:
Uf:一号定型机前端湿度;
Ue:一号定型机尾端湿度;
Pgas:一号定型机燃气表压力;
Sc:一号定型机车速;
Savg:一号定型机排风平均转速;
Tavg:一号定型机烘房平均温度;
Tenv:环境温度;
Tgas:一号定型机燃气表温度;
Ctype:布料类别;
Tp:流程耗时;
输出参数:
P:定型机综合能耗;
步骤4、使用遗传算法对得到的梯度提升决策树进行处理,寻优得到适应度值最大的控制变量值,过程如下:
(4.1)变量参数选定:
选定变量:Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp;
控制变量:Sc、Savg、Tavg、Tgas;
输出变量:P;
求解精度:保留一位小数;
(4.2)将控制变量编码成二进制数,所有控制变量串联成一条染色体,每条染色体占37个二进制位,其中:10个二进制位表示Sc的编码,13个二进制位表示Savg的编码,9个二进制位表示Tavg的编码,5个二进制位表示Tgas的编码;
(4.3)当输入一组选定变量的值,即Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp变量值时,进行控制变量的二进制编码,得到所有可能的控制变量的值,并从所有可能的控制变量的值中随机选取M组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas的值;M是大于0的自然数;设置P为适应度值,即每一组的控制变量都对应一个适应度值;
对步骤3得到的梯度提升决策树进行处理,把Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas代入,得到P;
进行M次代入,得到M组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas、P数据;
使用遗传算法在得到的M组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas、P数据中,找出适应度值最大的控制变量值,方法如下:
I)染色体的选择:
其中,所述个体i是指一组Uf、Ue、Pgas、Tenv、Tgas、Ctype、Tp、Sc、Savg、Tavg、Tgas、P数据;所述j是指第j个个体;所述n是指第n个个体;
II)染色体的交叉:
把两个父代控制变量染色体部分结构进行替换重组形成新的个体,交叉算子根据交叉率将种群中的两个个体随机的交换某些基因,能够产生新的基因;
本遗传算法选择交叉概率为0.6,平均为60%的染色体进行交pos位点前后二进制进行交叉;
III)染色体的变异:
根据变异概率选择变异位点,将二进制位改变;
本遗传算法对1%基因进行变异;
步骤5、把得到的控制变量值设置为定型机生产的工艺参数,使定型机的综合能耗最小。
2.根据权利要求1所述的一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法,其特征在于:所述步骤1中,采集的定型机数据是5000组,即N取5000。
4.根据权利要求1或2所述的一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法,其特征在于:所述步骤3中,所述梯度提升决策树模型为:
其中,Ptypei为第i个订单的定型机能耗类别预测值,T为回归数的数量,J为叶子节点的数量,P表示定型机能耗类别预测模型,fp1,0(xi,p)为定型机能耗类别预测初始化的回归树,fp1,t(xi,p)t∈{1,T}代表定型机能耗类别预测模型第t棵回归树,j∈{1,J}代表第j个叶子节点,cp1,t,j代表定型机能耗类别预测模型第t棵回归树的第j个叶子节点的残差值,Rp,t,j为定型机能耗类别预测模型第t棵回归树的第j个叶子节点,I(xi,p∈Rp,t,j)即xi,p属于定型机能耗类别预测模型第t棵回归树的第j个叶子节点时等于1,否则为0;
将xi,pi∈{order}依次输入定型机能耗类别预测模型回归树t训练回归树模型以拟合cp1,t,j:
最终将所有定型机能耗类别预测模型回归树模型以上述公式组合得到最终定型机能耗类别预测模型:
其中Cp1,t,j为cp1,t,j训练后最佳的值。
5.根据权利要求1或2所述的一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法,其特征在于:所述步骤4中,从所有可能的控制变量的值中,随机选取10000组的值,即M取10000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010258729.4A CN111475988B (zh) | 2020-04-03 | 2020-04-03 | 基于梯度提升决策树和遗传算法的印染定型机能耗优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010258729.4A CN111475988B (zh) | 2020-04-03 | 2020-04-03 | 基于梯度提升决策树和遗传算法的印染定型机能耗优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111475988A true CN111475988A (zh) | 2020-07-31 |
CN111475988B CN111475988B (zh) | 2024-02-23 |
Family
ID=71749756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010258729.4A Active CN111475988B (zh) | 2020-04-03 | 2020-04-03 | 基于梯度提升决策树和遗传算法的印染定型机能耗优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111475988B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997529A (zh) * | 2022-07-18 | 2022-09-02 | 西安热工研究院有限公司 | 制粉系统全生命周期管理方法、系统、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053578A (zh) * | 2009-10-29 | 2011-05-11 | 福建凤竹纺织科技股份有限公司 | 弹性织物热定型工艺优化设计及过程控制的方法和系统 |
CN103376782A (zh) * | 2012-04-20 | 2013-10-30 | 佛山市南海天富科技有限公司 | 一种定型机监控管理系统 |
US20140074306A1 (en) * | 2011-09-16 | 2014-03-13 | Siemens Corporation | Method and system for energy control management |
US20170213280A1 (en) * | 2016-01-27 | 2017-07-27 | Huawei Technologies Co., Ltd. | System and method for prediction using synthetic features and gradient boosted decision tree |
US20180285788A1 (en) * | 2015-10-13 | 2018-10-04 | British Gas Trading Limited | System for energy consumption prediction |
WO2018205776A1 (zh) * | 2017-05-10 | 2018-11-15 | 腾讯科技(深圳)有限公司 | 基于参数服务器的梯度提升决策树的实现方法及相关设备 |
CN109084415A (zh) * | 2018-07-26 | 2018-12-25 | 杭州哲达节能科技有限公司 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
CN109460588A (zh) * | 2018-10-22 | 2019-03-12 | 武汉大学 | 一种基于梯度提升决策树的设备故障预测方法 |
CN110245802A (zh) * | 2019-06-20 | 2019-09-17 | 杭州安脉盛智能技术有限公司 | 基于改进梯度提升决策树的卷烟空头率预测方法及系统 |
CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
-
2020
- 2020-04-03 CN CN202010258729.4A patent/CN111475988B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053578A (zh) * | 2009-10-29 | 2011-05-11 | 福建凤竹纺织科技股份有限公司 | 弹性织物热定型工艺优化设计及过程控制的方法和系统 |
US20140074306A1 (en) * | 2011-09-16 | 2014-03-13 | Siemens Corporation | Method and system for energy control management |
CN103376782A (zh) * | 2012-04-20 | 2013-10-30 | 佛山市南海天富科技有限公司 | 一种定型机监控管理系统 |
US20180285788A1 (en) * | 2015-10-13 | 2018-10-04 | British Gas Trading Limited | System for energy consumption prediction |
US20170213280A1 (en) * | 2016-01-27 | 2017-07-27 | Huawei Technologies Co., Ltd. | System and method for prediction using synthetic features and gradient boosted decision tree |
WO2018205776A1 (zh) * | 2017-05-10 | 2018-11-15 | 腾讯科技(深圳)有限公司 | 基于参数服务器的梯度提升决策树的实现方法及相关设备 |
CN109084415A (zh) * | 2018-07-26 | 2018-12-25 | 杭州哲达节能科技有限公司 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
CN109460588A (zh) * | 2018-10-22 | 2019-03-12 | 武汉大学 | 一种基于梯度提升决策树的设备故障预测方法 |
CN110245802A (zh) * | 2019-06-20 | 2019-09-17 | 杭州安脉盛智能技术有限公司 | 基于改进梯度提升决策树的卷烟空头率预测方法及系统 |
CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
Non-Patent Citations (8)
Title |
---|
JIDONG WANG,ET AL: "A Short-Term Photovoltaic Power Prediction Model Based on the Gradient Boost Decision Tree", 《APPLIED SCIENCES》 * |
丁飞鸿等: "基于遗传优化决策树的建筑能耗短期预测模型", 《计算机工程》, vol. 45, no. 6 * |
任佳等: "印染热定型机煤、电能耗建模及优化求解研究", 《仪器仪表学报》, vol. 34, no. 3 * |
任佳等: "热定型过程能耗建模及PSO参数优化", 《化工学报》, vol. 62, no. 8 * |
俞敏等: "架空线路改造工程造价的组合预测方法", 《电力科学与技术学报》, vol. 35, no. 1 * |
周心阳: "基于PSO的热定型机优化及控制算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 12 * |
王尉同等: "梯度渐进回归树在建筑能耗短期预测中的应用", 《建筑节能》, vol. 46, no. 3 * |
顾敏明等: "涤纶织物热定型降耗优化算法", 《纺织学报》, vol. 39, no. 1 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997529A (zh) * | 2022-07-18 | 2022-09-02 | 西安热工研究院有限公司 | 制粉系统全生命周期管理方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111475988B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Dual-objective program and improved artificial bee colony for the optimization of energy-conscious milling parameters subject to multiple constraints | |
CN109783916B (zh) | 一种基于仿真技术的空气压缩机群组优化调度决策方法 | |
Wang et al. | A two-stage optimization method for energy-saving flexible job-shop scheduling based on energy dynamic characterization | |
CN102622530B (zh) | 基于改进遗传算法的抽汽供热机组热电负荷分配优化方法 | |
CN109084415B (zh) | 基于神经网络和遗传算法的中央空调运行参数寻优方法 | |
WO2021189739A1 (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN106874542B (zh) | 一种液力透平叶轮多工况多目标优化设计方法 | |
CN110805997A (zh) | 中央空调系统节能控制方法 | |
CN111191712B (zh) | 基于梯度提升决策树的印染定型机能耗分类预测方法 | |
CN113156817B (zh) | 一种泵站智能配泵方法 | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
CN112659548B (zh) | 基于遗传算法和bp神经网络的面曝光3d打印工艺优化方法 | |
CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
CN112906292A (zh) | 热电联产机组厂级热电负荷在线优化分配的方法、系统、设备及存储介质 | |
CN111475988A (zh) | 基于梯度提升决策树和遗传算法的印染定型机能耗优化方法 | |
CN110956304A (zh) | 一种基于ga-rbm的分布式光伏发电量短期预测方法 | |
CN115481510B (zh) | 基于改进nsga-ⅱ算法的径向压气机叶片多工况优化方法及装置 | |
CN116860027A (zh) | 一种数字能源鼓风站的压力控制系统及其方法 | |
CN111428906B (zh) | 一种基于图像变换的工业锅炉蒸汽量预测方法 | |
CN113112171B (zh) | 一种基于轮盘赌和遗传算法的批调度方法 | |
CN110728031B (zh) | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 | |
CN113868836A (zh) | 基于大数据的智慧热力系统在线专家分析平台 | |
CN113762617A (zh) | 一种计及非设计工况特性的能源站矩阵化㶲效率优化方法 | |
CN107273619A (zh) | 一种钢铁企业静态能量流网络优化设计方法 | |
CN116485042B (zh) | 一种基于负荷聚类的园区能源系统运行的优化方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |