CN112766608A - 一种基于极限学习机的水泥磨系统电耗指标预测方法 - Google Patents

Abstract

本发明公开一种基于极限学习机的水泥磨系统电耗指标预测方法，首先对相关变量进行收集，通过对水泥磨系统的运行分析，选取与水泥磨电耗相关的八个变量作为输入变量，吨电耗作为输出变量，构建ELM模型的输入输出层；使用IPSO算法对ELM的神经元个数L、输入层权重w及隐含层偏置b进行优化；IPSO算法在参数寻优过程中将模型的均方误差作为适应度函数；使用IPSO优化得到的ELM相关参数结合样本数据完成IPSO‑ELM预测模型的训练，将工业现场实际数据带入到训练好的模型完成水泥磨系统电耗的在线预测；本发明通过使用样本数据对IPSO‑ELM模型进行训练得到电耗预测模型，将实际水泥生产现场的变量数据输入到训练好的模型中，实现水泥磨电耗指标在线预测。

Description

一种基于极限学习机的水泥磨系统电耗指标预测方法

技术领域

本发明属于水泥磨系统电耗指标预测领域，特别涉及一种基于极限学习机的水泥磨系统电耗指标预测方法。

背景技术

水泥工业是我国传统工业，随着国家的发展，大型建筑不断出现，水泥使用量大大增加，水泥行业是我国主要的高耗能、高排放产业。实现水泥磨电耗指标的在线预测，有利于指导水泥磨研磨过程各个生产指标的调度优化，有利于降低水泥磨生产过程电耗，从而能达到节能减排的目的。但是由于水泥研磨系统各个生产指标之间存在滞后性，并且耦合性较高，因此很难通过建立机理模型模拟水泥磨系统的能耗模型；由于不同操作人员现场经验的差异，很难保证水泥磨处于高效，稳定的运行状态，从而导致能耗浪费。另外，在采用OPC技术对水泥工业现场DCS设备的数据提取过程中，由于人员操作不当，易会产生数据异常，如激增等，为后续建立精确地电耗预测模型增加难度。

针对上述问题，赵辉等人采用主成分分析法得到影响水泥生产电耗的关键因素，降低了回归预测模型的复杂度，并提出基于改进多元非线性算法的水泥电耗预测模型，但该方法未解决水泥生产过程的时滞问题。谢武明等人将33个指标作为输入建立基于BP神经网络的污水处理厂电耗预测模型，对于电耗预测这类问题求解复杂非线性函数的全局极值，BP神经网络容易陷入局部最优。王昭旭等人将一种隐含时间序列深度信念网络用到水泥生产电耗预测，消除了时变时延对水泥能耗预测的影响，但深度信念网络预训练采用无监督学习，学习过程缓慢，难以进行水泥磨系统电耗在线预测。

发明内容

针对上述问题本发明提供一种基于极限学习机的水泥磨系统电耗指标预测方法，有效的解决了水泥磨系统各个电耗指标之间的滞后性问题以及多个电耗指标之间强耦合的问题，且相对于其他神经网络模型，极限学习机(ExtremeLearningMachine，ELM)训练速度及计算速度快，能达到实时训练-预测；极限学习机在训练之前随机产生权重w和偏置b，只需确定隐含层神经元的个数及隐含层神经元的能无限微分的激活函数，所以极限学习机的训练过程，即为求解

的过程；然而根据经验设置极限学习机隐含层神经元的个数及随机生成权重w和偏置b会使预测准确度不稳定，在预测模型中加入改进粒子群优化算法(ImproveParticleSwarmOptimization，IPSO)对上述参数进行寻优，提高预测的准确度及稳定性，增强泛化能力。

为实现上述目的，本发明所采用的技术方案是提供一种基于极限学习机的水泥磨系统电耗指标预测方法，其步骤包括：

步骤1：确定输入、输出变量；

通过对水泥磨系统的运行分析，确定与水泥磨电耗相关的输入变量为喂料量反馈、出磨斗提电流反馈、选粉机转速反馈、喂料斗提电流反馈、入库提升机电流反馈、比表面积、主机电流及选粉机进口压力共八个工业参量，确定输出变量为水泥磨吨电耗；

步骤2：提取输入、输出变量；

将水泥磨系统设备中的历史数据存入数据库，从数据库中提取所述输入变量和输出变量；

步骤3：对PSO算法改进得到IPSO算法；

改进的IPSO算法中的位置更新模型为：

其中，w_i为惯性权重，fit_i为当前粒子第i次迭代的适应度值，P_gd为算法的全局最优值，k，k+1分别表示第k次、第k+1次迭代；c₁和c₂为加速因子，令c₁＝c₂＝2；r₁和r₂为分布于[0,1]之间的随机数；M_i为第i个粒子为S维的向量，M_i＝(M_i1,M_i2,…,M_id,…,M_is)^T,M_id为第i个粒子在d维空间中的位置；V_i＝(V_i1,V_i2,…,V_id,…,V_is)^T为第i个粒子的速度,V_id为第i个粒子在d维空间中的速度；P_i＝(P_i1,P_i2,…,P_id,…,P_is)^T为第i个粒子的个体极值，P_id为第i个粒子在d维空间的个体极值；P_g＝(P_g1,P_g2,…,P_gd,…,P_gs)^T为种群全局极值，P_gd为种群g在d维空间的全局极值；

步骤4：利用IPSO算法及所述提取的输入、输出变量值对ELM模型参数进行寻优，得到ELM模型的寻优变量：神经元个数L、输入层权重w和隐含层偏置b；

步骤5：利用所述寻优变量及所述提取的输入、输出变量值对ELM预测模型进行训练，得到输出权重

步骤6：构建基于IPSO-ELM的水泥磨系统电耗指标预测模型为：

其中，j＝1，2，…，L，L为隐含层神经元的个数，

为输出权重，

为激活函数，W_j为隐含层第j个神经元的输入权重矩阵，X＝[x₁,x₂,…x_i,…,x₇,x₈]为输入变量时间序列数据集，x_i＝[x_i1,x_i2,…,x_it]i＝1,2…8，t为时间序列的长度，b_j为隐含层第j个神经元的偏置；

步骤7：进行在线预测：

将实时输入变量数据输入基于IPSO-ELM的水泥磨系统电耗指标预测模型，得到实时的水泥磨吨电耗数值，实现水泥磨系统电耗指标的在线预测。

进一步地，所述步骤4中寻优过程如下：

步骤41：对种群进行初始化，设置粒子群的初始位置和初始速度；

步骤42：根据适应度函数，计算每个粒子的适应度值；

步骤43：对每个粒子进行位置比较，即对经过的位置和上一次的位置进行比较，如果适应度低于上一次的位置，就取代上一次的位置；

步骤44：对个体最优位置和群体最优位置进行比较，如优于群体最优位置，就取代群体最优位置；

步骤45：根据公式更新粒子速度和位置；

步骤46：判断是否满足终止条件，若满足则停止运算，否则返回第二步重新开始。

进一步地，所述步骤5中模型训练的具体步骤如下：

首先利用构建好的输入输出层数据结合IPSO-ELM算法，进行IPSO-ELM水泥磨系统电耗预测模型的训练：

对N个任意样本(X_i,t_i)，其中，X_i＝[x_i1,x_i2,x_i3,…,x_in]^T，t_i＝[t_i1,t_i2,t_i3,…,t_im]^T∈R^m，则存在L个隐含层节点的ELM预测模型表示为：

其中，o_i是ELM预测模型的输出，n为输入变量的个数，m为输出变量的个数，β_j为隐含层第j个神经元的输出权重，

为激活函数，L为隐含层神经元的个数，W_j为隐含层第j个神经元的输入权重矩阵，X_i＝[x_i1,x_i2,x_i3,…,x_in]^T为输入变量值，b_j为隐含层第j个神经元的偏置；N为样本总数；

ELM网络训练的目标就是使预测值与真实值之间的误差最小，表达式为：

即存在W_j，b_j，β_j使得：

上述表达式的矩阵表达形式为：

Hβ＝T (5)

其中：

其中，H的第i列是对输入X_i第i个隐藏节点的输出，其中T表示样本的实际值，神经元个数L、输入权重w和隐含层偏置b由IPSO算法确定；

训练基于极限学习机的电耗预测模型即寻找系统的最小二乘解

求得输出权值矩阵：

称为H矩阵的摩尔-彭罗斯广义逆，并且该等式对应的解具有唯一性，使其训练误差达到最小。

进一步地，所述步骤6中，t＝50，即输入数据为当前时点之前50分钟的输入变量数据构成的时间序列数据。

进一步地，所述步骤6中，y为当前时点未来10分钟水泥磨吨电耗。

本发明由于采用了上述的技术方案，本发明具有以下有益效果：

(1)本发明有效的解决了水泥磨系统各个电耗指标之间的滞后性问题以及多个电耗指标之间强耦合的问题，且相对于其他神经网络模型，极限学习机训练速度及计算速度快，能达到实时训练-预测；

(2)本发明克服了根据经验设置极限学习机隐含层神经元的个数L及随机生成权重w和偏置b导致的预测准确度不稳定，在预测模型中加入IPSO算法对上述参数进行寻优，提高预测的准确度及稳定性，增强泛化能力。

附图说明

图1为本发明IPSO-ELM模型预测水泥磨系统电耗指标的系统流程图；

图2为本发明基于IPSO-ELM的水泥磨系统电耗指标预测方法的算法流程图；

图3为本发明实施例的水泥磨电耗预测值与实际值的对比图。

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。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。需要注意的为，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。例如本发明所用的前、后、左和右仅仅是示例性质的，是为了描述方便使用的用语。

下面通过实施例，并结合附图1-3，对本发明的技术方案作进一步具体的说明。

本发明提出一种基于极限学习机的水泥磨系统电耗指标预测方法，首先选取水泥磨电耗相关的八个变量，采用OPC技术对工业现场数据进行收集，建立基于IPSO-ELM的水泥磨系统能耗预测模型。具体结构如图1所示；根据训练数据样本初始化IPSO算法的参数，随机生成第一组神经元个数L、输入层权重w及隐含层偏置b，寻优过程中以均方误差作为适应度函数进行迭代寻优，当迭代次数达到设定值时，停止寻优。至此完成了ELM模型的参数寻优，下一步结合样本数据对IPSO-ELM模型进行训练，至此完成IPSO-ELM模型的训练，将工业现场样本数据集带入到训练好的模型完成水泥磨系统电耗指标的在线预测。

基于IPSO-ELM的水泥磨系统电耗整体流程图如图1所示，IPSO-ELM算法流程图如图2所示。具体步骤如下：

步骤A：输入、输出变量筛选：通过对水泥研磨过程的工艺分析，从众多工业参数中选取与水泥磨电耗相关的八个工业参量作为输入；一个工业参量作为输出。

通过对水泥研磨过程的工艺分析，结合现场操作员丰富的经验，从众多工业参量中选取与水泥磨电耗相关的八个工业参量作为输入变量，分别为：喂料量反馈X1、出磨斗提电流反馈X2、选粉机转速反馈X3、喂料斗提电流反馈X4、入库提升机电流反馈X5、比表面积X6、主机电流X7、选粉机进口压力X8。吨电耗Y作为输出变量。

步骤B：采集数据：采用OPC(OLEforProcessControl)技术将水泥工业现场DCS中的水泥研磨相关数据提取并导入SQLserver数据库中。从历史数据库中提取步骤A中确定的八个输入数据和一个输出数据。

数据收集时，为解决水泥磨系统各变量与电耗的时变时延问题，将数据以1天为单位将24小时的数据等分为144个区间，每个区间的间隔为10分钟，当前时刻之前的50分钟的输入数据构成时间序列数据以对应未来10分钟的水泥磨电耗。

步骤C：对ELM模型参数进行寻优：根据IPSO的寻优机制，首先对初始参数进行设置，其中有种群规模、迭代次数、学习因子、惯性权重(动态设置)等，寻优过程中ELM模型的神经元个数L、输入层权重w和隐含层偏置b为寻优变量，以ELM预测模型输出的均方误差作为适应度函数。

具体寻优步骤如下：

1.对种群进行初始化，首先要设置粒子群的初始位置和初始速度；

2.根据适应度函数，计算每个粒子的适应度值；

3.对每个粒子进行位置比较，即对经过的位置和上一次的位置进行比较，如果适应度低于上一次的位置，就取代上一次的位置；

4.对个体最优位置和群体最优位置进行比较，如优于群体最优位置，就取代群体最优位置；

5.根据公式更新粒子速度和位置；

6.判断是否满足终止条件，若满足则停止训练，否则返回第二步重新开始。

设在一个S维的搜索空间中，由n个粒子组成的种群M＝(M₁,M₂,…,M_i,…,M_n)，其中M_i表示第i个粒子为S维的向量，M_i＝(M_i1,M_i2,…,M_id,…,M_is)^T,其中M_id表示第i个粒子在d维空间中的位置。根据适应度函数计算出每个粒子位置对应的适应度值。记第i个粒子的速度V_i＝(V_i1,V_i2,…,V_id,…,V_is)^T,其中V_id为第i个粒子在d维空间中的速度；第i个粒子的个体极值P_i＝(P_i1,P_i2,…,P_id,…,P_is)^T，其中P_id为第i个例子在d维空间的个体极值；种群全局极值P_g＝(P_g1,P_g2,…,P_gd,…,P_gs)^T，其中P_gd为种群g在d维空间的全局极值。

在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度和位置，更新模型为：

式中：

为惯性权重；fit_i为当前粒子第i次迭代的适应度值，P_gd为算法的全局最优值。k表示第k次迭代；c₁和c₂为加速因子，根据经验将c₁＝c₂＝2；r₁和r₂为分布于[0,1]之间的随机数。

步骤D：利用步骤C求解的神经元个数L、输入层权重w和隐含层偏置b，结合ELM算法及样本数据，进行水泥磨系统电耗指标预测模型的训练。具体步骤如下：

首先利用构建好的输入输出层数据结合IPSO-ELM算法，进行IPSO-ELM水泥磨系统电耗预测模型的训练；

对N个任意样本(X_i,t_i)，其中，X_i＝[x_i1,x_i2,x_i3,…,x_in]^T，t_i＝[t_i1,t_i2,t_i3,…,t_im]^T∈R^m，则存在L个隐含层节点的ELM预测模型表示为：

其中，o_i是ELM预测模型的输出，n为输入变量的个数，m为输出变量的个数，β_j为隐含层第j个神经元的输出权重，g(x)为激活函数，L为隐含层神经元的个数，W_j为隐含层第j个神经元的输入权重矩阵，X_i＝[x_i1,x_i2,x_i3,…,x_in]^T为输入变量值，b_j为隐含层第j个神经元的偏置；N为样本总数。

本方法选用的是sigmoid函数，其公式如下：

ELM网络训练的目标就是使预测值与真实值之间的误差最小，公式表示为：

即存在W_j，b_j，β_j使得：

上述公式的矩阵表达形式为：

Hβ＝T (5)

其中：

H的第i列是对输入X_i第i个隐藏节点的输出。其中T表示样本的实际值。极限学习机作为单隐层神经网络的延伸，现有技术中已经证实激活函数是能无限微分的，神经元个数L、输入权重w和隐含层偏置b由IPSO算法确定。由以下公式得知，训练基于极限学习机的电耗预测模型就相当于寻找系统的最小二乘解

输入权重和偏置确定后，隐含层输出矩阵H就能确定，此时易求得输出权值矩阵：

称为H矩阵的摩尔-彭罗斯广义逆，并且该等式对应的解具有唯一性，使其训练误差达到最小。这样整个基于极限学习机的电耗预测模型即被确定。

至此，基于IPSO-ELM的水泥磨系统电耗指标预测模型训练完成，模型的数学表达式为：

其中X＝[x₁,x₂,…x_i,…,x₇,x₈]为输入数据，x_i＝[x_i1,x_i2,…,x_it]i＝1,2…8，t为时间序列的长度，本方法选为50分钟，即t＝50。即输入数据为当前时刻之前50分钟的数据构成时间序列数据。L为隐含层神经元的个数，W_j为输入权重矩阵，b_j为隐含层神经元的偏置，

为已确定的输出权重，y为未来10分钟水泥磨吨电耗。

步骤E：将水泥磨系统实际生产中的实时数据输入到步骤D中训练好的IPSO-ELM水泥磨系统电耗预测模型，实现水泥磨系统电耗预测在线预测。

附图3为采集现场实时数据，对水泥磨电耗进行预测的趋势图，因预测模型采用50分钟历史数据作为输入，未来10分钟水泥磨吨电耗作为输出，所以图中每个数据点均代表10分钟的吨电耗，该趋势图(附图3)为500分钟的电耗预测值与实际值的对比图。从对比图可以看出，使用本方法预测水泥磨系统电耗与实际电耗的均方误差为0.01216，证明本方法有效。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，能轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (5)

1.一种基于极限学习机的水泥磨系统电耗指标预测方法，其特征在于，其步骤包括：

步骤1：确定输入、输出变量；

通过对水泥磨系统的运行分析，确定与水泥磨电耗相关的输入变量为喂料量反馈、出磨斗提电流反馈、选粉机转速反馈、喂料斗提电流反馈、入库提升机电流反馈、比表面积、主机电流及选粉机进口压力共八个工业参量，确定输出变量为水泥磨吨电耗；

步骤2：提取输入、输出变量；

将水泥磨系统设备中的历史数据存入数据库，从数据库中提取所述输入变量和输出变量；

步骤3：对PSO算法改进得到IPSO算法；

改进的IPSO算法中的位置更新模型为：

其中，w_i为惯性权重，fit_i为当前粒子第i次迭代的适应度值，P_gd为算法的全局最优值，k，k+1分别表示第k次、第k+1次迭代；c₁和c₂为加速因子，令c₁＝c₂＝2；r₁和r₂为分布于[0,1]之间的随机数；M_i为第i个粒子为S维的向量，M_i＝(M_i1,M_i2,…,M_id,…,M_is)^T,M_id为第i个粒子在d维空间中的位置；V_i＝(V_i1,V_i2,…,V_id,…,V_is)^T为第i个粒子的速度,V_id为第i个粒子在d维空间中的速度；P_i＝(P_i1,P_i2,…,P_id,…,P_is)^T为第i个粒子的个体极值，P_id为第i个粒子在d维空间的个体极值；P_g＝(P_g1,P_g2,…,P_gd,…,P_gs)^T为种群全局极值，P_gd为种群g在d 维空间的全局极值；

步骤4：利用IPSO算法及所述提取的输入、输出变量值对ELM模型参数进行寻优，得到ELM模型的寻优变量：神经元个数L、输入层权重w和隐含层偏置b；

步骤5：利用所述寻优变量及所述提取的输入、输出变量值对ELM预测模型进行训练，得到输出权重

步骤6：构建基于IPSO-ELM的水泥磨系统电耗指标预测模型为：

其中，j＝1，2，…，L，L为隐含层神经元的个数，

为输出权重，

为激活函数，W_j为隐含层第j个神经元的输入权重矩阵，X＝[x₁,x₂,…x_i,…,x₇,x₈]为输入变量时间序列数据集，x_i＝[x_i1,x_i2,…,x_it]i＝1,2…8，t为时间序列的长度，b_j为隐含层第j个神经元的偏置；

步骤7：进行在线预测；

将实时输入变量数据输入基于IPSO-ELM的水泥磨系统电耗指标预测模型，得到实时的水泥磨吨电耗数值，实现水泥磨系统电耗指标的在线预测。

2.根据权利要求1所述的基于极限学习机的水泥磨系统电耗指标预测方法，其特征在于，所述步骤4中寻优过程如下：

步骤41：对种群进行初始化，设置粒子群的初始位置和初始速度；

步骤42：根据适应度函数，计算每个粒子的适应度值；

步骤43：对每个粒子进行位置比较，即对经过的位置和上一次的位置进行比较，如果适应度低于上一次的位置，就取代上一次的位置；

步骤44：对个体最优位置和群体最优位置进行比较，如优于群体最优位置，就取代群体最优位置；

步骤45：根据公式更新粒子速度和位置；

步骤46：判断是否满足终止条件，若满足则停止运算，否则返回第二步重新开始。

3.根据权利要求1所述的基于极限学习机的水泥磨系统电耗指标预测方法，其特征在于，所述步骤5中模型训练的具体步骤如下：

首先利用构建好的输入输出层数据结合IPSO-ELM算法，进行IPSO-ELM水泥磨系统电耗预测模型的训练：

对N个任意样本(X_i,t_i)，其中，X_i＝[x_i1,x_i2,x_i3,…,x_in]^T，t_i＝[t_i1,t_i2,t_i3,…,t_im]^T∈R^m，则存在L个隐含层节点的ELM预测模型表示为：

其中，o_i是ELM预测模型的输出，n为输入变量的个数，m为输出变量的个数，β_j为隐含层第j个神经元的输出权重，

为激活函数，L为隐含层神经元的个数，W_j为隐含层第j个神经元的输入权重矩阵，X_i＝[x_i1,x_i2,x_i3,…,x_in]^T为输入变量值，b_j为隐含层第j个神经元的偏置；N为样本总数；

ELM网络训练的目标就是使预测值与真实值之间的误差最小，表达式为：

即存在W_j，b_j，β_j使得：

上述表达式的矩阵表达形式为：

Hβ＝T (5)

其中：

其中，H的第i列是对输入X_i第i个隐藏节点的输出，其中T表示样本的实际值，神经元个数L、输入权重w和隐含层偏置b由IPSO算法确定；

训练基于极限学习机的电耗预测模型即寻找系统的最小二乘解

求得输出权值矩阵：

称为H矩阵的摩尔-彭罗斯广义逆，并且该等式对应的解具有唯一性，使其训练误差达到最小。

4.根据权利要求1所述的基于极限学习机的水泥磨系统电耗指标预测方法，其特征在于，所述步骤6中，t＝50，即输入数据为当前时点之前50分钟的输入变量数据构成的时间序列数据。

5.根据权利要求1所述的基于极限学习机的水泥磨系统电耗指标预测方法，其特征在于，所述步骤6中，y为当前时点未来10分钟水泥磨吨电耗。

Images