CN113112089A - 水泥生料粉磨系统电耗预测方法及其预测系统 - Google Patents
水泥生料粉磨系统电耗预测方法及其预测系统 Download PDFInfo
- Publication number
- CN113112089A CN113112089A CN202110455807.4A CN202110455807A CN113112089A CN 113112089 A CN113112089 A CN 113112089A CN 202110455807 A CN202110455807 A CN 202110455807A CN 113112089 A CN113112089 A CN 113112089A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- time
- encoder
- decoder
- formula
- 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
- 239000004568 cement Substances 0.000 title claims abstract description 45
- 239000002994 raw material Substances 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000015654 memory Effects 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 79
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000006403 short-term memory Effects 0.000 claims description 22
- 230000007787 long-term memory Effects 0.000 claims description 20
- 230000036961 partial effect Effects 0.000 claims description 19
- 235000012054 meals Nutrition 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 239000000843 powder Substances 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract 2
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种水泥生料粉磨系统电耗预测方法及其系统,本发明通过对电耗的实时预测,为水泥生料粉磨系统降低电耗提供基础,以长短期记忆网络为基本模型,采用编解码结构,建立包括编码器和解码器在内的电耗预测模型;将系统变量输入编码器中,挖掘变量间的非线性关系,并将系统变量数据转换成包含变量间非线性关系的特征码,再将特征码和历史电耗数据一起输入解码器,挖掘系统变量和历史电耗之间的关联性,并得到下一时刻预测值;同时采用反向传播算法对模型参数进行修正,提高收敛精度,然后用训练好的模型对电耗进行实时预测。利用本发明可以对水泥生料粉磨系统的电耗进行精准预测。
Description
技术领域
本发明涉及水泥生产过程中生料粉磨系统的电耗预测领域,尤其是一种水泥生料粉磨系统电耗预测方法及其预测系统。
背景技术
电能是水泥生料粉磨系统的主要能源。通过对水泥生料粉磨系统的电耗进行精准的实时预测,调节合理的生产方式,可以为水泥生产的优化制造和降低功耗节省成本开支提供条件,对水泥生产的节能降耗具有重要的意义。水泥生料粉磨系统是一个复杂的非线性系统,并同时具有滞后性、强惯性、强耦合性和不确定性等特点。针对上述问题,有学者采用不同方法来研究水泥生产中的电耗预测模型。崔保华等采用支持向量机对电耗进行预测,但是支持向量机适用于小样本数据,用于水泥企业这样的工业大数据并不合适,而且,支持向量机属于静态模型,难以捕捉数据的时间特性。赵辉等采用主成分分析法对原始数据进行降维,降低模型的复杂性,并在此基础上采用基于改进的多元非线性算法对水泥电耗进行预测,但是这种建模方法预测精度较低,并且不能有效地解决时滞时延的问题。因此,如何结合水泥数据的特性,对电耗进行精准预测,显得尤为重要。
发明内容
针对上述存在的问题,本发明提出一种基于长短期记忆网络的水泥生料粉磨系统电能消耗在线预测方法及其系统,解决了生料粉磨系统中变量与变量间的耦合问题和系统变量与电耗之间的时延问题,并对未来下一时刻的电耗进行准确预测。
为实现上述目的,本发明所采用的技术方案,其包括以下步骤:
步骤1:将出磨斗提电流反馈、喂料斗提电流反馈、喂料量反馈、选粉机转速反馈、入库提升机电流反馈、主机电流和选粉机进口压力作为系统变量,将筛选出的系统变量数据和对应的电耗数据采用滑窗操作构建输入数据矩阵,将处理完成的系统变量数据矩阵和对应电耗数据矩阵作为模型的输入;
步骤2:以长短期记忆网络为基本模型,采用编解码结构,建立包括编码器和解码器在内的电耗预测模型,编码器根据长短期记忆网络t时刻的输入数据矩阵xt和上一时刻的输出ht-1,得到t时刻编码器中长短期记忆网络的输出ht:
ht=f(xt,ht-1) (1)
式中,f()表示xt和ht-1之间的映射关系,将过去各个时刻长短期记忆网络的输入拼接到一起,获得编码器的输出Z:
Z=[h1,h2,…,ht] (2)
解码器将编码器的输出和历史电耗数据矩阵进行拼接,将拼接的数据矩阵作为解码器的输入,并对未来下一时刻的电耗进行预测,在解码器中,该长短期记忆网络的门控单元和单元状态更新值分别为:
式中,Yt表示t时刻的电耗值、Zj为对应时刻的编码器输出向量、dt-1为前一时刻解码器中长短期记忆网络的隐藏层输出向量、Ni,No,Nf,Ns,li,lo,lf,ls为所需要学习的模型参数、是t时刻解码器中长短期记忆网络的输入门阈值、是t时刻解码器中长短期记忆网络的输出门阈值、是t时刻解码器中长短期记忆网络的遗忘门阈值、是t时刻解码器中长短期记忆网络的状态更新矩阵;
解码器的记忆单元更新方式为:
式(7)中,st为t时刻记忆状态更新向量,st-1为上一时刻的记忆状态;
解码器的输出向量dt为:
式中,WT、bT为所要学习的参数;
步骤3:对步骤2中所得出的下一时刻电耗预测值,根据样本的标签,采用反向传播技术对编码器和解码器中的参数进行更新修正;
步骤4:重复步骤2和步骤3,对模型进行训练,直到模型的训练误差小于设定的阈值再停止训练;
步骤5:将训练完成的模型用于生料粉磨系统进行电耗的实时预测。
优选地,在步骤2中,所构建的系统变量输入数据矩阵横向为不同的变量,竖向为不同的时序。
优选地,在步骤2中,所述编码器和解码器分别包括一个独立的长短期记忆网络,编码器输入系统变量数据矩阵,解码器输入历史电耗数据矩阵和编码器的输出矩阵,并输出未来下一时刻电耗的预测值。
优选地,在步骤4中,选择电耗的预测值和真实值的均方误差作为目标函数:
式中,L为目标函数、yi为真实电耗值、为预测电耗值、n为样本数、编码器权重参数为Wi,Wo,Wf,Wc,bi,bo,bf,bc。这里,Wi是编码器输入门的权重,Wo为编码器输出门的权重,Wf为编码器遗忘门的权重,Wc为编码器记忆单元的权重。bi为编码器输入门的偏置,bo为编码器输出门的偏置,bf为编码器遗忘门的偏置,bc为编码器记忆单元的偏置。编码器中的参数的梯度为:
根据所求得的梯度对编码器中的参数进行更新:
Wc=Wc-μ·ΔWc (19)
Wf=Wf-μ·ΔWf (20)
Wi=Wi-μ·ΔWi (21)
Wo=Wo-μ·ΔWo (22)
bc=bc-μ·Δbc (23)
bf=bf-μ·Δbf (24)
bi=bi-μ·Δbi (25)
bo=bo-μ·Δbo (26)
式中,μ表示网络的学习率;
在解码器中,解码器权重参数Ni,No,Nf,Ns,li,lo,lf,ls的梯度为:
根据所求得的梯度对编码器中的参数进行更新:
Ns=Ns-μ·ΔNs (35)
Nf=Nf-μ·ΔNf (36)
Ni=Ni-μ·ΔNi (37)
No=No-μ·ΔNo (38)
ls=ls-μ·Δls (39)
lf=lf-μ·Δlf (40)
li=li-μ·Δli (41)
lo=lo-μ·Δlo (42)
式中,μ表示网络的学习率;
本发明的第二方面提供一种基于前述长短期记忆网络的水泥生料粉磨系统电耗预测方法的预测系统,该系统包括:数据获取模块,用于从数据库中提取生料粉磨系统的历史电耗数据和对应时刻的系统工况信息;预处理模块,将数据库中提取到的数据处理成能够输入预测模型的数据类型;训练模块,采用反向传播算法对所提出的预测模型进行训练,得到水泥生料粉磨系统的电耗预测模型;预测模块,将训练完成的模型用于水泥生料粉磨系统电耗的实时预测。
与现有技术相比,本发明具有以下有益效果:
1)本发明结合水泥生料粉磨系统惯性大、变量耦合性强的特点,采用长短期记忆模型对系统进行电耗预测,并对模型进行改进,使改进后的模型更加适用于粉磨系统复杂工况下的电耗预测;
2)采用本发明所提出的水泥生料粉磨系统电耗预测模型在水泥企业的真实数据集上进行测试,对5分钟后的水泥生料粉磨系统电耗进行预测,结果显示本发明提出的电耗预测模型的预测值和真实值的均方误差为0.038,绝对平均误差为0.157,具有很好的预测精度;
3)本发明能精准预测水泥生料粉磨系统的电耗量,为粉磨系统的科学决策和合理的能源规划提供依据,从而为水泥制造的优化生产和降低能耗提供条件。
附图说明
图1为本发明所提出的基于LSTM模型的水泥生料粉磨系统电耗预测模型结构图;
图2为本发明所提出的基于LSTM模型的水泥生料粉磨系统电耗预测的系统流程图;
图3为本发明所提出的基于LSTM模型的水泥生料粉磨系统电耗预测模型的预测结果图。
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。
本发明提出了一种水泥生料粉磨系统电耗预测方法及预测系统,预测系统包括:数据获取模块,用于从数据库中提取生料粉磨系统的历史电耗数据和对应时刻的系统工况信息;预处理模块,将数据库中提取到的数据处理成能够输入预测模型的数据类型;训练模块,采用反向传播算法对所提出的预测模型进行训练,得到水泥生料粉磨系统的电耗预测模型;预测模块,将训练完成的模型用于水泥生料粉磨系统电耗的实时预测。预测方法包括以下步骤:
首先从水泥生料粉磨系统数据库中提取与电耗相关的7个输入变量数据,根据输入变量与输出变量之间的时延关系,构建时间序列输入层,对模型进行前向训练,并采用反向传播技术对权值进行微调。图1所示为所建立的电耗预测模型的结构示意图,图2所示为基于长短期记忆网络的水泥生料粉磨系统电耗预测流程图。
其内容包括如下步骤:
步骤1:数据获取。通过对水泥生料粉磨系统的分析,筛选出7个对电耗影响大的关键控制因素作为系统变量。本发明选取的7个与电耗相关的关键控制因素分别为:出磨斗提电流反馈、喂料斗提电流反馈、喂料量反馈、选粉机转速反馈、入库提升机电流反馈、主机电流、选粉机进口压力。将筛选出的系统变量数据和对应的电耗数据采用滑窗操作构建输入数据矩阵,将处理完成的系统变量数据矩阵和对应电耗数据矩阵作为模型的输入。所构建的系统变量输入数据矩阵横向为不同的变量,竖向为不同的时序。
步骤2:建立电耗预测模型。以长短期记忆网络为基本模型,采用编解码结构,建立电耗预测模型。电耗预测模型包括编码器和解码器两个部分。编码器由一个独立的长短期记忆网络构成,输入系统变量数据矩阵,将输入的系统变量转换为包含变量之间非线性关系的特征码;解码器由另一个独立的长短期记忆网络构成,输入历史电耗数据矩阵和编码器的输出矩阵,来对未来下一时刻的电耗值进行预测。
编码器由一个独立的长短期记忆网络组成,根据长短期记忆网络t时刻的输入数据矩阵xt和上一时刻的输出ht-1,得到t时刻编码器中长短期记忆网络的输出:
ht=f(xt,ht-1) (1)
式中,f( )表示xt和ht-1之间的映射关系。将1~t时刻长短期记忆网络的输入拼接到一起,得到编码器的输出Z:
Z=[h1,h2,…,ht] (2)
解码器和编码器一样,都是由长短期记忆网络构成的,因此解码器的内部运算方式与编码器相同;但是,解码器的输入由历史电耗数据和编码器输出拼接而成;在解码器中,门控单元和单元状态更新值分别为:
上式中,Yt表示t时刻的电耗值,Zj为对应时刻的编码器输出向量,dt-1是前一时刻解码器中长短期记忆网络的隐藏层输出向量,Ni,No,Nf,Ns,li,lo,lf,ls为所需要学习的模型参数,是t时刻解码器中长短期记忆网络的输入门阈值,是t时刻解码器中长短期记忆网络的输出门阈值,是t时刻解码器中长短期记忆网络的遗忘门阈值,是t时刻解码器中长短期记忆网络的状态更新矩阵。
解码器的记忆单元更新方式为:
解码器的输出向量dt为:
步骤3:对步骤2中建立的模型,根据样本的标签,采用反向传播技术对编码器和解码器中的参数进行修正更新。选择电耗的预测值和真实值的均方误差作为训练模型的目标函数:
根据所求得的梯度对编码器中的参数进行更新:
Wc=Wc-μ·ΔWc (19)
Wf=Wf-μ·ΔWf (20)
Wi=Wi-μ·ΔWi (21)
Wo=Wo-μ·ΔWo (22)
bc=bc-μ·Δbc (23)
bf=bf-μ·Δbf (24)
bi=bi-μ·Δbi (25)
bo=bo-μ·Δbo (26)
式中,μ表示网络的学习率;
在解码器中,解码器权重参数Ni,No,Nf,Ns,li,lo,lf,ls的梯度为:
根据所求得的梯度对编码器中的参数进行更新:
Ns=Ns-μ·ΔNs (35)
Nf=Nf-μ·ΔNf (36)
Ni=Ni-μ·ΔNi (37)
No=No-μ·ΔNo (38)
ls=ls-μ·Δls (39)
lf=lf-μ·Δlf (40)
li=li-μ·Δli (41)
lo=lo-μ·Δlo (42)
式中,μ表示网络的学习率;
至此,LSTM中的参数完成一次迭代更新。
步骤4:重复步骤2和步骤3,直到损失函数的数值不再降低时,模型训练完成。
步骤5:将训练完成的模型用于生料粉磨系统进行电耗的实时预测。
如图3所示为水泥生料粉磨系统电耗预测结果,图中虚线为水泥生料粉磨系统的真实电耗值,直线为采用本发明所提出的预测模型得到的电耗预测值,由图3可见,模型的预测值和样本的真实值具有很好的拟合,说明本发明所提出的预测模型可以准确地预测出生料粉磨系统的电耗变化趋势和电耗值。
以上所述各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应该理解:其依然能对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种水泥生料粉磨系统电耗预测方法,其特征在于,其包括以下步骤:
步骤1:将出磨斗提电流反馈、喂料斗提电流反馈、喂料量反馈、选粉机转速反馈、入库提升机电流反馈、主机电流和选粉机进口压力作为系统变量,将筛选出的系统变量数据和对应的电耗数据采用滑窗操作构建输入数据矩阵,将处理完成的系统变量数据矩阵和对应电耗数据矩阵作为模型的输入;
步骤2:以长短期记忆网络为基本模型,采用编解码结构,建立包括编码器和解码器在内的电耗预测模型,编码器根据长短期记忆网络t时刻的输入数据矩阵xt和上一时刻的输出ht-1,得到t时刻编码器中长短期记忆网络的输出ht:
ht=f(xt,ht-1) (1)
式中,f()表示xt和ht-1之间的映射关系,将过去各个时刻长短期记忆网络的输入拼接到一起,获得编码器的输出Z:
Z=[h1,h2,…,ht] (2)
解码器将编码器的输出和历史电耗数据矩阵进行拼接,将拼接的数据矩阵作为解码器的输入,并对未来下一时刻的电耗进行预测,在解码器中,该长短期记忆网络的门控单元和记忆单元状态更新值分别为:
ft d=σ(Nf[Yt;Zj;dt-1]+lf) (5)
式中,Yt表示t时刻的电耗值、Zj为对应时刻的编码器输出向量、dt-1为前一时刻解码器中长短期记忆网络的隐藏层输出向量、Ni,No,Nf,Ns,li,lo,lf,ls为所需要学习的模型参数、是t时刻解码器中长短期记忆网络的输入门阈值、是t时刻解码器中长短期记忆网络的输出门阈值、ft d是t时刻解码器中长短期记忆网络的遗忘门阈值、是t时刻解码器中长短期记忆网络的状态更新矩阵;
解码器的记忆单元更新方式为:
式(7)中,st为t时刻记忆状态更新向量,st-1为上一时刻的记忆状态;
解码器的输出向量dt为:
式中,WT、bT为所要学习的参数;
步骤3:对步骤2中所得出的下一时刻电耗预测值,根据样本的标签,采用反向传播技术对编码器和解码器中的参数进行更新修正;
步骤4:重复步骤2和步骤3,对模型进行训练,直到模型的训练误差小于设定的阈值再停止训练;
步骤5:将训练完成的模型用于生料粉磨系统进行电耗的实时预测。
2.根据权利要求1所述的水泥生料粉磨系统电耗预测方法,其特征在于:在步骤2中,所构建的系统变量输入数据矩阵横向为不同的变量,竖向为不同的时序。
3.根据权利要求1所述的水泥生料粉磨系统电耗预测方法,其特征在于:在步骤2中,所述编码器和解码器分别包括一个独立的长短期记忆网络,编码器输入系统变量数据矩阵,解码器输入历史电耗数据矩阵和编码器的输出矩阵,并输出未来下一时刻电耗的预测值。
4.根据权利要求1所述的水泥生料粉磨系统电耗预测方法,其特征在于:在步骤4中,选择电耗的预测值和真实值的均方误差作为目标函数:
式中,L为目标函数、yi为真实电耗值、为预测电耗值、n为样本数、编码器权重参数为Wi,Wo,Wf,Wc,bi,bo,bf,bc,是编码器输入门的权重、Wo为编码器输出门的权重、Wf为编码器遗忘门的权重、Wc为编码器记忆单元的权重、bi为编码器输入门的偏置、bo为编码器输出门的偏置、bf为编码器遗忘门的偏置、bc为编码器记忆单元的偏置;
编码器中参数的梯度为:
根据所求得的梯度对编码器中的参数进行更新:
Wc=Wc-μ·ΔWc (19)
Wf=Wf-μ·ΔWf (20)
Wi=Wi-μ·ΔWi (21)
Wo=Wo-μ·ΔWo (22)
bc=bc-μ·Δbc (23)
bf=bf-μ·Δbf (24)
bi=bi-μ·Δbi (25)
bo=bo-μ·Δbo (26)
式中,μ表示网络的学习率;
在解码器中,解码器权重参数Ni,No,Nf,Ns,li,lo,lf,ls的梯度为:
根据所求得的梯度对编码器中的参数进行更新:
Ns=Ns-μ·ΔNs (35)
Nf=Nf-μ·ΔNf (36)
Ni=Ni-μ·ΔNi (37)
No=No-μ·ΔNo (38)
ls=ls-μ·Δls (39)
lf=lf-μ·Δlf (40)
li=li-μ·Δli (41)
lo=lo-μ·Δlo (42)
式中,μ表示网络的学习率。
5.一种根据权利要求1-4之一所述的水泥生料粉磨系统电耗预测方法的预测系统,其特征在于,其包括:
数据获取模块,用于从数据库中提取生料粉磨系统的历史电耗数据和对应时刻的系统工况信息;
预处理模块,将数据库中提取到的数据处理成能够输入预测模型的数据类型;
训练模块,采用反向传播算法对所提出的预测模型进行训练,得到水泥生料粉磨系统的电耗预测模型;
预测模块,将训练完成的模型用于水泥生料粉磨系统电耗的实时预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110455807.4A CN113112089B (zh) | 2021-04-26 | 2021-04-26 | 水泥生料粉磨系统电耗预测方法及其预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110455807.4A CN113112089B (zh) | 2021-04-26 | 2021-04-26 | 水泥生料粉磨系统电耗预测方法及其预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112089A true CN113112089A (zh) | 2021-07-13 |
CN113112089B CN113112089B (zh) | 2022-05-10 |
Family
ID=76720181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110455807.4A Active CN113112089B (zh) | 2021-04-26 | 2021-04-26 | 水泥生料粉磨系统电耗预测方法及其预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112089B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114124554A (zh) * | 2021-11-29 | 2022-03-01 | 燕山大学 | 一种虚拟网络服务链吞吐量预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298501A (zh) * | 2019-06-21 | 2019-10-01 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
CN110705743A (zh) * | 2019-08-23 | 2020-01-17 | 国网浙江省电力有限公司 | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 |
CN112633604A (zh) * | 2021-01-04 | 2021-04-09 | 重庆邮电大学 | 一种基于i-lstm的短期用电量预测方法 |
-
2021
- 2021-04-26 CN CN202110455807.4A patent/CN113112089B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298501A (zh) * | 2019-06-21 | 2019-10-01 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
CN110705743A (zh) * | 2019-08-23 | 2020-01-17 | 国网浙江省电力有限公司 | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 |
CN112633604A (zh) * | 2021-01-04 | 2021-04-09 | 重庆邮电大学 | 一种基于i-lstm的短期用电量预测方法 |
Non-Patent Citations (2)
Title |
---|
ZE LI 等: ""Electricity Consumption Prediction of Cement"", 《2019 CHINESE AUTOMATION CONGRESS (CAC)》 * |
陈程: ""卷积神经网络在气象短临预报的研究与应用"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114124554A (zh) * | 2021-11-29 | 2022-03-01 | 燕山大学 | 一种虚拟网络服务链吞吐量预测方法 |
CN114124554B (zh) * | 2021-11-29 | 2022-08-30 | 燕山大学 | 一种虚拟网络服务链吞吐量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113112089B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685252B (zh) | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 | |
Sehovac et al. | Forecasting building energy consumption with deep learning: A sequence to sequence approach | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN112712189B (zh) | 一种供热需求负荷预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN110347192B (zh) | 基于注意力机制和自编码器的玻璃炉温智能预测控制方法 | |
CN110659779A (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
CN112766608B (zh) | 一种基于极限学习机的水泥磨系统电耗指标预测方法 | |
CN113112089B (zh) | 水泥生料粉磨系统电耗预测方法及其预测系统 | |
CN112735541A (zh) | 一种基于简单循环单元神经网络的污水处理水质预测方法 | |
CN115343784A (zh) | 一种基于seq2seq-attention模型的局部气温预测方法 | |
CN116107279A (zh) | 基于注意力深度神经网络的流程工业能耗多目标优化方法 | |
CN114936742A (zh) | 一种供水系统调度代理决策方法 | |
CN113393119B (zh) | 基于场景缩减-深度学习的梯级水电短期调度决策方法 | |
CN117709540A (zh) | 一种识别异常天气的短期母线负荷预测方法和系统 | |
CN113807596B (zh) | 一种信息化工程造价的管理方法及系统 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN116562454A (zh) | 一种应用于bim的长短时注意力机制网络的造价预测方法 | |
CN116502959A (zh) | 一种基于元学习的产品制造质量预测方法 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
CN113377075B (zh) | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 | |
Liu et al. | A PSO-RBF neural network for BOD multi-step prediction in wastewater treatment process | |
Li et al. | Short-term Load Forecasting of Long-short Term Memory Neural Network Based on Genetic Algorithm | |
CN114117891A (zh) | 一种基于深度置信网络的回转窑能耗预测方法 | |
CN113593657B (zh) | 以质量目标为导向半监督学习的水泥游离钙软测量系统 |
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 |