CN113792490A - 一种基于支持向量回归机的水泥搅拌机能耗建模方法 - Google Patents
一种基于支持向量回归机的水泥搅拌机能耗建模方法 Download PDFInfo
- Publication number
- CN113792490A CN113792490A CN202111087317.XA CN202111087317A CN113792490A CN 113792490 A CN113792490 A CN 113792490A CN 202111087317 A CN202111087317 A CN 202111087317A CN 113792490 A CN113792490 A CN 113792490A
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- model
- cement mixer
- matrix
- 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 72
- 239000004568 cement Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000013598 vector Substances 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 24
- 238000003756 stirring Methods 0.000 claims description 22
- 239000007788 liquid Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000007599 discharging Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000006641 stabilisation Effects 0.000 claims description 9
- 238000011105 stabilization Methods 0.000 claims description 9
- 238000011425 standardization method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mixers Of The Rotary Stirring Type (AREA)
Abstract
一种基于支持向量回归机的水泥搅拌机能耗建模方法,包括:(1)采集水泥搅拌机的运行过程状态数据和稳定性数据;(2)对运行过程状态数据进行预处理,得到参数矩阵A;(3)根据参数矩阵A,使用奇异值分解法得到新参数矩阵A*;(4)将稳定性数据加入新参数矩阵A*,得到数据集B并作为自变量,将对应的水泥搅拌机消耗的总能耗值作为因变量,使用高斯径向基函数作为核函数,构建水泥搅拌机能耗模型。基于支持向量回归机,具有较好的鲁棒性,对未知数据拥有很好的泛化能力,尤其是在数据量较少的小样本情况下,能够有效分析典型工业负荷水泥搅拌机的能耗问题,分析各种参数对水泥搅拌机能耗产生的影响,利于电网实现工业负荷的优化调度。
Description
技术领域
本发明涉及电力工业能耗领域,更具体地,涉及一种基于支持向量回归机的水泥搅拌机能耗建模方法。
背景技术
近几年来,我国经济已经由高速增长阶段转向高质量发展阶段,正处在转变发展方式、优化经济结构、转换增长动力的攻关期。国家一直大力推进供给侧结构性改革和电力需求侧管理工作,强调要合理控制能源消耗,提高能源利用效率。为积极响应国家政策,在工作目标中明确提出深化可调节负荷应用。我国工业负荷容量大、涉及工业种类多,且多处于集中管理,具体较大的工业负荷可调节潜力。如果能进一步提高工业负荷的调控能力,使其能更加积极地参与电网调度管理,将有利于新能源的推广,降低工业负荷生产成本和资源浪费。
作为基建大国,水泥及其相关工业在我国工业负荷占比中占据了很大一部分份额,中国发明专利申请(CN109389164A)“基于支持向量回归模型的地区单位GDP能耗预测方法”对数据进行主成分分析处理后作为支持向量回归模型的输入数据,通过训练得到地区单位GDP能耗预测模型;中国发明专利(CN105627504B)“基于支持向量机的变风量中央空调系统冷水机组能耗估计方法”对数据进行相关性分析处理后作为支持向量机模型的输入数据,通过训练得到冷水机组能耗预测模型;中国发明专利申请(CN110567101A)“一种基于支持向量机模型的冷水机组高能效控制方法”,中国发明专利申请(CN103544398A)“一种基于回归型支持向量机确定节能效果的方法及系统”;可见,现有技术中,对水泥搅拌机参与电网优化和负荷调控方面的研究,尚缺少能够可靠运行的准确的定量模型来作为依据和标准,并且能耗研究不够细致,无法对水泥搅拌机能耗进行更准确的预测。
近年来,电力行业响应国家战略部署,重视人工智能技术的发展,强化人工智能技术在电力领域内的应用。负荷预测技术的影响因素多种多样,传统预测技术往往面临预测精度问题,近年来基于Python的人工智能等大数据分析的负荷预测方法开始崭露头角。同时,大数据技术也可以有效挖掘数据潜在的信息,进而更准确的分析数据。
因此,结合人工智能技术,对水泥搅拌机能耗建立相关预测模型,具有较高的应用价值。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供一种基于支持向量回归机的水泥搅拌机能耗建模方法,解决目前有关典型工业负荷的能耗分析问题,弥补现有的粗糙的能耗建模方式不能准确预测水泥搅拌机能耗情况以及分析与能耗相关参数的特性问题。
本发明采用如下的技术方案。
一种基于支持向量回归机的水泥搅拌机能耗建模方法包括:
步骤1,采集水泥搅拌机的运行过程状态数据和稳定性数据;
步骤2,对运行过程状态数据进行预处理,得到参数矩阵A;
步骤3,根据参数矩阵A,使用奇异值分解法得到新参数矩阵A*;
步骤4,将稳定性数据加入新参数矩阵A*,得到数据集B并作为自变量,将对应的水泥搅拌机消耗的总能耗值作为因变量,使用高斯径向基函数作为核函数,构建水泥搅拌机能耗模型。
优选地,步骤1中,运行过程状态数据包括:工作电流、阻抗、轴功率、桨叶排液量、压头、桨叶直径、搅拌转速、进料量、出料量、骨料平均粒径;稳定性数据包括:工作电压、工作频率。
优选地,步骤2包括:
步骤2.1,从运行过程状态数据中提取各数据的特征值;
步骤2.2,对特征值数据,采用Z-score标准化方法,以如下关系式进行归一化处理:
步骤2.3,将归一化处理后的各数据特征值进行向量化处理,得到参数矩阵A。
进一步,步骤2.1中,对于搅拌转速、进料量、出料量、桨叶直径,均取实际值作为特征值;对于轴功率、压头、桨叶直径、骨料平均粒径,均取平均值作为特征值;
根据工作电流,提取搅拌机的启动峰值电流和达到电流波动不超过5%的稳定阶段所用的电流稳定时间作为特征值;
提取桨叶排液量以及桨叶排液量的平均变化率作为特征值。
进一步,步骤2.2中,对于以实际值作为特征值的各数据,即搅拌转速、进料量、出料量不进行归一化处理。
进一步,步骤2.3中,向量化,即将归一化处理后的各数据特征值,按进料量、出料量、启动峰值电流、电流稳定时间、轴功率、桨叶排液量、压头、桨叶直径、搅拌转速、桨叶排液量变化率和骨料平均粒径的顺序依次放入参数矩阵A中。
优选地,步骤3包括:
步骤3.1,根据参数矩阵A构建第一方阵AAT和第二方阵ATA;
步骤3.2,求解第一方阵AAT的第一特征值ui和第一特征向量、第二方阵ATA的第二特征值vi和第二特征向量;
步骤3.3,利用第一特征向量构建维数为m×m的左奇异矩阵U,利用第二特征向量构建维数为n×n的右奇异矩阵V;
步骤3.4,以如下关系式计算奇异值矩阵的对角元δi,所得对角元δi按从大到小排列组成奇异值矩阵:
步骤3.5,选取k值,使得奇异值矩阵中前k列奇异值之和与全部奇异值之和之比大于等于95%;在右奇异矩阵V中取前k行组成新的右矩阵V*;
步骤3.6,以如下关系式计算得到新参数矩阵A*:
A*=A(V*)T
新参数矩阵A*是参数矩阵A的降维后结果。
优选地,步骤4包括:
步骤4.1,选择径向基函数作为核函数,构建支持向量回归机的模型,其中,所述径向基函数为高斯核函数,满足如下关系式:
式中,x和x′表示两个不同的向量,τ表示高斯滤波器带宽;
步骤4.2,在新参数矩阵A*中,加入工作电压和工作频率的特征值数据,得到数据集B作为自变量,即水泥搅拌机能耗模型的输入数据集;以水泥搅拌机的总能耗作为水泥搅拌机能耗模型的输出数据集;
步骤4.3,将输入数据集划分为训练集和测试集;
步骤4.4,使用训练集对水泥搅拌机能耗模型进行训练;
步骤4.5,使用测试集对训练好的模型进行测试,使得模型输出的总能耗的预测值和真实值之间的误差不大于5%。
进一步,步骤4.2中,提取一段工作时间内工作电压和工作频率的平均值作为特征值。
进一步,步骤4.4中,基于K折交叉验证法,将训练集分成K折;选其中一折数据作为验证集,其他K-1折数据作为训练集,进行训练和验证;然后,换另一折数据作为验证集,其他K-1折数据作为训练集;直到每一折数据都作过验证集后,得到训练好的模型。
本发明的有益效果在于,与现有技术相比:
1、能够有效分析典型工业负荷水泥搅拌机的能耗问题,方便分析各种参数对水泥搅拌机能耗产生的影响,方便电网实现工业负荷的优化调度问题。
2、选用奇异值分解避免了使用特征值分解时在大量数据特征情况下需要计算原始数据协方差矩阵的麻烦,降低了模型的复杂度,提高模型运算效率,方便在线式监控能耗情况。
3、使用支持向量回归机的方法,具有较好的鲁棒性,对未知数据拥有很好的泛化能力,尤其是在数据量较少的小样本情况下,相较于其他传统机器学习办法,具有更优的性能。
4、建立一套反映其能耗表征特性的模型,可以挖掘其可调潜力,提高电网对能量资源的综合利用和对该工业负荷的运行效率,引导用户方参与电网实时供需平衡。
附图说明
图1是本发明一种基于支持向量回归机的水泥搅拌机能耗建模方法的步骤框图;
图2是本发明一实施例中基于支持向量回归机的水泥搅拌机能耗建模方法的流程示意图;
图3是本发明一实施例中降维前水泥搅拌机能耗的预测值和真实值的拟合曲线图;
图4是本发明一实施例中降维后水泥搅拌机能耗的预测值和真实值的拟合曲线图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
本发明采用如下的技术方案。
如图1,一种基于支持向量回归机的水泥搅拌机能耗建模方法包括:
步骤1,采集水泥搅拌机的运行过程状态数据和稳定性数据。
具体地,步骤1中,运行过程状态数据包括:工作电流、阻抗、轴功率、桨叶排液量、压头、桨叶直径、搅拌转速、进料量、出料量、骨料平均粒径;稳定性数据包括:工作电压、工作频率。
水泥搅拌机的原始数据包括:水泥搅拌机运行过程中产生的主要电气量,包括但不限于电压、电流、频率、阻抗;核心生产工艺参数,包括但不限于轴功率、桨叶排液量、压头、桨叶直径、搅拌转速;实际操作的参数,包括但不限于进料量、出料量、骨料平均粒径。
其中,对于主要电气量参数而言,搅拌机由于接入电网,其电压、频率需要保持在标准值,维系产品和电网的稳定性,而阻抗和电流可以体现搅拌机的运行效率和过程,搅拌中骨料的材质、粒径和数量会影响搅拌机的阻抗,从而在电流的变化上有所体现,在启动中电流较大随搅拌过程进行电流不断减小趋于稳定,同时,当原料量增大负荷增大,工作电流也会上升;
对于核心生产工艺参数而言,轴功率、桨叶排液量、压头、桨叶直径、搅拌转速,这些参数互相存在耦合关系,都无法单独用来描述搅拌机的工作状态,桨叶排液量与桨叶直径、转速有关,搅拌消耗的轴功率和流体比重、桨叶转速等有关,一定功率下桨叶排液量和压头又可以通过改变桨叶直径和转速来调节等,因此在考虑这些因素时要综合考虑;
对于实际操作的参数而言,进料量、出料量、骨料平均粒径,这些因素都是可以方便人为调节,在运送搅拌原料时,可以调节搅拌的进料量来调节搅拌的负荷,改变骨料的粒径改变搅拌机运行过程的阻抗,在工作电流中有所体现,而因为粒径大多不规则,在获取数据时选择得到粒径的平均值作为数据,出料量可以体现搅拌机的运行效率。
步骤2,对运行过程状态数据进行预处理,得到参数矩阵A。
具体地,步骤2包括:
步骤2.1,从运行过程状态数据中提取各数据的特征值。
进一步,步骤2.1中,对于搅拌转速、进料量、出料量、桨叶直径,均取实际值作为特征值;对于轴功率、压头、桨叶直径、骨料平均粒径,均取平均值作为特征值;
根据工作电流,提取搅拌机的启动峰值电流和达到电流波动不超过5%的稳定阶段所用的电流稳定时间作为特征值;
提取桨叶排液量以及桨叶排液量的平均变化率作为特征值。
提取数据特征值时,首先工作电压和频率变化不大用于监控水泥搅拌机的稳定性,提取一段工作时间内的平均值作为特征;对工作电流的变化提取搅拌机启动时的峰值电流和达到电流波动不超过5%的稳定阶段所用时间来反映搅拌的负荷和搅拌的程度;桨叶直径、进料量、出料量用实际值,另外提取桨叶排液量及其平均变化率,对其他数据提取平均值作数据。
步骤2.2,对特征值数据,采用Z-score标准化方法,以如下关系式进行归一化处理:
进一步,步骤2.2中,对于以实际值作为特征值的各数据,即搅拌转速、进料量、出料量不进行归一化处理;而其他数据间量纲不同,同一数据取值范围和变化范围相差过大,影响数据分析的结果,且因为数据间存在耦合情况,因此需要进行归一化处理。
步骤2.3,将归一化处理后的各数据特征值进行向量化处理,得到参数矩阵A。
进一步,步骤2.3中,向量化,即将归一化处理后的各数据特征值,按进料量、出料量、启动峰值电流、电流稳定时间、轴功率、桨叶排液量、压头、桨叶直径、搅拌转速、桨叶排液量变化率和骨料平均粒径的顺序依次放入参数矩阵A中。
步骤3,根据参数矩阵A,使用奇异值分解法得到新参数矩阵A*;
具体地,步骤3包括:
步骤3.1,根据参数矩阵A构建第一方阵AAT和第二方阵ATA;
步骤3.2,求解第一方阵AAT的第一特征值ui和第一特征向量、第二方阵ATA的第二特征值vi和第二特征向量;
步骤3.3,利用第一特征向量构建维数为m×m的左奇异矩阵U,利用第二特征向量构建维数为n×n的右奇异矩阵V;
步骤3.4,以如下关系式计算奇异值矩阵的对角元δi,所得对角元δi按从大到小排列组成奇异值矩阵:
步骤3.5,选取k值,使得奇异值矩阵中前k列奇异值之和与全部奇异值之和之比大于等于95%;在右奇异矩阵V中取前k行组成新的右矩阵V*;
值得注意的是,本发明优选实施例中,选取的k值使得奇异值矩阵中前k列奇异值之和与全部奇异值之和之比大于等于95%,这一比例数值的选取是一种非限制性的较优选择。
步骤3.6,以如下关系式计算得到新参数矩阵A*:
A*=A(V*)T
新参数矩阵A*是参数矩阵A的降维后结果。
步骤4,将稳定性数据加入新参数矩阵A*,得到数据集B并作为自变量,将对应的水泥搅拌机消耗的总能耗值作为因变量,使用高斯径向基函数作为核函数,构建水泥搅拌机能耗模型。
具体地,步骤4包括:
步骤4.1,选择径向基函数作为核函数,构建支持向量回归机的模型,其中,所述径向基函数为高斯核函数,满足如下关系式:
式中,x和x′表示两个不同的向量,τ表示高斯滤波器带宽,决定着平滑程度,影响了核函数的局部作用范围。
步骤4.2,在新参数矩阵A*中,加入工作电压和工作频率的特征值数据,得到数据集B作为自变量,即水泥搅拌机能耗模型的输入数据集;以水泥搅拌机的总能耗作为水泥搅拌机能耗模型的输出数据集;
步骤4.3,将输入数据集划分为训练集和测试集。
本发明优选实施例中,输入数据集按照7:3的比例划分为训练集和测试集,所采用的划分比例是一种非限制性的较优选择。
步骤4.4,使用训练集对水泥搅拌机能耗模型进行训练;
步骤4.5,使用测试集对训练好的模型进行测试,使得模型输出的总能耗的预测值和真实值之间的误差不大于5%。
进一步,步骤4.2中,提取一段工作时间内工作电压和工作频率的平均值作为特征值。
进一步,步骤4.4中,基于K折交叉验证法,将训练集分成K折;选其中一折数据作为验证集,其他K-1折数据作为训练集,进行训练和验证;然后,换另一折数据作为验证集,其他K-1折数据作为训练集;直到每一折数据都作过验证集后,得到训练好的模型。
实施例1。
按照图2所示的流程实施本发明提出的基于支持向量回归机的水泥搅拌机能耗建模方法,为了验证该建模方法得到的模型的有效性,收集部分水泥搅拌机的数据在Python中进行了建模,绘制水泥搅拌机能耗的预测值和真实值的拟合情况曲线图。图3给出了进行降维前水泥搅拌机能耗的预测值和真实值的拟合情况。图4给出了加入降维后水泥搅拌机能耗的预测值和真实值的拟合情况,由此可见对水泥搅拌机能耗情况预测精确。同时用均方根误差作为评价模型精确程度的标准,在加入降维处理前,模型的均方根误差为0.4737,在加入降维处理后,模型的均方根误差下降为0.4507,且模型搭建的速度更快,由此可见加入降维处理能有效提高模型的运行速度和预测精度。
本发明的有益效果在于,与现有技术相比:
1、能够有效分析典型工业负荷水泥搅拌机的能耗问题,方便分析各种参数对水泥搅拌机能耗产生的影响,方便电网实现工业负荷的优化调度问题。
2、选用奇异值分解避免了使用特征值分解时在大量数据特征情况下需要计算原始数据协方差矩阵的麻烦,降低了模型的复杂度,提高模型运算效率,方便在线式监控能耗情况。
3、使用支持向量回归机的方法,具有较好的鲁棒性,对未知数据拥有很好的泛化能力,尤其是在数据量较少的小样本情况下,相较于其他传统机器学习办法,具有更优的性能。
4、建立一套反映其能耗表征特性的模型,可以挖掘其可调潜力,提高电网对能量资源的综合利用和对该工业负荷的运行效率,引导用户方参与电网实时供需平衡。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.一种基于支持向量回归机的水泥搅拌机能耗建模方法,其特征在于,
所述方法包括:
步骤1,采集水泥搅拌机的运行过程状态数据和稳定性数据;
步骤2,对所述运行过程状态数据进行预处理,得到参数矩阵A;
步骤3,根据参数矩阵A,使用奇异值分解法得到新参数矩阵A*;
步骤4,将所述稳定性数据加入新参数矩阵A*,得到数据集B并作为自变量,将对应的水泥搅拌机消耗的总能耗值作为因变量,使用高斯径向基函数作为核函数,构建水泥搅拌机能耗模型。
2.根据权利要求1所述的一种基于支持向量回归机的水泥搅拌机能耗建模方法,其特征在于,
步骤1中,所述运行过程状态数据包括:工作电流、阻抗、轴功率、桨叶排液量、压头、桨叶直径、搅拌转速、进料量、出料量、骨料平均粒径;
所述稳定性数据包括:工作电压、工作频率。
4.根据权利要求3所述的一种基于支持向量回归机的水泥搅拌机能耗建模方法,其特征在于,
步骤2.1中,对于搅拌转速、进料量、出料量、桨叶直径,均取实际值作为特征值;对于轴功率、压头、桨叶直径、骨料平均粒径,均取平均值作为特征值;
根据工作电流,提取搅拌机的启动峰值电流和达到电流波动不超过5%的稳定阶段所用的电流稳定时间作为特征值;
提取桨叶排液量以及桨叶排液量的平均变化率作为特征值。
5.根据权利要求4所述的一种基于支持向量回归机的水泥搅拌机能耗建模方法,其特征在于,
步骤2.2中,对于以实际值作为特征值的各数据,即搅拌转速、进料量、出料量不进行归一化处理。
6.根据权利要求3所述的一种基于支持向量回归机的水泥搅拌机能耗建模方法,其特征在于,
步骤2.3中,所述向量化,即将归一化处理后的各数据特征值,按进料量、出料量、启动峰值电流、电流稳定时间、轴功率、桨叶排液量、压头、桨叶直径、搅拌转速、桨叶排液量变化率和骨料平均粒径的顺序依次放入参数矩阵A中。
7.根据权利要求3所述的一种基于支持向量回归机的水泥搅拌机能耗建模方法,其特征在于,
步骤3包括:
步骤3.1,根据参数矩阵A构建第一方阵AAT和第二方阵ATA;
步骤3.2,求解第一方阵AAT的第一特征值ui和第一特征向量、第二方阵ATA的第二特征值vi和第二特征向量;
步骤3.3,利用第一特征向量构建维数为m×m的左奇异矩阵U,利用第二特征向量构建维数为n×n的右奇异矩阵V;
步骤3.4,以如下关系式计算奇异值矩阵的对角元δi,所得对角元δi按从大到小排列组成奇异值矩阵:
步骤3.5,选取k值,使得奇异值矩阵中前k列奇异值之和与全部奇异值之和之比大于等于95%;在右奇异矩阵V中取前k行组成新的右矩阵V*;
步骤3.6,以如下关系式计算得到新参数矩阵A*:
A*=A(V*)T
新参数矩阵A*是参数矩阵A的降维后结果。
8.根据权利要求1所述的一种基于支持向量回归机的水泥搅拌机能耗建模方法,其特征在于,
步骤4包括:
步骤4.1,选择径向基函数作为核函数,构建支持向量回归机的模型,其中,所述径向基函数为高斯核函数,满足如下关系式:
式中,x和x′表示两个不同的向量,τ表示高斯滤波器带宽;
步骤4.2,在新参数矩阵A*中,加入工作电压和工作频率的特征值数据,得到数据集B作为自变量,即水泥搅拌机能耗模型的输入数据集;以水泥搅拌机的总能耗作为水泥搅拌机能耗模型的输出数据集;
步骤4.3,将输入数据集划分为训练集和测试集;
步骤4.4,使用训练集对水泥搅拌机能耗模型进行训练;
步骤4.5,使用测试集对训练好的模型进行测试,使得模型输出的总能耗的预测值和真实值之间的误差不大于5%。
9.根据权利要求1所述的一种基于支持向量回归机的水泥搅拌机能耗建模方法,其特征在于,
步骤4.2中,提取一段工作时间内工作电压和工作频率的平均值作为特征值。
10.根据权利要求1所述的一种基于支持向量回归机的水泥搅拌机能耗建模方法,其特征在于,
步骤4.4中,基于K折交叉验证法,将训练集分成K折;选其中一折数据作为验证集,其他K-1折数据作为训练集,进行训练和验证;然后,换另一折数据作为验证集,其他K-1折数据作为训练集;直到每一折数据都作过验证集后,得到训练好的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087317.XA CN113792490B (zh) | 2021-09-16 | 2021-09-16 | 一种基于支持向量回归机的水泥搅拌机能耗建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087317.XA CN113792490B (zh) | 2021-09-16 | 2021-09-16 | 一种基于支持向量回归机的水泥搅拌机能耗建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792490A true CN113792490A (zh) | 2021-12-14 |
CN113792490B CN113792490B (zh) | 2024-07-02 |
Family
ID=78878649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111087317.XA Active CN113792490B (zh) | 2021-09-16 | 2021-09-16 | 一种基于支持向量回归机的水泥搅拌机能耗建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792490B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315884A (zh) * | 2017-07-04 | 2017-11-03 | 北京首钢自动化信息技术有限公司 | 一种基于线性回归的建筑能耗建模方法 |
CN108876039A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 |
CN110879921A (zh) * | 2019-11-25 | 2020-03-13 | 大连大学 | 一种基于时空相关性的卫星网络流量预测方法 |
CN111241755A (zh) * | 2020-02-24 | 2020-06-05 | 国网(苏州)城市能源研究院有限责任公司 | 电力负荷预测方法 |
CN112785080A (zh) * | 2021-02-03 | 2021-05-11 | 燕山大学 | 一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法 |
CN112884012A (zh) * | 2021-01-26 | 2021-06-01 | 山东历控能源有限公司 | 基于支持向量机原理的建筑能耗预测方法 |
CN112896200A (zh) * | 2021-01-27 | 2021-06-04 | 株洲中车时代电气股份有限公司 | 一种降低igbt模块寿命损耗的机车牵引力分配方法及装置 |
CN113033618A (zh) * | 2021-03-03 | 2021-06-25 | 四川大学 | 基于支持向量回归的分层水库取水下泄水温预测模型及预测方法 |
-
2021
- 2021-09-16 CN CN202111087317.XA patent/CN113792490B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315884A (zh) * | 2017-07-04 | 2017-11-03 | 北京首钢自动化信息技术有限公司 | 一种基于线性回归的建筑能耗建模方法 |
CN108876039A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 |
CN110879921A (zh) * | 2019-11-25 | 2020-03-13 | 大连大学 | 一种基于时空相关性的卫星网络流量预测方法 |
CN111241755A (zh) * | 2020-02-24 | 2020-06-05 | 国网(苏州)城市能源研究院有限责任公司 | 电力负荷预测方法 |
CN112884012A (zh) * | 2021-01-26 | 2021-06-01 | 山东历控能源有限公司 | 基于支持向量机原理的建筑能耗预测方法 |
CN112896200A (zh) * | 2021-01-27 | 2021-06-04 | 株洲中车时代电气股份有限公司 | 一种降低igbt模块寿命损耗的机车牵引力分配方法及装置 |
CN112785080A (zh) * | 2021-02-03 | 2021-05-11 | 燕山大学 | 一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法 |
CN113033618A (zh) * | 2021-03-03 | 2021-06-25 | 四川大学 | 基于支持向量回归的分层水库取水下泄水温预测模型及预测方法 |
Non-Patent Citations (1)
Title |
---|
袁永忠;: "浅谈混凝土搅拌机的工作原理及操作规程", 企业导报, no. 06, 30 March 2012 (2012-03-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN113792490B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112115649B (zh) | 基于数字孪生的立磨机多场耦合系统工艺参数优化方法 | |
CN108416691B (zh) | 一种能源替代环保潜力计算方法 | |
CN105186525B (zh) | 风电接入下无功电压控制分区方法 | |
CN102819772B (zh) | 电力配网建设物资需求预测方法及装置 | |
CN113408648B (zh) | 一种结合深度学习的机组组合计算方法 | |
CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
CN108932557A (zh) | 一种基于气温累积效应和灰色关联度的短期负荷预测模型 | |
CN112901449B (zh) | 一种基于机器学习的空气压缩机系统能耗优化方法 | |
Jia et al. | Performance analysis of assembly systems with Bernoulli machines and finite buffers during transients | |
CN109978287B (zh) | 多晶硅智能生产方法及系统 | |
CN106873372B (zh) | 基于防洪调度数据自适应控制的水库防洪调度优化方法 | |
CN113094988A (zh) | 一种基于数据驱动的浆液循环泵运行优化方法及系统 | |
CN102831489A (zh) | 电力配网建设物资需求预测方法及装置 | |
CN112465239B (zh) | 基于改进pso-fcm算法的脱硫系统运行优化方法 | |
CN105225000B (zh) | 一种基于模糊序优化的风功率概率模型非参数核密度估计方法 | |
CN111046018A (zh) | 基于多目标优化的发电设备运行工况库构建方法和装置 | |
CN110020680A (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
WO2024011936A1 (zh) | 一种工艺参数的优化方法及装置 | |
CN106169101A (zh) | 一种基于结构分解的能源需求预测方法 | |
Yin et al. | Dynamic real–time abnormal energy consumption detection and energy efficiency optimization analysis considering uncertainty | |
US7155367B1 (en) | Method for evaluating relative efficiency of equipment | |
CN110705099B (zh) | 一种检定风电场出力相关性的方法 | |
CN115455827A (zh) | 一种基于实时数据的成品油管道混油量计算方法及系统 | |
CN116244625A (zh) | 基于多特征融合神经网络的溢流型磨机负荷间接预报方法 | |
CN105512794A (zh) | 针对高载能负荷参与调峰的电力节能指标体系构建方法 |
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 |