【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)屬于鋼鐵企業(yè)煤氣預(yù)測(cè)，更具體地說(shuō)，涉及一種基于鯨魚(yú)優(yōu)化算法與雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)相結(jié)合的煤氣預(yù)測(cè)方法。
技術(shù)介紹
1、在資源短缺、能源危機(jī)和環(huán)境惡化問(wèn)題日益嚴(yán)重的背景下，工業(yè)界正積極尋求提高能源效率的策略，以達(dá)到節(jié)約能源、減少碳排放及成本控制的目標(biāo)。在鋼鐵行業(yè)中，高爐煤氣(bfg)、焦?fàn)t煤氣(cog)和轉(zhuǎn)爐煤氣(ldg)作為核心二次能源資源，其有效回收、高效利用及供需平衡管理，已成為企業(yè)實(shí)現(xiàn)綠色轉(zhuǎn)型與提升經(jīng)濟(jì)效益的關(guān)鍵驅(qū)動(dòng)力。這些煤氣資源的優(yōu)化管理，不僅關(guān)乎企業(yè)環(huán)保責(zé)任的履行，更是提升市場(chǎng)競(jìng)爭(zhēng)力、實(shí)現(xiàn)可持續(xù)發(fā)展的重要路徑。通過(guò)技術(shù)創(chuàng)新和管理升級(jí)，企業(yè)能夠最大限度地挖掘這些副產(chǎn)氣體的價(jià)值，減少對(duì)傳統(tǒng)能源的依賴(lài)，從而在保護(hù)環(huán)境的同時(shí)，也為自身帶來(lái)實(shí)實(shí)在在的經(jīng)濟(jì)效益。
2、煤氣的有效回收與煤氣調(diào)控策略之間存在著緊密的聯(lián)系，而煤氣調(diào)控的精確度則直接受到煤氣預(yù)測(cè)精度的制約。具體而言，提高煤氣預(yù)測(cè)的準(zhǔn)確性能夠使得煤氣調(diào)控更加精準(zhǔn)，進(jìn)而促進(jìn)煤氣的有效回收與利用。因此，優(yōu)化煤氣預(yù)測(cè)模型，提升預(yù)測(cè)精度，對(duì)于實(shí)現(xiàn)煤氣資源的高效回收與調(diào)控具有至關(guān)重要的意義。目前，現(xiàn)有的煤氣預(yù)測(cè)模型在參數(shù)調(diào)整過(guò)程普遍依賴(lài)于人工的手動(dòng)操作與反復(fù)試驗(yàn)，然而隨著數(shù)據(jù)量的持續(xù)增長(zhǎng)，僅憑過(guò)往經(jīng)驗(yàn)進(jìn)行參數(shù)調(diào)整的方式已難以確保能夠精確找到最優(yōu)的參數(shù)配置組合。這種傳統(tǒng)方法的局限性日益凸顯，迫切需要引入更加智能、高效的優(yōu)化策略來(lái)應(yīng)對(duì)復(fù)雜多變的預(yù)測(cè)需求。因此，需要一種能夠提高煤氣預(yù)測(cè)效率及精度的方法。
3、經(jīng)檢索，專(zhuān)利cn118396173a提供了一種基于
4、專(zhuān)利cn110888059a公開(kāi)了一種基于改進(jìn)隨機(jī)森林聯(lián)合容積卡爾曼動(dòng)力電池荷電狀態(tài)估計(jì)的算法。該方法結(jié)合了隨機(jī)森林回歸和容積卡爾曼濾波算法聯(lián)合估計(jì)動(dòng)力電池荷電狀態(tài)，并通過(guò)含有禁忌鯨魚(yú)搜索算法加權(quán)優(yōu)化隨機(jī)森林的參數(shù)，以達(dá)到對(duì)算法剪枝閾值、預(yù)測(cè)試樣本數(shù)、決策樹(shù)數(shù)量最優(yōu)化處理，優(yōu)化算法能夠快速找到最優(yōu)解，提高算法效率；通過(guò)雙向長(zhǎng)短時(shí)記憶人工神經(jīng)網(wǎng)絡(luò)，對(duì)動(dòng)力電池剩余壽命進(jìn)行預(yù)測(cè)，以達(dá)到修正電池最大可用容量，提高全時(shí)工況動(dòng)力電池荷電狀態(tài)估計(jì)的精度的目的；通過(guò)聯(lián)合估計(jì)算法綜合了隨機(jī)森林和容積卡爾曼濾波兩種算法，發(fā)揮兩種算法的優(yōu)點(diǎn)，避免兩者的缺點(diǎn)，使動(dòng)力電池荷電狀態(tài)估計(jì)精度更高。
5、專(zhuān)利cn116972098a公開(kāi)了一種基于磁流變阻尼器的水電站廠房智能減振方法，包括以下步驟：(1)振動(dòng)傳感器采集發(fā)電機(jī)組運(yùn)行過(guò)程中廠房結(jié)構(gòu)的振動(dòng)響應(yīng)；(2)構(gòu)建水電站廠房振動(dòng)響應(yīng)預(yù)測(cè)模型，利用訓(xùn)練好的水電站廠房振動(dòng)響應(yīng)預(yù)測(cè)模型實(shí)時(shí)預(yù)測(cè)水電站廠房減振部位的振動(dòng)響應(yīng)值；(3)磁流變阻尼裝置實(shí)時(shí)輸出阻尼力降低廠房振動(dòng)響應(yīng)；(4)當(dāng)水電站廠房振動(dòng)響應(yīng)預(yù)測(cè)模型的廠房振動(dòng)響應(yīng)預(yù)測(cè)結(jié)果達(dá)到預(yù)先設(shè)定的閾值時(shí)，模糊邏輯控制器接收振動(dòng)響應(yīng)預(yù)測(cè)數(shù)據(jù)，對(duì)磁流變阻尼裝置進(jìn)行控制；(5)磁流變阻尼裝置利用模糊邏輯控制器傳送的電流量，輸出磁流變阻尼力，作用于水電站廠房結(jié)構(gòu)的相應(yīng)部位。
6、上述專(zhuān)利功能針對(duì)性過(guò)窄，僅僅圍繞各自特定領(lǐng)域發(fā)揮作用，應(yīng)用場(chǎng)景也頗為受限，難以拓展到其他范疇。它們的這些特性與煤氣預(yù)測(cè)實(shí)際需求匹配度欠佳，無(wú)法有效滿(mǎn)足煤氣預(yù)測(cè)多維度、復(fù)雜多變的應(yīng)用要求。
技術(shù)實(shí)現(xiàn)思路
1、1.要解決的問(wèn)題
2、針對(duì)現(xiàn)有預(yù)測(cè)模型不適用于煤氣預(yù)測(cè)的問(wèn)題，本專(zhuān)利技術(shù)提供一種基于鯨魚(yú)優(yōu)化算法與雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)相結(jié)合的煤氣預(yù)測(cè)方法，該方法適用于煤氣預(yù)測(cè)，通過(guò)鯨魚(yú)優(yōu)化算法的高效尋優(yōu)過(guò)程，模型能夠自動(dòng)地探索并確定出bilstm中的關(guān)鍵參數(shù)組合，提高提升預(yù)測(cè)的速度和準(zhǔn)確性。
3、2.技術(shù)方案
4、為了解決上述問(wèn)題，本專(zhuān)利技術(shù)所采用的技術(shù)方案如下：
5、一種基于鯨魚(yú)優(yōu)化算法與雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)相結(jié)合的煤氣預(yù)測(cè)方法，其步驟包括：
6、s1、從在線數(shù)據(jù)庫(kù)中讀取實(shí)時(shí)的煤氣數(shù)據(jù)，并對(duì)該數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建實(shí)驗(yàn)所需的數(shù)據(jù)集；
7、s2、將步驟s1所得數(shù)據(jù)集劃分成訓(xùn)練集和測(cè)試集，然后對(duì)其進(jìn)行建模，其中訓(xùn)練集用于確定模型參數(shù)，測(cè)試集用于評(píng)判模型效果；
8、s3、構(gòu)建bilstm煤氣預(yù)測(cè)模型；
9、s4、對(duì)步驟s4所得模型的參數(shù)進(jìn)行優(yōu)化；
10、s5、加載最優(yōu)參數(shù)組合的模型進(jìn)行訓(xùn)練并預(yù)測(cè)，將預(yù)測(cè)值保存到數(shù)據(jù)庫(kù)中。
11、更進(jìn)一步地，步驟s1預(yù)處理的具體操作為：連接數(shù)據(jù)庫(kù)，從數(shù)據(jù)庫(kù)中讀取所需要的實(shí)時(shí)數(shù)據(jù)設(shè)置上下限進(jìn)行數(shù)據(jù)處理，并將此數(shù)據(jù)轉(zhuǎn)換為二維數(shù)組，最后將處理好的數(shù)據(jù)保存，得到數(shù)據(jù)集，其具體包括步驟：
12、s1.1、設(shè)置上下限：首先設(shè)定煤氣數(shù)據(jù)的最高閾值z(mì)max和煤氣數(shù)據(jù)的最低閾值z(mì)min，將讀取到的煤氣數(shù)據(jù)與這兩個(gè)閾值進(jìn)行比較。如果讀取到的煤氣數(shù)據(jù)大于設(shè)定的最高閾值z(mì)max，將煤氣數(shù)據(jù)的值直接調(diào)整為zmax。相反，如果讀取到的煤氣數(shù)據(jù)小于設(shè)定的最低閾值z(mì)min，將煤氣數(shù)據(jù)的值調(diào)整為zmin。如果煤氣數(shù)據(jù)恰好位于最高閾值z(mì)min和最低閾值z(mì)min之間，那么這意味著當(dāng)前的煤氣水平處于正常范圍內(nèi)，不需要對(duì)其進(jìn)行任何調(diào)整。
13、s1.2、數(shù)據(jù)轉(zhuǎn)換：將經(jīng)過(guò)上下限處理過(guò)后的數(shù)據(jù)通過(guò)reshape函數(shù)重塑，將一維數(shù)組轉(zhuǎn)換成二維數(shù)組，其中原始數(shù)組的每個(gè)元素都被轉(zhuǎn)換為新數(shù)組中的一行，形成單獨(dú)的行向量。
14、更進(jìn)一步地，步驟s2將步驟s1所得數(shù)據(jù)集劃分成訓(xùn)練集和測(cè)試集，然后對(duì)其進(jìn)行建模，其中訓(xùn)練集用于確定模型參數(shù)，測(cè)試集用于評(píng)判模型效果；其具體包括步驟：
15、s2.1、劃分?jǐn)?shù)據(jù)集：首先將樣本輸入量設(shè)置成變量，依次對(duì)數(shù)據(jù)進(jìn)行劃分，獲得訓(xùn)練集與測(cè)試集數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使用minmaxscaler函數(shù)將數(shù)據(jù)進(jìn)行縮放；
16、s2.2、歸一化處理：首先要求找到數(shù)據(jù)集中的最小值xmin和最大值xmax，然后對(duì)每一個(gè)數(shù)據(jù)點(diǎn)用歸一化公式進(jìn)行計(jì)算，歸一化公式如下：
17、
18、其中x表示時(shí)間序列上某一時(shí)刻的真實(shí)值，xmin為該序列的最小值，xmax為該序列的最大值，x1表示歸一化之后的結(jié)果。
19、s3、構(gòu)建bilstm煤氣預(yù)測(cè)模型：建立lstm模型的過(guò)程包括兩個(gè)部分：?jiǎn)蝹€(gè)lstm細(xì)胞的更新和所有l(wèi)stm細(xì)胞的組合。
20、其中單個(gè)lstm神經(jīng)元細(xì)胞內(nèi)部信息更新過(guò)程包括：a、遺忘門(mén)的更新；b、輸入門(mén)的更新；c、細(xì)胞狀態(tài)的更新和d、輸出門(mén)的更新。
21、a、遺忘門(mén)的更新公式如下：
22、ft＝σ(w本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于鯨魚(yú)優(yōu)化算法與雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)相結(jié)合的煤氣預(yù)測(cè)方法，其特征在于，包括步驟：
2.根據(jù)權(quán)利要求1所述的煤氣預(yù)測(cè)方法，其特征在于，步驟S1包括步驟：
3.根據(jù)權(quán)利要求2所述的煤氣預(yù)測(cè)方法，其特征在于，步驟S2包括步驟：
4.根據(jù)權(quán)利要求3所述的煤氣預(yù)測(cè)方法，其特征在于，步驟S3構(gòu)建BiLSTM煤氣預(yù)測(cè)模型的步驟包括：?jiǎn)蝹€(gè)LSTM細(xì)胞的更新和所有LSTM細(xì)胞的組合，LSTM網(wǎng)絡(luò)通過(guò)遺忘門(mén)、輸入門(mén)、細(xì)胞狀態(tài)和輸出門(mén)的順序連接多個(gè)LSTM細(xì)胞單元，每個(gè)單元處理時(shí)間序列中的一個(gè)時(shí)間步，然后利用上述單個(gè)LSTM細(xì)胞更新過(guò)程，逐步累積和傳遞信息，從而形成一個(gè)能夠捕捉時(shí)間序列數(shù)據(jù)中長(zhǎng)期依賴(lài)關(guān)系的網(wǎng)絡(luò)結(jié)構(gòu)。
5.根據(jù)權(quán)利要求4所述的煤氣預(yù)測(cè)方法，其特征在于，所述單個(gè)LSTM神經(jīng)元細(xì)胞內(nèi)部信息更新過(guò)程包括遺忘門(mén)的更新、輸入門(mén)的更新、細(xì)胞狀態(tài)的更新和輸出門(mén)的更新，其具體包括步驟：
6.根據(jù)權(quán)利要求5所述的煤氣預(yù)測(cè)方法，其特征在于，建立BiLSTM模型的過(guò)程分為前向LSTM、后向LSTM與組合LSTM，其具體包括步驟：
8.根據(jù)權(quán)利要求7所述的煤氣預(yù)測(cè)方法，其特征在于，所述鯨魚(yú)優(yōu)化算法參數(shù)調(diào)優(yōu)步驟包括：
9.根據(jù)權(quán)利要求8所述的煤氣預(yù)測(cè)方法，其特征在于，在算法的每次迭代中，將計(jì)算得到的MAPE值作為每個(gè)鯨魚(yú)個(gè)體的適應(yīng)度評(píng)分，在每次迭代過(guò)程中，比較所有鯨魚(yú)個(gè)體的MAPE值，并更新全局最優(yōu)解，具有最小MAPE值的鯨魚(yú)個(gè)體被認(rèn)為是當(dāng)前找到的最佳解，所述MAPE計(jì)算公式如下：
10.根據(jù)權(quán)利要求9所述的煤氣預(yù)測(cè)方法，其特征在于，步驟S5具體包括步驟：
...【技術(shù)特征摘要】
1.一種基于鯨魚(yú)優(yōu)化算法與雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)相結(jié)合的煤氣預(yù)測(cè)方法，其特征在于，包括步驟：
2.根據(jù)權(quán)利要求1所述的煤氣預(yù)測(cè)方法，其特征在于，步驟s1包括步驟：
3.根據(jù)權(quán)利要求2所述的煤氣預(yù)測(cè)方法，其特征在于，步驟s2包括步驟：
4.根據(jù)權(quán)利要求3所述的煤氣預(yù)測(cè)方法，其特征在于，步驟s3構(gòu)建bilstm煤氣預(yù)測(cè)模型的步驟包括：?jiǎn)蝹€(gè)lstm細(xì)胞的更新和所有l(wèi)stm細(xì)胞的組合，lstm網(wǎng)絡(luò)通過(guò)遺忘門(mén)、輸入門(mén)、細(xì)胞狀態(tài)和輸出門(mén)的順序連接多個(gè)lstm細(xì)胞單元，每個(gè)單元處理時(shí)間序列中的一個(gè)時(shí)間步，然后利用上述單個(gè)lstm細(xì)胞更新過(guò)程，逐步累積和傳遞信息，從而形成一個(gè)能夠捕捉時(shí)間序列數(shù)據(jù)中長(zhǎng)期依賴(lài)關(guān)系的網(wǎng)絡(luò)結(jié)構(gòu)。
5.根據(jù)權(quán)利要求4所述的煤氣預(yù)測(cè)方法，其特征在于，所述單個(gè)lstm神經(jīng)元細(xì)胞內(nèi)部信息更新過(guò)程包括遺忘門(mén)的更新、輸入門(mén)的更...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：陳光，汪海嬌，楊筱靜，馮云，陳谞，
申請(qǐng)(專(zhuān)利權(quán))人：安徽工業(yè)大學(xué)，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。