基于工艺的自适应数据质量多模型择优预测.pdf

基于工艺的自适应数据质量多模型择优预测.pdf

ID:56030027

大小:400.79 KB

页数:6页

时间:2020-06-19

基于工艺的自适应数据质量多模型择优预测.pdf_第1页
基于工艺的自适应数据质量多模型择优预测.pdf_第2页
基于工艺的自适应数据质量多模型择优预测.pdf_第3页
基于工艺的自适应数据质量多模型择优预测.pdf_第4页
基于工艺的自适应数据质量多模型择优预测.pdf_第5页
资源描述:

《基于工艺的自适应数据质量多模型择优预测.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第14卷第4期2014年2月科学技术与工程VolJ14No.4Feb.20141671—1815(2014)04—0074—06ScienceTechnologyandEngineering@2014Sci.Tech.Engrg.计算机技术基于工艺的自适应数据质量多模型择优预测张庆新崔展博陈磊王路平马睿吴毅平(沈阳航空航天大学自动化学院,安全工程学院,沈阳110136;上海宝信软件股份有限公司自动化技术研究所,上海201900)摘要针对钢铁企业实际生产过程中,采用单一预测模型进行预测难以把握大规模启停设备用电规律,预测精度较低等问题,根据生产一检修阶段的实际工艺情况,将生产,

2、检修问题采用随机近似贪婪搜索RAGS对复杂特征进行特征选择,建立了一个自适应数据质量的多模型择优预测框架进行建模;将其应用于宝钢电网。仿真结果表明,提出多模型择优预测框架可以准确预测钢铁企业电力日负荷,为实现电力系统能源调度提供决策依据。关键词特征选择随机近似贪婪搜非负最小二乘法(nuclearnormregularizedlinearliast,NNLS)最小二乘支持的重机(LS—SVM)紧急服务号码(emergencgservicenumber,ESN)多模型择优中图法分类号TP39;文献标志码A电能是钢铁企业的主要生产能源之一⋯,随着荷震荡剧烈、波动较大等问题,本文针对

3、钢铁企业的对钢铁企业生产管理技术水平要求的提高,负荷预实际日用电量预测问题,在项目研究中提出了一种测变得越来越重要。为了更好地对企业生产进行管新方法在模型训练过程中,以日生产实绩、检修计划理、预估企业经济效益J,需要对企业未来的日用和日用电量的历史记录作为训练样本,采用NNLS,电量进行准确预测。ESN,LS—SVM结合特征选择方法得到多个预测子模针对钢铁企业的用电特点,许多学者提出了大型。采用多个子模型输出的融合得到日用电量的择量新型电力负荷预测的方法。基于历史负荷的时序优预测值。经过大量的实验测试,这一新方法可以预测模型为有效预测负荷趋势提供了新的思路J。得到较理想的预测

4、效果,确保算法的实用性与先如减少电力负荷预测模型训练计算量的回声状态网进性。络(ESN),广义卡尔曼滤波,径向基神经网络(RBF)[41,小波分析J,支持向量机等。径向基1日用电量特征分析神经网络,Elman网络,evolino神经网络,回声状态大型钢铁企业,针对生产、检修等环节,需要电网络对负荷数据采样精度较高的数据预测效果较量预测模型J。假设检修方案共有m种,针对某检好,而对数据残缺或者样本受污染的数据预测效果修日所对应的检修种类为(d);i∈{1,2,3,⋯,不佳j。广义卡尔曼滤波虽然能够对“污染数据”m}若特定的检修日未采用第i种检修方案,进行去杂处理,但处理过程较慢

5、,且需要大量内存空则(d)。检修日d的计划方案约定为[T(d)间。2007年牛东晓提出了基于熵权法改善误差指(d)(d)⋯To,(d)]。又假设企业共有n种标的组合预测模式,用以避免单一预测模型拟合震产品(包括中间产品),则对于检修口d,产品的计荡剧烈,伪周期性负荷波动的不足,但是却忽略了划产量为Q,(d),∈{1。2,3,⋯,l't),则这一H的生产工艺情况。建立基于数理统计的负荷预测方法产量计划可以表示[Q,(d)Q(d)Q,(d)⋯虽能一定程度结合工艺生产状况,但因描述此类负Qm(d)]。荷预测问题的非线性函数复杂,模型求解困难,推广电量预测的输入特征选择问题,是一个复

6、杂的受到一定限制。大规模组合优化问题,采用前向的贪婪搜索算法为解决工业企业负荷数据失真,不同工序段负(greedysearch)对生产,检修计划,进行特征选取。国家863高技术基金项目这种方法的思想实际上类似连续问题优化的最速下(2013AA04070)资助降方法,对于有多个局部极小的问题来说,很有可能第一作者简介:张庆新(1970一),男,博士后,教授。研究方向:电力使问题陷入局部极小。为避免进人局部极小,当确系统优化建模与控制、系统仿真建模、冶金能源建模分析。定新的特征子集的时候,首先进行所有测试子集的4期张庆新,等:基于工艺的自适应数据质量多模型择优预测75性能排序,在

7、性能较好的前k个子集中随机选择预测的稳定性和精度,采用Bagging技术来进行多一个。个模型的融合。训练之后可得到一个预测函数序列1.1特征选择,最终的预测函数对分类特征采用统计投票的方式1.1.1O0(ordinaloptimaztion)方法进行判别。当确定新的特征子集的时候,不是进行所有测2基于生产检修计划的的多模型融合试子集的性能的严格排序,而是按照O0的思想,进预测框架行粗略排序,在前k个子集中选取最好一个。从而节省了计算时问。在实际预测中,某些输入因素可能会出现缺失或异1.1.2随机近似贪婪

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。