CN104881707B - 一种基于集成模型的烧结能耗预测方法 - Google Patents
一种基于集成模型的烧结能耗预测方法 Download PDFInfo
- Publication number
- CN104881707B CN104881707B CN201510225409.8A CN201510225409A CN104881707B CN 104881707 B CN104881707 B CN 104881707B CN 201510225409 A CN201510225409 A CN 201510225409A CN 104881707 B CN104881707 B CN 104881707B
- Authority
- CN
- China
- Prior art keywords
- model
- energy consumption
- value
- diffτ
- prediction
- 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.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005245 sintering Methods 0.000 title claims abstract description 47
- 238000012706 support-vector machine Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 12
- 229910000831 Steel Inorganic materials 0.000 description 7
- 239000010959 steel Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 229910052742 iron Inorganic materials 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004513 sizing Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000004449 solid propellant Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于集成模型的烧结能耗预测方法，该方法包括以下步骤：1)基于RReliefF的特征选择算法进行模型特征选择；2)根据所选模型特征的历史数据，建立改进极限学习机智能预测模型和回归型支持向量机智能预测模型；3)对多个单一智能预测模型进行加权集成，获得集成后的烧结能耗预测值。与现有技术相比，本发明基于信息熵的集成预测模型具有良好的预测精度和泛化能力，同时具有较高时间效率，在实际生产具有应用推广价值。
Description
技术领域
本发明涉及钢铁企业烧结过程能耗预测领域，尤其是涉及一种基于集成模型的烧结能耗预测方法。
背景技术
烧结是钢铁企业中耗能最大的工序之一，虽然近年来国内重点钢铁企业烧结工序能耗逐年降低，但其与国外先进值还有较大差距，并且国内各钢铁企业之间能耗水平差异明显，故研究烧结工序节能降耗意义重大。在以降低能耗和成本为导向的烧结配料优化和工艺参数优化研究中，烧结能耗预测是其中的关键问题之一。烧结工序能耗主要包括电力消耗和非电力消耗，其中非电力能耗包括固体燃料消耗、点火煤气消耗两大类，占到总能耗的80％～90％，是研究烧结降耗的主要方向。目前，国内外现存的烧结能耗预测方法都存在一定缺陷：输入参数难以确定，建模方法精度不足等，都影响着烧结能耗预测的精度和时效。烧结能耗预测的难点在于：1)特征难以确定。能耗的影响因素错综复杂，难以简单通过机理和经验确定，需要从众多因素中择取有用信息，剔除冗余变量，获得更精准的模型输入参数。2)单一方法精度不足。实际生产中能耗数据波动较大，在其内在机理不能完全阐明的情况下，单一预测方法很难获得较好的预测精度，需要进行多种方法和技术的集成研究。
通过对现有技术的检索发现，针对烧结领域能耗预测而提出的方法很少，针对其他领域类似问题所提出的方法可以借鉴。中国专利“一种能源消耗预测方法及装置”(授权号：CN103544544A)中，杨海东等人针对企业电力需求预报提出了一种基于SVR的能耗预测方法。该方法利用历史能耗数据构建训练样本集，其中的能耗数据按时间序列排列，通过选择最佳的输入阶数获得最佳的预测模型，经对比验证该方法能够较好地预测未来电力需求值。然而，从验证结果看该单一预测模型的精度仍有待提高。中国专利“一种基于Bagging的浆纱过程上浆率软测量方法”(授权号：CN103018426A)中，田慧欣将bagging集成技术用于上浆率的预测中，提出了基于SVR的集成预测模型，进一步提高了单一SVR的预测准确度。不过，该发明在确定模型输入参数时，仅采用机理分析和经验判断的方法。对于钢铁企业烧结过程，其中影响能耗变化的因素复杂多样，难以通过机理分析确定影响能耗的显著特征，而仅凭经验判断缺乏理论依据，因而需要更为客观有效的参数选择方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测结果精确、时间效率高的基于集成模型的烧结能耗预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于集成模型的烧结能耗预测方法，该方法包括以下步骤：
1)基于RReliefF的特征选择算法进行模型特征选择；
2)根据所选模型特征的历史数据，建立改进极限学习机智能预测模型和回归型支持向量机智能预测模型；
3)对多个单一智能预测模型进行加权集成，获得集成后的烧结能耗预测值。
RReliefF算法则用于处理目标属性为连续值的回归问题，假设样本空间S的规模为m，随机选择一个样本Di(i＝1,2,...,m)，并计算出其最近的knear个近邻样本Sk，同时，假设样本的预测值为τ(·)。根据贝叶斯定理，特征属性A的权重可由下式得到：
这里PdiffA＝(diff(A,Di,Dj)|Dj∈Sk)是样本Di与其knear个近邻样本之间特征属性A差异的概率；Pdiffτ＝(diff(τ(·),Di,Dj)|Dj∈Sk)是Di与其knear个近邻样本之间预测指标值τ(·)差异的概率；Pdiffτ|diffA＝(diff(τ(·),Di,Dj)|diff(A,Di,Dj),Dj∈Sk)表示在已知Di与其knear个近邻样本之间特征属性A差异的情况下其预测指标值τ(·)差异的条件概率；Pdiffτ&diffA＝(diff(τ(·),Di,Dj)·diff(A,Di,Dj)|Dj∈Sk)表示Di与其knear个近邻样本之间特征属性A差异和其预测指标值τ(·)差异的概率。这里，
其中value(A,Di)、value(A,Dj)是样本Di、Dj中特征属性A的值；max(A)和min(A)是Di和它knear个近邻样本中属性A的最大和最小值。diff(τ(·),Di,Dj)与之同理。
所述步骤1)具体为：
Step101：参数初始化，令i＝1，j＝1；
Step102：在规模为m的样本空间S中选择样本Di，从剩余的m-1个样本中选出离该样本Di距离最近的knear个样本，组成近邻样本集Sk；
Step103：从Sk中选择样本Dj，迭代计算不同预测值下的权重Ndiffτ：
Ndiffτ＝Ndiffτ+diff(τ(·),Di,Dj)/knear
其中，τ(·)为样本的预测值；
Step104：对每个特征属性A，迭代计算不同特征属性的权重NdiffA以及不同预测值与不同特征属性的权重Ndiffτ&diffA：
NdiffA＝NdiffA+diff(A,Di,Dj)/knear
Ndiffτ&diffA＝Ndiffτ&diffA+diff(τ(·),Di,Dj)·diff(A,Di,Dj)/knear
Step105：令i＝i+1，j＝j+1，判断j是否满足j≤knear，若是，则返回Step103，若否，则执行Step106；
Step106：判断i是否满足i≤m，若是，则返回Step101，若否，则执行Step107；
Step107：对于每个属性A，计算每个特征属性的最终权重估计：
W[A]＝Ndiffτ&diffA/Ndiffτ-(Ndiffτ-Ndiffτ&diffA)/(m-Ndiffτ)
最后根据权重选择模型的特征属性。
所述改进极限学习机智能预测模型的建立过程为：
Stepa1：确定子学习机的个数M；
Stepa2：用Bootstrap方法从训练数据集B中有放回抽样，得到每个子学习机的训练数据集Bk，k＝1,…,M，且Bk与B规模相同，都为N；
Stepa3：依次用Bk训练相应的子学习机，得到M个训练结果，并分别用统一的测试数据集C检验预测精度；
Stepa4：用平均法对所有子学习机训练结果进行集成，得到最终结果，并验证模型精度。
所述回归型支持向量机智能预测模型的建立过程为：
Stepb1：对原始数据进行归一化处理：
其中，Qp为各因素的第p个值，p＝1,…,N，Qmax、Qmin分别为各因素中的最大值和最小值，a、d为参数，d＝(1-a)/2；
Stepb2：采用RBF核函数，确定SVR模型的参数并训练网络；
Stepb3：用测试数据集C测试网络的精度，得到网络预测输出值，然后进行反归一化：
其中，为第q个测试样本的网络输出值，L为测试数据集样本个数，为第q个测试样本反归一化后的预测值，q＝1,2,...,L；
Stepb4：对SVR模型进行性能评价。
所述步骤3)中，采用信息熵对多个单一智能预测模型进行加权集成，具体为：
Step301：计算各智能预测模型所获得的预测结果的变异程度：
其中，euq、表示第u个模型第q个样本的相对误差值和预测输出值，yq表示第q个样本期望输出，q＝1,2,...,L，L为测试数据集样本个数，u＝1,2，分别代表改进极限学习机智能预测模型和回归型支持向量机智能预测模型；
Step302：计算各智能预测模型的熵值：
其中，Pud为第q个样本的第u个模型的预测相对误差比值，
Step303：计算各智能预测模型的权值：
其中，zu表示第u个模型的权值；
Step304：计算各模型的加权集成输出：
与现有技术相比，本发明的优点在于：
1)本发明运用RReliefF算法提取烧结能耗特征因素，较之以往仅凭人工经验确定更具有理论依据，提高了预测结果的精确性；
2)本发明采用多种智能预测算法进行加权集成，可有效实现烧结能耗的精准预测；
3)基于信息熵的加成集成思想融合多种预测模型的优势，进一步提高了模型精度，并具有较高的时间效率。
附图说明
图1为本发明的原理示意图；
图2为本发明基于RReliefF算法得到的特征对于每个能耗指标的特征属性权重排序图；
图(2a)为固体能耗权重排序图；图(2b)为煤气能耗权重排序图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本发明实施例提供一种基于集成模型的烧结能耗预测方法，该方法包括以下步骤：
步骤1)，基于RReliefF的特征选择算法进行模型特征选择。
在烧结过程中能耗的影响因素众多，可以归纳为：1)配料参数、2)状态参数、3)操作参数三类。配料参数主要包括主料和辅料添加量以及介质消耗，这些参数在烧结开始前就以确定；状态参数主要包括风箱温度、压力，点火空煤气流量等生产状态值，它们由现场传感器获取；操作参数包括烧结现场可人工调节的参数，如台车速度、料层厚度、混合机加水量等，它们在烧结开始时由操作人员确定。通过对烧结过程的分析，将烧结能耗影响因素总结如表1所示。
表1烧结能耗影响因素分析
影响烧结能耗的因素多种多样，这些因素重要程度的高低仅凭机理分析和人工经验难以确定，需要通过数据分析获得更加客观合理的结论。
本发明采用一种改进的Relief算法(RReliefF算法)进行模型特征选择。Relief系列算法是一种典型的根据权重选择特征的随机搜索方法，其主要思想是：根据特征对近距离样本的区分能力来评估特征，好的特征应该使同类样本接近，而使不同类的样本远离。
RReliefF算法则用于处理目标属性为连续值的回归问题，
RReliefF算法进行模型特征选择的具体过程如下：
Step101：从规模为m的样本集中选出某个样本Di，从剩余的m-1个样本中选出离该样本Di距离最近的knear个样本，其中1≤i≤m，knear的值一般取10～20为宜。所述距离指欧氏距离。
Step102：迭代计算在所述样本Di输出指标取值P0条件下的权重集ndC：
其中，P0表示所述样本Di的输出指标P的取值，Pi(1≤i≤knear)是所述knear个样本中第i个样本的输出指标值，Pmax和Pmin分别是m个样本中输出指标的最大值和最小值；
计算在所述样本Di输入特征A条件下的权重集ndA[A]，按下式进行迭代计算：
其中，A0表示所属样本Di的输入特征A的取值，Ai(1≤i≤knear)是所述knear个样本中第i个样本内输入特征A的取值，Amax和Amin分别是m个样本中输入特征A的最大值和最小值；
计算在所述样本Di输出指标取值P0和输入特征A条件下的权重集ndC&dA[A]：
Step104：计算输入特征A的权重值W[A]：
Step105：根据权重选择模型特征。
步骤2)，根据所选模型特征的历史数据，建立改进极限学习机智能预测模型和回归型支持向量机智能预测模型。
在获得影响烧结能耗重要特征的基础上，采用基于bagging的改进ELM(极限学习机，Extreme Learning Machine)算法提高原ELM算法的稳定性和泛化能力，采用ε-SVR(回归型支持向量机)算法在小样本条件下提高泛化性能。
(1)基于Bagging的改进ELM烧结能耗预测模型B-ELM的建模过程如下：
Stepa1：确定子学习机的个数M。
Stepa2：确定子学习机训练数据集。通过数据清理和特征提取获得bagging数据集每个(xi,yi)都有n个输入和1个输出，即x∈Rn，y∈R。选择2/3作为训练数据集B，其余作为测试数据集C。
用Bootstrap方法从训练数据集B中有放回抽样，得到每个子学习机的训练数据集Bk，k＝1,…,M，且Bk与B规模相同，都为N，令k＝1。
Stepa3：用Bk训练相应的子学习机，得到训练结果，并用统一的测试数据集C检验预测精度，k＝k+1。
设K为隐层节点个数，随机获取初始输入权值wl和偏置bl，l＝1,…,K。计算隐层输出矩阵H{hnl}(n＝1,…,N,l＝1,…,K)。求出H的广义逆矩阵H+，根据β＝H+T计算输出权值β。
Stepa4：判断k是否满足k≤M，若是，则返回步骤Stepa3，若否，则用平均法对所有子学习机训练结果进行集成，得到最终结果，并验证模型精度。
(2)基于ε-SVR烧结能耗预测建模的过程如下：
Stepb1：对原始数据进行归一化处理：
其中，Qp为各因素的第p个值，p＝1,…,N，Qmax、Qmin分别为各因素中的最大值和最小值，a、d为参数，d＝(1-a)/2；
本实施例中，将原始数据规范到[0.2,0.8]区间，a＝0.6。
Stepb2：确定SVR模型的参数并训练网络。本模型采用RBF核函数，惩罚因子c和RBF核函数中的方差g通过交叉验证法获得。具体步骤是将c和g分别设置为-10～10之间以0.01为步长进行变化，在不同的c和g的组合下分别计算SVR模型的精度，找到最优的c和g组合值，以此作为SVR模型的参数逐一训练网络。
Stepb3：用测试数据集C测试网络的精度，得到网络预测输出值，然后进行反归一化：
其中，为第q个测试样本的网络输出值，L为测试数据集样本个数，为第q个测试样本反归一化后的预测值，q＝1,2,...,L。
Stepb4：对SVR模型进行性能评价，评价公式：
其中，MeanRe表示平均相对误差，yq(q＝1,2,...,L)为第q个测试样本的真实值。
步骤3)，对多个单一智能预测模型进行加权集成，获得集成后的烧结能耗预测值。
在建立了烧结能耗的B-ELM和ε-SVR模型后，采用熵权法对上述子模型进行加权集成，以精确预测烧结能耗。基于信息熵的集成预测模型具体流程为：
Step301：计算各智能预测模型所获得的预测结果的变异程度：
其中，euq、表示第u个模型第q个样本的相对误差值和预测输出值，yq表示第q个样本期望输出，q＝1,2,...,L，L为测试数据集样本个数，u＝1,2，分别代表B-ELM和ε-SVR模型。
Step302：计算各智能预测模型的熵值：
其中，Pud为第q个样本的第u个模型的预测相对误差比值，
Step303：计算各智能预测模型的权值：
其中，zu表示第u个模型的权值。
Step304：计算各模型的加权集成输出：
以某年产650万吨钢规模的钢铁联合企业为例，其2×380m2规模烧结生产线年产成品烧结矿836万吨，作业率94％，利用系数为1.40t/m2·h。选取2010年1～12月的311组烧结生产历史数据进行分析建模。每组样本包含固体能耗和煤气能耗两个能耗指标和73个特征，特征属性如表1所示，其中配料参数12个，状态参数50个，操作参数11个。在进行数据清理的基础上，基于RReliefF算法得到特征对于每个能耗指标的权重排序，如图2所示。
对于固体能耗，排在前5位的特征分别是：焦粉加入量、云粉加入量、物料流量PD-1、点火温度T3、混匀矿加入量；对于煤气燃耗，排在前5位的特征分别是：点火温度T3、总管空气压力、混匀矿加入量、物料流量PD-1、焦粉加入量。可以看出这些特征排序与实际情况基本符合。
为验证和比较模型精度和性能，本实施例选取以下4个评价指标：
1)平均相对误差MeanRe：
2)残差平均值e：
3)最大误差Emax：
4)精度Pr：
为了全面验证所提出的集成模型的有效性，首先在没有进行特征选择的情况下，将本模型的预测结果与ELM，B-ELM，ε-SVR三种模型进行比较，如表2和表3所示。经过特征选择后的模型精度比较如表4和表5所示。需要说明的是，对于每一个单一算法(子)模型，都通过交叉验证法确定最优模型参数；同时，每种模型都运行5次，取每个指标的平均值作为最终结果。Bagging子模型个数设为10，特征因素保留个数设为30。
由表2和表3可知，本发明提出的基于信息熵的集成预测模型的平均相对误差要优于其他四种模型，其他指标也显示出了不同程度的优势，从而验证了本发明所建立模型的优越性。这里，由于集成模型是2个子模型的归一化加权和，故其最大误差介于子模型的最大误差之间是合理的。由表4和表5可知，特征选择后的模型精度较表2和表3都有较大幅度提高，从而验证了本发明中特征选择方法的有效性。
此外，由于ELM和ε-SVR都具有无需调整网络权值，训练速度快的优点；RReliefF算法作为一种启发式算法，同样具有时间效率高的特点，故本发明提出的集成模型具有良好的时间效率。如表6所示，集成预测模型总耗时约88s。
表2无特征选择的固体能耗预测指标比较
表3无特征选择的煤气能耗预测指标比较
表4有特征选择的固体能耗预测指标比较
表5有特征选择的煤气能耗预测指标比较
表6不同模型的时间效率比较
综上所述，本发明提出的基于信息熵的集成预测模型具有良好的预测精度和泛化能力，同时具有较高时间效率，在实际生产具有应用推广价值。
Claims (5)
1.一种基于集成模型的烧结能耗预测方法，其特征在于，该方法包括以下步骤：
1)基于RReliefF的特征选择算法进行模型特征选择；
2)根据所选模型特征的历史数据，建立改进极限学习机智能预测模型和回归型支持向量机智能预测模型；
3)对多个单一智能预测模型进行加权集成，获得集成后的烧结能耗预测值，具体为：
Step301：计算各智能预测模型所获得的预测结果的变异程度：
其中，euq、表示第u个模型第q个样本的相对误差值和预测输出值，yq表示第q个样本期望输出，q＝1,2,...,L，L为测试数据集样本个数，u＝1,2，分别代表改进极限学习机智能预测模型和回归型支持向量机智能预测模型；
Step302：计算各智能预测模型的熵值：
其中，Pud为第q个样本的第u个模型的预测相对误差比值，
Step303：计算各智能预测模型的权值：
其中，zu表示第u个模型的权值；
Step304：计算各模型的加权集成输出：
2.根据权利要求1所述的基于集成模型的烧结能耗预测方法，其特征在于，所述步骤1)具体为：
Step101：参数初始化，令i＝1，j＝1；
Step102：在规模为m的样本空间S中选择样本Di，从剩余的m-1个样本中选出离该样本Di距离最近的knear个样本，组成近邻样本集Sk；
Step103：从Sk中选择样本Dj，计算不同预测值下的权重Ndiffτ：
Ndiffτ＝Ndiffτ+diff(τ(·),Di,Dj)/knear
其中，τ(·)为样本的预测值；
Step104：对每个特征属性A，计算不同特征属性的权重NdiffA以及不同预测值与不同特征属性的权重Ndiffτ&diffA：
NdiffA＝NdiffA+diff(A,Di,Dj)/knear
Ndiffτ&diffA＝Ndiffτ&diffA+diff(τ(·),Di,Dj)·diff(A,Di,Dj)/knear
Step105：令i＝i+1，j＝j+1，判断j是否满足j≤knear，若是，则返回Step103，若否，则执行Step106；
Step106：判断i是否满足i≤m，若是，则返回Step101，若否，则执行Step107；
Step107：对于每个属性A，计算每个特征属性的最终权重估计：
W[A]＝Ndiffτ&diffA/Ndiffτ-(Ndiffτ-Ndiffτ&diffA)/(m-Ndiffτ)
最后根据权重选择模型的特征属性。
3.根据权利要求2所述的基于集成模型的烧结能耗预测方法，其特征在于，所述knear的值为10～20。
4.根据权利要求1所述的基于集成模型的烧结能耗预测方法，其特征在于，所述改进极限学习机智能预测模型的建立过程为：
Stepa1：确定子学习机的个数M；
Stepa2：用Bootstrap方法从训练数据集B中有放回抽样，得到每个子学习机的训练数据集Bk，k＝1,…,M，且Bk与B规模相同，都为N；
Stepa3：依次用Bk训练相应的子学习机，得到M个训练结果，并分别用统一的测试数据集C检验预测精度；
Stepa4：用平均法对所有子学习机训练结果进行集成，得到最终结果，并验证模型精度。
5.根据权利要求1所述的基于集成模型的烧结能耗预测方法，其特征在于，所述回归型支持向量机智能预测模型的建立过程为：
Stepb1：对原始数据进行归一化处理：
其中，Qp为各因素的第p个值，p＝1,…,N，Qmax、Qmin分别为各因素中的最大值和最小值，a、d为参数，d＝(1-a)/2；
Stepb2：采用RBF核函数，确定SVR模型的参数并训练网络；
Stepb3：用测试数据集C测试网络的精度，得到网络预测输出值，然后进行反归一化：
其中，为第q个测试样本的网络输出值，L为测试数据集样本个数，为第q个测试样本反归一化后的预测值，q＝1,2,...,L；
Stepb4：对SVR模型进行性能评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510225409.8A CN104881707B (zh) | 2015-05-04 | 2015-05-04 | 一种基于集成模型的烧结能耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510225409.8A CN104881707B (zh) | 2015-05-04 | 2015-05-04 | 一种基于集成模型的烧结能耗预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104881707A CN104881707A (zh) | 2015-09-02 |
| CN104881707B true CN104881707B (zh) | 2018-07-03 |
Family
ID=53949194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510225409.8A Active CN104881707B (zh) | 2015-05-04 | 2015-05-04 | 一种基于集成模型的烧结能耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104881707B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106802977B (zh) * | 2016-12-14 | 2020-10-02 | 同济大学 | 一种用于烧结矿性能指标预测及综合质量评价方法 |
| CN106709640A (zh) * | 2016-12-15 | 2017-05-24 | 华南理工大学 | 基于深度学习与支持向量回归的船舶能耗预测方法 |
| CN109376934A (zh) * | 2018-10-31 | 2019-02-22 | 广东兴发铝业有限公司 | 一种基于大数据的挤压机的能耗预测方法 |
| CN109740683A (zh) * | 2019-01-13 | 2019-05-10 | 胡燕祝 | 一种基于RReliefF算法和支持向量回归的趋势预测方法 |
| CN110363229B (zh) * | 2019-06-27 | 2021-07-27 | 岭南师范学院 | 一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法 |
| CN110443413B (zh) * | 2019-07-23 | 2021-08-27 | 华南理工大学 | 电力物资需求预测系统及电力物资需求模型的构建方法 |
-
2015
- 2015-05-04 CN CN201510225409.8A patent/CN104881707B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 基于支持向量机的烧结能耗及性能指标预测模型;王俊凯等;《同济大学学报（自然科学版）》;20140831;第42卷(第8期);第1256-1260页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104881707A (zh) | 2015-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104881707B (zh) | 一种基于集成模型的烧结能耗预测方法 | |
| CN105209984B (zh) | 用于确定技术系统输出值的模型的方法 | |
| CN110428175B (zh) | 一种基于深度学习的热轧带钢板凸度预报方法 | |
| CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
| CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
| CN110503462A (zh) | 基于灰色关联度分析的电网投资测算方法、系统及介质 | |
| CN106778846A (zh) | 一种基于支持向量机的风电场风速预测方法 | |
| CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
| CN103077288A (zh) | 面向小样本试验数据的多元合金材料的软测量及其配方决策方法 | |
| CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
| CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
| CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
| CN107341332A (zh) | 一种车用电机驱动系统的评价指标权重的确定方法 | |
| Chen et al. | A hybrid model combining mechanism with semi-supervised learning and its application for temperature prediction in roller hearth kiln | |
| CN109993354A (zh) | 一种针对能源消费量预测的方法 | |
| CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
| Hu et al. | Soft-Sensing of Burn-Through Point Based on Weighted Kernel Just-in-Time Learning and Fuzzy Broad-Learning System in Sintering Process | |
| Zhang et al. | A new integrated model of deformation resistance and its application in prediction of rolling force of a thick plate | |
| CN113935556B (zh) | 一种基于dna遗传算法的温度传感器优化布置方法 | |
| Ji et al. | Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate | |
| CN113112166A (zh) | 基于灰色模糊层次分析的设备状态变量选择方法及设备 | |
| CN106683001A (zh) | 基于历史运行数据的火电机组辨识数据的选取方法 | |
| CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| Wang et al. | Forecast of Electric Vehicle Ownership Based on MIFS-AdaBoost Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |