[发明专利]基于MDS的RBF对石化行业生产能力的预测模型

说明书

本发明公开了一种基于MDS的RBF对石化行业生产能力的预测模型，包括：获得乙烯数据；使用多维尺度分析算法对所述乙烯数据进行降维处理，以使所述乙烯数据在低维空间中的距离与在高维空间中的距离相同；在所述低维空间中获得对应的类别作为径向基函数神经网络的训练集和测试集；根据所述训练集和所述测试集形成径向基函数神经网络预测模型；根据所述基函数神经网络预测模型对乙烯产量进行预测。本发明提供的技术方案提高了乙烯生产能效的预测精度，从而实现对石化行业能效的有效预测，解决了传统神经网络模型对石化行业能效预测的不精确性，提高了复杂石化行业的能源效率，实现了节能减排的目的。

技术领域

本发明涉及乙烯生产预测的技术领域，尤其涉及一种基于MDS的RBF对石化行业生产能力的预测模型。

背景技术

目前，石化行业是我国能源消耗最大的行业。作为“石化行业的粮食”，乙烯是合成制造材料、合成纤维等产品的基本有机化工原料，广泛应用于生活、国防、科技等各个领域。乙烯生产过程的规模、产量和技术水平代表了一个国家石化行业的水平。2015年中国石化乙烯产量和平均燃料消耗量分别为11005.2千吨/年和559.06千克/吨乙烯。中国石油天然气集团的乙烯产量和平均燃料消耗量分别为5032千吨/年和594千克/吨乙烯。因此，就生产水平和生产效益而言，提高石化行业的乙烯生产过程中的能源效率具有重要意义。

现有技术对石化行业的能效预测提出了很多种解决办法，包括利用BP、RBF等神经网络进行预测，但是预测结果不精确、不完备。

发明内容

为解决现有技术存在的局限和缺陷，本发明提供一种基于MDS的RBF对石化行业生产能力的预测模型，包括：

获得乙烯数据；

使用多维尺度分析算法对所述乙烯数据进行降维处理，以使所述乙烯数据在低维空间中的距离与在高维空间中的距离相同；

在所述低维空间中获得对应的类别作为径向基函数神经网络的训练集和测试集；

根据所述训练集和所述测试集形成径向基函数神经网络预测模型；

根据所述基函数神经网络预测模型对乙烯产量进行预测。

可选的，所述使用多维尺度分析算法对所述乙烯数据进行降维处理的步骤包括：

获得距离矩阵D，所述距离矩阵D为对角线全为0的实对称矩阵；

根据所述距离矩阵D获得：

d²_rs＝(x_r-x_s)^T(x_r-x_s)       (1)

其中，x_r和x_s为m维空间样本(x₁，x₂…x_n)的元素，d_rs为所述距离矩阵D的元素，表示x_r和x_s之间的距离；

根据公式(1)获得：

d²_rs＝x_r^Tx_r+x_s^Tx_s-2x_r^Tx_s     (2)

获得内积矩阵B：

b_rs＝x_r^Tx_s       (3)

其中，b_rs为所述内积矩阵B的元素；