[发明专利]基于seq2seq动态特征提取模型的制浆能耗预测方法

权利要求书

1.一种基于seq2seq动态特征提取模型的制浆能耗预测方法，其特征在于，

步骤如下：

步骤一、设计seq2seq模型用来获得时序数据中的动态特征；

步骤二、根据制浆过程原特征，训练用于提取动态特征的seq2seq模型，将制浆数据输入训练好的seq2seq模型中获得数据的动态特征；

步骤三、将动态特征与原特征结合输入基于梯度提升树的lightgbm框架中，用于制浆能耗预测；

步骤一所述的seq2seq模型的结构如下：

所述的seq2seq模型属于编码器—解码器结构，使用一个循环神经网络（RNN）作为编码器再使用一个RNN作为解码器，通过编码器将输入的数据序列编码至一个向量，之后使用解码器从该向量反推出待求的输出序列，使用长短期记忆网络单元(LSTM)作为RNN单元；

步骤二所述的seq2seq模型的训练方法如下：

RNN模型采用单层LSTM单元，设有m个LSTM单元，在编码器中按时序输入基础特征，经过编码后得到动态特征F， F的维数为2m，之后F作为解码器初始LSTM单元的隐变量被输入解码器，同时解码器输入t-1时刻的预测变量，经过解码过程输出对标签序列的预测值，定义预测序列与真实的标签序列的均方误差作为损失函数，采用adam优化方法训练该网络，对于训练好的seq2seq模型，将基础特征输入编码器模型中得到动态特征，每一个时刻的输入度得到对应时刻的动态特征，该动态特征包含了该时刻之前所有输入的关键信息。

2.根据权利要求1所述的方法，其特征在于，步骤三所述的lightgbm模型如下：

步骤三所述lightgbm框架是基于梯度提升树算法的框架，梯度提升树是一种包含多个有强依赖性基础学习器的集成学习方法，是一个加法学习，即每一个新的学习器是对上一轮建立的模型的残差进行补偿从而得到跟精确的模型，模型框架中采用直方图优化，顺序访问梯度以及并行学习策略。

3.根据权利要求1所述的方法，其特征在于，步骤二中所述的原特征采用如下22个特征：木片预整仓液位、木片预蒸仓温度、PSD、1#反应仓液位、2#反应仓温度、2#反应仓液位、*负载感应螺旋功率DE、PSD扭矩、刀盘压力NDE_x、刀盘压力NDE_y、磨盘间隙NDE_y、磨盘间隙DE、震动加速度DE、震动DE、*负载感应螺旋功率NDE、上一时刻能耗值、高浓磨吨浆能耗、2段浸渍吸液比、磨盘间隙NDE_x、PSF扭矩、震动加速度NDE、1#反应仓温度。