[发明专利]基于seq2seq动态特征提取模型的制浆能耗预测方法

说明书

本发明公开了一种基于seq2seq动态特征提取模型的制浆能耗预测方法。选用seq2seq模型提取动态特征，选取了22个基础特征输入，生成了10个动态特征，最终将共32个特征输入基于梯度提升树算法的lightgbm框架进行建模。该方法具较小的相对误差，能够为制浆过程的操作人员提供准确的预测，帮助他们降低制浆过程能耗，使制浆过程稳定顺行。

技术领域

本发明属于工业过程软测量领域，特别涉及一种针对时序数据采用seq2seq模型提取动态特征结合lightgbm框架对制浆过程能耗进行预测的方法。

背景技术

造纸过程由制浆和造纸两大环节串联组成。制浆环节的主要功能是从植物纤维原材料生产出具有特定形态的纤维；造纸环节的功能主要是采用特定形态的纤维为原料生产出各种纸制产品。制浆和造纸两大环节在运行过程中都需要消耗大量的能量，特别是制浆过程的能耗及其所产生的纤维形态分布的质量直接关系到后续造纸环节的能耗及产品质量。同时，磨浆过程中木片和水蒸汽由磨盘中心输入和磨盘表面的磨齿产生高速离心摩擦，在高温和高速摩擦中使纤维从木片中分解出来。因此，化学机械制浆生产线是制浆造纸过程电耗最高的生产环节，是化学制浆生产线和造纸生产线的两倍。

制浆过程数据有其独特的难点：首先是数据量大，数据量大体现在两点：1)数据维度高，制浆过程涉及复杂的反应与数量众多的工序，每一个工序的设备特征、外部工况、工艺配方乃至材料的参数都与生产结果有着密切联系。2)采样频率多样，制浆过程数据采样频率跨度巨大，有震动、电流这类采样间隔毫秒级的指标，也存在批次过程，对结果的分析可能是好几个小时甚至几天才进行一次。其次，制浆过程数据通常是复杂的时序数据，制浆能耗和这些变量之间呈现出未知动态，大延迟，非线性和强耦合的关系，难以用简单的数理方法进行建模。最后，工业数据还存在质量差的难点，体现在：1)数据失准(效)，由于各种因素造成传感器失灵而导致的数据失准。2)数据格式混杂，人工标注的数据与自动化搜集的数据的混杂，并常常有缺失值。现阶段制浆造纸生产过程控制分布式计算机控制系统(DCS)忽略了产品质量的提高和节能降耗，导致我国造纸工业普遍存在能耗高、产品质量波动大等问题。

如今，检测手段的发展使得大量的数据被精准的记录，而电脑技术的迅猛发展使得我们可以在短时间内进行大量的运算，这些技术进步使得基于数据驱动的建模变得更加容易，也成为解决上述问题的一个很好的方法。现阶段主要造纸企业采用多层次的DCS系统对造纸过程进行控制，但它的控制方法都是采用简单的逻辑单元，不能对多变量进行综合的考虑。同时，Harinath等通过数据建对热磨机械浆建立了非线性预测模型将能耗预测问题转化为一个带约束条件的非线性规划问题，该算法虽然有较好的适应性，但是对于预测的精度并不高，并且由于生产过程原材料不均匀，生产过程有各种间歇性操作，导致输入数据的突变会导致模型有很大失调。由于梯度提升树的高性能，许多研究者将梯度提升树与其他方法结合，用于在特定领域获得更好的效果。例如Yukun Cao，LiaiGui使用LSTM算法与lightgbm相结合用来预测风电机的发电功率。Zhu J等人提出用深度神经网络从原始特征中提取新特征作为梯度提升树模型的输入。

CN109240264A公开了一种基于LSTM神经网络的制浆过程能耗预测方法，但对数据的要求较高。

发明内容

针对现有制浆过程能耗难预测的缺点，提出使用seq2seq模型提取时序数据的动态特征，然后将动态特征加入原始特征在集成学习框架lightgbm中的建模方法。并选取22个主要参数作为模型的输入，将能耗值作为模型的输出。该方法具有较高的轻度和较小的均方误差，能够为制浆过程的操作人员提供准确的预测，帮助他们降低制浆过程能耗，使制浆过程稳定顺行。该方法由以下步骤组成：

一种基于seq2seq动态特征提取模型的制浆能耗预测方法，

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；