[发明专利]一种空气压缩机群组负荷预测方法及其控制设备

说明书

本发明提供了一种空气压缩机群组负荷预测方法及其控制设备，其基于Mamdani模型的模糊推理机进行预测，主要步骤包括：步骤A：基于相空间重构法构造时间序列模型，输入模糊推理机；步骤B：基于模糊C‑均值聚类算法初始化模糊规则，及基于最大密度法调整模糊规则隶属度参数，以构建模糊规则库；步骤C：步骤A的模糊推理机，基于步骤B的模糊规则库中的模糊规则，计算输出预测结果，通过本发明提供的该空气压缩机群组负荷预测方法，能够实现Mamdani模糊系统中模糊规则隶属度函数的覆盖度和特异性的折中，从而提高了空气压缩机负荷幅值的估计准确性，籍此能有效降低空气压缩机群组的能耗，以减少企业的生产成本。

技术领域

本发明涉及空气压缩机群组负荷预测领域，尤其涉及基于Mamdani模型的空气压缩机群组负荷预测及控制设备技术。

背景技术

压缩空气是冶金企业主要动力能源之一。据统计，压缩空气生产过程约占冶金企业总能耗的10％～15％。随着煤炭、石油等一次能源的紧缺，压缩机群组的优化调度越来越成为企业和研究人员关注的重点。为了实现空气压缩机群组的优化调度，生产调度人员需要及时掌握空气压缩机群组负荷的变化趋势。因此，准确的空气压缩机群组负荷流量预测能够辅助生产人员制定安全、经济、高效的生产调度方案，为降低企业生产成本和节能减排提供基础支撑。

Mamdani模糊系统具有语言形式的特点，由模糊化处理算子，模糊推理机制和非模糊化处理算子三个部分组成，广泛应用于解决模糊回归、模糊谱系分析、模糊控制器设计和模糊专家系统等问题。关于模糊规则的适应性，现有研究主要包括：协同模糊-C均值聚类提取模糊规则应用于预测问题(Prasad M，Chou K P，Saxena A，et al.(2014).Collaborative fuzzy rule learning for Mamdani type fuzzy inference systemwith mapping of cluster centers[C]//2014IEEE Symposium on ComputationalIntelligence in Control and Automation(ClCA).IEEE，2014.)；基于多目标演化算法产生模糊规则实现规则库复杂度和准确度的折中(Antonelli，M.，Ducange，P.，Lazzerini，B.，&Marcelloni，F..(2009).Multi-objective evolutionarylearning of granularity，membership function parameters and rules of Mamdani fuzzysystems.Evolutionary Intelligence，2(1-2)，21-37.)；基于贪婪的参数化学习方法从数据中提取模糊规则，提高模糊系统的可解释性(Dutu，L.C.，Mauris，G.，&Bolon，P.(2018).Afast and accurate rule-base generation method for Mamdani fuzzy systems.IEEETransactions on Fuzzy Systems，26(2)，715-733.)。虽然上述方法采用不同的方式提高模糊模型的可解释性，但是它们没有实现模糊规则隶属度函数的覆盖度和特异性的折中。

同时工业生产数据往往存在噪声和异常值，如何度量和实现模糊规则参数的特异性和覆盖度的折中，是目前相关研究的重点。因此目前还缺少一种有效的方法能够系统性的解决上述问题。

发明内容

本发明的主要目的在于提供一种空气压缩机群组负荷预测方法及其控制设备，以实现Mamdani模糊系统中模糊规则隶属度函数的覆盖度和特异性的折中，从而提高空气压缩机负荷变化趋势的预测准确性。

为了实现上述目的，本发明提供了一种空气压缩机群组负荷预测方法，其基于Mamdani模型的模糊推理机进行预测，步骤包括：

步骤A：基于相空间重构法构造时间序列模型，输入模糊推理机；