[发明专利]一种基于XGBoost的水泥磨系统电耗指标预测方法

说明书

本发明公开了一种基于XGBoost的水泥磨系统电耗指标预测方法，首先选取与水泥磨电耗相关的八个变量，采用OPC技术对所需变量数据进行收集，采用人工经验去除法和准则去除异常数据，构建XGBoost模型输入输出层，根据样本数据初始化权重参数，按照该权重训练第一棵树，训练完成后根据目标函数更新权重参数，进行新一轮决策树的训练，当样本权重和小于设定阈值或迭代次数达到设定值时停止建树，完成XGBoost模型训练，将工业现场样本数据集代入训练好的模型完成水泥磨系统电耗指标在线预测，本发明通过XGBoost对样本数据进行训练，将实际水泥生产现场的变量数据输入到训练好的模型，实现水泥磨电耗指标的在线预测。

技术领域

本发明涉及一种基于XGBoost的水泥磨系统电耗指标预测方法，属于水泥磨系统电耗指标预测领域。

背景技术

根据水泥行业相关数据显示，我国水泥产量排在世界前列，水泥磨系统在当代水泥生产中已经被广泛使用，实现水泥磨系统电耗指标的在线预测，有利于指导水泥磨研磨过程各参量的调度优化，有利于降低水泥磨生产过程电耗，从而达到节能减排，提高生产效率的目的。但是由于水泥磨系统研磨过程存在滞后性，多个工业变量具有很强的耦合性，仅从机理上难以建立水泥磨系统能耗模型，不同操作人员由于现场经验的差异，很难保证水泥磨机处于高效，稳定的运行状态，无法对能源进行高效利用。另外，采用OPC技术对水泥工业现场DCS设备的数据提取的过程中，由于设备运行情况，人员操作等因素，有时会造成数据缺失，这也为后续建立精确的电耗预测模型带来挑战。

针对上述问题，赵辉等人采用主成分分析法得到影响水泥生产电耗的关键因素，降低了回归预测模型的复杂度，并提出基于改进多元非线性算法的水泥电耗预测模型，但该方法未解决水泥生产过程的时滞问题。谢武明等人将33个指标作为输入建立基于BP神经网络的污水处理厂电耗预测模型，对于电耗预测这类问题要求解复杂非线性函数的全局极值，BP神经网络容易陷入局部最优。王昭旭等人将一种隐含时间序列深度信念网络能够用到水泥生产电耗预测，消除了时变时延对水泥能耗预测的影响，但深度信念网络预训练采用无监督学习，学习过程缓慢，难以进行水泥磨系统电耗在线预测。

发明内容

本发明需要解决的技术问题是提供一种基于XGBoost(eXtreme GradientBoosting)的水泥磨系统电耗指标预测方法，既解决了水泥磨系统滞后性的问题，也解决了水泥磨系统多变量之间强耦合问题，同时相对于神经网络模型，XGBoost计算速度快，训练时可以用所有的CPU内核来并行化建树，极大提高训练速率，对于工业数据中的缺失值特征，通过枚举的方式自动学习缺失值的分裂方向，在算法中加入L1和L2正则化项，防止过拟合，增强泛化能力。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于XGBoost的水泥磨系统电耗指标预测方法，首先选取与水泥磨电耗相关的八个变量，采用OPC技术对所需变量数据进行收集，采用人工经验去除法和3σ准则去除异常数据，构建XGBoost模型输入输出层，根据样本数据初始化权重参数，按照该权重训练第一棵树，训练完成后根据目标函数更新权重参数，进行新一轮决策树的训练，当样本权重和小于设定阈值或迭代次数达到设定值时停止建树，完成XGBoost模型训练，将工业现场样本数据集代入训练好的模型完成水泥磨系统电耗指标在线预测。

本发明技术方案的进一步改进在于：具体步骤如下：

步骤A：输入、输出变量筛选：通过对水泥生产现场水泥磨系统的运行分析，从众多工业参量中选取与水泥磨电耗相关的八个工业参量作为输入变量，一个工业参量作为输出变量；

步骤B：数据收集：采用OPC技术将水泥工业现场DCS设备的数据提取并导入sqlserver数据库存储，从水泥磨历史生产数据库中提取步骤A中的八个输入数据及一个输出变量数据；