[发明专利]一种基于LSTMDNN的高炉铁水硅含量预测方法及装置

权利要求书

1.一种基于LSTMDNN的高炉铁水硅含量预测方法，其特征在于，包括：

步骤1：获取高炉数据样本集，并对高炉数据样本进行属性划分，再分别对各类属性数据样本进行归一化处理，其中数据样本属性包括时滞属性、相关属性以及冗余属性；

步骤2：构建基于LSTMDNN的高炉硅含量预测模型，并利用归一化处理后的属性数据进行训练；

所述基于LSTMDNN的高炉硅含量预测模型由BP神经网络连接LSTM高炉硅含量模型和DNN高炉硅含量模型，将时滞属性数据时间序列样本和相关属性数据样本分别输入LSTM高炉硅含量模型和DNN高炉硅含量模型，将两个模型的输出结果合并，作为BP神经网络的输入数据，经BP神经网络加权变换得到BP神经网络的输出数据，利用损失函数计算基于LSTMDNN的高炉硅含量预测模型的硅含量输出值与实际值之间的误差，对基于LSTMDNN的高炉硅含量预测模型进行训练；

其中，BP神经网络的输入层神经元个数为2，隐含层神经元个数为5，输出层神经元个数为1，隐含层的激活函数为ReLU函数，权重矩阵的初始值为随机值；

步骤3：按照属性类别，将实时采集的高炉数据，输入至已训练好的基于LSTMDNN的高炉硅含量预测模型中，获得硅含量的预测值。

2.根据权利要求1所述的方法，其特征在于，所述对高炉数据样本进行属性划分，是指依据各高炉属性对硅含量的滞后影响时间进行划分，具体过程如下：

步骤1.1：计算单一高炉数据时间序列{c_i^-n}与硅含量时间序列{c_Si}在不同滞后时间点n上的相关系数，其中，{c_i^-n}是指相对于硅含量前移n个时间单位的第i个历史高炉属性数据的时间序列，{c_Si}是指硅含量时间序列，n的单位为小时，n的取值小于等于高炉下料至出铁的持续时间；

步骤1.2：若某单一高炉数据时间序列与硅含量时间序列之间的相关系数的绝对值在各滞后时间点均小于0.1，则将该单一高炉数据的属性定义为冗余属性，并将冗余属性数据从高炉数据样本集中剔除；

步骤1.3：以最大相关系数所在滞后时间点为标准，划分时滞属性和相关属性，最大相关系数在滞后0个时间点处的高炉数据的属性，属于相关属性，其余高炉数据的属性则为时滞属性。

3.根据权利要求2所述的方法，其特征在于，采用皮尔森相关系数，计算第i个单一高炉数据时间序列{c_i^-n}与硅含量时间序列{c_Si}在不同滞后时间点n上的相关系数：

其中，E(C_i^-nC_Si)为C_i^-n*C_Si的数学期望，E(C_i^-n)和E(C_Si)分别是单一高炉数据C_i^-n和硅含量C_Si的数学期望，E((G_i^-n)²)和E(C_Si²)分别是单一高炉数据和硅含量的平方的数学期望，E²(C_i^-n)和E²(C_Si)分别是E(C_i^-n)和E(C_Si)的平方值。