[发明专利]一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法

摘要

本发明公开了一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法，运用最小二乘支持向量机的方法建立起一个未来某一段时间蒸汽消耗总量的预测模型，对企业的蒸汽消耗量进行预测,然后根据预测结果利用锅炉蓄热器或蒸汽相关的控制调节系统和方法对蒸汽的供应量和供气压力进行调节，以满足下一时刻蒸汽的实际需求;利用改进后的最小二乘支持向量机的先进预测方法进行蒸汽消耗量的预测能够在短时间内通过运算得到较为精确的预测数据，并利用现代化系统调控优化技术手段，及时调节蒸汽供汽量，提前完成蒸汽供应量优化调控工作，提高蒸汽利用效率，减少蒸汽的浪费，降低现代化卷烟生产过程中的能源成本。

主权项

一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法，其特征在于，包括以下步骤：A：利用各设备蒸汽消耗的数据作为影响蒸汽消耗总量的影响因子对进行预测，根据数据库数据存储的频率，将各监测时刻的m个蒸汽消耗设备的监测数据构成生产历史数据集L，其中x’_tm为t时刻的各设备蒸汽消耗的数据，y’_t1为t时刻的蒸汽消耗总量，t＝1,2,3,……n，m为消耗蒸汽的设备的个数，$L=\left[\begin{array}{ccccc}{x}_{11}^{\′}& x_{12}^{\′}& ...& x_{1m}^{\′}& y_{11}^{\′}\\ x_{21}^{\′}& x_{21}^{\′}& ...& x_{2m}^{\′}& y_{21}^{\′}\\ ...& ...& ...& ...& ...\\ x_{t1}^{\′}& x_{t2}^{\′}& ...& x_{\mathrm{tm}}^{\′}& y_{t1}^{\′}\end{array}\right],$然后进入下一步；B：将建立模型的生产历史数据集L作为样本数据，剔除样本数据中数据值为0或负数的数据列，然后对剔除异常数据后的样本数据进行归一化预处理，数据归一化范围为[‑1,1]，归一化预处理之后的样本数据设为U：$U=\left[\begin{array}{ccccc}{x}_{11}& x_{12}& ...& x_{1m}& y_{11}\\ x_{21}& x_{21}& ...& x_{2m}& y_{21}\\ ...& ...& ...& ...& ...\\ x_{t1}& x_{t2}& ...& x_{\mathrm{tm}}& y_{t1}\end{array}\right],$然后进入下一步；C：利用最小二次支持向量机的建模方法对预处理后的样本数据U进行建模，利用交叉检验的方法将建模数据U分为训练模型数据U₁和测试模型数据U₂两部分，然后用训练模型数据U₁中的x_tm作为自变量_、用训练模型数据U₁中的y_t1作为因变量建立预测模型，即将自变量x_tm作为模型的输入值，将因变量y_t1作为模型的输出值，建立预测模型，然后进入下一步；D：利用最小二次支持向量机的建模方法将输入值x_tm用一个非线性函数映射到高维特征空间变为在此高维特征空间进行线性回归，并在高维特征空间中构造最优决策函数：利用最小二次支持向量机结构风险最小化原则，选取目标优化函数为：其中，ω,b分别为高维空间中预测模型的复杂度和常数项，ξ_i为模型的拟合误差，i＝1,2,……,t，C为错误惩罚因子，s.t.为约束条件，min为目标函数，然后进入下一步；E：引入拉格朗日乘子对目标优化函数进行拉格朗日变换，同时采用核函数表示方式，得到卷烟企业中t时刻设备蒸汽消耗点的数据和t时刻蒸汽消耗总量数据的预测模型：其中α_i为回归系数，i＝1,2,……,t，然后进入下一步；F：用测试模型数据U₂中的自变量x_i和因变量y_i数据进行模型预测精度的测试，测试过程是将自变量x_i输入预测模型，求得计算值y’_i，再与测试模型数据U₂中真实的因变量y_i值进行比较，分别计算均方误差MSE、平均绝对误差MAE和平均相对误差MAPE并作为预测模型的预测精度的评价指标。