[发明专利]一种提高钢铁企业能源利用率的能耗预测方法

摘要

本发明一种提高钢铁企业能源利用率的能耗预测方法，属于信息技术领域，本发明采用带有误差反馈校正学习的神经网络算法进行预测，并且针对传统学习方法收敛速度慢的问题，权值和阈值的调整公式中增加一动量项，用以提高网络的训练速度；采用自适应调节学习率使训练在误差曲面平坦区域增大学习率，在误差变化剧烈的区域减小学习率；采用基于时变权重的参数组合优化方法对初始权值和阈值的分布进行优化，在解空间定位出一个较好的搜索空间，用以避开局部极小点；该方法充分考虑了各工序的能源消耗特点，提高了能源使用效率，降低了能源成本，进而降低了总生产成本。

主权项

一种提高钢铁企业能源利用率的能耗预测方法，包括以下步骤：步骤1、采集企业的生产信息和能源信息，作为多组样本数据；步骤2、对所采集的信息进行去噪处理和归一化处理，并确定各工序能源消耗量和回收量的影响因素；步骤3、将各工序能源消耗量和回收量的影响因素作为带有误差反馈校正学习的神经网络的输入，将各工序的能耗消耗量和回收量作为带有误差反馈校正学习的神经网络的输出，构建带有误差反馈校正学习的神经网络的结构；步骤4、采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈值进行优化；步骤5、采用增加动量项的方式进一步调整优化后的权值和阈值，通过自适应调节学习率运行带有误差反馈校正学习的神经网络；步骤6、判断网络总误差函数值是否小于设定的限定值或学习次数是否大于设定的数值，若是，则完成神经网络的训练，并执行步骤7，否则，返回执行步骤4；步骤7、将实际各工序能源消耗量和回收量的影响因素输入至训练好的带有误差反馈校正学习的神经网络中，预测实际生产中各工序的能耗消耗量和回收量；其特征在于，步骤4所述的采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈值进行优化，具体包括以下步骤：步骤4‑1、根据带有误差反馈校正学习的神经网络的结构确定参数组合优化算法中的个体，所述个体为多维向量，向量中的元素即为神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值，个体维数为输入层至中间层的连接权值个数、中间层的阈值个数、中间层至输出层的连接权值个数和输出层的阈值个数之和；步骤4‑2、初始化带有误差反馈校正学习的神经网络的参数和参数组合优化算法的参数，包括：带有误差反馈校正学习的神经网络的种群规模、神经元之间连接权重、神经元激活函数的阈值和学习的终止准则；参数组合优化算法的个体数量、个体步长、位置向量、个体维数和迭代终止条件，惯性权重取值；步骤4‑3、将多组样本数据输入参数组合优化算法中，获得多组样本数据的网络总误差函数值；步骤4‑4、判断网络总误差函数值是否小于设定阈值，或是否达到最大迭代次数，若是，则执行步骤4‑6，否则，执行步骤4‑5；步骤4‑5、更新惯性权重取值，进一步更新参数组合优化算法中个体的步长和位置，获得更新后的个体，即获得更新后的神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值，并返回执行步骤4‑3；步骤4‑6、获得全局最好个体位置所对应的神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值。