[发明专利]基于多聚类原型的T-S模型对炉腹煤气量的预测方法及程序

摘要

本发明公开了一种基于多聚类原型的T‑S模型对炉腹煤气量的预测方法及程序，其内容包括：对高炉数据进行数据预处理，剔除异常值；利用斯皮尔曼等级相关系数进行变量的筛选；选取基于超球形聚类原型的FCM模糊聚类算法和基于超平面形聚类原型的NFCRMA模糊聚类算法分别对高炉数据进行模糊聚类，再分别使用与这两个模糊聚类算法相适应的隶属度函数计算得到两种不同的T‑S模型前件规则适应度，然后对这两种规则适应度分别从大到小排序，最后计算它们的加权和得到加权规则适应度；使用最小二乘法计算T‑S模型的后件参数，最后通过调整加权系数可以提高模型的预测精度。本发明方法能够精确的预测下一时刻高炉炉腹煤气量指标的值。

主权项

1.一种基于多聚类原型的T‑S模型对炉腹煤气量的预测方法，其特征在于：该方法内容是：同时基于超球形聚类原型和超平面形聚类原型，建立一种加权规则适应度的T‑S模型以便更精确地预测高炉炉腹煤气量指标，然后根据预测值的变化区间来判断高炉煤气流分布趋势，进而预测高炉炉况的变化；首先对获得的高炉数据采用拉伊达准则和平均值填补缺失值方法进行数据预处理，利用斯皮尔曼等级相关系数筛选输入变量；然后分别使用基于超球形聚类原型的FCM模糊聚类算法和基于超平面形聚类原型的NFCRMA模糊聚类算法，以及与这两个模糊聚类算法相适应的隶属度函数计算得到两种不同的T‑S模型前件规则适应度，对得到的两种不同的前件规则适应度分别从大到小排序，然后计算它们的加权和并通过调整加权系数提高T‑S模型的预测精度；该方法内容具体包括如下步骤：步骤1：对高炉数据进行数据预处理：采用拉伊达准则剔除数据异常值，减小异常数据对模型预测精度的影响，对于缺失值用周围数据点的平均值补齐；步骤2：对输入变量进行筛选：利用斯皮尔曼等级相关系数筛选对炉腹煤气量影响大的输入变量；步骤3：对处理后的高炉数据使用超球形模糊聚类算法FCM进行模糊聚类，选择与超球形模糊聚类算法相适应的隶属度函数计算T‑S模型前件规则适应度，结果记为i＝1,…C，C为聚类个数；步骤4：对处理后的高炉数据使用超平面形模糊聚类算法NFCRMA进行模糊聚类，选择与超平面形模糊聚类算法相适应的隶属度函数计算T‑S模型前件规则适应度，结果记为i＝1,…C，C为聚类个数；步骤5：计算T‑S模型前件加权规则适应度；为了匹配样本点对于不同聚类中心的隶属程度，在这两种聚类原型下，被加权的规则适应度和必须首先分别从大到小排序，然后计算它们的加权和并得到加权规则适应度λ是介于[0,1]之间的加权系数，β_i为最终得到的加权规则适应度；步骤6：利用最小二乘法计算T‑S模型后件参数；然后调整加权系数，对比不同加权系数下模型的预测性能指标，选取具有高预测精度的炉腹煤气量预测模型。