买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网综合能源服务集团有限公司;兰州理工大学

摘要：本发明公开了一种组合权重的副产煤气发生量预测方法，采集某一段时间间隔内焦炉煤气发生量、装煤量、配合煤的挥发分数据，采用根据物理计算公式得出焦炉煤气理论发生量以及焦炉煤气产率，将焦炉煤气发生量、装煤量、配合煤的挥发分、焦炉煤气产率数据作为神经网络输入量；然后对数据进行预处理，经处理后的数据分别训练左端和右端神经网络预测模型，根据训练结果选择最佳的权重配比，进行线性加权后得组合权重预测模型；最后使用组合权重预测模型预测指定时间的焦炉煤气发生量。本发明更好的综合了左右端的预测模型的优势，结合历史存储资源,为焦炉煤气发生量预测提供可靠的依据，相比传统方法能更准确有效地预测焦炉煤气发生量。

主权项：1.一种组合权重的副产煤气发生量预测方法，其特征在于，包括如下步骤：步骤1：获取一段时间的各个时间节点所分别对应的焦炉煤气发生量、装煤量以及配合煤的挥发分，并根据所述配合煤的挥发分计算得到焦炉煤气产率，将与同一个时间节点所对应的所述焦炉煤气发生量、装煤量、配合煤的挥发分以及焦炉煤气产率聚类为一组，将全部组进行预处理；步骤2：将全部组分为两部分，建立训练集和测试集，所述训练集由一部分组组成，所述测试集由另一部分组组成；步骤3：分别建立两个不同类型的神经网络模型，将训练集的各个组分别送入两个所述神经网络模型，在送入所述神经网络模型的时候，将所述装煤量、配合煤的挥发分以及焦炉煤气产率作为输入送入所述神经网络模型，得到所述神经网络输出的焦炉煤气发生量，并与所述组中的焦炉煤气发生量计算得到其差值的平方和Qi和Qj；两个所述神经网络模型分别为TCN-RNN模型和GRU模型，所述TCN-RNN模型由TCN模型和RNN模型通过权重加权得到；模型选取TCN模型、RNN模型和GRU模型，其中一个组成TCN-RNN模型，另一个GRU模型；选择前n个时间步长的焦炉煤气发生量、压力数据作为组合模型的输入；即其中为t时刻发生量数据，为t时刻压力数据,n为时间步长；为TCN-RNN模块的输出；为GRU模块的输出；其中，m为时间步长；TCN-RNN模型的预测过程：对原始数据进行平滑和归一化处理，即将原始数据通过线性变换至[0,1]区间中，构造数据将其变成所需的矩阵形式；确定模型网络结构：卷积核大小为2，过滤器为32，扩张列表为[1,2,4,8],Dropout为0.1，隐节点设为45，采用Relu激活函数；将训练集和测试集数据代入模型进行训练，设置模型迭代次数、单次训练送入数据批量，并实时监测损失函数值的变化；经过反归一化处理得出预测结果；使用模型训练中的平均绝对误差、平均绝对百分比误差对模型进行评价；生成真实值-预测值曲线图，直观评估模型的预测效果；GRU模型的预测过程：对原始数据进行平滑和归一化处理，即将原始数据通过线性变换至[0,1]区间中，构造数据将其变成所需的矩阵形式；确定模型网络结构：神经元数为32，采用Relu激活函数；将训练集和测试集数据代入模型进行训练，设置模型迭代次数、单次训练送入数据批量，并实时监测损失函数值的变化；经过反归一化处理得出预测结果；使用模型平均绝对误差、平均绝对百分比误差对模型进行评价；生成真实值-预测值曲线图，直观评估模型的预测效果；步骤4：对两种模型进行权重比例分配，构建组合预测模型，对样本数据进行预测；其中，TCN-RNN模型预测时，为TCN-RNN模块的输出；GRU模型预测时，为GRU模块的输出；其中，m为时间步长；实际的历史数据为y′＝{y1′,y′2...y′m}；通过计算误差平方和确定两种预测模型的权重大小，即对误差平方和小的模型赋以高权重；Qi、Qj分别为TCN-RNN模型、GRU模型的真实值与预测值之间差值的平方和，即： wi、wj分别为TCN-RNN模型、GRU模型的权重，即： 步骤5：将权重wi和wj分别线性加权在对应的所述神经网络模型输出的焦炉煤气发生量的前方，得到最终的预测值；具体为：对TCN-RNN模块和GRU模块进行线性加权，最终得到焦炉煤气的发生量预测值y＝{y1,y2...ym}，通过实现，具体如下： 其中，wi为TCN-RNN模块的权重配比，m为时间步长，为TCN-RNN模型经权重配比后的输出值； 其中，wj为GRU模块的权重配比，m为时间步长，为GRU模型经权重配比后的输出值；步骤6：使用测试集的组中的所述装煤量、配合煤的挥发分以及焦炉煤气产率作为输入分别送入所述神经网络模型，并根据所述权重wi和wj分别线性加权在对应的所述神经网络模型输出的焦炉煤气发生量的前方，得到预测的焦炉煤气发生量。

全文数据：

权利要求：

百度查询： 国网综合能源服务集团有限公司 兰州理工大学 一种组合权重的副产煤气发生量预测方法