基于深度信念网络的水泥煅烧能耗预测和模型优化研究

发布时间：2020-12-27 03:49

　　水泥煅烧过程是复杂且连续的工艺过程,具有时变时延性、非线性和不确定性等特征。水泥煅烧过程电耗和煤耗的准确预测可以为水泥生产的节能降耗和生产管理调度提供充足信息依据,因此水泥煅烧能耗的预测具有重要的意义。水泥煅烧过程中的特性导致难以建立准确的水泥煅烧能耗预测模型,所以提出了滑动窗口深度信念网络水泥煅烧能耗预测模型（Sliding Window Deep Belief Network,SW-DBN）。为了解决难以确定最优模型结构的问题,进一步提出了改进粒子群优化算法（Improved Particle Swarm Optimization,IPSO）对SW-DBN结构参数进行优化,实现了水泥煅烧过程能耗的精确预测和模型结构的自动寻优。具体研究工作如下:首先,介绍新型干法水泥生产工艺,具体分析水泥煅烧过程的重要工序,了解时变时延特性、非线性和不确定性对能耗预测的影响。通过研究水泥生产变量和煅烧过程电耗和能耗的影响关系,确定预测模型的相关输入变量。其次,针对水泥煅烧过程的时变时延性、非线性和不确定性特征,建立了基于滑动窗口深度信念网络的水泥煅烧能耗预测模型。该模型采用滑动窗口技术将包含时变时延... 

【文章来源】：燕山大学河北省

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

水泥熟料煅烧工艺图

第2章水泥煅烧工艺分析和能耗预测模型框架设计-17-两个参数，以SW-DBN网络的训练均方误差为目标函数，实现SW-DBN模型结构参数的自动寻优。基于水泥生产企业数据库中的实际数据，对上述两个模型进行实验分析，验证SW-DBN和IPSO-SW-DBN模型的有效性。具体模型框架设计如图2-2所示。图2-2水泥煅烧能耗预测模型设计框图2.5本章小结本章主要介绍了新型干法水泥生产工艺和水泥煅烧能耗预测模型框架。通过研究水泥煅烧过程的主要工序，分析水泥生产变量与电耗和煤耗的影响关系，确定影响水泥煅烧过程能耗的关键变量。然后介绍了水泥煅烧过程的时变时延特性，不确

燕山大学工程硕士学位论文-20-图3-1SW-DBN水泥煅烧能耗预测模型结构框图SW-DBN的水泥煅烧能耗预测模型的结构图如图3-2所示。X和Y分别表示模型的输入变量和输出变量，表示滑动窗口的大校图3-2红色框体部分展示了滑动窗口将水泥生产周期内的变量数据生成为时序数据的过程。可以看出SW-DBN由可见层、隐含层和输出层三部分构成。可见层的神经元与输入变量的时序数据对应，隐含层由多个受限玻尔兹曼机(RestrictedBoltzmannMachine，RBM)堆叠而成，输出层的神经元分别对应着模型拟合得到的水泥煅烧电耗值和煤耗值。图3-2滑动窗口深度信念网络模型结构图

【参考文献】：
期刊论文
[1]一种基于进化的自适应卡尔曼修正粒子群优化算法[J]. 侯森,李才发.  焦作大学学报. 2018(04)
[2]基于MI-LSSVM的水泥生料细度软测量建模[J]. 赵彦涛,单泽宇,常跃进,陈宇,郝晓辰.  仪器仪表学报. 2017(02)
[3]中国水泥生产与碳排放现状分析[J]. 魏军晓,耿元波,沈镭,岑况.  环境科学与技术. 2015(08)
[4]基于改进多元非线性算法的水泥电耗预测建模[J]. 赵辉,张宁,蔡万通,王红君,岳有军.  制造业自动化. 2015(01)
[5]钢铁企业能耗分析模型的建立及应用[J]. 申银花,张琦.  冶金能源. 2014(02)
[6]能源投入产出模型的改进[J]. 谢国威,王庆泉,孙文强,姜延朔,姜奎波.  冶金能源. 2013(05)
[7]指数平滑法及其在负荷预测中的应用[J]. 陈娟,吉培荣,卢丰.  三峡大学学报(自然科学版). 2010(03)
[8]自底向上加快神经网络学习的算法[J]. 杨钟瑾.  湖南师范大学自然科学学报. 2006(03)
[9]人工神经网络混合剪枝算法[J]. 李倩,王永县,朱友芹.  清华大学学报(自然科学版). 2005(06)

硕士论文
[1]基于投入产出法的钢铁企业能耗分析模型研究[D]. 赵佳骏.东南大学 2015
[2]BP神经网络结构优化方法的研究及应用[D]. 赵寿玲.苏州大学 2010
[3]新型干法水泥生产线混合控制系统设计与研究[D]. 李立峰.武汉理工大学 2008



本文编号：2941042