一种空气压缩机群组负荷预测方法及其控制设备与流程

本发明涉及空气压缩机群组负荷预测领域，尤其涉及基于mamdani模型的空气压缩机群组负荷预测及控制设备技术。

背景技术：

压缩空气是冶金企业主要动力能源之一。据统计，压缩空气生产过程约占冶金企业总能耗的10％～15％。随着煤炭、石油等一次能源的紧缺，压缩机群组的优化调度越来越成为企业和研究人员关注的重点。为了实现空气压缩机群组的优化调度，生产调度人员需要及时掌握空气压缩机群组负荷的变化趋势。因此，准确的空气压缩机群组负荷流量预测能够辅助生产人员制定安全、经济、高效的生产调度方案，为降低企业生产成本和节能减排提供基础支撑。

mamdani模糊系统具有语言形式的特点，由模糊化处理算子，模糊推理机制和非模糊化处理算子三个部分组成，广泛应用于解决模糊回归、模糊谱系分析、模糊控制器设计和模糊专家系统等问题。关于模糊规则的适应性，现有研究主要包括：协同模糊-c均值聚类提取模糊规则应用于预测问题(prasadm，choukp，saxenaa，etal.(2014).collaborativefuzzyrulelearningformamdanitypefuzzyinferencesystemwithmappingofclustercenters[c]//2014ieeesymposiumoncomputationalintelligenceincontrolandautomation(clca).ieee，2014.)；基于多目标演化算法产生模糊规则实现规则库复杂度和准确度的折中(antonelli，m.，ducange，p.，lazzerini，b.，&marcelloni，f..(2009).multi-objectiveevolutionarylearningofgranularity，membershipfunctionparametersandrulesofmamdanifuzzysystems.evolutionaryintelligence，2(1-2)，21-37.)；基于贪婪的参数化学习方法从数据中提取模糊规则，提高模糊系统的可解释性(dutu，l.c.，mauris，g.，&bolon，p.(2018).afastandaccuraterule-basegenerationmethodformamdanifuzzysystems.ieeetransactionsonfuzzysystems，26(2)，715-733.)。虽然上述方法采用不同的方式提高模糊模型的可解释性，但是它们没有实现模糊规则隶属度函数的覆盖度和特异性的折中。

同时工业生产数据往往存在噪声和异常值，如何度量和实现模糊规则参数的特异性和覆盖度的折中，是目前相关研究的重点。因此目前还缺少一种有效的方法能够系统性的解决上述问题。

技术实现要素：

本发明的主要目的在于提供一种空气压缩机群组负荷预测方法及其控制设备，以实现mamdani模糊系统中模糊规则隶属度函数的覆盖度和特异性的折中，从而提高空气压缩机负荷变化趋势的预测准确性。

为了实现上述目的，本发明提供了一种空气压缩机群组负荷预测方法，其基于mamdani模型的模糊推理机进行预测，步骤包括：

步骤a：基于相空间重构法构造时间序列模型，输入模糊推理机；

步骤b：基于模糊c-均值聚类算法初始化模糊规则，及基于最大密度法调整模糊规则隶属度参数，以构建模糊规则库；

步骤c：步骤a的模糊推理机，基于步骤b的模糊规则库中的模糊规则，计算输出预测结果。

在优选的实施可能性中，该步骤b中，基于模糊c-均值聚类算法初始化模糊规则的步骤包括：依据步骤a的时间序列模型，采用模糊c-均值聚类算法初始化模糊规则参数，且其聚类中心为模糊规则高斯隶属函数的均值，同一聚类数据的方差为模糊规则高斯隶属函数的方差。

在优选的实施可能性中，该步骤b中，基于最大密度法调整模糊规则隶属度参数的步骤包括：基于模糊规则，利用拟合方法获取聚类中心半径与聚类中数据个数的关系，进而获得密度最大聚类的中心半径作为模糊规则高斯隶属度函数的方差。

在优选的实施可能性中，该步骤a中基于相空间重构法构造时间序列模型的步骤包括：初始化延时和嵌入维度参数构造空气压缩机负荷的时间序列模型，设历史数据中空气压缩机群组负荷的时间序列为{x(k)，k＝1，2，…，n}，则通过相空间同构这一点状态矢量可以表示为：

xi＝[x(i)，x(i+τ)，…x(i+(l-1)τ)]，i＝1，2，…m

其中，m为重构相空间中相点的个数，m＝n-(i-1)τ，i和τ分别表示系统的嵌入维数和时间延时。

在优选的实施可能性中，该时间序列模型，采用模糊c-均值聚类算法初始化模糊规则，其目标函数可以定义为：

其中，m为模糊化因子，uij是xi在第j个聚类的隶属度函数，xi是第i个l维度的数据，cj是第j个聚类中心，||·||表示测量数据与聚类中心之间的欧式距离，c表示聚类中心的个数，s为样本的个数，每一个样本相对于各个聚类的隶属度函数为1，i＝1，2，…s，

令jm对mj和uj(xi)的偏导为0，可得到必要条件为：

在优选的实施可能性中，该模糊规则隶属度参数，即隶属度函数的中心和隶属度值，采用最大隶属度值法获得每个聚类样本即

其中，ri分别表示样本属于聚类的标号，ri∈[1，c]；ri值相同则属于同一个聚类，

设ri所属的聚类为g，该聚类的中心可以定义为

其中，ng表示第g个聚类中样本个数，xg，j表示第g个聚类中第j个样本，表示第g个聚类的中心，

利用非线性函数来逼近聚类半径随样本个数的变化关系，则可以定义为

设g(w)＝f(w)-wf′(w)，则对g(w)求偏导，可以得到

g′(w)＝f′(w)-(f′(w)+wf″(w))＝-wf″(w)

选取f(w)＝ae^bw+ce^dw函数，则在处取得极大值，因此，聚类中心到密度最大数据的距离即为规则隶属度函数的方差。

在优选的实施可能性中，该模糊规则的定义为：

rulei：ifx(i)isaf1andx(i+τ)isaf2，…，x(i+(l-1)τ)isafm，thenyiisbfα

其中，x(i)，x(i+τ)，…x(i+(l-1)τ)表示模糊规则的输入，af1，af2…afm表示模糊规则输入的子集，bfα表示模糊规则输出的子集，yi表示第i条模糊规则的输出，

其中，ui表示第i条模糊规则的隶属度，ci表示第i条规则的聚类中心。

为实现上述目的，本发明另一方面还提供了一种空气压缩机群组负荷控制设备，其包括：存储器，计算单元，所述存储器中存储有计算机可读存储指令，所述指令用于使得计算单元执行上述空气压缩机群组负荷预测方法。

通过本发明提供的该空气压缩机群组负荷预测方法及其控制设备，能够实现mamdani模糊系统中模糊规则隶属度函数的覆盖度和特异性的折中，从而提高了空气压缩机负荷幅值的估计准确性，籍此能有效降低空气压缩机群组的能耗，以减少企业的生产成本。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的空气压缩机群组负荷预测方法流程示意图；

图2为采用该空气压缩机群组负荷预测方法的空气压缩机群组负荷预测统计图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本领域的技术人员更好的理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，在本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”，“步骤a”，“步骤b”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。

本发明的空气压缩机群组负荷预测方法，涉及基于数据的模糊规则提取、数据质量自适应调整规则参数、mamdani的模糊推理等理论，是一种基于自适应mamdani模糊模型技术的的空气压缩机群组负荷预测方法。本发明首先基于模糊c-均值聚类方法初始化模糊规则，权衡模糊集的特异性和普适性，基于最大密度法调整模糊规则隶属度参数，最后基于mamdani模型实现空气压缩机群组负荷预测，从而该发明能够估计空气压缩机群组负荷变化趋势，为空气压缩机群组的合理利用及优化调度提供指导。

技术上，本发明充分利用scada中积累的历史数据，首先采用相空间重构法构造模型的输入输出关系，基于模糊c-均值算法初始化模糊规则，权衡模糊规则参数特异性和覆盖度的折中，基于最大密度法调整模糊规则的参数，最后基于mamdani模型实现空气压缩机群组负荷预测，从而提高空气压缩机负荷变化趋势的预测准确性。

为此本发明的空气压缩机群组负荷预测方法，基于mamdani模型的模糊推理机进行预测，其步骤主要包括：步骤a：基于相空间重构法构造时间序列模型，输入模糊推理机；步骤b：基于模糊c-均值聚类算法初始化模糊规则，及基于最大密度法调整模糊规则隶属度参数，以构建模糊规则库；步骤c：步骤a的模糊推理机，基于步骤b的模糊规则库中的模糊规则，计算输出预测结果。

具体来说，在该步骤b中，基于模糊c-均值聚类算法初始化模糊规则的步骤包括：依据步骤a的时间序列模型，采用模糊c-均值聚类算法初始化模糊规则参数，且其聚类中心为模糊规则高斯隶属函数的均值，同一聚类数据的方差为模糊规则高斯隶属函数的方差。

而基于最大密度法调整模糊规则隶属度参数的步骤包括：基于模糊规则，利用拟合方法获取聚类中心半径与聚类中数据个数的关系，进而获得密度最大聚类的中心半径作为模糊规则高斯隶属度函数的方差。

此外该步骤a中基于相空间重构法构造时间序列模型的步骤包括：初始化延时和嵌入维度参数构造空气压缩机负荷的时间序列模型。

具体来说，该基于相空间重构法构造时间序列模型，具体方案包括：设历史数据中空气压缩机群组负荷的时间序列为{x(k)，k＝1，2，…，n}，则通过相空间同构这一点状态矢量可以表示为：

xi＝[x(i)，x(i+τ)，…x(i+(l-1)τ)]，i＝1，2，…m

其中，m为重构相空间中相点的个数，m＝n-(i-1)τ，i和τ分别表示系统的嵌入维数和时间延时。

具体来说，该基于模糊c-均值聚类算法初始化模糊规则，具体方案包括：依据上述时间序列模型，采用模糊c-均值聚类算法初始化模糊规则，其目标函数可以定义为：

其中，m为模糊化因子，uij是xi在第j个聚类的隶属度函数，xi是第i个i维度的数据，cj是第j个聚类中心，||·||表示测量数据与聚类中心之间的欧式距离，c表示聚类中心的个数，s为样本的个数，每一个样本相对于各个聚类的隶属度函数为1，i＝1，2，…s，

令jm对mj和uj(xi)的偏导为0，可得到必要条件为：

具体来说，该基于密度最大法调整模糊规则隶属度参数，具体方案包括：该模糊规则隶属度参数，即隶属度函数的中心和隶属度值，采用最大隶属度值法获得每个聚类样本即

其中，ri分别表示样本属于聚类的标号，ri∈[1，c]；ri值相同则属于同一个聚类，设ri所属的聚类为g，该聚类的中心可以定义为

其中，ng表示第g个聚类中样本个数，xg，j表示第g个聚类中第j个样本，表示第g个聚类的中心，

利用非线性函数来逼近聚类半径随样本个数的变化关系，则可以定义为

设g(w)＝f(w)-wf′(w)，则对g(w)求偏导，可以得到

g′(w)＝f′(w)-(f′(w)+wf″(w))＝-wf″(w)

选取f(w)＝ae^bw+c^edw函数，则在处取得极大值，因此，聚类中心到密度最大数据的距离即为规则隶属度函数的方差。

此外本发明借助广泛用于描述工业生产系统不确定信息的mamdani模糊模型，该模糊规则的定义为：

rulei：ifx(i)isaf1andx(i+τ)isaf2，…，x(i+(l-1)τ)isafm，thenyiisbfα

其中，x(i)，x(i+τ)，…x(i+(l-1)τ)表示模糊规则的输入，af1，af2…afm表示模糊规则输入的子集，bfα表示模糊规则输出的子集，yi表示第i条模糊规则的输出，

其中，ui表示第i条模糊规则的隶属度，ci表示第i条规则的聚类中心。

为了进一步说明本发明的优越性，以某冶金企业空压机群系统为例，选取2018年3月1日至2018年3月31日的空气压缩机组负荷数据，时间间隔是1min。精度统计指标采用均方根误差，定义如下：

本发明与其它模糊算法的预测结果对比如表1所示。

表1本发明与其它模糊算法的预测结果比较

表1

本发明另一方面还提供了一种空气压缩机群组负荷控制设备，其包括：存储器，计算单元，所述存储器中存储有计算机可读存储指令，所述指令用于使得计算单元执行上述空气压缩机群组负荷预测方法。

综上所述，通过本发明提供的该空气压缩机群组负荷预测方法及其控制设备，能够实现mamdani模糊系统中模糊规则隶属度函数的覆盖度和特异性的折中，从而提高了空气压缩机负荷幅值的估计准确性，籍此能有效降低空气压缩机群组的能耗，以减少企业的生产成本。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(r0m，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。