1.一种基于门控循环神经网络的水泥回转窑电耗预测方法,其特征在于:包括以下步骤:
步骤1:分析整个水泥烧成的生产工艺,选取与电耗相关的10个输入变量,将变量数据进行归一化处理,考虑水泥生产过程的时延和变量之间的耦合,将归一化后的变量数据以横向为变量,竖向为时间顺序的方式排列;每一段时间的数据设置为一组作为二维卷积的输入;
步骤2:对步骤1中整理后的数据进行二维卷积及最大池化运算,将经过二维卷积和最大池化运算后的数据按照时间顺序将其重构为时序序列;
步骤3:将步骤2中得到的部分组时序序列作为门控循环神经网络模型的输入,数据在门控循环神经网络模型的内部门控单元中进行数据信息传播,门控循环神经网络模型通过更新门和重置门来控制信息的保留和丢失,前一时刻的留存信息和当前时刻的信息共同决定当前的输出;使用反向传播算法计算误差,更新权值和偏置,得到训练好的门控循环神经网络模型;
步骤4:将步骤2中得到的其他组时序序列输入到训练好的门控循环神经网络模型,进行水泥回转窑电耗的预测。
2.根据权利要求1所述的一种基于门控循环神经网络的水泥回转窑电耗预测方法,其特征在于:步骤1中,所述10个输入变量分别为:喂料量反馈、窑电流平均值、ep风机转速、高温风机转速、分解炉喂煤量、窑头煤、二次风温、窑尾温度、分解炉出口温度、一级筒出口温度。
3.根据权利要求1所述的一种基于门控循环神经网络的水泥回转窑电耗预测方法,其特征在于:步骤2中,所述二维卷积及最大池化运算包括:
(1)二维卷积运算时使用3x3大小的卷积核以平移方式对输入数据进行卷积运算,得到特征矩阵,将卷积核设定为若干个,从而提取输入数据的不同特征信息,得到多个特征矩阵;
(2)对得到的多个特征矩阵进行池化,使用最大池化方式对数据进行处理。
4.根据权利要求3所述的一种基于门控循环神经网络的水泥回转窑电耗预测方法,其特征在于:由于水泥生产过程的复杂性,各输入变量之间存在耦合关系,使用二维卷积可以提取输入变量间的耦合特征,将输入变量数据以横向为变量,竖向为时间顺序的方式排列,每一段时间的数据设置为一组,使用3x3大小的卷积核对输入数据进行卷积运算,得到特征矩阵,表达公式如下所示:
其中,
5.根据权利要求1所述的一种基于门控循环神经网络的水泥回转窑电耗预测方法,其特征在于:步骤3中,门控循环神经网络模型具体的计算过程如下:
s1:更新门的计算
更新门决定前一时刻和当前时间的信息有多少需要继续进行传递,更新门的输出由前一时刻隐藏状态输出和当前时刻输入共同决定,计算公式如下:
zt=σ(wz·[ht-1,xt]+bz)(2)
上式(2)中,wz是更新门的权重矩阵,[ht-1,xt]表示将前一时刻隐含层状态ht-1和当前时刻输入xt连接成一个更长的向量,σ是sigmoid激活函数,bz为更新门偏置项;
s2:重置门的计算
重置门决定有多少之前时刻的信息需要进行遗忘,重置门的输出同样由前一时刻隐藏状态输出和当前时刻输入共同决定,计算公式如下:
rt=σ(wr·[ht-1,xt]+br)(3)
上式(3)中,wr是重置门的权重矩阵,[ht-1,xt]表示将前一时刻隐含层状态ht-1和当前时刻输入xt连接成一个更长的向量,σ是sigmoid激活函数,br为重置门偏置项;
s3:当前输入的单元状态计算
上式(4)中,wh是单元状态的权重矩阵,rt是重置门的输出,ht-1为前一时刻隐含层状态,xt为当前时刻的输入,tanh是双曲正切激活函数,bh为单元状态偏置项;
隐含层最终输出由上一时刻的单元状态、当前时刻候选单元状态和更新门输出共同决定:
上式(5)中,h为当前时刻隐含层输出,ht-1为前一时刻隐含层状态,zt为更新门的输出,
序列预测输出:
上式(6)中,
s4:采用反向传播反向计算每个神经元的误差和每个权重的梯度,更新权值
为了计算方便,权重矩阵wr、wz、wh拆分成wrh、wrx、wzh、wzx、whh、whx;定义损失函数:
上式(7)中,
s5:权重梯度的计算
wrh、wzh、whh各时刻的权重梯度为:
wrx、wzx、whx的权重梯度:
与权重对应的偏置br,bz,bh梯度为:
s6:进行权重的更新
η为模型的学习率,为了增加公式的适用性,对公式进行泛化,w表示网络中四个节点的权重,l代表四个节点的偏置项;
s7:至此,完成一次前向和反向传播,重复上述过程,每经过一个时间步,求得误差项,若误差项小于阈值,则进行权重矩阵w和偏置项b的更新,直到误差小于设定阈值完成训练。