[发明专利]基于AP聚类的ELM复杂石化行业生产能力的预测模型

说明书

本发明公开了一种新型的基于AP聚类的ELM复杂石化行业生产能力的预测模型，针对传统神经网络模型对石化行业能效预测的不精确性，所述预测模型首先通过AP聚类算法将乙烯原料进行聚类，进而产生若干相似度较高的类别，减少了乙烯原料。然后将聚类结果作为ELM算法的训练集和测试集。本发明提供的预测模型提高了能效预测的精度，从而实现对石化行业能效的有效预测，解决了传统神经网络模型对石化行业能效预测的不精确性，提高了复杂石化行业的能源效率，实现了节能减排。同时，本发明也通过实验证明了所述预测模型的有效性和实用性。

技术领域

本发明涉及石化行业生产能力预测的技术领域，尤其涉及一种基于AP聚类的ELM复杂石化行业生产能力的预测模型。

背景技术

目前，石化行业是我国能源消耗最大的行业。作为“石化行业的粮食”，乙烯是合成制造材料、合成纤维等产品的基本有机化工原料，广泛应用于生活、国防、科技等各个领域。乙烯生产过程的规模、产量和技术水平代表了一个国家石化行业的水平。2015年中国石化乙烯产量和平均燃料消耗量分别为11005.2千吨/年和559.06千克/吨乙烯。中国石油天然气集团的乙烯产量和平均燃料消耗量分别为5032千吨/年和594千克/吨乙烯。因此，就生产水平和生产效益而言，提高石化行业乙烯生产过程中的能源效率具有重要意义。现有技术对石化行业的能效预测提出了很多种解决办法，包括使用BP、RBF等神经网络进行预测，但是预测结果不是太好。

发明内容

为解决现有技术存在的局限和缺陷，本发明提供一种新型的基于AP聚类的ELM复杂石化行业生产能力的预测模型，包括：

获取石化行业的生产数据；

使用AP聚类算法对所述生产数据进行聚类，当所有数据点到最近的类代表点的相似度之和最大时，获得最优的类代表点的数据集合，所述相似度之和是R(i，k)与A(i，k)之和，其中R(i，k)表示数据对象k作为数据对象i的聚类中心的适合程度，A(i，k)表示数据对象i选择数据对象k作为聚类中心的适合程度，R(i，k)与A(i，k)的表达式为：

R_t+1(i，k)＝(1-λ)·R_t+1(i，k)+λ·R_t(i，k) (1)

A_t+1(i，k)＝(1-λ)·A_t+1(i，k)+λ·A_t(i，k) (3)

将所述数据集合作为ELM算法的训练集合和测试集合，通过训练和测试形成预测模型；

根据所述预测模型对石化行业生产能力进行预测。

可选的，所述将所述数据集合作为ELM算法的训练集合和测试集合，通过训练和测试形成预测模型的步骤包括：

设定输入层与隐含层之间的连接权重值为：

设定隐含层与输出层之间的连接权重值为：

设定所述隐含层的阈值为

n个样本的输出Y＝HV，其中Y∈R^m×n，所述隐含层的输出矩阵H为：

其中，g(x)为激活函数，w_i和b_i在训练之前随机确定；

所述隐含层的输出权重值为H⁺为所述隐含层的输出矩阵的Moore-Penrose广义逆；

根据所述输出权重值形成预测模型。