[发明专利]一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法

说明书

本发明涉及马蹄焰玻璃窑炉的热效率预测领域，更具体地，涉及一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法。利用进化策略，将神经网络的连接权值不断的变异进化，寻找更优的神经网络连接权值，从而达到优化LSTM的目的；对缺失和错误的数据进行修复，并使用主成分分析降低维度，从而尽可能的提高算法模型的预测精度上限，实现了快速、高效的对马蹄焰玻璃窑炉的热效率预测。

技术领域

本发明涉及马蹄焰玻璃窑炉的热效率预测领域，更具体地，涉及一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法。

背景技术

关于马蹄窑玻璃窑炉的能耗的研究大多是提高工艺水平，改进设备，并进行模拟仿真。比如戚淑芬通过引入马蹄焰玻璃窑炉蓄热室温度变化率η来校正窑头换火时间的节能型控制方案，并给出了用可编程调节器予以实现的方法。这对稳定产品质量，节能降耗意义极大。李骏通过提出一种创新性的结构划分模型分析的新颖方法，把整个马蹄焰玻璃窑炉的工艺流程划分为三级结构，逐级展开分析建模。得出增强窑体保温，减少散热损失以及提高蓄热室余热回收作用，降低出口烟气温度是马蹄焰玻璃窑中节能优化的有效途径。张绪全对马蹄焰玻璃熔炉的蓄热室面积加大1/3，加大热交换力度，用余热锅炉对烟气余热回收等措施实现了能耗降低。雷世昌通过分析窑炉特性，有针对性的在模糊广义预测控制的基础上进行深入研究，构建适用于窑炉建模与控制的算法，在理论上解决了马蹄焰窗炉的控制问题^[5]。通过研究发现目前国内虽然很多专家学者对马蹄焰窑炉的节能优化有一定的研究成果。但是大多数是通过系统控制、仿真建模、工艺参数调整、物理、化学、热力学等角度来对马蹄焰窑炉进行节能优化的分析，并没有从玻璃窑炉的热效率预测的角度来进行节能研究。

窑炉设备的数据大多为时间序列，循环神经网络其每一个时间步状态的计算需要依赖于上一个时间步，所以其比较适合用来预测时间序列的数据。长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是一个效果很好的RNN的变体算法。它既能继承RNN探索序列数据内在依赖关系的能力，又能解决传统RNN因序列过长而导致的梯度消失、训练时间长和过拟合等问题，并提升局部优化能力和网络泛化能力。最近几年，很多研究使用进化算法和神经网络结合的模型进行学习。比如文献在GA-GRU预测模型对环境空气污染物PM2.5浓度预测中，不仅保留了处理数据维度和输入特征的能力，并且在一定程度上充分挖掘了环境空气污染物因子自身之间与气象因子之间潜在的特征关系。在2017年，Uber不仅提出遗传算法可以解决深度强化学习问题。还提出了深度学习训练的新方法，通过进化算法来优化神经网络。同样在2017年，OpenAI将进化策略运用到神经网络，然后不断进化神经网络中的参数，最终的实验结果都能够媲美很多强化学习方法。谷歌团队在训练神经网络的时候发现，在相同的硬件下，与强化学习相比，进化算法能更快得到结果。文献用遗传算法去优化DNN，证明了简单的算法能在困难的深度学习问题上表现良好。以上的研究均表明了进化神经网络能够发挥出不错的效果，但是在窑炉的热效率预测研究上没有发现使用进化神经网络的方法。

发明内容

本发明为克服上述现有技术中的至少一个缺陷，提供一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法，能够快速、有效的对马蹄焰玻璃窑炉的热效率进行预测。

为解决上述技术问题，本发明采用的技术方案是：一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法，包括以下步骤：

S1.从能源管理系统里获取窑炉设备的运行参数，对窑炉高温的工作环境下出现的异常数据进行预处理，降低对训练模型的干扰；然后通过主成分分析对数据降维，以提升模型训练的速度；

S2.随机初始化LSTM种群，随机生成2n个不同基因组成的群体，其中每个个体的基因为初代LSTM网络参数的权值；对每一个个体进行适应度评估，并按大小排序，得出最优的前n个个体；

S3.适应度最优的精英个体保留添加到精英库里；把最优的n个个体进行变异操作，产生新的n个后代，最后总共得到2n个个体的新种群；