[发明专利]一种基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法

权利要求书

1.一种基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法，其特征在于，包括如下步骤：

步骤一、选择得到原始铝电解的预测输入数据；预测输入数据包括长周期数据、短周期数据和对应的槽温；按照时间序列收集预测输入数据并并进行归一化预处理，然后划分为训练集和测试集；

步骤二、建立LSTM-CNN和ICBAM长短期特征提取网络；LSTM-CNN和ICBAM长短期特征提取网络包括LSTM-CNN模型、ICBAM模型和AAW模型；

步骤三、将训练集输入LSTM-CNN和ICBAM长短期特征提取网络进行训练，得到训练好的LSTM-CNN和ICBAM长短期特征提取网络，其中，训练集中的长周期数据输入LSTM-CNN模型提取槽温的长期深度特征，训练集中的短周期数据输入ICBAM模型提取槽温的短期深度特征，通过AAW模型对长期深度特征和短期深度特征进行融合短期深度特征进行融合得到融合特征；

步骤四、采用测试集对训练好的LSTM-CNN和ICBAM长短期特征提取网络进行测试，若预测误差达到预设要求，则得到最终的LSTM-CNN和ICBAM长短期特征提取网络，否则收集原始铝电解的预测输入数据重新进行步骤三；

步骤五、提取现有的铝电解的预测输入数据输入最终的LSTM-CNN和ICBAM长短期特征提取网络，预测得到当前的槽温。

2.如权利要求1所述的基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法，其特征在于，所述预测输入数据包括日平均电压、氧化铝浓度、系列电流、出铝量、分子比和铝水平；其中日平均电压、系列电流、氧化铝浓度、出铝量、分子比、铝水平为长周期数据；槽电压以及阳极电流为短周期数据。

3.如权利要求1所述的基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法，其特征在于，所述预测输入数据的选择方法如下：

短周期数据只有槽电压以及阳极电流，因此不进行选择；

然后选取影响槽温变化的长周期输入变量，将影响槽温变化的长周期输入变量进行归一化预处理，然后使用随机森林特征选择模型选择得到综合评分选择关键输入特征作为预测输入数据：

A.得到影响槽温变化的长周期输入变量的名称集合FN和特征集D，随机森林特征选择模型的决策树数目为N，特征集D的维度记为M；对特征集D进行i＝1,2,…,N次重采样得到数据集D_i，未被抽中的样本称为袋外数据，其用来作为验证集测试随机森林特征选择模型的泛化性能；

B.对于i＝1,2,…,N，在D_i样本集上训练决策树T_i，袋外数据集为并在基于T_i上对进行预测，计算袋外数据误差errOOB_i；D_i样本集即采样得到的第i个数据集；

C.对于j＝1,2,…,M，对中的特征X_j，其中i指第i次采样，j指第j个特征，进行随机扰动，扰动后的袋外数据集为然后基于T_i对进行预测，统计扰动后的袋外数据误差为errOOB_ij；

D.特征X_j的重要性为最终输入变量特征重要性评分集合为FD＝{(FN₁,FI₁),(FN₂,FI₂),...,(FN_M,FI_M)}。

4.如权利要求3所述的基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法，其特征在于，影响槽温变化的长周期输入变量包括日平均电压、系列电流、铝水平、电解质水平、出铝量、氟盐添加量、氟盐添加次数、氧化铝浓度、分子比、针振和电压摆动作。