【技术实现步骤摘要】
本专利技术涉及甘蔗压榨工艺优化，更具体地说，本专利技术涉及一种基于多目标优化的甘蔗压榨工艺指标区间预测方法及装置。
技术介绍
1、流程工业普遍包含诸多重要的生产过程指标或变量，某些特别关注的关键指标需要进行监测，从而调控整个生产过程，最终达到稳定生产的目标。以制糖工艺中甘蔗压榨工段为例，其压榨抽出率、生产能耗是该工段的两个重要指标，这类指标是否达标将影响到整个制糖生产的顺利运行和经济效益。由于这类指标与其他过程变量之间存在复杂的非线性关系，以及工业生产过程滞后性，对这类指标的测量往往非常困难或耗时长，甚至无法测量，因此建立有效的数学模型进行实时预测尤为重要。
2、经检索，如公布号cn113743652a，公告日2021.12.03的中国专利公开了一种基于深度特征识别的甘蔗压榨过程预测方法，依据数据驱动建模的思想，结合互信息理论、混合鸡群算法以及主成分分析法，有效识别了不同数据驱动模型最优性能下的特征变量，并提出几种模型集成的多模型组合模型对甘蔗压榨过程能耗和抽出率建立预测模型，提高预测准确性。其中公开了将生产数据预处理后输入核极限学习机(kelm)模型得到第一层预测结果，然后再对第一层预测结果进行集成预测，最终得到预测目标。与该方法不同的是，本专利技术提出了一种对预测区间进行优化的方法，减少甘蔗压榨工艺指标的预测的不确定性。
技术实现思路
1、本专利技术的目的是提供一种基于多目标优化的甘蔗压榨工艺指标区间预测方法，其通过优化模型参数，增加预测区间的覆盖概率和减少预测区间
2、为了实现本专利技术的这些目的，本专利技术提供的一种基于多目标优化的甘蔗压榨工艺指标区间预测方法，包括：
3、步骤一、将寻找满足要求的甘蔗压榨工艺指标预测模型最优参数的过程作为一个多目标优化问题，以最小化预测区间宽度(pinaw)和最大化预测区间覆盖率(picp)为优化目标，用多目标粒子群(mopso)算法求解该多目标优化问题，得到帕累托(pareto)解集；本专利技术的预测区间覆盖率是指真实值落在预测区间中的概率，是用于评估预测区间对真实值覆盖程度的指标；预测区间宽度是指预测区间上下限宽度范围，是评估预测区间宽度的指标。
4、步骤二、采用topsis-ew方法从帕累托(pareto)解集对应的帕累托(pareto)前沿选择最优妥协解，将确定最优参数分配给甘蔗压榨工艺指标预测模型，得到优化的甘蔗压榨工艺指标预测模型；
5、步骤三、将所得的优化的甘蔗压榨工艺指标预测模型用于甘蔗压榨工艺指标区间预测，达到优化预测区间pi的目的。
6、进一步地，所述甘蔗压榨工艺指标预测模型包括但不限于核极限学习机(kelm)模型、最小二乘支持向量机lssvm模型、多层感应机mlp模型、径向基rbf模型。如公布号cn113743652a的中国专利公开的孪生支持向量机、核极限学习机和深度核极限学习机模型等。优选的，本专利技术针对的是核极限学习机(kelm)模型的预测区间优化。
7、进一步地，该用于甘蔗压榨工艺指标预测的的核极限学习机(kelm)模型，输入层的数据为甘蔗压榨过程的生产数据；所述生产数据包括压榨机转速、两个双辊转速、一级和二级带速、渗浸水流量、混合汁流量、蔗渣水分、纤维分和蔗糖分等；所述生产数据从监控系统的若干组历史生产数据以及相应的检测数据获得；输出层为甘蔗压榨工艺指标的预测区间(pi)。
8、具体的，本专利技术的核极限学习机(kelm)模型中：
9、极限学习机elm的输出公式如下：
10、
11、其中，x为输入变量，n为数据样本数，i为稀疏矩阵，t为实际输出矩阵，c为惩罚系数，l为隐含层节点数，h是l维隐含层特征空间，β＝[β1,…,βl]t是隐含层节点与输出节点之间的输出权重，h(x)＝[h1(x),…,hl(x)]代表隐含层相对于d维输入x的输出矢量。
12、h(x)是一个特征映射，可把数据从输入空间映射到h，在不需要知道h(x)的情况下，对elm施加mercer’s条件，为elm定义一个核矩阵ωelm：
13、ωelm＝hht: ωelmi,j＝h(xi)·h(xj)＝k(xi, xj) (1-5)
14、则核极限学习机kelm的输出公式如下
15、
16、kelm通过核点乘法直接得到输出，与elm相比大大减少了计算量。在一种实施方式中，本专利技术利用高斯核函数进行计算，其表达式如下
17、k(xi,xj)＝exp(-γ||xi-xj||2) (1-7)
18、式中，γ为核参数。
19、在一种实施方式中，本专利技术主要对惩罚系数c和核参数γ进行优化。
20、进一步地，所述压榨工艺指标至少包括耗电量和抽出率。
21、进一步的，将所述生产数据分为训练集数据和测试集数据。
22、进一步地，所述步骤一中，给定一组数据集其中xi为输入变量，ti观测输出变量(真实值)。具体的，输入变量xi为生产数据，而观测输出变量ti是随之观测得到的甘蔗压榨工艺指标结果的真实值，如耗电量和抽出率的真实值。
23、以真实值作为模型的期望数据。其中，目标ti的(1-α)％置信(概率)的预测区间pi可以表示为：
24、
25、和分别为预测区间pi的上下边界，(1-α)％为置信水平，α为误差概率，其值位于pi范围内期望的概率可表示如下：
26、
27、进一步地，所述步骤一中，使用预测区间宽度(pinaw)表征预测区间(pi)的不确定性，预测区间覆盖率(picp)表征预测区间(pi)的可靠性；
28、(1)对于可靠性：
29、预期目标以名义概率(1-α)％位于构建的预测区间(pi)中，称为预测区间(pi)名义置信水平(pinc)，则pinc＝(1-α)％，α为误差概率；预测区间覆盖率(picp)是对所构建预测区间(pi)的可靠性的一个关键度量，定义为：
30、
31、式中，n为样本数(训练集样本数量)，li和ui分别为预测区间上下限；ti观测输出变量(真实值)；ci为布尔量，如果ti观测输出变量(真实值)包含于预测区间上下限，则ci＝1，否则ci＝0；要得到有效的预测区间pi，预测区间覆盖率picp的值应该大于或等于名义置信水平pinc；否则，它们是无效的，应该摒弃。
32、(2)对于不确定性：
33、由于不同的观测输出变量ti(真实值)有不同的预测区间(pi)，预测区间宽度(pinaw)可以通过以下公式计算：
34、
35、式中，tmax和tmin分别为最大和最小观测值，即真实值所在范围的界限；通过目标范围对预测区间(pi)宽度进行归一化，可以客观地比较pi，而不用考虑其构造方法和真本文档来自技高网...
【技术保护点】
1.一种基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，包括：
2.如权利要求1所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，所述预测模型为核极限学习机模型。
3.如权利要求2所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，所述甘蔗压榨工艺指标至少包括耗电量和抽出率。
4.如权利要求3所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，针对多目标优化问题建模过程如下：
5.如权利要求4所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，
6.如权利要求5所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，所述步骤1)输入的数据中，将训练集数据按以下公式计算，得到训练集的初始输出区间；
7.如权利要求6所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，所述步骤3)的评价指标至少包括预测区间覆盖率PICP和预测区间宽度PINAW。
8.如权利要求7所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于
9.如权利要求8所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，进一步使用所述评价指标进行评估预测区间的质量。
10.一种装置，包括处理器和存储器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-8中任一项所述的方法。
...【技术特征摘要】
1.一种基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，包括：
2.如权利要求1所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，所述预测模型为核极限学习机模型。
3.如权利要求2所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，所述甘蔗压榨工艺指标至少包括耗电量和抽出率。
4.如权利要求3所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，针对多目标优化问题建模过程如下：
5.如权利要求4所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，
6.如权利要求5所述的基于多目标优化的甘蔗压榨工艺指标区间预测方法，其特征在于，所述步骤1)输入的数据中，将训练集数据按以下公式计算，得到训...
【专利技术属性】
技术研发人员：邱敏敏，蒙艳玫，陈谊超，陈劼，李正源，李济钦，黎乘风，
申请(专利权)人：广西科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。