(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110473450.2 (22)申请日 2021.04.2 9 (65)同一申请的已公布的文献号 申请公布号 CN 113204918 A (43)申请公布日 2021.08.0 3 (73)专利权人 南京邮电大 学 地址 210003 江苏省南京市 鼓楼区新模范 马路66号 专利权人 国网电力科 学研究院有限公司 (72)发明人 窦春霞　殷润　岳东　张智俊　 丁孝华　李延满　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 朱远枫(51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01) (56)对比文件 黄堃等.基 于集成神经网络的水泥生产能耗 建模. 《洁净煤技 术》 .2020, 审查员 朱琳玲 (54)发明名称 水泥窑生产能耗的建模方法 (57)摘要 本发明公开了水泥窑生产能耗的建模 方法， 从水泥窑分散控制系统中采集选定时间段的特 定参数， 作为样本数据集； 根据获得的样本数据 集构建训练样本集和测试样本集； 利用训练样本 集和测试样本集训练水泥窑生产能耗模型完成 水泥窑生产能耗的建模， 所述水泥窑生产能耗模 型为结合BP网络和El man神经网络的组合神经网 络模型。 该方法基于数据建模， 结合前馈神经网 络和反馈神经网络这两类神经网络的优点， 通过 结合BP网络和El man网络的组合神经网络建立模 型， 既能保留BP神经网络静态逼近效果好的特 性， 也保留了Elman神经网络动态逼近效果好的 优点， 且较单一神经网络模型有更的高预测精 度。 权利要求书2页 说明书7页 附图2页 CN 113204918 B 2022.10.25 CN 113204918 B 1.水泥窑生产能耗的建模方法， 其特 征在于， 包括： 从水泥窑分散控制系统中采集选定时间段的特定参数， 作为样本数据集； 根据获得的 样本数据集构建训练样本集和 测试样本集； 利用训练样本集和测试样本集训练水泥窑生产能耗模型完成水泥窑生产能耗的建模， 所述水泥 窑生产能耗模型为结合BP网络和Elman神经网络的组合神经网络模型； 采集的特定参数包括生料粉磨细度、 生料水分、 石灰石硬度、 水泥细度、 助磨剂掺加量 和/或环境温度； 所述BP网络的训练方法包括： 初始化BP神经网络， 包括： 确定网络输入层神经元个数、 输出层神经元个数、 确定隐藏 层神经元个数、 选用神经元激活函数、 初始化网络输入层神经元到隐含层神经元 的连接权 值、 网络隐含层神经元到输出层神经元的连接权值， 初始 化网络隐含层阈值， 网络输出层阈 值， 并设置学习算法终止条件与学习速率； 计算网络隐藏层输出值； 计算网络 输出层的输出值； 计算网络 输出预测误差； 根据网络输出预测误差更新网络的连接权值， 根据网络输出预测误差更新网络隐含层 阈值和网络输出层阈值； 迭代直至满足终止条件； 采用求加权和的方式将BP神经网络的输 出和Elman神经网络 输出求线性组合， 得到组合网络模型的预测值Y(t)， 表达式如下： Y(t)＝α1y1(t)+α2y2(t) 式中， y1表示BP神经网络的网络输出， y2表示Elman神经网络的输出， α1, α2分别为BP神经 网络和Elman神经网络这两个子网络模型的组合系数， t为采样时刻； 确定各样本点作用下 组合网络模型预测值的绝对误差， 以组合模型网络预测的最大绝对误差的绝对值达到最小 为目标确定优化目标函数， 对所述优化 目标函数进行求解， 获得各个子网络模型对应的组 合系数值， 最终 获得组合网络模型； 第d个样本点作用下组合网络模型 预测值的绝对误差的表达式如下： d＝1,2,...q， q为测试样本集中样本的数量； Yd表示组合网络模型的预测输出； 表示 组合网络模型的期望输出； ed1表示在第d个样本点作用下BP神经网络模型的预测误差值， ed2表示在第d个样本点作用下Elman子网络模型的预测误差值； 所述述优化目标函数表示如下： 2.根据权利要求1所述的水泥窑生产能耗的建模方法， 其特征在于， 还包括主成分分析 法对样本数据集进行 数据预处 理。 3.根据权利要求1所述的水泥窑生产能耗的建模方法， 其特征在于， 按以下公式计算网 络隐藏层输出值H，权　利　要　求　书 1/2 页 2 CN 113204918 B 2其中Hj表示网络隐藏层第j个神经元的输出值， wij为网络输入层神经元到隐含层神经 元的连接权值， n为网络输入层神经元个数， xi为输入数据向量X中第i个的元素， i＝1, 2,...,n， n为输入数据向量X中元 素个数， l 为隐藏层神经 元个数， a为网络隐含层阈值。 4.根据权利要求1所述水泥窑生产能耗的建模方法， 其特征在于， 按以下公式计算BP神 经网络的预测输出值Ok， 其中Ok为网络输出层第k个的预测输出值， Hj表示网络隐藏层第j个神经元的输出值， bk 为网络输出层第k个神经元， k＝1,2,...,m， m为输出层神经元个数， l为隐藏层神经元个数； wjk为网络隐含层神经 元到输出层神经 元的连接 权值。 5.根据权利要求1所述水泥窑生产能耗的建模方法， 其特征在于， 根据网络输出预测误 差按照以下公式更新网络的连接 权值： wjk＝wij+ ηHjek 其中wij表示网络输 出层到隐藏层的连接权值， wjk为网络隐含层神经元到输 出层神经元 的连接权值， η为学习速 率， ek表示输出层第k个神经元的输出误差， Hj表示网络隐藏层第j个 神经元的输出值， xi为输入数据向量X中第i个的元素， i＝1,2,...,n， n为输入数据向量X中 元素个数。 6.根据权利要求1所述的水泥窑生产能耗的建模方法， 其特征在于， 根据网络输出预测 误差按照以下公式更新 网络隐含层阈值和网络输出层阈值： bk为网络输出层第k个神经元， k＝1,2,...,m； Hj表示网络隐藏层第j个神经 元的输出值 bk＝bk+ek 其中aj为网络隐含层第j个神经元的阈值， η为学习速率， ek表示输出层第k个神经元的 输出误差， wjk为网络隐含层神经元到输出层神经元的连接权值， bk为网络输出层第k个神经 元， k＝1,2,...,m， m为输出层神经 元个数。权　利　要　求　书 2/2 页 3 CN 113204918 B 3