(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210717541.0 (22)申请日 2022.06.23 (71)申请人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街438号 (72)发明人 刘刚　董啸林　郝晓辰　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 专利代理师 王忠良 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/04(2012.01) G06Q 50/06(2012.01) G06F 16/25(2019.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于循环高速神经网络的水泥生料粉磨系 统电耗预测方法 (57)摘要 本发明公开了一种基于循环高速神经网络 的水泥生料粉磨系统电耗预测方法， 属于工业大 数据分析技术领域， 包括以下步骤： 步骤1： 从水 泥企业能源管理数据库中挑选与电耗相关性最 高的变量数据， 清理异常值后进行归一化标准化 处理， 排列得到完整的时间序列； 步骤2： 建立以 循环高速神经网络为基础的电耗预测模型， 目标 是利用变量数据和电耗值得历史值预测下一时 刻的电耗值； 步骤3： 采用监督学习的方法进行模 型训练， 利用误差逆传播算法对模 型中编码器解 码器的参数进行调整优化； 步骤4： 利用上述步骤 完成的模型， 实现对水泥生料粉磨系统电耗的实 时预测。 本申请的预测方法使资源得到合理调 度， 进而为降低能耗， 提高水泥生产效率提供可 能性。 权利要求书3页 说明书6页 附图2页 CN 114862060 A 2022.08.05 CN 114862060 A 1.一种基于循环高速神经网络的水泥生料粉磨系统电耗预测方法， 其特征在于包括以 下步骤： 步骤1： 根据水泥厂现实生产要求和应用范围， 通过相关性分析筛选一定数量的相关变 量， 确定输入数据维度， 从水泥企业能源管理数据库中挑选输入变量数据， 清理异常值后进 行归一化标准化处理， 排列得到 完整的时间序列； 步骤2： 建立以循环高速神经网络为基础的电耗预测模型， 目标是利用变量数据和电耗 值得历史值预测下一时刻的电耗 值； 步骤3： 采用监督学习的方法进行模型训练， 并利用误差逆传播算法对模型中编码器解 码器的参数进行调整优化， 对 模型的预测精度做进一 步的提高； 步骤4： 至此完成对循环高速神经网络模型的训练， 并利用其对水泥生料粉磨系统电耗 的实时预测。 2.根据权利要求1所述的一种基于循环高速神经网络的水泥生料粉磨系统电耗预测方 法， 其特征在于： 步骤1中与电耗相关性最高的输入变量具体选择为立磨内外压差x1,渣带 电流x2， 立磨主机电流x3， 反渣斗电流x4， 储存铲斗提电流x5， 选粉机转速反馈x6， 喂料量反馈 x7。 3.根据权利要求2所述的一种基于循环高速神经网络的水泥生料粉磨系统电耗预测方 法， 其特征在于： 步骤1的训练步长取为T ‑1， 那么通过前T ‑1时刻的变量数据以及电耗真实 值得到T时刻的电耗预测值： 构建时间序列输入层， 得到编码器解码器的输入矩阵X和Y： 4.根据权利要求1所述的一种基于循环高速神经网络的水泥生料粉磨系统电耗预测方 法， 其特征在于： 步骤2中模型的两个主体部分由编码器和解码器构成， 每一部分都包含一 个多层循环高速神经网络， 编码器的初始部分连接一个卷积神经网络， 负责提取输入变量 数据的特 征信息， 其卷积池化过程如下表示： 权　利　要　求　书 1/3 页 2 CN 114862060 A 2卷积层和池化层的尺寸分别为1 ×v和1×p， δ为ReLU激活函数， 经过卷积和池化操作 后， 将输出通过一个全连接层， 得到了携带特征信息的局部变量， 能够很好的体现每个时间 步不同组件之间的相互关系， 编码器部分的RHN接收并分析来自CNN的输入数据的时间动 态， 捕捉不同层级的时间特性， 其非线性变换， 转换门以及进位门更新如下： 上述公式中， WH， WR， WC， 是需要学习的权重 和参数， 是偏置， 单 元状态的更新方式如下： 是当前时刻第d层的输出， 是对应层的上一时刻的输出， 对同一时间的所有RHN 层的输出进行串联， 得到此刻的上 下文向量e： 结合电耗历史观测值， 得到编码器的最终输出 其中 和 分别是要学习的权重和偏差项， 至此编码器的运算部分结束， 开始解码 器部分； 作为解码器RHN的输入， 假设解码器RHN为d层， 则解码器中非线性变换， 转换门以及 进位门更新如下： 上述公式中， 是需要学习 的权重和参数， 是偏置， 单 元状态的更新方式如下： 权　利　要　求　书 2/3 页 3 CN 114862060 A 3