• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于集成神經(jīng)網(wǎng)絡(luò)的水泥生產(chǎn)能耗建模

    2020-11-18 02:15:56丁孝華
    潔凈煤技術(shù) 2020年5期
    關(guān)鍵詞:馬爾科夫預(yù)測(cè)值殘差

    黃 堃,楊 文,丁孝華

    (國電南瑞科技股份有限公司,江蘇 南京 211106)

    0 引 言

    目前,水泥生產(chǎn)作為我國國民經(jīng)濟(jì)發(fā)展不可或缺的支柱產(chǎn)業(yè),同時(shí)作為高能耗產(chǎn)業(yè),水泥生產(chǎn)工藝流程的優(yōu)化與節(jié)能環(huán)保的需求日益突出。而對(duì)水泥生產(chǎn)的能耗預(yù)測(cè)是減少電能消耗與污染物排放、提高水泥生產(chǎn)過程的品質(zhì)和效率的前提條件[1-3]。國內(nèi)外研究人員對(duì)構(gòu)建水泥爐窯的能耗預(yù)測(cè)模型進(jìn)行了研究,一般可分為基于機(jī)理建模和基于數(shù)據(jù)建模2類[4-5],但水泥爐窯煅燒涉及眾多環(huán)節(jié)與設(shè)備,參數(shù)具有變量多、關(guān)聯(lián)性強(qiáng)等特點(diǎn)。機(jī)理建模無法準(zhǔn)確描述燒成系統(tǒng)主要參數(shù)與能耗的關(guān)系。因此數(shù)據(jù)建模是當(dāng)前的主流研究方向,其主要是采用專家系統(tǒng)、自適應(yīng)回歸、模糊系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)等人工智能方法對(duì)水泥爐窯的能耗建模進(jìn)行研究[6-8]。

    馬爾科夫過程常被用于船舶交通流量、瓦斯?jié)舛取⑿杷?、股票走?shì)的預(yù)測(cè)。呂鵬飛等[9]利用BP神經(jīng)網(wǎng)絡(luò)建立船舶交通量的預(yù)測(cè)模型,預(yù)測(cè)時(shí)結(jié)合馬爾科夫修正法有效提高了預(yù)測(cè)精度。韓婷婷等[10]采用馬爾科夫修正法修正灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值,使預(yù)測(cè)的瓦斯?jié)舛茸兓厔?shì)更貼近實(shí)際瓦斯?jié)舛鹊淖兓€。景亞平等[11]結(jié)合馬爾科夫修正法建立了灰色神經(jīng)網(wǎng)絡(luò)的城市需水量預(yù)測(cè)模型,試驗(yàn)表明其獲得了優(yōu)于單一灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)效果。WANG等[12]建立了基于馬爾科夫過程的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,較精準(zhǔn)地預(yù)測(cè)了股票指數(shù)的走勢(shì)。

    相關(guān)學(xué)者通常采用單個(gè)神經(jīng)網(wǎng)絡(luò)建立水泥生產(chǎn)窯的能耗預(yù)測(cè)模型。為提高預(yù)測(cè)模型的精度,本文在數(shù)據(jù)預(yù)處理時(shí)采用平均影響值法篩選能耗敏感變量。建模時(shí)以RBF神經(jīng)網(wǎng)絡(luò)為元學(xué)習(xí)器,結(jié)合集成算法的思想,建立精度較單個(gè)神經(jīng)網(wǎng)絡(luò)更高的集成能耗模型。在基于集成模型預(yù)測(cè)能耗時(shí)采用馬爾科夫修正法,即依據(jù)歷史能耗預(yù)測(cè)值與實(shí)際值的殘差修正網(wǎng)絡(luò)輸出的能耗預(yù)測(cè)值,從而提高水泥生產(chǎn)的能耗預(yù)測(cè)精度。

    1 水泥生產(chǎn)的工藝流程

    水泥的生產(chǎn)過程主要包含生料制備、熟料煅燒和水泥磨粉3個(gè)階段[13-14](簡(jiǎn)稱“兩磨一燒”),其主要生產(chǎn)過程如圖1所示。

    圖1 水泥的生產(chǎn)過程Fig.1 Cement production process

    水泥生料制備所用原材料包括石灰石、砂巖、黏土、鐵礦石、粉煤灰及煤碳等,其中石灰石是水泥生產(chǎn)的主要原材料,具有顆粒較大、硬度較高等特點(diǎn),需經(jīng)破碎機(jī)破碎處理,實(shí)現(xiàn)原料的均化;再將原料按一定比例混合,實(shí)現(xiàn)生料的調(diào)配;最后經(jīng)生料磨沖擊磨粉的方式處理成細(xì)顆粒。

    熟料煅燒是水泥生產(chǎn)中能耗最大的階段,主要包括預(yù)熱分解、燒成和熟料冷卻3個(gè)部分。將生料輸送至預(yù)熱器頂端的進(jìn)料口,生料在預(yù)熱器內(nèi)進(jìn)行預(yù)熱和少量的預(yù)分解處理,而后在預(yù)熱器下端的分解爐內(nèi)熱分解大部分生料,經(jīng)過分解的生料進(jìn)入回轉(zhuǎn)窯,在燒成反應(yīng)下生成熟料,最后將熟料導(dǎo)入冷卻機(jī)冷卻。水泥磨粉階段,在剛出冷卻機(jī)的熟料內(nèi)加入適量的石膏和礦渣,經(jīng)水泥磨磨成細(xì)粉狀的水泥出廠。

    綜上,水泥燒成系統(tǒng)能耗可能的依賴變量主要包括:喂煤量、CO體積分?jǐn)?shù)、生料流量、冷卻劑鼓風(fēng)管道壓力、入冷卻機(jī)空氣溫度、熟料流量、預(yù)熱器的出口壓力、預(yù)熱器廢水溫度、冷卻機(jī)出口熟料量、冷卻機(jī)出口熟料溫度、冷卻劑煙筒壓力、冷卻劑煙筒廢氣溫度、分解爐中段表面溫度、回轉(zhuǎn)爐中段表面溫度和環(huán)境溫度等。

    2 水泥生產(chǎn)能耗預(yù)測(cè)模型

    2.1 數(shù)據(jù)預(yù)處理

    從水泥窯分散控制系統(tǒng)(distributed control system,DCS)中按時(shí)間序列收集喂煤量、CO體積分?jǐn)?shù)、生料流量、冷卻劑鼓風(fēng)管道壓力、入冷卻機(jī)空氣溫度、熟料流量等變量值及對(duì)應(yīng)電能消耗的實(shí)際數(shù)據(jù),作為試驗(yàn)樣本數(shù)據(jù)集。

    在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行能耗建模前,不能明確各輸入變量對(duì)輸出能耗結(jié)果的影響程度,選擇的變量較多時(shí),影響較小的變量會(huì)使模型結(jié)構(gòu)更復(fù)雜,甚至可能會(huì)降低能耗模型的精度。因此需通過合適的預(yù)處理方法篩選自變量,獲得對(duì)能耗輸出影響較大的變量作為神經(jīng)網(wǎng)絡(luò)的輸入變量,本文選用平均影響值法選擇參數(shù)[15]。其具體實(shí)現(xiàn)步驟如下:

    若原始訓(xùn)練數(shù)據(jù)集含有一定數(shù)量的樣本,每個(gè)樣本包含n個(gè)屬性,即樣本集P={P1,P2,…,Pn},輸出為一個(gè)變量Y=[y1,y2,…,ym]。

    Step3:對(duì)所有的輸出差值IVj求和并取平均值,得到第j個(gè)輸入變量的平均影響值 MIVj,本文輸出結(jié)果僅包含能耗值一項(xiàng),所以IVj=MIVj。該值的正負(fù)號(hào)表示該輸入變量與輸出變量的相關(guān)方向,該輸入變量對(duì)輸出變量的影響程度由其絕對(duì)值大小表示。

    Step4:對(duì)MIVj的絕對(duì)值按照降序排列,若排序后的前k個(gè)平均影響值MIV絕對(duì)值的累計(jì)貢獻(xiàn)率滿足

    (1)

    選擇對(duì)應(yīng)的k個(gè)輸入變量代表全部輸入變量重新構(gòu)建神經(jīng)網(wǎng)絡(luò)建模,其中取η0=85%。

    2.2 集成能耗模型

    在建模階段,以RBF神經(jīng)網(wǎng)絡(luò)為元學(xué)習(xí)器,結(jié)合集成算法的思想,集成學(xué)習(xí)本質(zhì)是使用多個(gè)元學(xué)習(xí)器并行學(xué)習(xí),并按照某種規(guī)則將多個(gè)學(xué)習(xí)結(jié)果進(jìn)行組合,獲得一個(gè)強(qiáng)學(xué)習(xí)器,建立比單個(gè)模型精度更高的集成模型。神經(jīng)網(wǎng)絡(luò)的集成學(xué)習(xí)算法由個(gè)體生成和結(jié)論組合2個(gè)步驟完成。集成學(xué)習(xí)算法用于回歸建模問題時(shí),結(jié)論組合階段通常將各神經(jīng)網(wǎng)絡(luò)的輸出經(jīng)平均或加權(quán)平均處理后作為集成模型的輸出。個(gè)體學(xué)習(xí)器的數(shù)目和集成的效果無關(guān),且個(gè)體分類器數(shù)量多會(huì)增加計(jì)算量,占用更多的計(jì)算機(jī)資源。因此選擇差異度大的個(gè)體神經(jīng)網(wǎng)絡(luò)作為個(gè)體生成階段的重要內(nèi)容。本文采用差異化訓(xùn)練樣本的方式完成個(gè)體的生成,具體運(yùn)行流程為

    Step1:將預(yù)處理后的試驗(yàn)樣本按時(shí)間段隨機(jī)分為T份(時(shí)間段間可交叉重疊)。

    Step2:對(duì)每份樣本分別劃分訓(xùn)練集和測(cè)試集,并分別訓(xùn)練T個(gè)RBF神經(jīng)網(wǎng)絡(luò),訓(xùn)練完成后得到T個(gè)能夠反映不同能耗特征的能耗模型。

    Step3:分別用T個(gè)模型對(duì)同一測(cè)試集測(cè)試得到T個(gè)網(wǎng)絡(luò)輸出結(jié)果,對(duì)T個(gè)結(jié)果采用求平均值的方式得出最終的集成輸出結(jié)果。

    集成神經(jīng)網(wǎng)絡(luò)建立能耗模型的過程如圖2所示。

    圖2 集成神經(jīng)網(wǎng)絡(luò)建立能耗模型的過程示意Fig.2 Schematic diagram of the process of integrating neural networks to build energy consumption models

    元學(xué)習(xí)器(RBF神經(jīng)網(wǎng)絡(luò))結(jié)構(gòu)與學(xué)習(xí)過程如下:

    RBF(Radial basis function)神經(jīng)網(wǎng)絡(luò),又稱徑向基神經(jīng)網(wǎng)絡(luò),是一種包括輸入層、單隱層、輸出層[16]的3層神經(jīng)網(wǎng)絡(luò)。輸入空間經(jīng)非線性變換到隱藏層空間,而隱層空間經(jīng)線性變換到輸出層空間,其結(jié)構(gòu)具體如圖3所示。

    圖3 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Diagram of RBF neural network structure

    RBF網(wǎng)絡(luò)的基本思想是以RBF作為隱單元的基,從而構(gòu)成隱層空間,將輸入矢量直接映射到隱空間,輸入層和隱藏層之間不需要對(duì)信號(hào)進(jìn)行處理,只起到信號(hào)傳遞的作用,沒有通過權(quán)連接。這種映射關(guān)系在RBF的中心點(diǎn)確定后即可確定。隱層到輸出層通過權(quán)連接,即網(wǎng)絡(luò)輸出對(duì)可調(diào)參數(shù)權(quán)值而言是線性的。網(wǎng)絡(luò)的權(quán)可由梯度下降法修正獲得,RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度快且無局部極小問題。理論上隱藏層節(jié)點(diǎn)數(shù)即中心點(diǎn)越多,RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近性能越好。

    采用高斯函數(shù)作為徑向基神經(jīng)網(wǎng)絡(luò)隱藏層的激活函數(shù),即

    (2)

    其中,X為p個(gè)維度為h的輸入向量;h為隱藏層中心點(diǎn)個(gè)數(shù);βj為隱藏層的中心寬度;cj為第j個(gè)徑向基函數(shù)的中心點(diǎn)。‖X-cj‖2表示向量X-cj的歐幾里德范數(shù)平方,即為輸入樣本點(diǎn)與中心點(diǎn)的距離,當(dāng)X到cj的距離達(dá)到最近時(shí),‖X-cj‖2最小,R(X-cj)達(dá)到極大,此時(shí)函數(shù)被激活,神經(jīng)網(wǎng)絡(luò)的輸出為

    (3)

    式中,y為輸出單元;b為隱藏層和輸出層之間的偏置;wj為隱藏層到輸出層的權(quán)值。

    RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練包括非監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)2個(gè)階段。在非監(jiān)督學(xué)習(xí)階段使用K-means聚類算法確定RBF的中心點(diǎn)。具體訓(xùn)練過程為

    Step1:從輸入樣本集中隨機(jī)選取N個(gè)樣本作為初始的中心點(diǎn),即c1,c2,c3,…,cN。

    Step2:計(jì)算每一個(gè)輸入樣本與這N個(gè)中心點(diǎn)的歐式距離,即

    dj=‖X-cj‖,j=1,2,3,4,…,N。

    (4)

    Step3:將每個(gè)樣本點(diǎn)依次劃分到與其距離dj最近的中心點(diǎn)所在的簇中。

    Step4:計(jì)算各個(gè)簇中的樣本點(diǎn)均值,并將均值作為各簇新的中心點(diǎn)。

    Step5:重復(fù)Step2~4,直至中心點(diǎn)不再有明顯變化,即達(dá)到訓(xùn)練要求。

    上述訓(xùn)練完成后,各中心點(diǎn)的位置即被確定。

    在監(jiān)督學(xué)習(xí)階段使用梯度下降法修正隱藏層與輸出層間的權(quán)重。具體訓(xùn)練過程為

    Step1:初始化權(quán)值,并設(shè)定的準(zhǔn)確率限值ε。

    Step2:計(jì)算神經(jīng)網(wǎng)絡(luò)輸出值,并求出誤差目標(biāo)函數(shù)值E,即

    (5)

    其中,p為輸入訓(xùn)練樣本的個(gè)數(shù);ei為第i個(gè)樣本輸入后產(chǎn)生的誤差量。為使總誤差函數(shù)E達(dá)到最小值,權(quán)重的修正量應(yīng)與其負(fù)梯度值成正比。

    (6)

    其中,G為高斯函數(shù)。更新權(quán)值wk+1=wk+Δw,然后轉(zhuǎn)向Step2。

    上述訓(xùn)練完成后,權(quán)值即可確定。RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程如圖4所示。

    圖4 RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程流程Fig.4 Flow chart of the training process of RBF neural network

    2.3 預(yù)測(cè)值的馬爾科夫修正

    馬爾科夫鏈預(yù)測(cè)過程描述的是一個(gè)隨機(jī)時(shí)間序列的動(dòng)態(tài)變化過程,該過程指在已知t0時(shí)刻狀態(tài)的情況下,系統(tǒng)或者過程在t(t>t0)時(shí)刻所處狀態(tài)的條件分布僅由時(shí)刻t0的狀態(tài)決定,而與t0之前的狀態(tài)無關(guān)[9-10]。馬爾科夫過程的處理對(duì)象是隨機(jī)波動(dòng)性大的離散事件數(shù)據(jù),可用數(shù)學(xué)形式表示為

    P{Xk+1=ik|X1=i1,X2=i2,…,Xk=ik}

    =P{Xk+1=ik+1|Xk=ik},

    (7)

    式中,P為條件概率;Xk為子事件;ik為Xk對(duì)應(yīng)的狀態(tài)。

    水泥生產(chǎn)過程的能耗值經(jīng)采樣后得到的是一組按時(shí)間序列的離散數(shù)據(jù),本文求出測(cè)試樣本集中的各樣本能耗實(shí)際值Y1與網(wǎng)絡(luò)輸出預(yù)測(cè)值Y2的相對(duì)殘差值,用馬爾科夫過程建立殘差修正模型,對(duì)集成模型輸出的能耗預(yù)測(cè)值修正,使當(dāng)前預(yù)測(cè)值更接近真實(shí)值。其具體過程為

    Step1:按時(shí)間序列將測(cè)試樣本集中的各樣本能耗實(shí)際值Y1與網(wǎng)絡(luò)輸出預(yù)測(cè)值Y2比較,求出兩者的相對(duì)殘差Z為

    (8)

    其中網(wǎng)絡(luò)輸出預(yù)測(cè)值Y2為4個(gè)能耗模型輸出的均值。將相對(duì)殘差值歸一化為

    中國特色社會(huì)主義理論體系的內(nèi)涵是隨著改革與發(fā)展的推進(jìn)而不斷深化和豐富的。十八大報(bào)告指出“中國特色社會(huì)主義理論體系,就是包括鄧小平理論、‘三個(gè)代表’重要思想、科學(xué)發(fā)展觀在內(nèi)的科學(xué)理論體系,是對(duì)馬克思列寧主義、毛澤東思想的堅(jiān)持和發(fā)展。”[1]

    (9)

    式中,Zmin為序列中相對(duì)殘差的最小值;Zmax為序列中相對(duì)殘差的最大值;Z*為歸一化結(jié)果。

    (10)

    其中,Δ為黃金分割率0.618;s為任意整數(shù);n為所劃分的區(qū)間個(gè)數(shù)。將相對(duì)殘差值按大小劃分出n個(gè)狀態(tài)E1,E2,E3,…,En。n個(gè)狀態(tài)對(duì)應(yīng)的殘差區(qū)間為

    Qi∈(a,b),i=1,2,…,n。

    (11)

    Step3:求出狀態(tài)Ei只經(jīng)1步轉(zhuǎn)移到特定狀態(tài)Ej的概率,即

    (12)

    其中,mij為序列中狀態(tài)Ei轉(zhuǎn)移到狀態(tài)Ej的次數(shù)。1步狀態(tài)轉(zhuǎn)移概率矩陣由Pij組合形成,即

    (13)

    根據(jù)C-K方程求出k步狀態(tài)轉(zhuǎn)移概率矩陣為

    (14)

    Step4:建立馬爾科夫鏈預(yù)測(cè)模型為

    pk+1=p0Ak,

    (15)

    其中,p0為初始時(shí)刻的概率分布;pk+1為k+1時(shí)刻的概率分布。由k+1時(shí)刻的概率分布可得該時(shí)刻對(duì)應(yīng)的狀態(tài)和殘差區(qū)間Q∈(Q1,Q2),并根據(jù)式(16)修正模型預(yù)測(cè)值。

    (16)

    馬爾科夫修正法修正能耗預(yù)測(cè)值的過程如圖5所示。

    圖5 馬爾科夫修正法修正能耗預(yù)測(cè)值的過程示意Fig.5 Schematic diagram of the process of Markov correction method to correct energy consumption forecast

    3 實(shí)例驗(yàn)證及數(shù)據(jù)分析

    3.1 數(shù)據(jù)預(yù)處理

    為了建立水泥生產(chǎn)的集成能耗模型,需要大量的水泥生產(chǎn)過程中的樣本數(shù)據(jù)用于模型訓(xùn)練,因此根據(jù)要求在某水泥廠生產(chǎn)現(xiàn)場(chǎng)以5 h作為每組數(shù)據(jù)的采樣間隔,從水泥窯分散控制系統(tǒng)(distributed control system,DCS)中隨機(jī)收集4個(gè)時(shí)間段的(時(shí)間段可交叉重疊)喂煤量、CO體積分?jǐn)?shù)、生料流量、冷卻劑鼓風(fēng)管道壓力、入冷卻機(jī)空氣溫度、熟料流量等變量值及對(duì)應(yīng)電能消耗的實(shí)際數(shù)據(jù),共采集2 100個(gè)實(shí)測(cè)數(shù)據(jù)組,作為試驗(yàn)樣本數(shù)據(jù)集,按2.1節(jié)平均影響值算法步驟進(jìn)行變量篩選,各變量參數(shù)及其 MIV 值見表1。

    表1 各變量參數(shù)及其MIV值Table 1 Variable parameters and their MIV values

    提取8個(gè)對(duì)生產(chǎn)能耗影響較大的關(guān)鍵特征參數(shù),包括生料流量、分解爐喂煤量、窯頭喂煤量、高溫風(fēng)機(jī)轉(zhuǎn)速、EP風(fēng)機(jī)轉(zhuǎn)速、預(yù)熱器出口壓、解爐中段爐內(nèi)溫度、環(huán)境溫度,將其作為神經(jīng)網(wǎng)絡(luò)輸入的自變量,電能消耗作為輸出的因變量,其中部分?jǐn)?shù)據(jù)見表2。

    表2 水泥生產(chǎn)過程的部分樣本數(shù)據(jù)Table 2 Partial sample data of cement production process

    3.2 集成能耗模型

    以Matlab作為試驗(yàn)平臺(tái),將2 100個(gè)預(yù)處理后的數(shù)據(jù)使用randperm函數(shù)打亂順序,并從中隨機(jī)抽取100個(gè)作為測(cè)試集T-train,剩余2 000個(gè)數(shù)據(jù)建立4個(gè)訓(xùn)練集T-test,每個(gè)包含500個(gè)數(shù)據(jù)樣本。 RBF神經(jīng)網(wǎng)絡(luò)輸入層神的神經(jīng)元個(gè)數(shù)設(shè)置為8,輸出層神經(jīng)元個(gè)數(shù)為1。按2.2節(jié)RBF非監(jiān)督學(xué)習(xí)階段的K-means聚類算法的步驟,經(jīng)多次試驗(yàn)后最終確定中心的個(gè)數(shù)為50個(gè)較合適,即可構(gòu)成8-50-1的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。使用newrbe函數(shù)創(chuàng)建并訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò),訓(xùn)練完成后得到4個(gè)能夠反映不同能耗特征的能耗模型,再組合為集成模型。使用sim函數(shù)仿真測(cè)試,以誤差值與決定系數(shù)R2作為評(píng)價(jià)指標(biāo)。

    (17)

    圖6 集成模型的能耗預(yù)測(cè)結(jié)果Fig.6 Energy consumption prediction results of the integrated model

    圖7 單個(gè)RBF神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測(cè)結(jié)果Fig.7 Energy consumption prediction results of a single RBF neural network

    圖8 2種方法預(yù)測(cè)的相對(duì)殘差對(duì)比Fig.8 Comparison of relative residuals predicted by the two methods

    仿真結(jié)果表明,集成模型的R2=0.924 93,單個(gè)神經(jīng)網(wǎng)絡(luò)的R2為0.906,集成模型有更高的R2值,說明模型解釋性更好。

    根據(jù)圖7兩種方法能耗預(yù)測(cè)與實(shí)際值相對(duì)殘差的比較,定義相對(duì)殘差均值為

    (18)

    其中,Zi為第i個(gè)樣本輸入后產(chǎn)生的相對(duì)殘差值,i=1,2,…,100。計(jì)算得到單神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)E=0.043,集成模型預(yù)測(cè)E=0.016,即集成模型的預(yù)測(cè)誤差的損失函數(shù)值更小,模型預(yù)測(cè)精度更高。

    3.3 預(yù)測(cè)值的馬爾科夫修正

    為提高預(yù)測(cè)精度,按時(shí)間序列求出測(cè)試樣本集中的各樣本能耗實(shí)際值與網(wǎng)絡(luò)輸出預(yù)測(cè)值的相對(duì)殘差值(表3),并歸一化至[0,1.00](表2的第5列),求出歸一后的相對(duì)殘差的平均值為0.55。根據(jù)黃金分割法(取s=1)的規(guī)則,將能耗值劃分為3個(gè)狀態(tài)E1、E2、E3,E1區(qū)間為[0,0.47) ,E2區(qū)間為[0.47,0.72],E3的區(qū)間為(0.72,1.00]。根據(jù)馬爾科夫修正過程的描述,第14個(gè)能耗值經(jīng)1步轉(zhuǎn)移到第15個(gè)能耗值的1步狀態(tài)轉(zhuǎn)移概率矩陣為

    表3 集成模型的能耗預(yù)測(cè)結(jié)果Table 3 Energy consumption prediction results of the integrated model

    第13個(gè)能耗值經(jīng)2步轉(zhuǎn)移到第15個(gè)能耗值的2步狀態(tài)轉(zhuǎn)移概率矩陣為

    同理可求出k步狀態(tài)轉(zhuǎn)移概率矩陣。

    則第15個(gè)能耗值處于狀態(tài)E2的概率較大,并對(duì)集成能耗模型的預(yù)測(cè)值進(jìn)行馬爾科夫修正。

    4 結(jié) 論

    1)在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行能耗建模前,采用平均影響值算法明確各輸入變量對(duì)輸出能耗結(jié)果的影響程度,并從12個(gè)變量中剔除對(duì)網(wǎng)絡(luò)輸出影響較小的6個(gè),使神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)更為簡(jiǎn)單。

    2)在建模中引入集成算法的思想后決定系數(shù)R2提高了0.019,預(yù)測(cè)值與真實(shí)值的相對(duì)殘差均值減少了0.027,說明能耗模型具有了更好的解釋性與更高的預(yù)測(cè)精度。

    3)集成能耗模型預(yù)測(cè)的能耗值經(jīng)馬爾科夫修正后的相對(duì)殘差從-0.6%降至-0.25%,說明經(jīng)馬爾科夫修正后的水泥生產(chǎn)的能耗預(yù)測(cè)值更接近實(shí)際能耗值。

    猜你喜歡
    馬爾科夫預(yù)測(cè)值殘差
    IMF上調(diào)今年全球經(jīng)濟(jì)增長(zhǎng)預(yù)期
    企業(yè)界(2024年8期)2024-07-05 10:59:04
    基于雙向GRU與殘差擬合的車輛跟馳建模
    加拿大農(nóng)業(yè)部下調(diào)2021/22年度油菜籽和小麥產(chǎn)量預(yù)測(cè)值
    ±800kV直流輸電工程合成電場(chǎng)夏季實(shí)測(cè)值與預(yù)測(cè)值比對(duì)分析
    基于疊加馬爾科夫鏈的邊坡位移預(yù)測(cè)研究
    基于殘差學(xué)習(xí)的自適應(yīng)無人機(jī)目標(biāo)跟蹤算法
    基于改進(jìn)的灰色-馬爾科夫模型在風(fēng)機(jī)沉降中的應(yīng)用
    法電再次修訂2020年核發(fā)電量預(yù)測(cè)值
    國外核新聞(2020年8期)2020-03-14 02:09:19
    基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
    馬爾科夫鏈在教學(xué)評(píng)價(jià)中的應(yīng)用
    免费无遮挡裸体视频| 人妻丰满熟妇av一区二区三区| 亚洲一码二码三码区别大吗| 午夜a级毛片| 色哟哟哟哟哟哟| 亚洲色图av天堂| 99热6这里只有精品| 国产精品久久久久久精品电影| 欧洲精品卡2卡3卡4卡5卡区| 日韩欧美精品v在线| 亚洲国产精品久久男人天堂| 国产成人精品久久二区二区91| 久久亚洲精品不卡| 欧美绝顶高潮抽搐喷水| 婷婷丁香在线五月| a在线观看视频网站| 亚洲美女视频黄频| 国产午夜福利久久久久久| 可以在线观看毛片的网站| 亚洲成av人片免费观看| 少妇人妻一区二区三区视频| 免费在线观看日本一区| 日韩有码中文字幕| 麻豆av在线久日| 成在线人永久免费视频| 三级国产精品欧美在线观看 | 777久久人妻少妇嫩草av网站| 久久伊人香网站| 久久九九热精品免费| 亚洲国产欧洲综合997久久,| 黄色女人牲交| 亚洲真实伦在线观看| 欧美成人午夜精品| 男男h啪啪无遮挡| 国产高清视频在线观看网站| 欧美日本亚洲视频在线播放| 国产探花在线观看一区二区| 1024手机看黄色片| 日本免费一区二区三区高清不卡| 日本在线视频免费播放| 欧美zozozo另类| 一进一出好大好爽视频| 亚洲欧美日韩无卡精品| 免费一级毛片在线播放高清视频| 国产成人啪精品午夜网站| 精品一区二区三区四区五区乱码| 久久香蕉激情| 久久亚洲真实| 欧美成人性av电影在线观看| 舔av片在线| 在线视频色国产色| 免费在线观看日本一区| 97超级碰碰碰精品色视频在线观看| 天堂√8在线中文| 12—13女人毛片做爰片一| 一级毛片精品| 久久久国产成人精品二区| 日韩大码丰满熟妇| a级毛片a级免费在线| 男女下面进入的视频免费午夜| 精品国产超薄肉色丝袜足j| 成人国产综合亚洲| 国产又黄又爽又无遮挡在线| 亚洲色图 男人天堂 中文字幕| 久久久久久大精品| 久久精品aⅴ一区二区三区四区| 精品高清国产在线一区| 成人手机av| 19禁男女啪啪无遮挡网站| 国产一区二区在线观看日韩 | 一区二区三区高清视频在线| 人人妻人人看人人澡| 久久草成人影院| 少妇裸体淫交视频免费看高清 | 一二三四社区在线视频社区8| 精品电影一区二区在线| 婷婷精品国产亚洲av| 亚洲av成人一区二区三| 免费一级毛片在线播放高清视频| 日本三级黄在线观看| 国产69精品久久久久777片 | 九九热线精品视视频播放| 男女床上黄色一级片免费看| 亚洲美女视频黄频| 国产一区在线观看成人免费| 欧美久久黑人一区二区| 无人区码免费观看不卡| АⅤ资源中文在线天堂| 每晚都被弄得嗷嗷叫到高潮| 国产午夜福利久久久久久| 久久国产精品人妻蜜桃| 亚洲成av人片免费观看| 亚洲av第一区精品v没综合| 九色成人免费人妻av| 天堂动漫精品| 宅男免费午夜| 免费av毛片视频| 欧美黑人精品巨大| av欧美777| 国产亚洲av高清不卡| 观看免费一级毛片| 国产视频内射| 欧美在线一区亚洲| 宅男免费午夜| 成人av一区二区三区在线看| 亚洲国产精品合色在线| 99国产精品99久久久久| 午夜成年电影在线免费观看| 精品一区二区三区四区五区乱码| 高清毛片免费观看视频网站| 色播亚洲综合网| 丝袜美腿诱惑在线| 男女做爰动态图高潮gif福利片| 国产三级中文精品| 激情在线观看视频在线高清| 最近最新免费中文字幕在线| 国产成人精品无人区| 亚洲五月天丁香| av超薄肉色丝袜交足视频| 欧美zozozo另类| 亚洲aⅴ乱码一区二区在线播放 | 精品国产乱码久久久久久男人| avwww免费| 中文亚洲av片在线观看爽| 波多野结衣巨乳人妻| 午夜久久久久精精品| 夜夜夜夜夜久久久久| 1024手机看黄色片| 亚洲精品久久国产高清桃花| 久久久久久免费高清国产稀缺| 欧美黑人欧美精品刺激| 91字幕亚洲| 小说图片视频综合网站| 欧美日韩精品网址| 欧美日韩精品网址| 成人特级黄色片久久久久久久| 中文亚洲av片在线观看爽| 精品一区二区三区视频在线观看免费| 麻豆久久精品国产亚洲av| 国产精品影院久久| 欧美三级亚洲精品| 欧美三级亚洲精品| 不卡av一区二区三区| 国产成人精品久久二区二区免费| 色综合婷婷激情| 夜夜躁狠狠躁天天躁| 欧美大码av| 最近最新中文字幕大全电影3| 精品一区二区三区av网在线观看| 50天的宝宝边吃奶边哭怎么回事| 男男h啪啪无遮挡| 哪里可以看免费的av片| 欧美另类亚洲清纯唯美| 亚洲成av人片免费观看| 日韩有码中文字幕| 精品欧美国产一区二区三| 两个人视频免费观看高清| 69av精品久久久久久| 亚洲国产欧美一区二区综合| 夜夜爽天天搞| 久久久久久久午夜电影| 长腿黑丝高跟| 国产三级黄色录像| 亚洲国产欧美人成| 精华霜和精华液先用哪个| av中文乱码字幕在线| 午夜福利高清视频| 午夜视频精品福利| 亚洲精品在线美女| 一本综合久久免费| 亚洲av片天天在线观看| 亚洲成av人片在线播放无| 亚洲一区中文字幕在线| 变态另类成人亚洲欧美熟女| 国产精品98久久久久久宅男小说| 日韩欧美在线乱码| 亚洲av成人一区二区三| 窝窝影院91人妻| 亚洲中文日韩欧美视频| 中文字幕高清在线视频| 国产熟女xx| 亚洲国产日韩欧美精品在线观看 | 中文字幕av在线有码专区| 国产亚洲精品av在线| 小说图片视频综合网站| 国产高清视频在线播放一区| 999久久久国产精品视频| 久久人人精品亚洲av| 免费看a级黄色片| 国产不卡一卡二| 老汉色av国产亚洲站长工具| 成人国产一区最新在线观看| 伊人久久大香线蕉亚洲五| 精品福利观看| 亚洲一区中文字幕在线| 男男h啪啪无遮挡| 国产高清videossex| xxx96com| 波多野结衣巨乳人妻| 欧美绝顶高潮抽搐喷水| 亚洲专区字幕在线| 亚洲最大成人中文| 成人特级黄色片久久久久久久| 欧美+亚洲+日韩+国产| 国产一区二区在线观看日韩 | av欧美777| 国产精品一及| 欧美午夜高清在线| 国内揄拍国产精品人妻在线| 亚洲欧美日韩无卡精品| 在线视频色国产色| 日韩欧美精品v在线| 啦啦啦免费观看视频1| 男人舔女人下体高潮全视频| av国产免费在线观看| 中文字幕人妻丝袜一区二区| 久久久水蜜桃国产精品网| 亚洲狠狠婷婷综合久久图片| 久久久精品欧美日韩精品| 久久人妻福利社区极品人妻图片| 人成视频在线观看免费观看| 日日干狠狠操夜夜爽| 日日干狠狠操夜夜爽| www.www免费av| 久久这里只有精品中国| 女人高潮潮喷娇喘18禁视频| 国产精品av视频在线免费观看| 国产真人三级小视频在线观看| 亚洲 国产 在线| 动漫黄色视频在线观看| 久久久久久人人人人人| 99国产极品粉嫩在线观看| 黄色女人牲交| 国产三级黄色录像| 欧美性猛交╳xxx乱大交人| cao死你这个sao货| 免费在线观看黄色视频的| 欧美一级毛片孕妇| 99精品在免费线老司机午夜| 岛国在线观看网站| 午夜福利高清视频| 亚洲美女视频黄频| 琪琪午夜伦伦电影理论片6080| 亚洲av熟女| 美女 人体艺术 gogo| 1024视频免费在线观看| xxxwww97欧美| 欧美日韩福利视频一区二区| 亚洲一区高清亚洲精品| 久久久精品国产亚洲av高清涩受| 国产成人一区二区三区免费视频网站| 免费在线观看成人毛片| 免费在线观看亚洲国产| 午夜老司机福利片| 特大巨黑吊av在线直播| 日韩欧美在线乱码| av福利片在线观看| 女人高潮潮喷娇喘18禁视频| 欧美黑人欧美精品刺激| 国产成人精品久久二区二区91| 在线观看免费午夜福利视频| 中文字幕最新亚洲高清| 亚洲av成人精品一区久久| 国产aⅴ精品一区二区三区波| 亚洲av成人一区二区三| 亚洲精品一卡2卡三卡4卡5卡| 丁香六月欧美| 男男h啪啪无遮挡| 国产伦在线观看视频一区| 欧美精品亚洲一区二区| 国产精品久久久久久久电影 | 免费在线观看完整版高清| 欧美日韩中文字幕国产精品一区二区三区| 国产精品精品国产色婷婷| 欧美黑人巨大hd| 可以在线观看的亚洲视频| 欧美一级毛片孕妇| 精品一区二区三区av网在线观看| 好看av亚洲va欧美ⅴa在| 在线观看66精品国产| 国内少妇人妻偷人精品xxx网站 | 精品少妇一区二区三区视频日本电影| av欧美777| 国产精品精品国产色婷婷| 热99re8久久精品国产| 正在播放国产对白刺激| 国产精品一区二区三区四区免费观看 | 亚洲专区国产一区二区| 曰老女人黄片| 丁香欧美五月| 男人的好看免费观看在线视频 | 国产高清视频在线播放一区| 久久久久久久久久黄片| 亚洲欧美日韩高清专用| 午夜日韩欧美国产| 99久久精品热视频| 欧美成狂野欧美在线观看| 日日爽夜夜爽网站| 又粗又爽又猛毛片免费看| 久久久国产精品麻豆| 欧美日韩一级在线毛片| 日日夜夜操网爽| 一区二区三区激情视频| 久久婷婷人人爽人人干人人爱| 欧美日韩亚洲综合一区二区三区_| 叶爱在线成人免费视频播放| 午夜老司机福利片| 免费观看精品视频网站| 在线观看免费视频日本深夜| 中文字幕人成人乱码亚洲影| 在线观看美女被高潮喷水网站 | 欧美性猛交╳xxx乱大交人| 日本一二三区视频观看| 一卡2卡三卡四卡精品乱码亚洲| 国产伦一二天堂av在线观看| 又粗又爽又猛毛片免费看| 欧美日韩亚洲综合一区二区三区_| 精品欧美一区二区三区在线| 午夜日韩欧美国产| 久久亚洲精品不卡| 国产av又大| 欧美日韩国产亚洲二区| 国产精品久久久人人做人人爽| 麻豆成人午夜福利视频| 人人妻人人看人人澡| 久久婷婷人人爽人人干人人爱| 少妇的丰满在线观看| 色综合欧美亚洲国产小说| 国产精品乱码一区二三区的特点| 亚洲一区二区三区色噜噜| 色综合亚洲欧美另类图片| 啪啪无遮挡十八禁网站| 老鸭窝网址在线观看| 九色国产91popny在线| 757午夜福利合集在线观看| 亚洲av成人一区二区三| 国产爱豆传媒在线观看 | 非洲黑人性xxxx精品又粗又长| 法律面前人人平等表现在哪些方面| 亚洲色图av天堂| 国产成年人精品一区二区| 国产成人aa在线观看| 在线观看舔阴道视频| 色噜噜av男人的天堂激情| 欧美日韩乱码在线| 1024手机看黄色片| 看黄色毛片网站| 午夜福利高清视频| 午夜福利欧美成人| 国内毛片毛片毛片毛片毛片| 日韩有码中文字幕| 精品高清国产在线一区| 欧美三级亚洲精品| 国产成人系列免费观看| 一个人免费在线观看电影 | 床上黄色一级片| 一本久久中文字幕| 精品久久久久久久久久免费视频| 全区人妻精品视频| 丰满的人妻完整版| 日本 欧美在线| 久久久久精品国产欧美久久久| 国产单亲对白刺激| 99国产精品一区二区三区| 男人舔奶头视频| 亚洲九九香蕉| 99精品欧美一区二区三区四区| av天堂在线播放| 国产精品久久久久久精品电影| 久久精品综合一区二区三区| 亚洲精华国产精华精| 国产视频内射| 亚洲欧洲精品一区二区精品久久久| 91九色精品人成在线观看| 国产亚洲精品久久久久久毛片| 亚洲真实伦在线观看| а√天堂www在线а√下载| 国产精华一区二区三区| 亚洲av成人精品一区久久| 不卡一级毛片| 久久香蕉国产精品| 在线观看免费午夜福利视频| 精品久久久久久久人妻蜜臀av| 亚洲真实伦在线观看| 精品免费久久久久久久清纯| 最近最新中文字幕大全电影3| 久久久久久九九精品二区国产 | 精品欧美一区二区三区在线| 99久久99久久久精品蜜桃| 变态另类成人亚洲欧美熟女| 国产精品免费一区二区三区在线| 国产熟女午夜一区二区三区| 一区二区三区国产精品乱码| 成人av一区二区三区在线看| 舔av片在线| 色尼玛亚洲综合影院| 国内精品久久久久精免费| 亚洲专区中文字幕在线| or卡值多少钱| 别揉我奶头~嗯~啊~动态视频| 久久香蕉激情| 精品久久久久久久人妻蜜臀av| 日本免费一区二区三区高清不卡| 亚洲av成人av| 久久久国产成人免费| 午夜精品一区二区三区免费看| 亚洲精品中文字幕在线视频| 亚洲av成人av| 99久久国产精品久久久| 精品高清国产在线一区| 国产精品影院久久| 大型av网站在线播放| 黄色丝袜av网址大全| 精品国产亚洲在线| 丰满人妻一区二区三区视频av | 成人av在线播放网站| 日日爽夜夜爽网站| 亚洲精品在线观看二区| 精华霜和精华液先用哪个| 色播亚洲综合网| 亚洲成人久久爱视频| 亚洲自偷自拍图片 自拍| 国产一区二区在线观看日韩 | 亚洲人成电影免费在线| 高潮久久久久久久久久久不卡| 9191精品国产免费久久| 日本黄色视频三级网站网址| 老司机午夜十八禁免费视频| 免费一级毛片在线播放高清视频| 999久久久精品免费观看国产| 哪里可以看免费的av片| 在线看三级毛片| 欧美高清成人免费视频www| 全区人妻精品视频| 日本黄色视频三级网站网址| 亚洲片人在线观看| 欧美黑人巨大hd| 一本精品99久久精品77| 亚洲自偷自拍图片 自拍| 在线观看一区二区三区| 亚洲国产精品成人综合色| 少妇的丰满在线观看| 又黄又爽又免费观看的视频| 在线视频色国产色| 国内毛片毛片毛片毛片毛片| 久久久久国产一级毛片高清牌| 亚洲欧美日韩东京热| 色噜噜av男人的天堂激情| 久久午夜亚洲精品久久| 中文资源天堂在线| 精华霜和精华液先用哪个| 免费人成视频x8x8入口观看| 久久久国产成人精品二区| 国产av麻豆久久久久久久| 一边摸一边做爽爽视频免费| 极品教师在线免费播放| 亚洲男人的天堂狠狠| 精华霜和精华液先用哪个| 后天国语完整版免费观看| 777久久人妻少妇嫩草av网站| 色播亚洲综合网| 国产精品亚洲美女久久久| 免费高清视频大片| 久久热在线av| 国产精品久久久人人做人人爽| 法律面前人人平等表现在哪些方面| av欧美777| 免费在线观看亚洲国产| 一区二区三区高清视频在线| 这个男人来自地球电影免费观看| 人人妻人人看人人澡| 国产又色又爽无遮挡免费看| 嫁个100分男人电影在线观看| 欧美乱码精品一区二区三区| 天堂动漫精品| 亚洲一区高清亚洲精品| 国产精品综合久久久久久久免费| 国产亚洲av嫩草精品影院| 亚洲色图av天堂| 久久久久久久精品吃奶| 99国产精品99久久久久| 国产精品久久久久久精品电影| 国产激情久久老熟女| 久久国产乱子伦精品免费另类| 欧美成狂野欧美在线观看| 亚洲中文字幕日韩| 欧美黑人巨大hd| 不卡av一区二区三区| 制服丝袜大香蕉在线| 韩国av一区二区三区四区| 琪琪午夜伦伦电影理论片6080| 国产探花在线观看一区二区| 久久婷婷人人爽人人干人人爱| 99久久精品国产亚洲精品| 老汉色∧v一级毛片| 亚洲av熟女| 一本综合久久免费| 九九热线精品视视频播放| 人妻丰满熟妇av一区二区三区| 五月伊人婷婷丁香| 日本一区二区免费在线视频| 亚洲专区中文字幕在线| 可以在线观看的亚洲视频| 我的老师免费观看完整版| 日本一二三区视频观看| 精品国产亚洲在线| 久9热在线精品视频| 午夜福利高清视频| 最近在线观看免费完整版| 日韩精品中文字幕看吧| 99国产综合亚洲精品| 国产1区2区3区精品| 香蕉av资源在线| 亚洲av电影不卡..在线观看| 男人舔女人下体高潮全视频| 桃色一区二区三区在线观看| 午夜影院日韩av| 免费看日本二区| 最好的美女福利视频网| 精品无人区乱码1区二区| 国产av在哪里看| 国产区一区二久久| 午夜福利在线在线| 国产麻豆成人av免费视频| 亚洲全国av大片| 女警被强在线播放| 免费看a级黄色片| 久久久久国产一级毛片高清牌| 日韩 欧美 亚洲 中文字幕| 久久久久国产一级毛片高清牌| 男女午夜视频在线观看| 老司机午夜福利在线观看视频| 在线观看一区二区三区| 国产高清videossex| 色综合亚洲欧美另类图片| xxx96com| 亚洲精品美女久久av网站| 可以在线观看毛片的网站| 久久精品影院6| 国产精品野战在线观看| 天堂√8在线中文| 国产av麻豆久久久久久久| 亚洲av日韩精品久久久久久密| netflix在线观看网站| 久久精品综合一区二区三区| 中文资源天堂在线| 性色av乱码一区二区三区2| 国产伦在线观看视频一区| 亚洲av第一区精品v没综合| 亚洲va日本ⅴa欧美va伊人久久| 亚洲人成77777在线视频| netflix在线观看网站| 最近视频中文字幕2019在线8| 真人做人爱边吃奶动态| 亚洲精品国产精品久久久不卡| 一级毛片精品| 国产av在哪里看| 欧美日韩一级在线毛片| 欧美一区二区精品小视频在线| 99热6这里只有精品| 色在线成人网| 中出人妻视频一区二区| 国产一区二区在线观看日韩 | 亚洲精品av麻豆狂野| 亚洲av电影在线进入| 不卡av一区二区三区| 精品久久久久久久末码| 国产成人欧美在线观看| 每晚都被弄得嗷嗷叫到高潮| 日本撒尿小便嘘嘘汇集6| 国产精品久久久久久亚洲av鲁大| 色综合欧美亚洲国产小说| 男女做爰动态图高潮gif福利片| 精品一区二区三区av网在线观看| a级毛片a级免费在线| 超碰成人久久| 一边摸一边抽搐一进一小说| 少妇粗大呻吟视频| 好男人在线观看高清免费视频| 悠悠久久av| 亚洲一卡2卡3卡4卡5卡精品中文| 国内少妇人妻偷人精品xxx网站 | 日本一二三区视频观看| 久久精品91蜜桃| 午夜精品久久久久久毛片777| 午夜福利在线在线| 午夜老司机福利片| 日韩 欧美 亚洲 中文字幕| 欧美一级a爱片免费观看看 | 真人做人爱边吃奶动态| 最近视频中文字幕2019在线8| 又黄又爽又免费观看的视频| 夜夜爽天天搞| 精品不卡国产一区二区三区| 女警被强在线播放| 2021天堂中文幕一二区在线观| 老司机福利观看| 久久天堂一区二区三区四区| 亚洲 欧美一区二区三区| a级毛片a级免费在线| 无限看片的www在线观看| 亚洲aⅴ乱码一区二区在线播放 | 中国美女看黄片| 亚洲精品在线美女| 成人av在线播放网站| 日本五十路高清| 老司机福利观看| 亚洲av美国av| 9191精品国产免费久久| 免费搜索国产男女视频| 熟女电影av网| 亚洲人与动物交配视频| 18禁黄网站禁片免费观看直播| 99久久综合精品五月天人人| 国产私拍福利视频在线观看|