[发明专利]一种基于改进深度置信网络的车间能耗预测方法与管理系统

说明书

本发明公开了一种基于改进深度置信网络的车间能耗预测方法，包括以下步骤：采集车间设备的能耗数据，组成数据集；将所述数据集的数据采用经验模态分解并基于样本熵重构，降低不同数据集之间的随机性和波动性；建立鸽群优化算法优化的深度置信网络能耗预测模型，所述深度置信网络能耗预测模型采用鸽群优化算法优化深度置信网络的参数选择对所述深度置信网络能耗预测模型训练；训练后的深度置信网络能耗预测模型预测车间能耗，其中深度置信网络能耗预测模型由若干受限波尔兹曼机堆叠和BP神经网络构成。本发明还公开了基于改进深度置信网络的车间能耗管理系统。本发明加快了算法收敛速度，提高了车间能耗预测的精度。

技术领域

本发明涉及一种能耗预测方法及能耗管理系统，特别是一种基于改进深度置信网络的车间能耗预测方法与管理系统。

背景技术

车间能耗的统计和管理是实现车间节能减排的基础，但目前大部分车间能耗的统计通过安装不同能源的计量表，然后依靠人工实现车间能耗的统计，再对车间能耗数据进行分析从而实现车间降耗的目的。但上述方法存在以下缺点：(1)人工读表统计存在一定的误差，如果车间非常大，就会导致需要大量的人力来读表，比较浪费人力；(2)无法实现车间能耗数据的实时传输；(3)难以精细分析车间能耗数据，无法达到车间节能减排的要求。

车间能耗预测作为车间降耗的重要组成部分之一，目前关于车间能耗的预测方法主要有两类：传统的机器学习和深度学习，而传统的机器学习方法包括多元线性回归、决策树和支持向量机等方法，深度学习算法有人工神经网络、自编码器、深度置信网络和卷积神经网络等。

采用多元线性回归算法预测车间能耗的准确性较好，但车间能耗的相关变量众多，会导致该模型运行时间较长，同时多元线性回归算法无法解决非线性问题，模型的输入值和输出值之间存在较大的依赖关系；采用支持向量机预测车间的能耗，同时采用智能算法对支持向量机的参数寻优，但该算法在应对大规模计算量时效果不佳，并且模型复杂不易实现；采用人工神经网络预测车间的能耗适合处理非线性数据，同时人工神经网络具有强大的非线性拟合能力和逼近能力，但是人工神经网络对序列数据的处理相关性不够，无法处理具有一定时间相关性的车间能耗数据。

发明内容

针对上述现有技术缺陷，本发明的任务在于提供一种基于改进深度置信网络的车间能耗预测方法，通过能耗预测细化车间能耗的调用，减少企业的能源成本。本发明的另一任务在于提供一种基于改进深度置信网络的车间能耗管理系统，实现车间能耗数据的实时采集，及时发现车间能耗的异常状况，同时对异常状况做出处理，有效降低车间能耗。

本发明技术方案如下：一种基于改进深度置信网络的车间能耗预测方法，包括以下步骤：

步骤1、采集车间设备的能耗数据，组成数据集；

步骤2、将所述数据集的数据采用经验模态分解并基于样本熵重构，降低不同数据集之间的随机性和波动性；

步骤3、建立鸽群优化算法优化的深度置信网络能耗预测模型，所述深度置信网络能耗预测模型采用鸽群优化算法优化深度置信网络的参数选择，并由所述步骤2处理后的数据集对所述深度置信网络能耗预测模型训练；

步骤4、由训练后的深度置信网络能耗预测模型预测车间能耗；

其中，所述深度置信网络能耗预测模型包括若干受限波尔兹曼机堆叠和BP神经网络，所述若干受限波尔兹曼机堆叠通过无监督学习对输入序列进行逐层特征值自提取，提取的所述特征值作为输入传入顶层的所述BP神经网络，所述BP神经网络对数据的特征值和输出功率进行训练和拟合完成回归预测，同时所述BP神经网络对底层的受限波尔兹曼机的所有网络参数进行调整。

进一步地，在采用经验模态分解并基于样本熵重构前对所述数据集进行归一化处理，所述归一化处理按如下公式将数据归一化到[0，1]：