(19)中华 人民共和国 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 202111291054.4 (22)申请日 2021.11.02 (71)申请人 南京工业大 学 地址 211816 江苏省南京市 鼓楼区新模范 马路5号 (72)发明人 周杭翱　秦岭　杨小健　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/04(2012.01) G06F 111/10(2020.01) G06F 119/06(2020.01) (54)发明名称 一种基于深度置信网络的回转窑能耗预测 方法 (57)摘要 本发明公布了一种基于深度置信网络的回 转窑预测方法。 采用非线性映射函数的DBN模型 直接对多元数据进行训练， 学习它们的内部表 示， 并捕捉它们之间的非线性相关性， 建立时间 序列输入层的滑动窗口模型。 在基础上建立多指 标能耗预警模型SW ‑DBN， 它能够学习时变时滞和 非线性特征的层次结构。 这些特点有利于能源消 耗预测。 通过滑动窗口模型和多指标能耗预警模 型对回转窑的能耗进行实时预测。 对于水泥生产 计划， 可以模拟能耗预测系统的分析， 确定最有 效、 最节约成本的生产参数， 提前预测运行过程 中需要的电和煤的需求量， 有效的提高了生产效 率， 减少了以往仅依靠工人经验 所导致的大误差 情况。 同时， 该方法保证了回转窑能够长期处于 一个平稳运转状态， 有效的提高了回转窑的停机 次数， 减少因为停机检修带来的损失， 可 以大大 增加企业的生产效益。 权利要求书2页 说明书5页 附图2页 CN 114117891 A 2022.03.01 CN 114117891 A 1.一种基于深度置信网络的回转窑能耗预测方法， 其特征在于， 所述方法包括以下步 骤： 步骤一： 采用非线性映射函数的DBN模型直接对多元数据进行训练， 学习它们的内部表 示， 并捕捉它 们之间的非线性相关性， 最终建立时间序列输入层的滑动窗口模型； 步骤二： 在步骤一的时间序列的基础上建立多指标能耗预警模型， SW ‑DBN能够学习时 变时滞和非线性特 征的层次结构， 这些 特点有利于能源消耗预测； 步骤三： 通过滑动窗口模型和多指标能耗预警模型对回转窑的能耗进行实时预测， 进 而反馈指导生产过程， 核心 流程如附图3所示， 通过步骤一中的训练算法和步骤二中的预测 算法最终得到准确的预测结果。 2.根据权利要求1所述的基于深度置信网络回转窑预测方法， 其特征在于， 步骤一中所 述的时间序列输入层的滑动窗口模型分为以下2个步骤： 步骤一： 时间序列输入层的滑动窗口模型中每个时间实例 的每个数据样本都是独立 的， 因此该方法忽略了时间序列数据中固有的重要时间信息， 因此， 这将导致预测效果不理 想， 为了解决这个问题， 应用滑动窗口技术来处理每个输入变量， 它可以一次将与整个生产 周期相关的数据集成到模型中， 水泥煅烧过程在正常工作时的操作条件是动态变化的， 变 量的延迟时间也难以确定， 只要延迟时间的变化范围不超过滑动窗口的大小， 所有的相关 信息都包含在时间序列中， 因此， SW ‑DBN模型仍然能够捕获时变延迟的所有 特征， 并得到准 确的预测结果； 步骤二： 输入变量数据为一个 数值矩阵， xi(t)为第一个变量在时刻的值， 通过滑动窗口 得到的时间序列数据si(t)如下： si(t)＝[xi(t‑ω+1)， xi(t‑ω+2)， ...xi(t)]  (1) 其中1， 2...T， T是样本数据的数量， 输入层的时间序列数据包含了能耗变量与各输入 变量之间的时变延迟特 征， 因此， 时间序列数据将为DBN模型提供 更多的时间序列特 征。 3.根据权利要求1所述的基于深度置信网络回转窑预测方法， 其特征在于， 步骤二中所 述SW‑DBN训练过程分为以下2个步骤： 步骤一： 自下而上的无监督贪婪逐层 预训练在第一部分中， SW ‑DBN由几个堆叠的RBM组 成， 如附图1所示， 可见层V0和相邻隐含层H1组成RBM1， H1和h2组成RBM2， 以同样的方式决定每 次只从底层训练一个RBM网络， 然后固定训练的RBM参数， 训练下一个RBM网络， 所有RMB采用 对比发散算法进行训练， 附图2显示了一个RBM的结构， 一个RBM由n个可见单元v＝[v1， ...vn]和m个隐藏 单元h＝[h1， ...hn]组成， 其中v1和hj分别为可见单位i和隐藏单位j的二进 制状态， ai和bj分别为它们的偏差， wij是它们之间的实值权值， 可见层的每个单元都与隐藏 层的所有 单元相连， 同一层的单位之间没有联系， 通过给出可见层， 得到了隐藏层的激活概 率 在已知的隐藏层中得到 了可见层的激活概 率， 其中σ(x)＝1/1+e‑x是激活函数，权　利　要　求　书 1/2 页 2 CN 114117891 A 2给定训练输入数据， 训练一个RBM意味着通过对比发散算法调整参数θ＝(a， b， w)训练 样本， 公式如下 所示： Δwij＝p(hj＝1|v(0))vi(0)‑p(hj＝1|v(k))vik  (4) Δaj＝vi(0)‑vi(k)  (5) Δbj＝p(hj＝1|v(0))‑p(hj＝1|v(k))  (6) 其中k是的周期数通常为1， 根据上述方法对所有RBM逐层进行训练， 直到达到指定的迭 代次数， 完成自下而 上无监督的逐层 贪婪训练， 最后， 在此预训练过程中得到了表示时变时 滞和非线性特 征的初始参数； 步骤二： 根据输出数据Y的标签， 使用有监督向后拟合算法进行权值调整和误差修正， 同时， 特征层次与能耗数据相关联， 与大多数常用的训练方法一样， DBN被视为传统的深层 神经网络， 采用梯度下降算法更新参数， 由于滑动窗口处理后的数据量增加， DBN的参数尺 寸变大， 计算复杂度增加， 所以， 我们用Adam算法来代替常用的梯度下降法， Adam算法非常 适合处理数据和参数大的问题， 该方法具有较好的实证效果， 优于其他SGD方法， Adam通过 计算梯度的一阶矩估计和二阶矩估计来设计不同参数的独立自适应学习率， b1和b2是二阶 矩估计的指数衰减率， f(w， b)随机目标函数是否含有w和b参数， 在时间步长t， 相对于随机 目标的梯度为 最后， 在此拟合算法的权值调整额和误差修正下， 得到的预测值与实 际数据的误差范 围被大大降低。权　利　要　求　书 2/2 页 3 CN 114117891 A 3