本文主要研究内容
作者纪月（2019）在《基于大数据的高炉煤气产消量预测研究》一文中研究指出：针对高炉煤气相关数据利用率低、预测模型建立困难、预测精度低等问题,合理地利用大量历史数据,建立一种准确且高效的高炉煤气产消量预测模型显得尤为重要。高炉煤气产消量预测模型的建立不仅能为调度人员提供决策信息,而且能减少企业能源消耗,实现节能减排。基于前期在唐山某钢铁企业的实地调研,共采集了105个测点,10G以上的历史数据。针对历史数据,采用箱线图分析法和线性归一化对样本数据进行了预处理,并且运用灰色关联分析法提取出七种高炉煤气产生量的主要影响因素。针对处理后的实验数据,建立了两种预测模型进行高炉煤气产消量的预测研究。首先,提出了一种基于长短期记忆网络(LSTM)与自回归积分滑动平均模型(ARIMA)组合预测模型,该模型的提出是基于LSTM和ARIMA两模型预测结果与实验数据真实值的对比情况。对比结果显示LSTM模型预测结果值比真实值普遍偏低,而ARIMA模型预测结果比真实值普遍偏高。基于上述现象,采用CRITIC方法将两种模型预测结果进行了融合处理。通过与其他模型对比,组合预测模型将预测结果均方根误差减小到2.325,明显改善了ARIMA和LSTM两模型在预测特性上的弊端,降低了预测误差,并且适用于高炉煤气消耗量的预测。其次,建立了一种MR-BP预测模型。随着高炉煤气数据样本的增加,模型训练耗费的时间也大大增加。为了解决这个问题,采用MapReduce架构与BP并行化相结合的方法进行产消量的预测。该模型是将BP神经网络训练分配到多个Map任务,然后将每个Map任务得到的网络权值修正值通过Reduce函数进行汇总,得出最终的权值修正值去调整模型参数。通过对比BP模型、基于LSTM与ARIMA组合模型和MR-BP模型,得出三种模型训练时间分别是148.20s、112.33s和57.52s,预测结果均方根误差分别是5.193、2.335和3.436。实验结果表明,MRBP模型大大缩短了模型训练的时间,保证了预测的实时性,预测较精准,但相比于LSTM与ARIMA组合预测模型略差。图29幅;表11个;参54篇。
Abstract
zhen dui gao lu mei qi xiang guan shu ju li yong lv di 、yu ce mo xing jian li kun nan 、yu ce jing du di deng wen ti ,ge li de li yong da liang li shi shu ju ,jian li yi chong zhun que ju gao xiao de gao lu mei qi chan xiao liang yu ce mo xing xian de you wei chong yao 。gao lu mei qi chan xiao liang yu ce mo xing de jian li bu jin neng wei diao du ren yuan di gong jue ce xin xi ,er ju neng jian shao qi ye neng yuan xiao hao ,shi xian jie neng jian pai 。ji yu qian ji zai tang shan mou gang tie qi ye de shi de diao yan ,gong cai ji le 105ge ce dian ,10Gyi shang de li shi shu ju 。zhen dui li shi shu ju ,cai yong xiang xian tu fen xi fa he xian xing gui yi hua dui yang ben shu ju jin hang le yu chu li ,bing ju yun yong hui se guan lian fen xi fa di qu chu qi chong gao lu mei qi chan sheng liang de zhu yao ying xiang yin su 。zhen dui chu li hou de shi yan shu ju ,jian li le liang chong yu ce mo xing jin hang gao lu mei qi chan xiao liang de yu ce yan jiu 。shou xian ,di chu le yi chong ji yu chang duan ji ji yi wang lao (LSTM)yu zi hui gui ji fen hua dong ping jun mo xing (ARIMA)zu ge yu ce mo xing ,gai mo xing de di chu shi ji yu LSTMhe ARIMAliang mo xing yu ce jie guo yu shi yan shu ju zhen shi zhi de dui bi qing kuang 。dui bi jie guo xian shi LSTMmo xing yu ce jie guo zhi bi zhen shi zhi pu bian pian di ,er ARIMAmo xing yu ce jie guo bi zhen shi zhi pu bian pian gao 。ji yu shang shu xian xiang ,cai yong CRITICfang fa jiang liang chong mo xing yu ce jie guo jin hang le rong ge chu li 。tong guo yu ji ta mo xing dui bi ,zu ge yu ce mo xing jiang yu ce jie guo jun fang gen wu cha jian xiao dao 2.325,ming xian gai shan le ARIMAhe LSTMliang mo xing zai yu ce te xing shang de bi duan ,jiang di le yu ce wu cha ,bing ju kuo yong yu gao lu mei qi xiao hao liang de yu ce 。ji ci ,jian li le yi chong MR-BPyu ce mo xing 。sui zhao gao lu mei qi shu ju yang ben de zeng jia ,mo xing xun lian hao fei de shi jian ye da da zeng jia 。wei le jie jue zhe ge wen ti ,cai yong MapReducejia gou yu BPbing hang hua xiang jie ge de fang fa jin hang chan xiao liang de yu ce 。gai mo xing shi jiang BPshen jing wang lao xun lian fen pei dao duo ge Mapren wu ,ran hou jiang mei ge Mapren wu de dao de wang lao quan zhi xiu zheng zhi tong guo Reducehan shu jin hang hui zong ,de chu zui zhong de quan zhi xiu zheng zhi qu diao zheng mo xing can shu 。tong guo dui bi BPmo xing 、ji yu LSTMyu ARIMAzu ge mo xing he MR-BPmo xing ,de chu san chong mo xing xun lian shi jian fen bie shi 148.20s、112.33she 57.52s,yu ce jie guo jun fang gen wu cha fen bie shi 5.193、2.335he 3.436。shi yan jie guo biao ming ,MRBPmo xing da da su duan le mo xing xun lian de shi jian ,bao zheng le yu ce de shi shi xing ,yu ce jiao jing zhun ,dan xiang bi yu LSTMyu ARIMAzu ge yu ce mo xing lve cha 。tu 29fu ;biao 11ge ;can 54pian 。
论文参考文献
论文详细介绍
论文作者分别是来自华北理工大学的纪月，发表于刊物华北理工大学2019-10-21论文，是一篇关于高炉煤气论文,模型论文,模型论文,架构论文,并行化算法论文,华北理工大学2019-10-21论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自华北理工大学2019-10-21论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：高炉煤气论文; 模型论文; 架构论文; 并行化算法论文; 华北理工大学2019-10-21论文;