在钢铁企业的生产过程中,实时预测钢铁企业的转炉煤气柜位对转炉煤气系统的优化调度至关重要.本文提出基于小波去噪和循环神经网络-k重-整合移动平均自回归模型(recurrent neural network-k-autoregres-sive integrated moving average model,RNN-k-ARIMA)混合预测模型,并用该模型预测转炉煤气柜位.其主要研究思路为:首先,利用小波阈值去噪方法去除柜位数据中的干扰噪声;其次,运用RNN模型训练去噪后的柜位数据,计算RNN模型预测结果与实际值的残差;再次,使用k-ARIMA模型对残差进行修正;最后,将修正后的残差与RNN模型预测的初值求和得到最终的预测结果.通过测试两个数据集,得到均方根误差ERMS(root mean square error,RMSE)分别为 0.206 142 和 0.146 249,平均绝对百分比误差 EMAP(mean absolute percentage error,MAPE)分别为 0.941 101 和 0.720 312,方向精度AD(directional accuracy,DA)均为 0.833 333.综合对比发现,相比于单独应用RNN模型与ARIMA模型,使用RNN-k-ARIMA混合模型预测转炉煤气柜位的精度更高、性能更好,弥补了传统时间序列模型和单一网络预测模型的不足.该混合预测模型可以为钢铁企业转炉系统的管理与调度提供科学的理论依据.
NETL
NSTL
维普
万方数据
