基于GA-XGBoost模型的高炉铁水硅含量预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115049123A(43)申请公布日2022.09.13(21)申请号202210641526.2G06K9/62(2022.01)(22)申请日2022.06.07(71)申请人德龙钢铁有限公司地址054009河北省邢台市信都区南石门镇申请人华北理工大学(72)发明人王德全田铁磊刘燕军李涛邓勇李丽红杨佳毅王艾军王杰张书楼张通亮(74)专利代理机构石家庄冀科专利商标事务所有限公司13108专利代理师李羡民(51)Int.Cl.G06Q10/04(2012.01)G06N3/12(2006.01)权利要求书2页说明书6页附图1页(54)发明名称基于GA-XGBoost模型的高炉铁水硅含量预测方法(57)摘要一种基于GA‑XGBoost模型的高炉铁水硅含量预测方法，包括以下步骤：①采集高炉的历史冶炼数据；②对数据集进行标准化；③将数据划分为不同的簇；④将相关系数大于设定值的特征变量剔除，并将数据划分为训练集和测试集；⑤利用训练集中的数据对GA‑XGBoost模型进行训练；⑥利用测试集中的数据对训练好的GA‑XGBoost模型进行测试；⑦利用测试合格的GA‑XGBoost模型对高炉铁水硅含量预测。本发明在XGBoost算法的基础上利用遗传算法进行优化和改进，并在预测之前通过KMeans++算法将预测数据集分割为多个数据子集，不仅可以在复杂多变的高炉炉况下得到较高的预测准确率，而且大大提高了预测效率。CN115049123ACN115049123A权利要求书1/2页1.一种基于GA‑XGBoost模型的高炉铁水硅含量预测方法，其特征是，所述方法包括以下步骤：①采集高炉的历史冶炼数据，并对采集到的数据集进行预处理；②对数据集进行标准化；③通过KMeans++聚类算法将数据集中的数据划分为不同的簇；④利用皮尔逊相关系数分析各簇中各个特征参数之间的相关性，将相关系数大于设定值的特征变量剔除，并将各个簇中的数据划分为训练集和测试集；⑤利用训练集中的数据对GA‑XGBoost模型进行训练；⑥利用测试集中的数据对训练好的GA‑XGBoost模型进行测试；⑦利用测试合格的GA‑XGBoost模型对高炉铁水硅含量预测。2.根据权利要求1所述的一种基于GA‑XGBoost模型的高炉铁水硅含量预测方法，其特征是，利用训练集中的数据对GA‑XGBoost模型进行训练是利用遗传算法群体搜索的特性，把XGBoost的参数值作为遗传算法的个体，从已经设定好的参数组合区间内，把当前寻优的参数值传递给XGBoost进行预测，其结果作为遗传算法的适应度函数的一个参数多次迭代，最终得到XGBoost的最优参数组合，具体步骤如下：a.设定遗传算法的各初始参数和可选择的参数区间；b.采用遗传算法计算当前模型参数的适应度，其适应度函数的计算公式为：其中fitness代表适应度，m表示子数据集的样本数量，表示测试集中第i个样本的真实值；c.设定保留父代数量，选择适应度最高的数据作为保留的父代，并把两个父代的基因进行随机交叉生成新的子代；d.把子代的所有个体通过随机突变单个基因形成新的个体，将新的个体作为下次遗传算法迭代的父代；e.重复步骤b‑步骤d，直到完成指定的迭代次数或适应度达到规定的要求。3.根据权利要求2所述的一种基于GA‑XGBoost模型的高炉铁水硅含量预测方法，其特征是，利用训练集中的数据对GA‑XGBoost模型进行训练时，保留父代数量设置为3，父代的基因交叉采用均匀交叉的方法，子代的每个基因都基于其独立的特征从父代中独立地选择进行交叉。4.根据权利要求3所述的一种基于GA‑XGBoost模型的高炉铁水硅含量预测方法，其特征是，把子代的所有个体通过随机突变单个基因形成新的个体时，所述突变是在可选范围内随机选择一个参数来取代原来的参数，而且每次突变仅改变子代的一个基因。5.根据权利要求1‑4所述的一种基于GA‑XGBoost模型的高炉铁水硅含量预测方法，其特征是，对采集到的数据集进行预处理包括空缺值的处理和异常值的处理：特征参数的空缺值超过半数以上的数据采用删减法排除该样本，其余存在空缺值的数据则利用空缺值前后一周数据的平均值填充该空缺值；异常值通过箱型图进行筛选和清洗。6.根据权利要求5所述的一种基于GA‑XGBoost模型的高炉铁水硅含量预测方法，其特2CN115049123A权利要求书2/2页征是，使用下式对数据集进行标准化：其中x是标准化前的数据，X是标准化后的数据，μ是数据均值，σ是数据标准差。7.根据权利要求6所述的一种基于GA‑XGBoost模型的高炉铁水硅含量预测方法，其特征是，通过KMeans++聚类算法将数据集中的数据划分为不同的簇的具体方法如下：将一个包含n个t维数据的数据集X