一种基于SSA-SVR模型的高炉铁水硅含量预测方法.pdf

(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CN111444963A(43)申请公布日2020.07.24(21)申请号202010226187.2(22)申请日2020.03.27(71)申请人中南大学地址410083湖南省长沙市岳麓区麓山南路932号(72)发明人尹林子陈思蒋朝辉许雪梅(74)专利代理机构长沙智路知识产权代理事务所(普通合伙)43244代理人谢珍贵(51)Int.Cl.G06K9/62(2006.01)G06Q50/04(2012.01)权利要求书3页说明书8页附图5页(54)发明名称一种基于SSA-SVR模型的高炉铁水硅含量预测方法(57)摘要本发明公开了一种基于SSA-SVR模型的高炉铁水硅含量预测方法，所述方法包括以下步骤：S1、对原始数据进行预处理；S2、经奇异谱分析/SSA方法进行数据降噪：将样本数据分解为独立的具有解释性的分量，包括趋势分量、波动分量和噪声分量，然后基于改进的奇异谱分析判决方法去除噪声分量，将趋势分量和波动分量重构为去噪数据集；S3、SVR建模与优化；S4、硅含量预测。本方法使得高炉铁水硅含量的预测更准确。CN111444963ACN111444963A权利要求书1/3页1.一种基于SSA-SVR模型的高炉铁水硅含量预测方法，其特征在于，所述方法包括以下步骤：S1、对原始数据进行预处理：选取决策属性数据即硅含量数据，及与硅含量相关的条件属性数据，补全缺失值，对数据进行归一化处理，获得模型所需要的训练数据集和测试数据集；S2、经奇异谱分析/SSA方法进行数据降噪：将所述训练数据集的一种条件属性数据分解为独立的具有解释性的分量，包括趋势分量、波动分量和噪声分量，然后基于改进的奇异谱分析判决方法去除噪声分量，将趋势分量和波动分量重构为去噪数据集，再对所述训练数据集中的其它条件属性数据重复步骤S2；S3、SVR建模与优化：建立SVR预测模型，并利用十字交叉算法对SVR参数寻优，将得到的最佳参数传递给所述SVR预测模型；S4、硅含量预测：利用所述训练数据集训练得到的所述SVR预测模型对高炉铁水中的硅含量进行预测。2.根据权利要求1所述的一种基于SSA-SVR模型的高炉铁水硅含量预测方法，其特征在于，步骤S1所述的与硅含量相关的条件属性数据采用粗糙集进行约简，所述的与硅含量相关的条件属性数据包括：富氧率，透气性指数，标准风速，鼓风动能，炉富煤气量，炉富煤气量指数，理论燃烧温度，冷风压力，热风压力，实际风速，以及热风温度。3.根据权利要求1所述的一种基于SSA-SVR模型的高炉铁水硅含量预测方法，其特征在于，步骤S2包括以下步骤：S2.1、分解分量：将所述训练数据集的一种条件属性数据分解为独立的具有解释性的分量，包括趋势分量、波动分量和噪声分量；包括以下步骤：S2.1.1、构造轨迹矩阵，所述轨迹矩阵为：其中K＝n-L+1，L为窗口长度，2≤L≤n，n为训练数据集的数据总个数，yk为一种条件属性数据的训练数据集的原始数据，k＝1,2,…,n；S2.1.2、奇异值分解：采用协方差矩阵S＝XXT，然后利用S的奇异值分解方法生成L个奇异值，即特征值λ1，λ2，…，λL，以及对应的特征向量U1，U2，…，UL，从L个奇异值中选出d个不为0的奇异值，则所述轨迹矩阵重写为：X＝X1+X2+…+Xd，0<d≤L，其中，λI、UI分别为奇异值及其对应的特征向量，向量VI为主成分向量；S2.2、分量重构：基于改进的奇异谱分析判决方法去除噪声分量，将趋势分量和波动分量重构为去噪数据集；包括以下步骤：S2.2.1、分组：第一个奇异值代表原始数据的变化趋势，即为趋势分量，再基于改进的2CN111444963A权利要求书2/3页奇异谱分析判决方法去除噪声分量，得到波动分量；S2.2.2、重构：通过对角平均，通过如下公式将每一个XI转为一个时间序列，该时间序列是初始时间序列的一个和分量，即*其中，yk为该时间序列的子项，表示一种条件属性数据的训练数据集的重构数据，k＝1,2,…,n，zpq表示一个(L×K)的对角平均转移矩阵Z的每一个元素，1≤p≤L，1≤q≤K，L*＝min(L,K),K*＝max(L,K),n＝K+L-1。4.根据权利要求3所述的一种基于SSA-SVR模型的高炉铁水硅含量预测方法，其特征在于，所述步骤S2.2.1中所述的改进的奇异谱分析判决方法包括：S2.2.1.1、构建奇异值曲线图：横轴为第I个奇异值，纵轴为奇异值λI；S2.2.1.2、对不包含第一个奇异值部分的奇异值曲线进行微分，获得奇异值斜率变化曲线f(λI)；S2.2.1.3、设置阈值a，若f(λI)>a，则表明第I个奇异值属于波动分量，否则属于噪声分量。5.根据权利要求1所述的一种基于SSA-SVR模型的高炉铁水