一种基于多模型融合Stacking算法的煤质熔点预测方法.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CN113743540A(43)申请公布日2021.12.03(21)申请号202111298890.5(22)申请日2021.11.04(71)申请人华能（天津）煤气化发电有限公司地址300450天津市滨海新区临港经济区1号(72)发明人李思琪许冬亮贾东升王广永祁海鹏艾云涛(74)专利代理机构北京华专卓海知识产权代理事务所(普通合伙)11664代理人王文峰(51)Int.Cl.G06K9/62(2006.01)G06Q10/04(2012.01)权利要求书2页说明书5页附图5页(54)发明名称一种基于多模型融合Stacking算法的煤质熔点预测方法(57)摘要本发明公开了一种基于多模型融合Stacking算法的煤质熔点预测方法，使用机器算法预测数据，首先确定目标变量及特征变量，将test数据库拆分成testA数据库及testB数据库，构建其对应的trainA数据库及trainB数据库；对数据进行最大最小归一化处理、进行Box‑Cox变换、采用“3σ准则”剔除异常值等处理；选择基模型及元模型，基模型分别进行单独训练，元模型进行拟合训练，得到最终模型A，模型A预测testA数据库的灰熔点。本发明的煤质熔点预测方法，解决了耗时、耗能、耗力的弊端，能对大规模样品进行预测；模型的泛化性强，能够处理特征变量超出数据库的数据预测；模型拟合度高且避免模型过度拟合，预测的准确率高，预测数据方差较小，稳定性好。CN113743540ACN113743540A权利要求书1/2页1.一种基于多模型融合Stacking算法的煤质熔点预测方法，其特征在于，包括如下步骤：步骤一：使用机器算法预测数据，首先确定煤质流动温度FT是目标变量；确定煤质中氧化物含量及新构造的特征参数是特征变量，所述特征变量为V0至V12共13个，分别对应为Na2O、MgO、Al2O3、SiO2、K2O、CaO、P2O5、TiO2、Fe2O3、SO3、K2O+Na2O、SiO2/Al2O3及煤质黏结指数Rhj；步骤二：将煤质灰熔点历史数据库命名为train数据库，其中含有13个所述特征变量和1个所述目标变量；将等待预测的数据库命名为test数据库，其中含有13个所述特征变量；步骤三：根据特征变量分布情况将test数据库拆分成testA数据库及testB数据库，testA保留全部13个所述特征变量，testB删除超出范围的特征变量；构建其对应的trainA数据库及trainB数据库；具体办法如下：对train数据库和test数据库的13个所述特征变量逐一进行数据分布探索，筛选出test数据库的特征变量均在train数据库范围内的数据集，命名为testA数据库，所述testA数据库仍为13个所述特征变量；如果test数据库内的数据集的某些特征变量超出train数据库范围，则将这部分数集删除超出范围的特征变量组成testB数据库；减少数据分布偏差大的特征变量影响预测准确度，提高模型的泛化性；步骤四：对trainA数据和testA数据库的特征变量和目标变量进行最大最小归一化处理；trainB数据库及testB数据库也同样处理；公式为X’=(X‑Xmin)/(Xmax‑Xmin)；步骤五：对train数据库A和testA数据库的特征变量和目标变量进行Box‑Cox变换，改善数据的正态性、对称性和方差相等性；Box‑Cox数学公式如下：公式中y（λ）为经Box‑Cox变换后得到的新变量，y为原始连续因变量，λ为变换参数；步骤六：对trainA数据库和testA数据库的特征变量和目标变量异常值处理；trainB数据库及testB数据库也同样处理；将数据进行正态化处理，此处采用“3σ准则”剔除异常值；步骤七：选择以线性回归、随机森林及SVM模型作为基模型，以线性回归作为元模型；首先将训练得到前三个基模型，然后再以基模型的输出作为线性回归的输入训练元模型，最后以线性回归的输出作为真正的分类结果；步骤八：数据经过预处理后，使用trainA数据库训练融合Stacking模型；选用随机森林、AdaBoost模型、GBoost回归模型、ExtraTrees模型、Linear回归、XGBoost回归模型、lgb回归模型作为基模型，选用Linear回归模型、lgb回归模型作为元模型；基模型分别进行单独训练，训练方法如下：交叉验证（CrossValidation）方法使用K折交叉验证，各模型调参使用网格搜索（GridSearch）法；单独训练后进行融合，用Linear回归模型和lgb回归模型对新的特征进行拟合训练，得到最终模型A；步骤九：使用步骤八训练的模型A预测testA数据库的灰熔点，同样使用模型B预测testB数据库的灰熔点。2.根据