基于灰狼优化支持向量机回归与SHAP值的锡冶炼能耗预测.pdf
《基于灰狼优化支持向量机回归与SHAP值的锡冶炼能耗预测.pdf》由会员分享,可在线阅读,更多相关《基于灰狼优化支持向量机回归与SHAP值的锡冶炼能耗预测.pdf(7页珍藏版)》请在咨信网上搜索。
1、2024年第2 期doi:10.3969/j.issn.1007-7545.2024.02.001基于灰狼优化支持向量机回归与SHAP值的锡冶炼能耗预测有色金属(冶炼部分)(http:/y s y l.b g r i mm.c n)马朝君,彭巨擎1,袁海滨,郑光发,么长慧,章夏冰,冯早(1.云南锡业集团(控股)有限责任公司研发中心,昆明6 5 0 2 0 0;2.昆明理工大学信息工程与自动化学院,昆明6 5 0 5 0 0)摘要:锡冶炼过程综合能源消耗占整个锡生产过程9 0%,存在很大节能潜力。针对锡冶炼过程综合能耗机理模型难以建立、导致预测准确度不高的问题,提出灰狼优化的支持向量机回归(GW
2、O-SVR)模型用于锡冶炼过程综合能耗的预测,并以某锡冶炼厂为例,将所提模型与SVR、R F(随机森林)、BP(反向传播神经网络)、LR(线性回归)模型进行比较。结果表明,GWO-SVR模型可获得最理想的预测结果,在预测精度上相比于其他机器学习算法有着巨大优势。此外,使用SHAP值从全局解释和单样本解释两个方面解释所建立的GWO-SVR模型,可视化特征对输出的贡献,增加了GWO-SVR的可解释性,并以此制定可靠的节能策略。关键词:锡冶炼预测模型;模型可解释性;支持向量机回归;灰狼优化算法中图分类号:TF814文献标志码:A文章编号:10 0 7-7 5 45(2 0 2 4)0 2-0 0 0
3、 1-0 7Energy Consumption Prediction of Tin Smelting Based on Grey WolfOptimized Support Vector Machine Regression and SHAP ValuesMA Chaojun,PENG Jubo,YUAN Haibin,ZHENG Guangfa,YAO Changhui,ZHANG Xiabing,FENG Zao(l,Research and Development Center,Yunnan Tin Industry Group(Holding)Co.,Ltd.,Kunming 650
4、200,China;2.Faculty of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650500,China)Abstract:The comprehensive energy consumption of tin smelting process accounts for 90%of the entiretin production process,which has great energy-saving potential.Address to
5、 the difficulty in establishingthe comprehensive energy consumption mechanism model of tin smelting process and the low predictionaccuracy,the Gray Wolf Optimization Support Vector Machine Regression(GWO-SVR)model was proposedto predict the comprehensive energy consumption of tin smelting process.Ta
6、king a tin smelter as an example,theproposed model was compared with the SVR,RF(Random Forest),BP(Back Propagation NeuralNetwork)and LR(Linear Regression)models.The results show that the GWO-SVR model yields themost desirable prediction results,and has great advantages over other machine learning al
7、gorithms interms of prediction accuracy.Furthermore,using SHAP values to explain the GWO-SVR model fromboth global interpretation and single-sample interpretation and visualize the contribution of features to theoutput increases the interpretability of GWO-SVR,and thus develops a reliable energy-sav
8、ing strategy.收稿日期:2 0 2 3-10-2 3基金项目:云南省科技厅基础研究合作项目(2 0 2 10 1BC070001-023)作者简介:马朝君(19 8 8-),女,高级工程师有色金属(冶炼部分)(http:/)Key words:tin smelting prediction models;model interpretability;support vector machine regression;grey wolf optimization algorithm锡作为人类最早发现并使用的金属之一,具有安全、无毒、熔点低、延展性好、易与其他金属形成合金等优点,主要应
9、用于电镀、合金、催化剂、阻燃剂等,在工业、国防、航空航天等领域扮演着重要角色,是我国战略性金属原材料1。锡行业是我国重要的基础工业,在最近几年需求的持续拉动以及国家优惠政策的支持下,锡行业取得了快速发展。自19 9 3年以来,我国的锡精矿产量长期保持在世界前列 2 。2018年度我国的锡矿产量为15.8 万t,占世界锡矿总产量的41.2%。其中,云南、内蒙古、广西、湖南及江西占总产量的9 9%2 。同时锡行业也一直是我国工业耗能的大户,冶炼环节的能耗就占据总生产能耗的9 0%3,能源消耗主要是以煤为主、电为辅的形式。因此,开展锡冶炼过程能耗预测和耗能因素追溯的研究,对锡冶炼流程的优化和完成节能
10、减排目标具有重要意义。锡的冶炼过程主要可以分为三部分,即焙烧、还原熔炼和精炼。焙烧主要是在回转窑中去除杂质的过程;还原熔炼经过几十年的生产实践和市场的优胜劣汰,目前还原熔炼技术为顶吹炉熔炼、电炉熔炼和反射炉熔炼并存的格局,在国内主要是以顶吹炉熔炼为主;精炼过程则主要以火法精炼为主。虽然目前针对锡冶炼过程能耗预测的研究较少,但钢铁和铝等金属流程工业的节能得到广泛研究,其相关成果也可为锡冶炼过程节能研究奠定一定基础。李海英等 4使用灰色关联分析法确定了钢铁行业中影响烧结工序能耗的因素,并建立了基于遗传算法的BP神经网络(GA-BP)烧结能耗预测仿真模型,为烧结工艺的能源合理利用提出了新的思路并挖掘
11、了节能潜力。ZHAO等 5 建立了基于多元线性回归的热轧过程能耗预测模型,不仅很好地预测了热轧过程的能源消耗,同时通过人员的调度提高了工作效率。姜曙光等 6 建立了基于线性回归模型分析了转炉过程的煤气与其影响因素之间的关系,有效预测高炉煤气生成量的同时提出了部分节能思路,但其建模过程未考虑炼铁过程的强耦合性、强非线性等特点。潘瑶等7 针对小样本环境下,提出了应用改进型偏最小二乘回归建立预测模型的方法对高炉能耗进行预测,该方法较传统的回归分析、主成分回归具有更大的优势,具有计算量小、预测精度较高等优点。高盛祥 8 基于小波神经网络建立了过程2024年第2 期能耗预测模型,使用蚁群算法对模型进行优
12、化,并利用所建模型对高炉、转炉、轧机进行了工序能耗预测,但是由于钢铁企业能耗预测涉及变量多、关系复杂、伴有耦合关系、受随机因素影响大等特点,使得预测难度大大提高,因此,陈光等 9 1结合了BP神经网络和广义回归网络算法对轧钢高炉炼铁工序建立能耗预测模型,取得了一定的效果。杨宏韬等 10 则针对BP网络由于初始值阈值随机生成导致算法稳定性和准确性不佳的问题,利用遗传算法优化BP神经网络的初始权值和阈值,建立了GA-BP模型预测氧气消耗,结果表明,算法的准确性和稳定性都得到了提升。在能耗预测中,支持向量机(SVM)、随机森林和神经网络等机器学习模型由于对于大量数据挖掘能力强、非线性拟合能力强、预测
13、结果准确等优点,是近年来能耗预测领域的热门方法 1-12。但这些方法也有一定局限性,如何对预测后的结果进行解释以制定节能策略依然是急需解决的问题。基于此,本文提出基于灰狼优化支持向量机回归和SHAP值的锡冶炼能耗预测模型,在获取锡冶炼企业生产历史数据的基础上,比较了灰狼优化支持向量机回归预测模型与其他模型的预测效果,此外,从多个角度对灰狼优化支持向量机回归模型进行解释,并以此制定节能策略。1锡冶炼过程能耗影响因素分析锡冶炼过程的总能耗主要由3部分组成,固体燃料占比40%45%,主要是指无烟煤和焦炭,电力能源占比10%15%,气体能源占比35%40%。由于锡冶炼过程自身复杂强耦合的特点,导致了从
14、配料开始直到成品产出期间,每一步流程都有影响能耗的因素。如焙烧工序中焙砂产量、精炼工序锡锭产量、精炼工序碳渣量和铝渣量等因素都对整个冶炼过程综合能耗有着直接的影响,而回转窑进风速度和进风压力、奥斯麦特炉炉内压力和炉渣温度等参数通过影响燃烧过程而间接影响综合能耗。经过分析整理,14个相关的影响因素可分成直接影响因素和间接影响因素,其中直接影响因素包括:焙烧工序焙砂产量(PSC)、奥炉熔炼工序粗锡产量(ALXC)、精炼工序焊锡产量(JLXC)、精炼工序锡锭产量(JLDC)、精炼工序碳渣产量(JLT)、精炼2024年第2 期工序铝渣产量(JLL)。间接影响因素包括:焙烧工序进风速度(PSF)、焙烧工
15、序进风压力(PSY)、奥炉熔炼工序炉内压力(ALY)、奥炉熔炼工序进风速度(A L F)、奥炉熔炼工序进风压力(ALFY)、奥炉熔炼工序炉渣温度(ALZY)、精炼工序进风速度(JLF)、精炼工序进风压力(JLY)。2基于灰狼优化支持向量机回归和SHAP值的锡冶炼能耗预测2.1支持向量机回归模型支持向量机回归(Support VectorMachineRegression,SV R)是一种强大的机器学习技术,用于解决回归问题。它是支持向量机(SupportVector Machine,SVM)在回归领域的扩展应用,被广泛用于预测和建模任务中。与传统的线性回归模型不同,SVR是通过在特征空间中构建
16、一个最优超平面,将输入样本映射到高维特征空间,并建立一个线性回归模型。与普通线性回归不同的是,SVR关注的是预测值与真实值之间的边界间隔,而不是寻找最佳拟合线。通过最小化预测值与真实值之间的误差,并控制在一定范围内,SVR能够更准确地预测目标变量的值。SVR的核心思想是利用支持向量,它们是训练样本中距离超平面最近的样本点。这些支持向量对于确定最优超平面起着重要作用。此外,SVR还使用了核函数,通过将输人样本映射到高维特征空间,可以更好地处理非线性关系。常用的核函数包括线性核、多项式核和径向基函数(RBF)核。选择适当的核函数和调整相关参数是使用SVR的关键。SVR在实际应用中具有广泛的用途。它
17、在金融预测、股票市场分析、医学研究等领域都取得了显著的成果。相比传统的线性回归模型,SVR能够更好地处理非线性关系和高维数据,具有较强的鲁棒性和准确性。2.2灰狼优化支持向量机回归SVR已经在众多领域得到应用 13-15 1,尤其在针对小样本、非线性和局部最小等问题上应用广泛。然而,当SVR用于能耗数据的回归预测问题上时,其识别性能与SVR的参数的选择具有密切关系,若使用人工对参数进行选取,则识别效果往往达不到最佳。针对这个问题,引人灰狼优化算法(GreyWolf Optimizer,GWO)对 SVR中的超参数进行优化。GWO是MIRJALILI等 16 在2 0 14年提出的有色金属(冶炼
18、部分)(http:/y s y l.b g r i m m.c n)是图1GWO-SVR算法流程图Fig.1Flowchart of GWO-SVR algorithm具体步骤如下。1)初始化灰狼种群数量N和最大迭代次数Nm,设置SVR中参数和g的取值范围,并选择5 折交叉验证的能耗预测精度作为适应度函数,适应度函数表达式为:,2(L:(i)-L.()F()=NIiKN式中,L和L.分别代表模型预测的能耗值和实际能耗值;N代表样本的数量。2)初始化狼群的位置和初始适应度值。3)遍历并计算灰狼种群中每个灰狼个体的适应度,并记录前三个灰狼个体的位置分别为P、P p、P s。3一种智能优化算法。该算
19、法是基于狼的层次分工系统和狩猎行为,对整个迭代优化过程进行建模。该方法中的狼按照社会等级从高到低排列为、。社会等级较低的狼的行为需要服从社会等级较高的狼的领导,展开狩猎行动。本文将灰狼优化算法应用在SVM中惩罚因子c和核参数g的寻优,从而可以提高综合能耗的预测准确性和效率。基于灰狼优化算法的支持向量机算法流程如图1所示。计算灰狼个体适应度,并记输出预测结果录适应度前3的狼、8GWO-SVR模型更新灰狼位置计算全部灰狼适应度和更新输出c、g、的适应度和位置达到最大选代次数?锡冶炼能耗数据划分训练集测试集初始化GWO参数否(1)44)更新算法中的系数向量A、C 和收敛因子,计算公式为:A=2ari
20、-aIC=2r2式中,ri和r2都是在 0,1 内的随机数,分别用于生成A、C 的新值。5)计算并更新每只狼之间的距离和它们的位置。该行为的数学模型表示如下:(D.=|CiP-PI,D,=ICPp-Pl,D=IC,P-PlPI=P。-H,D.,P,=P p-H,D g,P,=P。-H,D(P(t+1)=(Pi+P,+P:)/3式中,P。、P、P。表示当前种群、的位置向量;Hi、H 2、H:是系数,通过概率分布随机生成,用于调节灰狼移动的幅度;Ci、C 2、C 3为随机向量;P为灰狼的位置向量;D、D、D 分别为候选灰狼与最优三只狼之间的距离。6)确定是否达到迭代次数,若达到则记录最优方案。否则
21、返回步骤3。7)使用最佳参数c和g建立SVR预测模型。2.3模型评估基于测试集的预测结果,采用拟合优度(R)和均方根误差(RMSE)作为回归模型性能的评价指标。一般而言,较小的均方根误差以及较大的拟合优度表明模型具有较高的预测精度。评价指标定义如下:N2(9:-y.)N2(y:-3)2112(y:一.)nRMSE=式中,,为第i个样本预测值;y为第i个样本真实值;为样本均值;N为样本数。2.4SHAP值理论本研究使用SHAP方法来解释随机森林模型,SHAP是一种利用博奔论方法来解释任何机器学习模型输出结果的算法。SHAP值解释模型具体过程为:首先计算每个特征向量对综合能源消耗的贡献度,然后统计
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 灰狼 优化 支持 向量 回归 SHAP 冶炼 能耗 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。