一种空压机流量预测方法、装置与流程

1.本公开涉及空压机技术领域，尤其涉及空压机流量预测方法。

背景技术：

2.当前压缩空气系统通常是以压力为基准作为空压机的运行状态控制，其主要原因：第一是因为压力的测量手段容易且测量成本较低；第二，压力是压缩空气系统的特征指标，判断标准明确；第三，用压力作为基准，更能够直观的感受到系统的可靠性。但是只用压力作为系统的基准，同样也会有缺点，系统发生泄漏的时候，只能通过多开机器来补充压力，而无法提醒用户系统有泄漏。在压缩空气领域范畴内，压力是作为该系统内最重要的特征参数指标，但是其本质是流量的大小，在一个动态平衡的压缩空气系统中，是流量的大小决定了系统内的压力是否达标。在空压站管道中有些电磁阀长久失修出现了漏气现象，造成一部分气被浪费。
3.回归预测是机器学习中重要的研究方向之一，有着广阔的应用领域。如ga_xgboost 算法广泛应用于工业参数预测。然而，ga_xgboost在利用遗传算法进行参数寻优的过程中使用了测试集，影响了算法的泛化能力，并预测算法单一，未利用其他算法与 xgboost算法进行融合来提升算法的预测性能。

技术实现要素：

4.本公开提供了一种空压机流量预测方法、装置、设备以及存储介质。
5.方案为一种空压机流量预测方法，包括以下步骤：
6.获取历史空压机数据并预处理；
7.利用遗传算法对xgboost算法和rf算法的参数进行优化，得到ga_xgboost模型和ga_rf模型；
8.进一步利用遗传算法确定ga_xgboost模型和ga_rf模型的权值，确定两个模型的最优组合，建立ga_xgboost_rf组合预测模型；
9.待测空压机数据输入ga_xgboost_rf组合预测模型，输出预测的空压机流量。
10.其中，所述历史空压机数据包括：
11.空压机瞬时流量，空压机单位时间累积流量，空压机实时压力，空压机出口温度，空压机实时运行状态，空压机加卸载状态，空压机功率以及空压机单位时间耗电量。
12.其中，所述预处理的方法，包括：
13.缺失填充：采用与缺失值类型对应的数据集中样本数据的均值进行填充，或采用 scikit-learn中的impute.simpleimputer模块进行缺失值的填充；
14.输入数据包含不同类型的数据，对应对预测结果有所影响的不同维度的特征向量，对不同维度的特征向量归一化处理。
15.本发明利用遗传算法调节xgboost算法和random_forest算法的超参数，采用交叉验证平均得分作为遗传算法的目标函数值，建立ga_xgboost和ga_rf模型，再次利用遗传算
法确定xgboost算法和random_forest算法的权值，最终建立ga_xgboost_rf 组合预测模型。并采用空压机数据集验证所提方法的有效性。
16.本方案的应用实现了根据系统的用气量来制定空压机的运行规则，并可以实时判断是否泄漏、是否供需平衡，评判压缩空气系统是否处于健康的运行状态，最重要的是增加了压缩空气系统流量检测，可以提升系统的节能效率，更准确地评价系统的节能量。
17.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
18.附图用于更好地理解本方案，不构成对本公开的限定。其中：
19.图1为一种空压机流量预测方法流程图；
20.图2为ga_xgboost模型和ga_rf模型参数优化流程图；
21.图3为ga_xgboost_rf模型算法流程图。
具体实施方式
22.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
23.一种空压机流量预测方法，如图1和图2包括以下步骤：
24.s1，获取历史空压机数据并预处理；
25.s2，利用遗传算法对xgboost算法和rf算法的参数进行优化，得到ga_xgboost模型和ga_rf模型；
26.s3，进一步利用遗传算法确定ga_xgboost模型和ga_rf模型的权值，确定两个模型的最优组合，建立ga_xgboost_rf组合预测模型；
27.s4，空压机数据输入ga_xgboost_rf组合预测模型，输出预测的空压机流量。
28.本方案中，使用遗传算法(ga)对xgboost进行调参在运行时间和调参效果上优于网格搜索和随机游走。并且遗传算法对问题的可行解进行编码，通过适应度来选择判断基因优劣，对目标函数没有连续和可导的要求，因此简化了组合模型参数调优和权值调优的复杂程度。通过以上方法的理论研究和实际操作的经验结合，目前该方法对于生产成规模化的企业实用度比较，可以智能分析出比较准确的空压机出口流量值范围，而且空压站流量匹配度也比较合理，通过一定时间的模型优化，可以起到压缩空气系统的智能优化效果，达到一定的节能目的。
29.其中s1的步骤还包括：
30.a1，选取历史空压机数据包括：空压机瞬时流量，空压机单位时间累积流量，空压机实时压力，空压机出口温度，空压机实时运行状态：运行、停机，空压机加卸载状态：加载、卸载，空压机功率以及空压机单位时间耗电量。上述运行数据根据每个厂家对测控点和参数的选择存在差异；
31.例如保存2021年6月-2022年6月，每15分钟对每个测控点采集一组数据，以这些历
史数据作为初始数据。
32.a2，对收集到的数据进行训练集和测试集的划分；本发明中测试集数据为总数据集的 20％。
33.a3，对历史空压机数据进行异常值处理，以及对数据进行标准化处理，得到所需测试样本数据集。预处理方法具体包括：
34.异常值处理包括缺失填充：采用与缺失值类型对应的数据集中样本数据的均值进行填充，或采用scikit-learn中的impute.simpleimputer模块进行缺失值的填充；具体选取参数为“strategy”中输入“mean”；
35.由于历史空压机数据包含不同类型的数据，表示对预测结果有所影响的不同的特征向量，比如温度，压力，以及功率数据，温度单位为摄氏度，而功率单位为kw，不同变量之间数据维度相差较大。为了避免因量纲不同而导致的影响程度不同的问题，需要将标准化处理对各个维度的特征向量归一化处理。
36.以x为收集到的空压机运行数据，z为标准化处理后的训练样本数据，为数据均值，σ为标准差，标准化公式为
37.其中s2的步骤，利用遗传算法对xgboost算法和rf算法的参数进行优化的方法，包括：
38.其中，利用遗传算法调节xgboost算法的超参数，采用交叉验证平均得分作为遗传算法的适应度函数值建立ga_xgboost模型；
39.由于遗传算法采用概率化的寻优方法，自动获取和指导优化的搜索空间，自适应地调整搜索方向，具有简单、通用，适于并行处理的优势。适用于空压机运行数据的各种特征的处理。
40.具体步骤包括：
41.输入：设定目标函数及优化超参数的取值范围，以学习率learning_rate、树的数量 n_estimators和最大深度max_depth作为遗传算法的种输入，将预测算法的评估指标平均绝对误差(mae)作为适应度函数。
42.在本方案中，随机森林模型优化主要考虑如何选择子数据集个数(n_estimators)和最大特征个数(max_features)作为遗传算法的种输入。遗传算法初始化参数，本发明设置初始种个数为30，迭代次数为100，交叉概率为0.8，变异概率为0.1，染体长度为遗传算法需优化参数的个数。
43.输出：历史最优解
44.b1，选择一种合适的编码方案。本实施例采用二进制数来编码，交叉、变异等遗传操作便于实现。
45.b2，在解空间内随机生成一个种作为问题的初代解。
46.b3，利用适应度函数计算种中每个个体的适应度。本实施例以测试集数据的目标函数作为适应度函数，以获得搜索空间内的最优解。
47.b4，根据适应度的高低选择参与繁衍的个体，将适应度高的个体保留，淘汰适应度低的个体。选择算子采用赌选择方法。
48.b5，对被保留个体的基因执行交叉操作，生成子代。
49.b6，对生成的子代基因进行随机变异操作，增加基因的多样性。
50.b7，淘汰种中适应度较低的个体。
51.b8，重复b3－b7，直到满足结束条件为止。
52.b9，选择所有子代中适应度最高的个体作为问题的最优解。
53.其中，利用遗传算法调节rf算法的超参数，采用交叉验证平均得分作为遗传算法的目标函数值建立ga_rf模型。
54.xgboost算法和rf算法的参数较多，参数选取直接影响算法的精度，合理的参数设置可以明显提升模型的预测精度。本文利用遗传算法的全局寻优能力对xgboost和rf模型进行参数选择，使用交叉验证的平均得分作为适应度函数值，xgboost采用5折交叉验证，rf 采用8折交叉验证，建立xgboost模型和rf模型进行算法参数优化。xgboost模型和rf 模型进行算法参数优化流程图如图3所示。
55.其中，进一步利用遗传算法确定ga_xgboost模型和ga_rf模型的权值，确定两个模型的最优组合，建立ga_xgboost_rf组合预测模型的方法，包括：
56.对于根据上述方法调参后的ga_xgboost模型和ga_rf模型建立变权组合预测模型，其中最重要的是两个模型各自权值的确定，
57.本实施例利用遗传算法来确定两个模型的权值，以权值之和等于1为约束条件，从种中选取m个优秀个体，对选取的优秀个体进行交叉、变异，产生新的个体，循环直到满足条件时停止，从历代种中选择最优值作为最终结果，得到组合模型的权值组合，建立 ga_xgboost_rf模型。
58.其中，适应度函数如下：
[0059][0060]
w1+w2＝1
[0061]
其中，则n为样本数据量，w1和w2分别为xgboost模型和rf模型的权值大小，取值范围均为[0,1]。y
xgb
和y
rf
分别为xgboost模型和rf单个模型对n个空压机出口流量样本的预测值，y
true
为n个空压机出口流量样本的真实值。
[0062]
其中，本实施例公开的模型构建还包括定量分析模型预测效果，将预测的空压机出口流量与实际值进行对比，进一步反复优化模型，指标可以采用以下的任意一种，包括指标：
[0063][0064]
[0065][0066]
其中yi是实际采集的空压机出口流量数据，是通过预测模型得到的空压机出口流量数据，n为样本量。mae，mape，rmse三个指标均能反映模型的整体预测性能，优化越小越好。
[0067]
实施例2
[0068]
一种空压机流量预测装置，包括以下结构：
[0069]
预处理单元，用于获取历史空压机数据并预处理；
[0070]
模型优化单元，用于利用遗传算法对xgboost算法和rf算法的参数进行优化，得到ga_xgboost模型和ga_rf模型；
[0071]
模型组合单元，用于利用遗传算法确定ga_xgboost模型和ga_rf模型的权值，确定两个模型的最优组合，建立ga_xgboost_rf组合预测模型；
[0072]
流量预测单元，空压机数据输入ga_xgboost_rf组合预测模型，输出预测的空压机流量。
[0073]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。
[0074]
所述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0075]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0076]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等) 或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random accessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0077]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：

1.一种空压机流量预测方法，其特征在于，包括以下步骤：获取历史空压机数据并预处理；利用遗传算法对xgboost算法和rf算法的参数进行优化，得到ga_xgboost模型和ga_rf模型；进一步利用遗传算法确定ga_xgboost模型和ga_rf模型的权值，确定两个模型的最优组合，建立ga_xgboost_rf组合预测模型；测试集数据输入ga_xgboost_rf组合预测模型，评估和优化预测模型；根据优化后的预测模型实时预测空压机流量。2.根据权利要求1所述的空压机流量预测方法，其中，所述历史空压机数据包括：空压机瞬时流量，空压机单位时间累积流量，空压机实时压力，空压机出口温度，空压机实时运行状态，空压机加卸载状态，空压机功率以及空压机单位时间耗电量。3.根据权利要求1所述的空压机流量预测方法，其中，所述预处理的方法，包括：缺失填充：采用与缺失值类型对应的数据集中样本数据的均值进行填充，或采用scikit-learn中的impute.simpleimputer模块进行缺失值的填充；输入数据包含不同类型的数据，对应对预测结果有所影响的不同维度的特征向量，对不同维度的特征向量归一化处理。4.根据权利要求1所述的空压机流量预测方法，其中，所述利用遗传算法对xgboost算法和rf算法的参数进行优化的方法，包括：利用遗传算法调节xgboost算法的超参数，采用交叉验证平均得分作为遗传算法的适应度函数值建立ga_xgboost模型；利用遗传算法调节rf算法的超参数，采用交叉验证平均得分作为遗传算法的目标函数值建立ga_rf模型。5.根据权利要求4所述的空压机流量预测方法，其中，xgboost采用5折交叉验证，rf采用8折交叉验证。6.根据权利要求1所述的空压机流量预测方法，其中，进一步利用遗传算法确定ga_xgboost模型和ga_rf模型的权值，确定两个模型的最优组合，建立ga_xgboost_rf组合预测模型的方法，包括：以权值之和等于1为约束条件，从种中选取m个优秀个体，对选取的优秀个体进行交叉、变异，产生新的个体，循环直到满足条件时停止，从历代种中选择最优值作为最终结果，得到组合模型的权值组合，建立ga_xgboost_rf模型。7.根据权利要求6所述的空压机流量预测方法，其中，适应度函数如下：w1+w2＝1其中，则n为样本数据量，w1和w2分别为xgboost模型和rf模型的权值大小，取值范围均为[0,1]，y
xgb
和y
rf
分别为xgboost模型和rf单个模型对n个空压机出口流量样本的预测值，y
true
为n个空压机出口流量样本的真实值。
8.一种空压机流量预测装置，其特征在于，包括以下结构：预处理单元，用于获取历史空压机数据并预处理；模型优化单元，用于利用遗传算法对xgboost算法和rf算法的参数进行优化，得到ga_xgboost模型和ga_rf模型；模型组合单元，用于利用遗传算法确定ga_xgboost模型和ga_rf模型的权值，确定两个模型的最优组合，建立ga_xgboost_rf组合预测模型；流量预测单元，空压机数据输入ga_xgboost_rf组合预测模型，输出预测的空压机流量。9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1～7中任一项所述的一种空压机流量预测方法。10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序使计算机执行时实现如权利要求1～7中任一项所述的一种空压机流量预测方法。

技术总结

本申请公开了一种空压机流量预测方法、装置，涉及工业控制领域，尤其涉及空压机智能控制技术领域。具体实现方案为，获取历史空压机数据并预处理；利用遗传算法对XGBoost算法和RF算法的参数进行优化，得到GA_XGBoost模型和GA_RF模型；进一步利用遗传算法确定GA_XGBoost模型和GA_RF模型的权值，确定两个模型的最优组合，建立GA_XGBoost_RF组合预测模型；空压机数据输入GA_XGBoost_RF组合预测模型，输出预测的空压机流量。本方案的应用实现了根据系统的用气量来制定空压机的运行规则，并可以实时判断是否泄漏、是否供需平衡，评判压缩空气系统是否处于健康的运行状态。空气系统是否处于健康的运行状态。空气系统是否处于健康的运行状态。