一种改进的灰色BP神经网络的焦化煤污染气体预测方法

技术领域

本发明涉及一种改进的灰色BP神经网络的焦化煤污染气体预测方法，属于污染物检测技术领域。

背景技术

近年来为响应“十四五”规划，山西省进行了一系列有效的措施，在资源利用方面，煤炭仍然是我省的优势资源，然而焦化煤的产生和排放都存在环境问题，特别是目前气候变化和空气质量问题已经成为一个全球共性问题。已有的研究表明焦化煤产生的排放是我国空气污染的一个重要来源,微粒、氨气、一氧化碳、二氧化碳、碳氢化合物、氮氧化合物等排放物在焦化煤的燃烧过程中产生,对空气质量和人体健康产生很大危害。同时,在工业方面的需求增量更加剧了这个问题。目前,焦化煤所产生的污染气体的预测越来越受重视。传统预测方法中，灰色预测模型的最大特点是算法比较简单，并且在建立模型时使用的数据较少，便于建模和操作，但对于具有波动性的系统，其预测效果不是很理想，预测精度会随着时间的外推而逐渐降低。而BP神经网络对于非线性系统的预测具有良好的性能，但在训练网络时往往需要大量的数据。因此可采用灰色预测模型与BP神经网络结合的方法，针对焦化煤产生的污染气体浓度进行预测。

发明内容

为解决现有技术存在的技术问题，本发明提供了一种有效提高污染气体种类及指标预测的准确性的改进的灰色BP神经网络的焦化煤污染气体预测方法。

为实现上述目的，本发明所采用的技术方案为一种改进的灰色BP神经网络的焦化煤污染气体预测方法，按照以下步骤进行操作，

S1，基础数据采集,采集焦化煤排放气体中各污染气体的体积浓度；

S2，数据预处理,通过均值插补的方法填补原始数据中的缺失值，填补后对每种污染气体浓度数值进行归一化；

S3，滤波器模型搭建,将经过数据预处理后的原始数据进行处理，生成原始数据序列，搭建单变量滤波器模型，对每个特征进行独立评估；

S4，灰色系统模型搭建：对经过数据预处理以及特征选择后的数据进行数学运算，生成原始数据序列，以此搭建灰色模型GM(1,1)，生成原始数据与GM(1,1)模型模拟值的差值；

S5，BP神经网络搭建,搭建BP神经网络对灰色模型生成的差值进行回归训练，得到BP神经网络隐藏层以及输出层的权值，利用训练好的网络对灰色模型生成的差值进行修正，得到各项污染气体的浓度预测值。

优选的，所述步骤S3中，在进行滤波器模型搭建时，对于不同类型的数据根据其特性选用相应的特征向量，即采用单一变量的通用统计检验来测量特征与因变量之间的关系，并相应地选择最佳特征，同时在表征过程中采用主成分分析和皮尔逊系数结合的方法筛选最优表征变量。

优选的，所述步骤S4中，在灰色系统模型搭建时，按照以下布置进行槽在，

a、获取原始数据，生成时间序列：

C

b、获取C

C

其中

c、依照GM(1,1)微分方程模型搭建灰色系统预测模型，获取原始数据与GM(1,1)模型模拟值的差值：

其中C

优选的，所述步骤S5中，在BP神经网络搭建时，

利用神经网络网络对先前获得的差值序列进行预测，得到预测差值，而后通过GM(1，1)模型预测值和预测差值构造一个新的预测值：

其中

与现有技术相比，本发明具有以下技术效果：本发明利用灰色预测模型算法简单、建模过程所需数据少，以及BP神经网络预测模型对非线性系统的预测性能良好的优点，提出一种改进的以灰色预测模型为基础的BP神经网络预测方法，有效提高污染气体种类及指标预测的准确性，同时能够为研究人员判断有害气体以及提出解决方案提供可靠的参考依据。尤其对于焦化煤产生的污染气体，其种类复杂且多种多样，利用本方法能够大提高污染气体检测的准确性，并且效率高。

附图说明

图1为本发明的组合模型预测流程图。

图2为本发明中BP神经网络的结构示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，一种改进的灰色BP神经网络的焦化煤污染气体预测方法，主要包括三个部分，第一部分是获取常规污染气体浓度作为原始数据序列，以此建立滤波器模型；第二部分是根据架构中第一部分的结果构建灰色系统预测模型；第三部分是在此基础上，用BP神经网络对灰色模型输入结果进行修正；最后进行污染气体预测。具体步骤如下：

S1，基础数据采集:所要抽取的污染指标数据来源于山西省的焦化煤污染气体数据，主要为焦化煤排放气体中各污染气体的体积浓度。

S2，数据预处理:通过均值插补的方法填补原始数据中的缺失值，填补后对每种污染气体浓度数值进行归一化。

S3，滤波器模型搭建:将经过数据预处理后的原始数据进行处理，生成原始数据序列，搭建单变量滤波器模型，对每个特征进行独立评估；对于不同类型的数据可以根据其特性选用相应的特征向量，因此我们使用单一变量的通用统计检验来测量特征与因变量之间的关系，并相应地选择最佳特征。由于获得的气体浓度属于时间序列，在表征过程中采用主成分分析和皮尔逊系数结合的方法筛选最优表征变量，可减少后续预测过程中的冗余度。

S4，灰色系统模型搭建：对经过数据预处理以及特征选择后的数据进行数学运算，生成原始数据序列，以此搭建灰色模型GM(1,1)，生成原始数据与GM(1,1)模型模拟值的差值。

灰色系统模型(Gray Forecast Model)是一种微分预测模型，其基于少量不完全信息进行预测的预测方法。它是在系统中存在着许多未知和未被认识到的变量时，利用这些未知或尚未被认识的量来对未来状态做出估计。这种预测模型称为GM(1,1)模型。该模型建立在多因素综合信息系统的基础上，根据该微分方程，时间序列数据近似反映时间序列的动力学过程，然后通过外推实现预测目的。拟合的时间序列模型是一阶微分方程。在焦化煤空气污染物的预测分析中，灰色系统模型部分的操作流程大致如下：

a、获取原始数据，生成时间序列：

C

b、获取C

C

其中

c、依照GM(1,1)微分方程模型搭建灰色系统预测模型，获取原始数据与GM(1，1)模型模拟值的差值：

其中C

S5，BP神经网络搭建：搭建BP神经网络对灰色模型生成的差值进行回归训练，得到BP神经网络隐藏层以及输出层的权值，利用训练好的网络对灰色模型生成的差值进行修正，得到各项污染气体的浓度预测值。

神经网络是通过模拟人类大脑神经结构建立起来的数学模型，大概可分成三层：输入层、隐藏层以及输出层。其中,″输入-输出″即为整个网络所要传输的信息内容。这三层中的每一层都包含不同数量的神经元，神经元之间连接的强度由权值等参数决定。而BP神经网络是一种多层的反馈神经网络，利用优化的梯度下降算法沿损失函数梯度的相反方向连续修改网络当中神经元的权值与偏差。当衡量网络输出与期望输出之间误差的损失函数的输出值下降到一定程度时，判定网络训练完成。BP神经网络的结构示意图如图2所示。

利用神经网络网络对先前获得的差值序列进行预测，得到预测差值，而后通过模型预测值和预测差值构造一个新的预测值：

其中

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明范围内。