关键词:
钢铁工业
能耗预测
灰色关联分析
遗传算法
时间卷积神经网络
双向长短期记忆神经网络
摘要:
针对钢铁工业能耗数据中存在的周期性强、波动性大等特性,为进一步提高钢铁工业能耗预测的准确度,提出了一种融合遗传算法(Genetic Algorithm, GA)优化的深度学习模型GRA-TCN-BiLSTM。模型首先通过灰色关联分析(Grey Correlation Analysis, GRA)处理原始数据,降低计算复杂度;然后,集成时间卷积神经网络(Temporal Convolutional Network, TCN)的深度特征提取能力与双向长短期记忆网络(Bidirectional Long Short-Term Memory, BiLSTM)的深度多维时序感知能力,充分捕捉复杂动态数据中的全局时序模式与局部依赖性,在此过程中融合遗传算法优化超参数配置,提高计算效率。通过2组消融试验验证了模型各部分对总体性能提升的有效性;通过与7种能耗预测领域常用模型的预测结果对比,所提模型的平均绝对误差(Mean Absolute Error,E_(MA))、均方根误差(Root Mean Square Error,E_(RMS))和决定系数(R-Square,R^(2))均优于其他模型。其中,所提模型较基础结构模型在E_(MA)上的提升最高可达33.33%,在E_(RMS)上的提升最高可达35.60%;较强化组合模型在E_(MA)上的提升最高可达64.97%,在E_(RMS)上的提升最高可达51.29%,显示出其在捕捉高层抽象特征和时间依赖性方面表现突出,具有更高的预测性能。同时,所提模型在计算效率上表现良好,实现了性能与资源利用之间的协调平衡。