view in publisher's site

Energy consumption prediction in cement calcination process: A method of deep belief network with sliding window

Highlights•Sliding window technique is applied to solve the time-varying delay problem.•Nonlinear features extracted by deep belief network can improve model performance.•The proposed method is applied to predict two indexes simultaneously.•Sliding window deep belief network performs better than other traditional models.•The prediction results can provide useful information for optimization system.AbstractElectricity consumption and coal consumption are two important indicators in the cement calcination process. Modeling predictions of cement energy consumption support efforts aimed at understanding energy use and energy conservation. However, due to the three characteristics of cement: time-varying delay, non-linearity and uncertainty, it is very difficult to establish accurate energy consumption prediction models. To solve the above problems, a multiple-index energy consumption prediction model based on sliding window deep belief network (SW-DBN) is proposed in this paper. Specifically, to avoid studying complex problem of time-varying delay, the sliding window method is introduced to deep belief network, which combines the previous and current variable data into time series data. As a result, all temporal information related to the energy consumption data is fed to the input layer of deep belief network. Then deep belief network is utilized to establish the multiple-index energy consumption prediction model on the temporal information, which is capable of predicting electricity consumption and coal consumption simultaneously. Experimental results show that the proposed model obtains improvement for multiple-index energy consumption prediction model in cement calcination process.

پیش‌بینی مصرف انرژی در فرآیند کلسیناسیون سیمان: روشی از شبکه باور عمیق با پنجره لغزان

نکات برجسته * تکنیک پنجره‌های کشویی برای حل مشکل تاخیر زمان - زمان اعمال شده‌است. ویژگی‌های غیر خطی استخراج‌شده توسط شبکه باور عمیق می‌تواند عملکرد مدل را بهبود بخشد. روش پیشنهادی برای پیش‌بینی همزمان دو شاخص اعمال شده‌است. * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * نتایج پیش‌بینی می‌تواند اطلاعات مفیدی را برای بهینه‌سازی مصرف انرژی و مصرف زغال‌سنگ فراهم کند که دو شاخص مهم در فرآیند کلسیناسیون سیمان هستند. مدل‌سازی پیش‌بینی مصرف انرژی سیمان با هدف درک مصرف انرژی و صرفه‌جویی در مصرف انرژی. با این حال، با توجه به سه ویژگی سیمان: تاخیر زمان - زمان، غیر خطی و عدم قطعیت، تعیین مدل‌های پیش‌بینی مصرف انرژی دقیق بسیار دشوار است. برای حل مشکلات فوق، یک مدل پیش‌بینی مصرف انرژی چند شاخصه (SW - DBN)در این مقاله ارائه شده‌است. به طور خاص، برای اجتناب از مطالعه مشکل پیچیده تاخیر زمان - زمان، روش پنجره کشویی به شبکه باور عمیق معرفی می‌شود که داده‌های متغیر قبلی و فعلی را به داده‌های سری زمانی ترکیب می‌کند. در نتیجه، تمام اطلاعات زمانی مربوط به داده‌های مصرف انرژی به لایه ورودی شبکه اعتقادی عمیق خورانده می‌شود. سپس از شبکه باور عمیق برای ایجاد مدل پیش‌بینی مصرف انرژی چند شاخص بر روی اطلاعات زمانی استفاده می‌شود که قادر به پیش‌بینی مصرف برق و مصرف زغال‌سنگ به طور همزمان است. نتایج تجربی نشان می‌دهد که مدل پیشنهادی بهبود مدل پیش‌بینی مصرف انرژی چند شاخصی را در فرآیند کلسیناسیون سیمان بدست می‌آورد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Pollution
  • ترجمه مقاله Pollution
  • مقاله آلودگی
  • ترجمه مقاله آلودگی
  • مقاله General Energy
  • ترجمه مقاله General Energy
  • مقاله انرژی عمومی
  • ترجمه مقاله انرژی عمومی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.