本发明涉及神经网络和发电副产品领域，尤其涉及一种基于神经网络的灰库产量的预测方法及系统。
背景技术：
目前，预测方法中的传统模型采用回归分析模型(定量分析模型)。其中数理统计作为一种有效的知识发现技术一直受到相关领域的重视，它是知识发现重要的支柱之一。这其中有许多寻找变量之间规律性的方法，而回归分析是一种运用十分广泛的统计分析方法，在知识发现中有着十分广泛的用途。
所谓回归分析法，就是在掌握大量观察数据基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式(称为回归方程式)。
在实际问题中，常有这样的情况，虽然变量y与变量x之间有一定关系，但这种关系与通常的函数关系不同，变量y的值不能完全由x的值所确定。也就是说，变量之间的关系可以分为确定性的关系与非确定性关系。对于相关关系的变量，虽然不能得出变量之间具体精确的函数表达式，但是通过大量的观测数据，利用统计学的方法，可以发现它们之间存在着一定的统计规律性。当x取得任一可能值时，y相应地服从一定的概率分布。
技术实现要素：
(一)要解决的技术问题
本发明的目的在于提供一种灰库产量的预测装置及方法，以解决上述的至少一项技术问题。
(二)技术方案
本发明的一方面，提供了一种灰库产量的预测装置，包括：
第一预测模块，用于根据灰库产量的历史信息和待预测灰库产量信息，确定待预测灰库产量信息的第一预测结果；
第二预测模块，用于构建一神经网络预测模型，并根据所述历史信息和待预测灰库产量信息，确定该待预测灰库产量信息的第二预测结果；
运算模块，用于将所述第一预测结果与所述第二预测结果进行趋同运算，确定该待预测灰库产量信息的最终预测结果；以及
更新模块，利用所述最终预测结果替换所述第二预测结果，以更新所述神经网络预测模型。
在本发明的一些实施例中，所述灰库产量的历史信息至少包括以下历史参数：历史出口风机压力、历史发电计划、历史发电量、历史煤炭卡数值、历史煤炭含硫数值和/或历史煤炭含水分；
所述待预测灰库产量信息至少包括以下参数：出口风机压力、发电计划、发电量、煤炭卡数值、煤炭含硫数值和/或煤炭含水分。
在本发明的一些实施例中，所述第二预测模块包括：
方法确定单元，用于确定该待预测灰库产量信息的预测方法；以及
模式确定单元，用于根据所述预测方法和历史信息，结合处理销售工作模式，确定第二预测结果，所述处理销售工作模式包括低价出售模式、免费拉运模式，和单价出售模式。
在本发明的一些实施例中，所述方法确定单元包括：
判断单元，用于依次判断所述参数是否存在，若存在则各参数的判断结果aa为1，若不存在则判断结果aa为-1，并将所述判断结果aa记为神经网络模型的六个输入神经元xa的阀值，1≤a≤6；
转换单元，用于将所述预测方法记为神经网络模型的两个中间神经元xb，7≤b≤8；
确定单元，用于根据所述灰库产量的历史信息，确定各中间神经元的阀值fb、各输入神经元与所述中间神经元之间的权值wab，其中，fb的取值为0和±1；以及
选择单元，用于确定各所述中间神经元的加权和
在本发明的一些实施例中，第一预测模块包括：
数据库，用于存储外界输入的灰库产量的历史信息；
查询单元，用于查询外界输入的待预测灰库产量信息与所述数据库中历史信息之间的匹配结果；
预测单元，用于根据所述匹配结果，结合环境因素，确定待预测灰库产量信息的第一预测结果。
在本发明的一些实施例中，所述运算单元的趋同运算为所述运算单元对所述第一预测结果与所述第二预测结果求算术平均值。
本发明的另一方面，还提供了一种灰库产量的预测方法，应用于以上任一所述的装置，该方法包括：
根据灰库产量的历史信息和待预测灰库产量信息，确定待预测灰库产量信息的第一预测结果；
构建一神经网络预测模型，并根据所述历史信息和待预测灰库产量信息，确定该待预测灰库产量信息的第二预测结果；
将所述第一预测结果与所述第二预测结果进行趋同运算，确定该待预测灰库产量信息的最终预测结果；以及
利用所述最终预测结果替换所述第二预测结果，以更新所述神经网络预测模型。
在本发明的一些实施例中，所述灰库产量的历史信息至少包括以下历史参数：历史出口风机压力、历史发电计划、历史发电量、历史煤炭卡数值、历史煤炭含硫数值和/或历史煤炭含水分；所述待预测灰库产量信息至少包括以下参数：出口风机压力、发电计划、发电量、煤炭卡数值、煤炭含硫数值和/或煤炭含水分。
在本发明的一些实施例中，确定该待预测灰库产量信息的第二预测结果，包括步骤：
确定该待预测灰库产量信息的预测方法；以及
根据所述预测方法和历史信息，结合处理销售工作模式，确定第二预测结果，所述处理销售工作模式包括低价出售模式、免费拉运模式和单价出售模式。
在本发明的一些实施例中，确定该待预测灰库产量信息的预测方法，包括步骤：
依次判断所述参数是否存在，若存在则各参数的判断结果aa为1，若不存在则判断结果aa为-1，并将所述判断结果aa记为神经网络模型的六个输入神经元xa的阀值，1≤a≤6；
将所述预测方法记为神经网络模型的两个中间神经元xb，7≤b≤8；
根据所述灰库产量的历史信息，确定各中间神经元的阀值fb、各输入神经元与所述中间神经元之间的权值wab，其中，fb的取值为0和±1；以及
确定各所述中间神经元的加权和
在本发明的一些实施例中，确定待预测灰库产量信息的第一预测结果，包括步骤：
建立用于存储外界输入的灰库产量的历史信息的数据库；
查询外界输入的待预测灰库产量信息与所述数据库中历史信息之间的匹配结果；以及
根据所述匹配结果，结合环境因素，确定待预测灰库产量信息的第一预测结果。
在本发明的一些实施例中，所述历史预测分析法包括步骤：查询所述数据库，与所述参数对比，此时数据库中的历史参数与所述参数存在至少五种相同的参数信息，采用所述历史参数对应的价格；
所述均价预测法包括步骤：查询所述数据库，与所述参数对比，此时数据库中的历史参数与所述参数存在四种相同的参数信息，采用当月1号开始至当前时间的均价；
所述趋同分析法包括步骤：查询所述数据库，与所述参数对比，此时数据库中的历史参数与所述参数最多存在三种相同的参数信息，判断当前一周内的历史数据信息的趋势，确定价格。
在本发明的一些实施例中，将第一预测结果与所述第二预测结果进行趋同运算，具体为：计算所述第一预测结果与所述第二预测结果的算术平均值。
(三)有益效果
本发明的灰库产量的预测装置及方法，相较于现有技术，至少具有以下优点：
1、根据灰库产量的历史信息和待预测灰库产量信息，确定第一预测结果，再将神经网络预测模型应用于灰库产量的预测中，确定第二预测结果，最后两个预测结果进行趋同，得到较为精准的最终预测结果，同时还能不断更新该神经网络预测模型，使得最终预测结果更精准。
2、与传统的回归分析模型相比，在进行分析时无需限定模型，特别当数据变量存在交互效应时可自动检查出，增强了实时性。
3、神经网络模型只与输入信息自身的参数有关，而这些参数都是通过使用学习算法对神经网络模型进行训练得到的，因此本发明具有较强的自适应推理性。
4、本发明还在灰库产量的预测模型中通过选择预测方法，再结合处理销售工作模式和第一预测结果，得到待预测灰库产量信息的最终预测结果，充分发挥了神经网络模型的计算特点，同时也增强了最终预测结果的精确性。
附图说明
图1为本发明实施例的灰库产量的预测装置的结构示意图。
图2为本发明实施例的第一预测模块的模块示意图。
图3为本发明实施例的第二预测模块的模块示意图。
图4为本发明实施例的方法确定单元的模块示意图。
图5为本发明实施例的神经网络预测模型的示意图。
图6为本发明实施例的灰库产量的预测方法的步骤示意图。
图7为本发明实施例的确定待预测灰库产量信息的第一预测结果的子步骤示意图。
图8为本发明实施例的确定该待预测灰库产量信息的预测结果的具体步骤示意图。
图9为本发明实施例的步骤s21的子步骤示意图。
具体实施方式
现有技术中，预测方法中的传统模型采用回归分析模型(定量分析模型)，需要自动限定模型，且当数据变量存在交互效应时难以自动检查出，有鉴于此，本发明提供了一种灰库产量的预测装置及方法，根据灰库产量的历史信息和待预测灰库产量信息，确定第一预测结果，再将神经网络预测模型应用于灰库产量的预测中，确定第二预测结果，最后两个预测结果进行趋同，得到较为精准的最终预测结果，同时还能不断更新该神经网络预测模型，使得最终预测结果更精准。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明实施例的一方面，提供了一种灰库产量的预测装置，图1为本发明实施例的灰库产量的预测装置的结构示意，如图1所示，该预测装置可以包括：
第一预测模块1，根据灰库产量的历史信息和待预测灰库产量信息，确定待预测灰库产量信息的第一预测结果；
第二预测模块2，用于构建一神经网络预测模型，并根据所述历史信息和待预测灰库产量信息，确定该待预测灰库产量信息的第二预测结果；
运算模块3，用于将所述第一预测结果与所述第二预测结果进行趋同运算，确定该待预测灰库产量信息的最终预测结果；以及
更新模块4，用于利用所述最终预测结果替换所述第二预测结果，从而以更新所述神经网络预测模型。
一般来说，所述灰库产量的历史信息至少包括以下历史参数：历史出口风机压力、历史发电计划、历史发电量、历史煤炭卡数值、历史煤炭含硫数值和/或历史煤炭含水分；所述待预测灰库产量信息至少包括以下参数：出口风机压力、发电计划、发电量、煤炭卡数值、煤炭含硫数值和/或煤炭含水分。
在一些实施例中，为了能够更方便地查询到历史信息，从而确定第一预测结果，如图2所示，该第一预测模块1可以包括：
数据库11，用于存储外界输入的灰库产量的历史信息；
查询单元12，用于查询外界输入的待预测灰库产量信息与所述数据库中历史信息之间的匹配结果；以及
预测单元13，用于根据所述匹配结果，结合环境因素，确定待预测灰库产量信息的第一预测结果。
在一些实施例中，为了能快速准确地结合神经网络模型预测，如图3所示，该第二预测模块2可以包括：
方法确定单元21，用于确定该待预测灰库产量信息的预测方法；以及
模式确定单元22，用于根据所述方法确定单元21确定的预测方法，结合处理销售工作模式，确定第二预测结果，所述处理销售工作模式包括低价出售模式、免费拉运模式，和单价出售模式。
其中，低价出售模式、免费拉运模式和单价出售模式，这是处理粉煤灰销售的三种工作模式，可以根据实际情况进行选择。
一般来说，当灰库灰位高，无法销售出去，力保发电正常生产，启动免费拉运模式；由于天气环境因素导致市场需求较少，启动低价销售模式；正常供需关系，设定单价销售。
更具体地，如图4和图5所示，该方法确定单元21可以包括以下单元：
判断单元211，用于依次判断所述参数是否存在，若存在则各参数的判断结果aa为1，若不存在则判断结果aa为-1，并将所述判断结果aa记为神经网络模型的六个输入神经元xa的阀值，1≤a≤6；
转换单元212，用于将所述预测方法记为神经网络模型的两个中间神经元xb，7≤b≤8；
确定单元213，用于根据所述灰库产量的历史信息，确定各中间神经元的阀值fb、各输入神经元与所述中间神经元之间的权值wab，其中，fb的取值为0和±1；以及
选择单元214，用于确定各所述中间神经元的加权和
若pb小于1，则选择均价预测法，即通过比对数据信息，其中四种数据信息相同，系统自动计算出当月1号开始至当前时间的平均均价数据信息)。
若pb等于1，则选择趋同分析法，即通过比对数据信息，其中只有三种或者更少的相同数据，则启动趋同分析。趋同分析模式，一般以当前一周内数据信息趋势判断，通过简单统计分析计算即可获得数据信息。
本发明的另一方面，还提供了一种灰库产量的预测方法，图6为本发明实施例的灰库产量的预测方法的步骤示意图，如图6所示，该预测方法包括以下步骤：
s1、根据灰库产量的历史信息和待预测灰库产量信息，确定待预测灰库产量信息的第一预测结果；
s2、构建一神经网络预测模型，并根据所述历史信息和待预测灰库产量信息，确定该待预测灰库产量信息的第二预测结果；
s3、将所述第一预测结果与所述第二预测结果进行趋同运算，确定该待预测灰库产量信息的最终预测结果；以及
s4、利用所述最终预测结果替换所述第二预测结果，从而以更新所述神经网络预测模型。
接着就结合图7至图9对各步骤进行详细描述。
s1、根据灰库产量的历史信息和待预测灰库产量信息，确定待预测灰库产量信息的第一预测结果。
其中，所述灰库产量的历史信息可以包括以下历史参数：历史出口风机压力、历史发电计划、历史发电量、历史煤炭卡数值、历史煤炭含硫数值和/或历史煤炭含水分，灰库产量的历史信息的各历史参数主要通过计算机记录的数据得到；所述待预测灰库产量信息可以包括以下参数：出口风机压力、发电计划、发电量、煤炭卡数值、煤炭含硫数值和/或煤炭含水分，待预测灰库产量信息的各参数主要根据实际情况判断。
图7为本发明实施例的确定待预测灰库产量信息的第一预测结果的子步骤示意图，如图7所示，步骤s1中确定待预测灰库产量信息的第一预测结果，具体包括以下子步骤：
s11、建立用于存储外界输入的灰库产量的历史信息的数据库。
s12、查询外界输入的待预测灰库产量信息与所述数据库中历史信息之间的匹配结果。
s13、根据所述匹配结果，结合环境因素，确定待预测灰库产量信息的第一预测结果。也就是说，根据该数据库中的历史信息与待预测灰库产量信息的匹配度，再结合如气温和季节等环境因素，即可确定第一预测结果。举例来说，数据库中有历史信息与待预测灰库产量信息的匹配度为95％，且此时为冬天、温度低，则煤量需求大，因此，此时第一预测结果大于该历史信息所对应的灰库产量的95％，增加的幅度可以根据具体情况进行选择。
s2、构建一神经网络预测模型，并根据所述历史信息和待预测灰库产量信息，确定该待预测灰库产量信息的第二预测结果。
图8为本发明实施例的确定该待预测灰库产量信息的预测结果的具体步骤示意图，如图8所示，该步骤具体以下子步骤：
s21、确定该待预测灰库产量信息的预测方法；
s22、确定该待预测灰库产量信息的预测方法；以及
根据所述预测方法和历史信息，结合处理销售工作模式，确定第二预测结果，所述处理销售工作模式包括低价出售模式、免费拉运模式和单价出售模式。
低价出售模式、免费拉运模式和单价出售模式，这是处理粉煤灰销售的三种工作模式，可以根据实际情况进行选择。
图9为本发明实施例的步骤s21的子步骤示意图，图9为本发明实施例的神经网络预测模型的示意图，如图5和图9所示，步骤s21具体包括以下子步骤：
s211、依次判断所述参数是否存在，若存在则各参数的判断结果aa为1，若不存在则判断结果aa为-1，并将所述判断结果aa记为神经网络模型的六个输入神经元xa的阀值，1≤a≤6；
s212、将所述预测方法记为神经网络模型的两个中间神经元xb，7≤b≤8；
s213、根据所述灰库产量的历史信息，确定各中间神经元的阀值fb、各输入神经元与所述中间神经元之间的权值wab，其中，fb的取值为0和±1；即根据灰库产量的历史信息的数据库，再参考待预测灰库产量信息的各项参数，即可得到fb和wab；
s214、确定各所述中间神经元的加权和
若pb大于1，则选择历史预测分析法，其中，历史预测分析法工作模式为查询历史数据库信息，信息对比分析得到预测数值，对比数据信息如下：历史出口风机压力、历史发电计划、历史发电量、历史煤炭卡数值、历史煤炭含硫数值和/或历史煤炭含水分，灰库产量的历史信息的各历史参数主要通过计算机记录的数据得到，通过比对数据信息其中五种以上数据信息相同的话，其结果采用当时历史数据信息结果。
若pb小于1，则选择均价预测法，即通过比对数据信息，其中四种数据信息相同，系统自动计算出当月1号开始至当前减一的平均均价数据信息。
若pb等于1，则选择趋同分析法，即通过比对数据信息，其中只有三种或者更少的相同数据，则启动趋同分析。趋同分析模式，以当前一周内数据信息趋势判断，获得数据信息。
对于步骤s3、将第一预测结果与所述第二预测结果进行趋同运算，具体为：计算所述第一预测结果与所述第二预测结果的算术平均值，这样能够修正第一预测结果，使得最终预测结果更接近于灰库产量的真实值。
综上，本发明的灰库产量的预测装置及方法根据灰库产量的历史信息和待预测灰库产量信息，确定第一预测结果，再结合神经网络预测模型确定第二预测结果，最后将两个预测结果进行趋同，得到较为精准的灰库产量的最终预测结果，同时还能不断更新该神经网络预测模型，使得最终预测结果更精准，提高精确性。
再者，“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的“一”或“一个”不排除存在多个这样的元件。
说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序、或是制造方法上的顺序，该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。