1、隨著工業(yè)信息化、數(shù)字化的發(fā)展，越來越多的工廠系統(tǒng)中積累了大量的工業(yè)數(shù)據(jù)。工業(yè)數(shù)據(jù)通常具有數(shù)據(jù)量大、時間性強、非線性、含噪聲等特點，這使得對工業(yè)數(shù)據(jù)信息的挖掘十分復(fù)雜。另一方面，工業(yè)數(shù)據(jù)被認(rèn)為是未來工業(yè)在全球市場競爭中的關(guān)鍵，研究人員十分關(guān)注對工業(yè)大數(shù)據(jù)的搜集和特征分析，從而為生產(chǎn)制造過程提供戰(zhàn)略支持。例如鋼鐵企業(yè)為了更高效的利用副產(chǎn)煤氣，生產(chǎn)現(xiàn)場的調(diào)度人員大多結(jié)合基于歷史數(shù)據(jù)的煤氣流量預(yù)測結(jié)果對系統(tǒng)進(jìn)行定性平衡調(diào)度，這使得預(yù)測結(jié)果直接影

2、響平衡調(diào)度水平。鑒于工業(yè)能源管理系統(tǒng)中積累的大量的歷史生產(chǎn)數(shù)據(jù)，采用基于數(shù)據(jù)的時間序列預(yù)測分析方法對流程工業(yè)數(shù)據(jù)進(jìn)行預(yù)測，從而制定能源平衡調(diào)整方案保證工業(yè)生產(chǎn)過程平穩(wěn)運行，是提升企業(yè)的競爭力的有效手段。
　　針對工業(yè)系統(tǒng)數(shù)據(jù)的預(yù)測問題，本文提出一種基于共享儲備池模塊化的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。該方法首先按照神經(jīng)網(wǎng)絡(luò)的狀態(tài)空間分割的原則，采用K均值聚類方法將樣本數(shù)據(jù)分為若干類，再對數(shù)據(jù)重構(gòu)以建立預(yù)測模型。在建模過程中提出一種改進(jìn)的回聲狀態(tài)

3、網(wǎng)絡(luò)，通過對神經(jīng)網(wǎng)絡(luò)進(jìn)行模塊化處理能夠?qū)栴}求解空間分層，相比單一神經(jīng)網(wǎng)絡(luò)具有更好的泛化性能。在網(wǎng)絡(luò)訓(xùn)練過程中，將其化簡為多個小網(wǎng)絡(luò)進(jìn)行并行訓(xùn)練，從而加速模型計算過程。同時，引入大規(guī)模數(shù)據(jù)集提高了模型的預(yù)測精度，并應(yīng)用MapReduce并行計算框架加速問題求解過程以保證算法的實時特性。
　　為驗證本文方法的有效性，分別選取Mackey-Glass標(biāo)準(zhǔn)數(shù)據(jù)集和國內(nèi)某鋼鐵廠實際生產(chǎn)數(shù)據(jù)進(jìn)行實驗，首先與已有的多種相關(guān)方法進(jìn)行關(guān)于預(yù)測精度