CN100418028C - 一种一体化的钢铁企业在线能源预测***与方法 - Google Patents
一种一体化的钢铁企业在线能源预测***与方法 Download PDFInfo
- Publication number
- CN100418028C CN100418028C CNB2006101136856A CN200610113685A CN100418028C CN 100418028 C CN100418028 C CN 100418028C CN B2006101136856 A CNB2006101136856 A CN B2006101136856A CN 200610113685 A CN200610113685 A CN 200610113685A CN 100418028 C CN100418028 C CN 100418028C
- Authority
- CN
- China
- Prior art keywords
- data
- modeling
- energy
- model
- forecast
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种一体化的钢铁企业在线能源预测***与方法,属于钢铁能源预测技术领域。其能源预测***由安装在现场的传感器、PLC、DCS(1)构成的PCS层;现场监控终端HMI(2);接口管理服务器(3);数据库服务器(4);应用层服务器(5);Web、防病毒服务器(6);客户端工作站(7);连接各计算机设备、控制器和传感器的计算机网络构成。能源预测方法包括:能源数据提取、能源数据预处理、能源建模、建模算法库、能源预测。本发明的优点在于:使用多种能源预测算法,采用组合模型的方法进行能源预测,克服了采用单一或一两种能源预测方法去预测能源需求的局限性,提高了能源预测的准确性和可靠性,适用于钢铁企业短时与中期能源预测。
Description
技术领域
本发明属于钢铁能源预测技术领域,特别是提供了一种一体化的钢铁企业在线能源预测***与方法,用于钢铁企业短时与中期能源预测。
背景技术
目前,国内大多数钢铁企业的能源预测都是基于人工的短时经验预测,对预测者的专家经验要求比较高,缺少预测模型的支持;虽然有些科研院所或大学也都进行过能源预测的研究,但都是集中在单一能源预测模型或一两种能源预测模型的离线数据预测,不能给出一套完整的包含数据采集、数据整理和建模分析、预测的能源预测流程和方法。缺少一套这样的包含数据采集、数据整理和建模分析、预测的能源预测流程和方法的完整***。
目前有关能源预测的***和方法,如文献“线性回归分析与能源需求预测”利用直线回归的方法进行能源预测内蒙古师范大学学报自然科学(汉文)版2003、文献“能源统计的深化分析”利用回归分析进行能源预测能源管理1997、文献“企业能源预测方法的统计研究”利用能耗统计模型进行能源预测能源研究与利用1993,这三篇文献都是利用统计回归模型进行能源需求预测,回归模型方法有如下优点:简便实用,它不但可以对能源需求进行预测,还可以在影响能源需求的诸因素中,利用相关检验确定最主要的影响因素,从而简化模型,突出主要矛盾。但使用回归模型有以下明显的缺点:(1)应用回归方程进行估算预测时,只能由自变量来估计因变量,不允许由因变量来推测自变量。(2)作为研究对象的现象(变量)之间的关系必须是真实的、具有内在联系的关系,而绝不能是臆造的,只有这样才能得出有科学意义的结论。(3)回归方程只宜用于内插推算,不宜用于外推预测,尤其是远端的外推预测。而文献“改进的BP神经网络煤炭需求预测模型”利用附加动量法改进的BP神经网络模型进行能源预测辽宁工程技术大学学报2005、文献“灰色***GM模型在地区能源预测中的应用”利用灰色***GM模型进行能源预测实用能源1990、文献“灰色***理论在能源预测中的综合建模方法探讨”采用综合建模方法建立GM(1,1)模型对能源进行预测赣南师范学院学报1991、文献“灰色GM(1,1)和神经网络组合的能源预测模型”主要实现了用灰色预测和神经网络组合预测方法建立了组合预测模型研究与探讨2005,这几篇文献则是利用BP神经网络模型或灰色***GM模型与神经网络模型组合模型进行能源需求预测,虽然相对于统计回归模型能源预测提高了预测准确性,利用了灰色***GM模型的特点所需样本数据少,对原始数据要求较低,计算简单,有较高的预测精度,可检验等优点。同时也明显存在下列几点不足之处;①G(1,1)模型是一种呈指数增长的模型,当用短时间序列预测较长时间序列,会产生较大误差或不符合实际情况的值,②对含有负值项的原始数据,经多次累加后生成的数据如无法获得非负递增数据,则从理论上说应放弃此类数据的建模,③当GM(1,1)模型精度无法达到要求须对残差进行建GM(1,1)模型对原模型进行修正从而提高精度时,许多实际问题中其残差既含有正值项也含有负值项,其累加生成的数据肯定不是非负递增的,故无法修正原模型。而神经网络模型虽然具有较高的非线性映射能力,能以任意精度逼近非线性函数,但在实际计算中,也存在一些问题:①反向传播的计算过程收敛速度较慢,一般需要成百上千次的迭代计算;②存在能量函数的极小值;③隐含神经元个数和连接权的选取往往要靠经验;④网络的收敛性与网络的结构有关等。
同时,这些能源预测方法都没有提供一整套的能源分析流程,没有提供一套完整的包含数据采集、数据整理和建模分析、预测的能源预测流程和方法。
发明内容
本发明的目的在于提供一种一体化的钢铁企业在线能源需求预测***与方法。提供了一套完整的包含数据采集、数据整理和建模分析、预测的能源预测流程和方法,提供了多种能源预测数据整理方法、建模分析方法,多种建模分析方法之间可以相互对比,也可以利用各种建模方法的优点组合新的建模方法进行能源需求预测。从而提高了能源需求预测的准确性和可靠性。满足钢铁企业钢铁生产和能源生产的要求,为钢铁企业日常的能源需求预测、能源调度提供决策支持。
发明***由安装在现场的传感器、PLC、DCS 1构成的PCS层;现场监控终端HMI2;接口管理服务器3;数据库服务器4;应用层服务器5;Web、防病毒服务器6;客户端工作站7;连接各计算机设备、控制器和传感器的计算机网络构成。
现场的传感器、PLC、DCS 1构成的PCS层及现场监控终端HMI 2,主要实现现场的控制和数据采集,数据采集过程如下:现场运行的主要生产设备的工作状态和运行参数以及生产过程的工艺参数等,由传感器根据不同的信号将其作滤波、缓冲、调理、放大等预处理,然后将信号通过光电隔离后,送入相应的数据采集和控制装置(PLC、DCS),用于实时控制和信息上传。
接口管理服务器3通过网络与现场控制器相联,将现场采集的各种状态信息和能源数据经过数据处理和格式转换,存入数据库中,为能源需求预测***实时提供参考依据。
数据库服务器4运行专业的关系数据库管理***,将生产现场的实时过程数据和能源计划数据以及设备运行数据、检修数据等,存储在数据库中。
应用服务器5是整个***的核心部件,主要运行能源需求建模方法、预测方法等组件,根据需要调用数据库服务器中的数据,并将建模方法和预测方法写入数据库。
Web、防病毒服务器6的主要任务是将应用服务器加工、处理后所得的结果,以Web页面的方式动态发布到Internet或Intranet上,便于用户在客户端通过浏览器进行显示和查阅。同时服务器还负责网络病毒的防护、网络病毒库的更新。
客户端7分为专业客户端和瘦客户端两种。专业客户端是在计算机中运行专业客户端软件,实现复杂的数据分析和图形显示,并将一定的数据保存在本地计算机,实现数据的离线分析。瘦客户端是在计算机中运行标准的浏览器程序,进行常规的数据展示和查询。
能源预测方法包括:能源数据提取、能源数据预处理、能源建模、建模算法库、能源预测。
1、能源数据提取,主要提供5种数据源提取,可以提取存储在数据库服务器上的Oracle关系数据库数据、SQL Server关系数据库数据,还可以提取存储在本地硬盘上的Excel数据文件、Txt文本数据文件和XML***数据库,其中XML***数据库是本发明***自己独立的数据库文件形式,以XML格式存储的只有本发明***可以正确读取的一种数据源。
能源数据提取包括随机提取、固定范围提取、固定间隔提取固定数目和限定字段提取四种提取方式。其中,随机提取是***根据数据源随机提取一定数目的数据;固定范围提取方式是指提取数据表中某个范围内的数据记录;固定间隔提取固定数目是指在数据表中以每间隔N条数据记录提取M条数据记录的方式进行提取;限定字段提取则是指用户选择字段并设置对应的提取条件(连续字段设置值范围,类别字段设置类别范围),在已有数据表的基础上,根据字段的提取条件进行二次提取。
提取后的数据,该***提供可以将数据保存成Excel格式、Txt格式、XML格式的本地数据文件。
2、能源数据预处理,为了能源数据分析的方便,该***提供了多种数据预处理方式供使用者选择,包括异常数据处理、类型定义转换、数据变换、数据标准化。
1)异常数据处理,对数据进行异常数据处理主要包括字段空值处理、限定字段值范围处理和限定类别值范围处理。其中,***自动进行空值查找和处理,而限定字段值范围和限定类别值范围的异常条件则由用户定义。限定字段值范围处理是针对连续变量进行分析,限定类别值范围处理是针对类别变量进行分析。对处理后的数据表可以保存成Excel格式、Txt格式、XML格式的本地数据文件。
2)类型定义转换,主要是完成对数据表中的字段类型进行定义和转换操作。类型定义可将字段类型定义为连续变量或类别变量;转换操作对应连续变量和类别变量有所不同,类别变量转换之后以0、1、2......表示,连续变量的转换操作则包括取整转换和转换前后不变两种。
3)数据变换,主要完成对数据表中的数据进行数据变换。这里提供以下变换方法:绝对值、正弦值、余弦值、正切值、以e为底的对数、以10为底的对数、指定底数的对数、e的指定次幂、指定数字的指定次幂和求平方根。
4)数据标准化,主要完成对数据表中的数据进行标准化处理,以使后续分析得到更为准确的结果。这里提供均值-标准差和最大-最小值两种标准化方法。
3、能源建模,主要是对能源历史数据和在线数据进行分析,利用常规统计模型和高级的神经网络模型、时间序列模型、小波变换模型、灰色***GM模型、支持矢量机模型等进行建模,***提供利用各个单独的模型进行建模,也可以自定义组合各种单独的建模方法进行组合建模。每一种建模方法都提供图形展示的方式供用户查看建模效果。
由于每一种建模方法都有其优缺点,适合于不同的环境下,所以在建模时,一般可以先判断所要建立模型的能源数据可能的分布类型,选择适合的建模方法进行建模;如果不能判断出能源数据可能的分布类型,则可以首先选择用简单的线性或非线性统计模型进行建模,看建模效果如何,如果所选建模方法建模效果不理想,可选择高级的神经网络模型、时间序列模型、小波变换模型、灰色***GM模型、支持矢量机模型或组合模型等进行建模。每一种建模方法都可以直观的对比其建模效果。
4、建模算法库,建模算法库是本发明方法的核心部分,是进行能源需求预测的基础,该***提供了多种建模算法,包括常规的统计算法、高级的神经网络算法等。建模算法库中所含有的算法有:线性回归建模、非线性回归建模、主元回归建模、PLS建模、支持矢量机建模、专家知识建模、神经网络建模、时间序列建模、小波变换建模、灰色***GM建模、自定义组合建模等。
每种建模算法都提供两种建模方式,向导建模和直接建模。向导建模方式主要是针对不熟悉建模步骤的人员而设计,他们可以按照向导的提示方便的进行从数据提取到最终建模的一系列操作,使得不熟悉统计建模的人员也可以建立正确的模型。直接建模方式则相反,主要针对那些对建模非常熟悉或经常使用建模工具的人员而设计,所有的建模工作可以在一个对话框中完成,更加快速,效率更高。
5、能源预测,主要是利用建立的模型进行能源需求预测,在进行能源预测之前应该首先对所建立的模型进行评估,评估结果好的模型才能用来进行能源需求预测,否则还需要重新进行建模。根据建模-评估-建模这样的闭环结构,来建立有效的模型。
能源需求预测步骤为:利用本发明提供的能源数据提取方法提取能源历史或在线数据;对提取的能源数据进行预处理,处理成便于后续分析的数据;选择建模算法库中提供的能源建模方法,进行能源预测建模;对建立的能源模型进行评估,当建模效果不理想时,则重新建模,反之,则用来进行能源预测。
本发明的优点在于:
使用多种能源预测算法,采用组合模型的方法进行能源预测,克服了采用单一或一两种能源预测方法去预测能源需求的局限性,提高了能源预测的准确性和可靠性。
提供了一套完整的包含数据采集、数据整理和建模分析、预测的能源预测流程和方法,用户只要使用该***即可完成从数据提取到能源预测的所有功能,不需要再增加其它额外的工作。
基于分布式组件技术和面向对象技术,采用多层架构的方式,将主要功能模块和算法以组件的方式部署在中间层应用服务器中,从而提供一种通用的可扩展的,满足多种钢铁工艺流程要求的能源需求预测***。
根据实际情况,可以由用户自定义组合建模方法,适用于具有不同环境下的能源数据的有效建模。
开放的模型库、算法库结构,便于用户扩充以及与第三方软件的集成。
附图说明
图1是本发明的***结构图。传感器、PLC、DCS 1构成的PCS层及现场监控终端HMI 2,主要实现现场的控制和数据采集;接口管理服务器3主要实现将现场采集的各种状态信息和能源数据经过数据处理和格式转换,存入数据库中;数据库服务器4主要实现实时过程数据和能源计划数据等的存储;应用服务器5主要运行能源需求建模方法、预测方法等组件;Web、防病毒服务器6主要是发布处理结果和负责网络病毒的防护及维护;客户端7主要实现离线分析和常规的数据展示和查询。
图2是本发明的***组成图。在线能源需求预测***8主要由五个部分组成:能源数据提取9、能源数据预处理10、能源建模11、建模算法库13、能源预测12。
图3是本发明的菜单图。整个在线能源需求预测***8过程是采用人机交互方法完成。用户可以根据自己掌握的信息进行各种选择,也可以通过计算机进行能源预测,提高了能源建模和预测的效率。数据提取14菜单下面包括:Oracle数据库16、SQL Server数据库17、Excel数据文件18、Txt数据文件19、XML***数据库20;数据预处理15菜单下面包括:异常数据预处理21、类型定义与转换22、数据变换23、数据标准化24;能源建模11菜单下面包括:统计模型25、智能模型26、自定义组合模型27;能源预测12菜单下面包括:模型评估28、模型导入29、数据导入30、能源预测12。
图4是本发明的在线能源预测***的运行程序图。
1)程序开始31首先进行能源数据提取9,通过灵活的数据提取方式,用户可以有选择的提取建模和预测需要的样本数据。
2)提取后的源数据很多情况下不能直接进行建模和预测分析,需要经过能源数据预处理10,经过能源数据预处理后,源数据将转换成便于后续建模和分析的处理后数据。
3)利用经过能源数据预处理后的数据,合理选择建模算法库中的建模算法,根据建模提示进行能源建模11,并可直观根据图形查看建模效果。
4)建模后的模型必须经过模型评估32才能使用,通过模型评估,判断所建立的模型效果是否满足要求33,如果不满足要求,则需要重选建模方法34进行再次能源建模,建模后再进行模型评估,这样经过建模-评估-建模的闭环结构,来建立有效的能源模型。
5)建模评估后,满足要求的模型,则用来进行能源预测12,能源预测前需要导入数据和模型。
6)对能源预测的结果,可以以Excel格式、Txt格式、XML***数据库格式保存预测结果35。
7)保存完能源预测结果后,则***一个完整的流程即运行完成,程序结束36。
具体实施方式
1)搭建企业信息化网,将现场的传感器、PLC、DCS 1构成的PCS层;现场监控终端HMI 2;接口管理服务器3;数据库服务器4;应用层服务器5;Web、防病毒服务器6;客户端工作站7;及各计算机设备等连接成计算机网络。
2)现场的传感器、PLC、DCS 1构成的PCS层及现场监控终端HMI 2,负责现场的控制和数据采集,将数据采集到接口管理服务器3和数据库服务器4中。
3)利用本发明提供的多种数据提取14(Oracle数据库16、SQL Server数据库17、Excel数据文件18、Txt数据文件19、XML***数据库20)方法,提取数据库服务器中的关系数据表或本地数据文件,选择适合的提取方式,提取能源需求预测数据源,为后续分析做准备。
4)利用本发明提供的能源数据预处理15(异常数据预处理21、类型定义与转换22、数据变换23、数据标准化24)方法,对已经提取的能源需求预测数据源进行数据预处理,选择适合的预处理方式,将数据源转换成适合后续分析和预测的数据。
5)针对已经进行能源数据预处理的数据,进行能源建模11(统计模型25、智能模型26、自定义组合模型27)。能源建模时,应该首先选择好建模方法(不同的建模方法适合不同的情况),然后选择参与建模的分析自变量和因变量,设置建模需要的参数,然后就可以点击建模按钮进行能源建模。
6)建模后,可以直接在建模界面上先直观的观察建模效果,建模效果可以通过建模效果图察看。如建模效果不理想,则应该重新建模。
7)对从建模效果图上观察认为建模效果不错的模型,进行模型评估28。模型评估时,首先导入所建模型;选择评估数据源,针对评估数据源,选择配对的自变量和因变量(一定要保证评估数据源的自变量和因变量与所建模型的自变量和因变量一致),如需要对评估数据源进行预处理,则选择数据预处理操作;最后点击评估按钮,该***则自动根据所建模型进行评估计算,计算结果以数据表和图形两种方式展现。
8)针对评估计算结果,确定所建模型是否满足要求,如不满足要求,则需要重新进行能源建模。
9)如果根据评估结果,认为所建模型满足要求,则进行能源预测12。
10)进行能源预测时,应该首先导入能源模型(导入模型29);然后选择预测数据源(数据导入30),针对预测数据源,选择配对的自变量(一定要保证预测数据源的自变量与所建模型的自变量一致),如需要对预测数据源进行预处理,则选择数据预处理操作;最后点击预测按钮,该***则自动根据所建模型进行预测计算,计算结果以数据表和图形两种方式展现。图形方式主要展现能源的需求趋势情况。
Claims (2)
1. 一种一体化的钢铁企业在线能源预测***,其特征在于:由安装在现场的传感器、PLC、DCS(1)构成的PCS层;现场监控终端HMI(2);接口管理服务器(3);数据库服务器(4);应用层服务器(5);Web、防病毒服务器(6);客户端工作站(7);连接各计算机设备、控制器和传感器的计算机网络构成;其中,
a、现场的传感器、PLC、DCS(1)构成的PCS层及现场监控终端HMI(2),主要实现现场的控制和数据采集,数据采集过程如下:现场运行的主要生产设备的工作状态和运行参数以及生产过程的工艺参数,由传感器根据不同的信号将其作滤波、缓冲、调理、放大预处理,然后将信号通过光电隔离后,送入相应的数据采集和控制装置PLC、DCS,用于实时控制和信息上传;
b、接口管理服务器(3)通过网络与现场控制器相联,将现场采集的各种状态信息和能源数据经过数据处理和格式转换,存入数据库中,为能源预测***实时提供参考依据;
c、数据库服务器(4)运行关系数据库管理***,将生产现场的实时过程数据和能源计划数据以及设备运行数据、检修数据,存储在数据库中;
d、应用服务器(5)运行能源需求建模方法、预测方法组件,根据需要调用数据库服务器中的数据,并将建模方法和预测方法写入数据库;
e、Web、防病毒服务器(6)是将应用服务器加工、处理后所得的结果,以Web页面的方式动态发布到Internet或Intranet上,便于用户在客户端通过浏览器进行显示和查阅;同时Web、防病毒服务器还负责网络病毒的防护、网络病毒库的更新;
f、客户端(7)分为专业客户端和瘦客户端两种;专业客户端是在计算机中运行专业客户端软件,实现数据分析和图形显示,并将一定的数据保存在本地计算机,实现数据的离线分析;瘦客户端是在计算机中运行标准的浏览器程序,进行常规的数据展示和查询。
2. 一种使用权利要求1所述***进行钢铁企业生产过程在线能源预测的方法,包括:能源数据提取、能源数据预处理、能源建模、建模算法库、能源预测,其特征在于:
(1)能源数据提取,提供5种数据源提取,提取存储在数据库服务器上的Oracle关系数据库数据、SQL Server关系数据库数据,或提取存储在本地硬盘上的Excel数据文件、Txt文本数据文件和XML***数据库,其中XML***数据库是自己独立的数据库文件形式,以XML格式存储的一种数据源;
(2)能源数据预处理,该***提供多种数据预处理方式供使用者选择,包括异常数据处理、类型定义转换、数据变换、数据标准化;
(3)能源建模,是对能源历史数据和在线数据进行分析,利用常规统计模型和神经网络模型、时间序列模型、小波变换模型、灰色***GM模型、支持矢量机模型进行建模,***提供利用各个单独的模型进行建模,自定义组合各种单独的建模方法进行组合建模;每一种建模方法都提供图形展示的方式供用户查看建模效果;
(4)建模算法库,建模算法库是核心部分,是进行能源预测的基础,建模算法库提供了多种建模算法,包括:统计算法、神经网络算法;建模算法库中所含有的算法有:线性回归建模、非线性回归建模、主元回归建模、PLS建模、支持矢量机建模、专家知识建模、神经网络建模、时间序列建模、小波变换建模、灰色***GM建模、自定义组合建模;
(5)能源预测,利用建立的模型进行能源需求预测,在进行能源预测之前首先对所建立的模型进行评估,评估结果好的模型才能用来进行能源需求预测,否则还需要重新进行建模;根据建模-评估-建模这样的闭环结构,来建立有效的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006101136856A CN100418028C (zh) | 2006-10-12 | 2006-10-12 | 一种一体化的钢铁企业在线能源预测***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006101136856A CN100418028C (zh) | 2006-10-12 | 2006-10-12 | 一种一体化的钢铁企业在线能源预测***与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1945482A CN1945482A (zh) | 2007-04-11 |
CN100418028C true CN100418028C (zh) | 2008-09-10 |
Family
ID=38044914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006101136856A Expired - Fee Related CN100418028C (zh) | 2006-10-12 | 2006-10-12 | 一种一体化的钢铁企业在线能源预测***与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100418028C (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101619850B (zh) * | 2009-08-06 | 2011-04-13 | 杭州盘古自动化***有限公司 | 基于热电***负荷在线预测的调度方法与*** |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561668B (zh) * | 2009-05-15 | 2011-05-04 | 江苏网商软件有限责任公司 | 无油轴套烧结生产线在线监控***及监控方法 |
CN101615026B (zh) * | 2009-07-28 | 2011-02-09 | 西安交通大学 | 一种加工过程控制***的多层动态跟踪控制方法 |
CN102143202A (zh) * | 2010-11-23 | 2011-08-03 | 北京三博中自科技有限公司 | 工业生产设备信息集成方法和*** |
CN102156467B (zh) * | 2011-03-28 | 2012-11-14 | 山西太钢不锈钢股份有限公司 | 基于钢铁生产计划的能源预测方法 |
CN102708296A (zh) * | 2012-05-15 | 2012-10-03 | 红云红河烟草(集团)有限责任公司 | 一种基于灰色多因素预测模型的能源供需预测方法 |
CN103606018B (zh) * | 2013-12-04 | 2016-10-26 | 冶金自动化研究设计院 | 一种钢铁企业电力负荷短期动态预测*** |
CN103745095B (zh) * | 2013-12-25 | 2016-08-17 | 冶金自动化研究设计院 | 一种连铸坯通用信息化表示方法 |
CN105676670B (zh) * | 2014-11-18 | 2019-07-19 | 北京翼虎能源科技有限公司 | 用于处理能源数据的方法和*** |
JP6327235B2 (ja) * | 2015-11-06 | 2018-05-23 | 横河電機株式会社 | イベント解析装置、イベント解析システム、イベント解析方法、およびイベント解析プログラム |
CN105511440B (zh) * | 2016-01-19 | 2018-02-06 | 南阳汉冶特钢有限公司 | 一种基于plc的连轧传动监控***及其监控方法 |
CN105807741B (zh) * | 2016-03-09 | 2018-08-07 | 北京科技大学 | 一种工业生产流程预测方法 |
CN107401500A (zh) * | 2017-08-30 | 2017-11-28 | 滁州市西控电子有限公司 | 一种涡旋压缩机动态电检*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004145749A (ja) * | 2002-10-25 | 2004-05-20 | Jfe Steel Kk | 鉄鋼製品の生産計画システム |
CN1815497A (zh) * | 2005-01-31 | 2006-08-09 | 宝山钢铁股份有限公司 | 钢铁企业日用电量预测方法 |
-
2006
- 2006-10-12 CN CNB2006101136856A patent/CN100418028C/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004145749A (ja) * | 2002-10-25 | 2004-05-20 | Jfe Steel Kk | 鉄鋼製品の生産計画システム |
CN1815497A (zh) * | 2005-01-31 | 2006-08-09 | 宝山钢铁股份有限公司 | 钢铁企业日用电量预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101619850B (zh) * | 2009-08-06 | 2011-04-13 | 杭州盘古自动化***有限公司 | 基于热电***负荷在线预测的调度方法与*** |
Also Published As
Publication number | Publication date |
---|---|
CN1945482A (zh) | 2007-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100418028C (zh) | 一种一体化的钢铁企业在线能源预测***与方法 | |
Orellana et al. | From legacy-based factories to smart factories level 2 according to the industry 4.0 | |
Saldivar et al. | Self-organizing tool for smart design with predictive customer needs and wants to realize Industry 4.0 | |
Lee et al. | Service innovation and smart analytics for industry 4.0 and big data environment | |
CN110209716A (zh) | 智能物联网水务大数据处理方法和*** | |
Shin et al. | Developing a decision support system for improving sustainability performance of manufacturing processes | |
KR20180056900A (ko) | 프로세스마이닝을 이용한 공정 관리 방법 | |
CN102130783A (zh) | 神经网络的智能化告警监控方法 | |
CN109816328A (zh) | 电力工程项目技术经济信息*** | |
CN111133391A (zh) | 用于对风力农场和风力涡轮机数据、数据分析算法和数据分析的结果进行受控式共享的方法 | |
Liu et al. | A transfer learning CNN-LSTM network-based production progress prediction approach in IIoT-enabled manufacturing | |
Lisovsky | Optimization business processes for transition to a sustainable development in the conditions of the fourth industrial revolution | |
Coito et al. | The impact of intelligent automation in internal supply chains | |
CN117235524A (zh) | 自动估值模型的学***台 | |
CN101776909A (zh) | 一种钢铁企业燃气供需动态预测***及方法 | |
Wicaksono et al. | A demand-response system for sustainable manufacturing using linked data and machine learning | |
Dotoli et al. | An integrated technique for the internal logistics analysis and management in discrete manufacturing systems | |
CN117371752A (zh) | 一种建筑施工人力调度方法、介质及*** | |
Ćwikła et al. | Analysis of the possibility of SysML and BPMN application in formal data acquisition system description | |
Wang et al. | Data mining based approach for jobshop scheduling | |
CN102231081B (zh) | 一种流程工业设备用能状态诊断方法 | |
CN110032149A (zh) | 用于监视和控制产品批次的生产的能量成本的方法 | |
Legarretaetxebarria et al. | Optimal scheduling of manufacturing processes across multiple production lines by polynomial optimization and bagged bounded binary knapsack | |
WO2019055329A1 (en) | METHOD FOR DRIVING ROBUST REGRESSION MODELS FROM LIMITED TRAINING DATA | |
Jirkovský et al. | OPC UA realization of cloud cyber-physical system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20080910 Termination date: 20141012 |
|
EXPY | Termination of patent right or utility model |