CN104615856B - 基于热风炉组的煤气消耗量预测模型建立方法及装置 - Google Patents
基于热风炉组的煤气消耗量预测模型建立方法及装置 Download PDFInfo
- Publication number
- CN104615856B CN104615856B CN201510004731.8A CN201510004731A CN104615856B CN 104615856 B CN104615856 B CN 104615856B CN 201510004731 A CN201510004731 A CN 201510004731A CN 104615856 B CN104615856 B CN 104615856B
- Authority
- CN
- China
- Prior art keywords
- gas consumption
- hot blast
- combustion state
- blast stove
- sequence
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 159
- 238000006243 chemical reaction Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000002485 combustion reaction Methods 0.000 claims description 135
- 239000002245 particle Substances 0.000 claims description 22
- 238000009825 accumulation Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 229910052742 iron Inorganic materials 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于热风炉组的煤气消耗量预测模型建立方法及装置,该方法包括:获取热风炉组的历史数据;根据获取的在每个采样时刻每座热风炉的状态确定热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉;将历史数据按照燃烧状态循环周期进行划分,将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集;分别将训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列;将平均值模型作为转换时段的煤气消耗量预测模型;根据非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。该方案适用范围广泛。
Description
技术领域
本发明涉及冶金自动化技术领域,尤其涉及一种基于热风炉组的煤气消耗量预测模型建立方法及装置。
背景技术
钢铁行业是高能耗、高污染、高排放的行业,节能降耗一直是钢铁行业面临的严峻问题之一。在钢铁行业,通常采用高炉炼铁,而高炉炼铁是连续作业,为了满足高炉炼铁过程对连续高温热风的需求,一般会采用3~4座热风炉轮流交替为一座高炉送风,这些热风炉组成热风炉组,热风炉组中每日换炉的次数和时间根据热风炉的座数和燃烧制度而定,高炉炼铁过程中消耗的一次能源有40%左右转变为副产煤气(以下称为高炉煤气),热风炉是炼铁工序中的煤气资源消耗大户,热风炉燃烧一般使用高炉煤气,煤气消耗量约占高炉煤气总量的45%,热风炉要经过燃烧一闷炉一送风一换炉一燃烧这样一个周期过程,只在燃烧状态消耗煤气,一个热风炉的煤气消耗是间断性的,而一座高炉的热风炉组的煤气消耗是连续性的。在高炉炼铁过程中,科学合理地对热风炉组的煤气消耗量进行预测,能够最大限度地利用煤气资源,从而节约成本,减少环境污染。目前,通常采用煤气消耗量预测模型对热风炉组的煤气消耗量进行预测,煤气消耗量预测模型准确性的高低直接影响到是否能够准确地预测热风炉组的煤气消耗量。
按照现有的基于热风炉组的煤气消耗量预测模型建立方法,是以热风炉组的每个热风炉的热平衡为研究基础,通过高炉作业条件,计算出输入热量、燃烧目标值、拱顶温度等燃烧条件的物理模型,根据热风温度、风量等要求预测出热风炉热状态和煤气消耗量。该模型的理论分析因素复杂(耦合了热风炉的炉型结构、内部煤气流动等参数),无法用在热风炉的炉型设计参数未知时建立基于热风炉的煤气消耗量预测模型,该方法适用范围非常有限。
发明内容
本发明实施例提供一种基于热风炉组的煤气消耗量预测模型建立方法及装置,用以解决现有的基于热风炉组的煤气消耗量预测模型建立方法适用范围非常有限的问题。
根据本发明实施例,提供一种基于热风炉组的煤气消耗量预测模型建立方法,包括:
获取热风炉组的历史数据,所述历史数据包括在每个采样时刻所述热风炉组的煤气消耗量以及所述热风炉组中每座热风炉的状态;
根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉;
将所述历史数据按照所述燃烧状态循环周期进行划分,将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集;
分别将所述训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列;
对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段,将平均值模型作为所述转换时段的煤气消耗量预测模型;
对于除去所述转换时段的非转换时段,根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。
具体的,根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉,具体包括:
按照采样时刻的先后顺序统计所述热风炉组中处于燃烧状态的热风炉;
将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉;
将所述最小重复单元经历的最长时间确定为所述燃烧状态循环周期。
具体的,根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型,具体包括:
针对所述非转换时段的每个采样时刻,执行:
获取所述当前采样时刻的原始数据序列,作为所述灰色模型的建模序列;
根据所述建模序列计算所述当前采样时刻的一次累加序列;
根据所述一次累加序列生成背景值序列;
根据所述一次累加序列和所述背景值序列确定灰微分方程的发展系数和灰色作用量,得到所述灰微分方程的时间响应序列;
根据所述时间响应序列还原所述当前采样时刻的煤气消耗量,得到所述当前采样时刻的煤气消耗量预测模型。
可选的,还包括:
将所述最后一个燃烧状态循环周期内的历史数据作为测试集;
获取所述测试集中每个采样时刻的煤气消耗量,得到每个采样时刻的实际煤气消耗量;
使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量,得到每个采样时刻的预测煤气消耗量;
将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较,检验每个采样时刻的煤气消耗量预测模型的预测准确性。
可选的,还包括:
采用粒子群算法确定所述当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度,得到所述当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。
根据本发明实施例,提供一种基于热风炉组的煤气消耗量预测模型建立装置,包括:
获取单元,用于获取热风炉组的历史数据,所述历史数据包括在每个采样时刻所述热风炉组的煤气消耗量以及所述热风炉组中每座热风炉的状态;
第一确定单元,用于根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉;
划分单元,用于将所述历史数据按照所述燃烧状态循环周期进行划分,将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集;
第二确定单元,用于分别将所述训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列;
第三确定单元,用于对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段,将平均值模型作为所述转换时段的煤气消耗量预测模型;对于除去所述转换时段的非转换时段,根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。
具体的,所述第一确定单元,具体用于:
按照采样时刻的先后顺序统计所述热风炉组中处于燃烧状态的热风炉;
将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉;
将所述最小重复单元经历的最长时间确定为所述燃烧状态循环周期。
具体的,所述第三确定单元,具体用于:
针对所述非转换时段的每个采样时刻,执行:
获取所述当前采样时刻的原始数据序列,作为所述灰色模型的建模序列;
根据所述建模序列计算所述当前采样时刻的一次累加序列;
根据所述一次累加序列生成背景值序列;
根据所述一次累加序列和所述背景值序列确定灰微分方程的发展系数和灰色作用量,得到所述灰微分方程的时间响应序列;
根据所述时间响应序列还原所述当前采样时刻的煤气消耗量,得到所述当前采样时刻的煤气消耗量预测模型。
可选的,还包括检验单元,用于:
将所述最后一个燃烧状态循环周期内的历史数据作为测试集;
获取所述测试集中每个采样时刻的煤气消耗量,得到每个采样时刻的实际煤气消耗量;
使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量,得到每个采样时刻的预测煤气消耗量;
将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较,检验每个采样时刻的煤气消耗量预测模型的预测准确性。
可选的,还包括优化单元,用于:
采用粒子群算法确定所述当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度,得到所述当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。
本发明有益效果如下:
本发明实施例提供一种基于热风炉组的煤气消耗量预测模型建立方法及装置,通过获取热风炉组的历史数据,所述历史数据包括在每个采样时刻所述热风炉组的煤气消耗量以及所述热风炉组中每座热风炉的状态;根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉;将所述历史数据按照所述燃烧状态循环周期进行划分,将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集;分别将所述训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列;对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段,将平均值模型作为所述转换时段的煤气消耗量预测模型;对于除去所述转换时段的非转换时段,根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。该方案中,根据热风炉组的历史数据来确定各个采样时刻的煤气消耗量预测模型,无论是否获取热风炉组中的热风炉的炉型结构、内部煤气流动等参数,只要获取到热风炉组的历史数据即可建立煤气消耗量预测模型,相对于现有技术的方法适用范围广泛。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于热风炉组的煤气消耗量预测模型建立方法的流程示意图;
图2为本发明实施例在实际应用中热风炉组的煤气消耗量示意图;
图3为本发明实施例中热风炉组一个燃烧状态循环周期过程内的运行状态的示意图;
图4为本发明实施例中预测煤气消耗量与实际煤气消耗量对比图;
图5为本发明实施例中预测误差百分比的示意图;
图6为本发明实施例中一种基于热风炉组的煤气消耗量预测模型建立装置的流程示意图。
具体实施方式
针对现有技术中存在的基于热风炉组的煤气消耗量预测模型建立方法适用范围非常有限的问题,本发明实施例提供一种基于热风炉组的煤气消耗量预测模型建立方法,该方法的流程如图1所示,执行步骤如下:
S11:获取热风炉组的历史数据。
热风炉组在给高炉连续送风时,会记录热风炉组的历史数据,该历史数据包括在每个采样时刻热风炉组的煤气消耗量以及热风炉组中每座热风炉的状态,由于只有热风炉处于燃烧状态时才消耗煤气,因此需要获取每座热风炉的状态。
S12:根据获取的在每个采样时刻每座热风炉的状态确定热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉。
热风炉要经过燃烧一闷炉一送风一换炉一燃烧这样一个周期过程,只在燃烧状态消耗煤气,一个热风炉的煤气消耗是间断性的,而一座高炉的热风炉组的煤气消耗是连续性的,因此,可以确定热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉。
S13:将历史数据按照燃烧状态循环周期进行划分,将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集。
S14:分别将训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列。
具体的,还可以根据热风炉组的燃烧状态循环周期中经历燃烧状态的热风炉,将每个燃烧状态循环周期内的历史数据进行分组,例如,有1号、2号、3号三座热风炉,在一个燃烧循环周期内,处于燃烧状态的热风炉分别是1号热风炉一1号2号热风炉一2号热风炉一2号3号热风炉一3号热风炉一3号1号热风炉一1号热风炉,那么就可以将该燃烧状态循环周期内的历史数据分为六组,同组的历史数据按照采样时刻分类,得到每个采样时刻的原始数据序列。
S15:对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段,将平均值模型作为转换时段的煤气消耗量预测模型;对于除去转换时段的非转换时段,根据非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。
需要说明的是,预测下一燃烧状态循环周期内的转换时段的煤气消耗量时,可以获取当前燃烧状态循环周期内转换为一座热风炉处于燃烧状态后的第一采样时刻的煤气消耗量数据序列的平均值,将该平均值作为预测的下一燃烧状态循环周期内的转换时段的煤气消耗量;预测下一个燃烧状态循环周期内的非转换时段内采样时刻的煤气消耗量时,由于一个采样时刻对应一个煤气消耗量预测模型,因此可以根据对应采样时刻的煤气消耗量预测模型和当前燃烧状态循环周期内对应采样时刻的原始数据序列进行预测。
该方案中,根据热风炉组的历史数据来确定各个采样时刻的煤气消耗量预测模型,无论是否获取热风炉组中的热风炉的炉型结构、内部煤气流动等参数,只要获取到热风炉组的历史数据即可建立煤气消耗量预测模型,相对于现有技术的方法适用范围广泛。
具体的,上述S12中的根据获取的在每个采样时刻每座热风炉的状态确定热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉,具体包括:
按照采样时刻的先后顺序统计热风炉组中处于燃烧状态的热风炉;
将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉;
将最小重复单元经历的最长时间确定为燃烧状态循环周期。
图2是实际应用中热风炉组的煤气消耗量示意图,从图中可以看出,热风炉组的煤气消耗量是非线性非稳态的,并且异常随机波动较大,但整体保持一个稳定的趋势,表现为周期性的有规律的大幅度波动。图3是对热风炉组一个燃烧状态循环周期过程内的运行状态进行统计,本发明实施例热风炉组包括3座热风炉,记为1号热风炉、2号热风炉、3号热风炉,最小重复单元表现为1号热风炉处于燃烧状态一1号2号热风炉处于燃烧状态一2号热风炉处于燃烧状态一2号3号热风炉处于燃烧状态一3号热风炉处于燃烧状态一3号1号热风炉处于燃烧状态一1号热风炉处于燃烧状态,最小重复单元经历的时间长度不一致,可以将最小重复单元经历的最长时间确定为燃烧状态循环周期。
具体的,上述S16中的根据非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型,具体包括:
针对非转换时段的每个采样时刻,执行:
获取当前采样时刻的原始数据序列,作为灰色模型的建模序列;
根据建模序列计算当前采样时刻的一次累加序列;
根据一次累加序列生成背景值序列;
根据一次累加序列和背景值序列确定灰微分方程的发展系数和灰色作用量,得到灰微分方程的时间响应序列;
根据时间响应序列还原当前采样时刻的煤气消耗量,得到当前采样时刻的煤气消耗量预测模型。
灰色模型采用背景值和初始值优化后的GM(1,1)模型,该模型中引入背景值优化参数θ修正GM(1,1)模型背景值的计算公式,引入初始值优化参数η修正初始值,GM(1,1)模型中θ和η为默认值。以下一燃烧状态循环周期1号热风炉处于燃烧状态第一个采样时刻煤气消耗量预测为例进行说明,建模过程如下:
使用训练集中n个燃烧状态循环周期热风炉组的1号热风炉处于燃烧状态时第一个采样时刻的煤气消耗量数据序列建立原始数据序列x(0)=(x(0)(1),x(0)(2),…,x(0)(n)),n为数据个数。
引入参数η,将初始值条件修正为x(0)(1)=x(0)(1)+η,式中参数η为修正项,GM(1,1)模型中η为默认值0,通常情况下η为0。
建立GM(1,1)模型来实现下一燃烧状态循环周期1号热风炉处于燃烧状态时第一个采样时刻的煤气消耗量预测功能,基本步骤如下:
原始数据序列进行一次累加后生成一次累加序列:
x(1)(k)={x(1)(1),x(1)(2),…,x(1)(n)};
其中,x(1)(k)中各数据表示对应前k项数据的累加。
一次累加序列中的数列x(1)(k)满足如下的灰微分方程:
a,u为待定系数,分别称为发展系数和灰色作用量,a的有效区间是(-2,2),并记a,u构成的矩阵为灰参数只要求出参数a,u,就能求出x(1)(t),进而求出x(0)的预测值。
离散方程为x(0)(k)+az(1)(k)=u,k=1,2…;
引入θ,将背景值的计算公式修正为:
z(1)(k)=(1-θ)x(1)(k)+θx(1)(k-1),式中,0≤θ≤1 (1);
GM(1,1)模型中θ为默认值,通常θ取0.5。
用最小二乘法求解灰参数则
其中,
将灰参数代入并对进行求解,得
由于是通过最小二乘法求出的近似值,所以是一个近似表达式,可以标识近似数据序列,为了与一次累加序列x(1)(k+1)区分开来,故记为
对函数表达式及进行离散,并将二者做差以便还原x(0)原序列,得到近似数据序列如下:
下一燃烧状态循环周期1号热风炉处于燃烧状态第一个采样时刻煤气消耗量预测值为:
可选的,上述基于热风炉组的煤气消耗量预测方法,还包括:
将最后一个燃烧状态循环周期内的历史数据作为测试集;
获取测试集中每个采样时刻的煤气消耗量,得到每个采样时刻的实际煤气消耗量;
使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量,得到每个采样时刻的预测煤气消耗量;
将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较,检验每个采样时刻的煤气消耗量预测模型的预测准确性。
可以计算实际煤气消耗量x(0)(t)与预测煤气消耗量之间的残差e(0)(t)和相对误差q(0)(t):
q(0)(t)=e(0)(t)/x(0)(t)
检验e(0)(t)和q(0)(t)是否符合偏差检验要求。
预测煤气消耗量与实际煤气消耗量对比如图4所示,预测误差百分比如图5所示,通过与测试集数据实际输出比较,预测误差大部分在±5%以内,平均误差3.4086%,符合偏差检验要求。
可选的,上述基于热风炉组的煤气消耗量预测方法,还包括:
采用粒子群算法确定当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度,得到当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。
具体过程为:
(a)初始化粒子:设定学习因子c1和c2,惯性权重ω,速度上限Vmax,最大迭代次数Tmax。当前迭代次数t为1,随机产生m个粒子,粒子维数设为2维,分别代表求解的参数θ和η,初始化粒子群中粒子的位置与速度如下:
ui=(θi1,ηi2),vi=(vi1,vi2),i=1,2,…,m
其中0≤θi1≤1,一2≤vi≤2。
(b)将每个粒子ui=(θi1,ηi2)中θi1依次代入公式(1),得到矩阵B,通过B求出a和u,然后将对应ηi2代入公式(2),得到对应预测煤气消耗量以实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小为目标,粒子群算法适应度函数构造为:
式中N为原始数据序列的数据个数,F越小,说明参数θ和η用于灰色建模的适应性越好,F可以称为适用值。
(c)比较粒子的当前适应值和自身历史最优值,如果优于原来的个体极值,设置当前适应值为个体极值。
(d)根据各个粒子的个体极值,找出全局极值。
(e)更新粒子的速度和位置,并把它限制在Vmax内。
(f)判断迭代次数是否大于Tmax。或者优化所得全局最优位置相应的适应度值是否满足预设的适应度阀值,若满足,转向执行步骤(g),得出最优参数θ和η;否则t=t+1转向执行步骤(b),继续寻找最优位置。
(g)输出全局最优位置,得到全局最优参数θ和η,算法运行结束。将最优参数θ和η代入GM(1,1)模型修正背景值和初始值,从而能够提升最终得到的煤气消耗量预测模型的准确性。
基于同一发明构思,本发明实施例提供一种基于热风炉组的煤气消耗量预测模型建立装置,该装置可以设置在热风炉组中,结构如图6所示,包括:
获取单元61,用于获取热风炉组的历史数据,历史数据包括在每个采样时刻热风炉组的煤气消耗量以及热风炉组中每座热风炉的状态;
第一确定单元62,用于根据获取的在每个采样时刻每座热风炉的状态确定热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉;
划分单元63,用于将历史数据按照燃烧状态循环周期进行划分,将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集;
第二确定单元64,用于分别将训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列;
第三确定单元65,用于对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段,将平均值模型作为转换时段的煤气消耗量预测模型;对于除去转换时段的非转换时段,根据非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。
具体的,第一确定单元62,具体用于:
按照采样时刻的先后顺序统计热风炉组中处于燃烧状态的热风炉;
将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉;
将最小重复单元经历的最长时间确定为燃烧状态循环周期。
具体的,第三确定单元65,具体用于:
针对非转换时段的每个采样时刻,执行:
获取当前采样时刻的原始数据序列,作为灰色模型的建模序列;
根据建模序列计算当前采样时刻的一次累加序列;
根据一次累加序列生成背景值序列;
根据一次累加序列和背景值序列确定灰微分方程的发展系数和灰色作用量,得到灰微分方程的时间响应序列;
根据时间响应序列还原当前采样时刻的煤气消耗量,得到当前采样时刻的煤气消耗量预测模型。
可选的,还包括检验单元,用于:
将最后一个燃烧状态循环周期内的历史数据作为测试集;
获取测试集中每个采样时刻的煤气消耗量,得到每个采样时刻的实际煤气消耗量;
使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量,得到每个采样时刻的预测煤气消耗量;
将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较,检验每个采样时刻的煤气消耗量预测模型的预测准确性。
可选的,还包括优化单元,用于:
采用粒子群算法确定当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度,得到当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的可选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括可选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于热风炉组的煤气消耗量预测模型建立方法,其特征在于,包括:
获取热风炉组的历史数据,所述历史数据包括在每个采样时刻所述热风炉组的煤气消耗量以及所述热风炉组中每座热风炉的状态;
根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉;
将所述历史数据按照所述燃烧状态循环周期进行划分,将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集;
分别将所述训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列;
对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段,将平均值模型作为所述转换时段的煤气消耗量预测模型;
对于除去所述转换时段的非转换时段,根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。
2.如权利要求1所述的方法,其特征在于,根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉,具体包括:
按照采样时刻的先后顺序统计所述热风炉组中处于燃烧状态的热风炉;
将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉;
将所述最小重复单元经历的最长时间确定为所述燃烧状态循环周期。
3.如权利要求1所述的方法,其特征在于,根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型,具体包括:
针对所述非转换时段的每个采样时刻,执行:
获取当前采样时刻的原始数据序列,作为所述灰色模型的建模序列;
根据所述建模序列计算所述当前采样时刻的一次累加序列;
根据所述一次累加序列生成背景值序列;
根据所述一次累加序列和所述背景值序列确定灰微分方程的发展系数和灰色作用量,得到所述灰微分方程的时间响应序列;
根据所述时间响应序列还原所述当前采样时刻的煤气消耗量,得到所述当前采样时刻的煤气消耗量预测模型。
4.如权利要求3所述的方法,其特征在于,还包括:
将所述最后一个燃烧状态循环周期内的历史数据作为测试集;
获取所述测试集中每个采样时刻的煤气消耗量,得到每个采样时刻的实际煤气消耗量;
使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量,得到每个采样时刻的预测煤气消耗量;
将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较,检验每个采样时刻的煤气消耗量预测模型的预测准确性。
5.如权利要求3所述的方法,其特征在于,还包括:
采用粒子群算法确定所述当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度,得到所述当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。
6.一种基于热风炉组的煤气消耗量预测模型建立装置,其特征在于,包括:
获取单元,用于获取热风炉组的历史数据,所述历史数据包括在每个采样时刻所述热风炉组的煤气消耗量以及所述热风炉组中每座热风炉的状态;
第一确定单元,用于根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉;
划分单元,用于将所述历史数据按照所述燃烧状态循环周期进行划分,将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集;
第二确定单元,用于分别将所述训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列;
第三确定单元,用于对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段,将平均值模型作为所述转换时段的煤气消耗量预测模型;对于除去所述转换时段的非转换时段,根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。
7.如权利要求6所述的装置,其特征在于,所述第一确定单元,具体用于:
按照采样时刻的先后顺序统计所述热风炉组中处于燃烧状态的热风炉;
将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉;
将所述最小重复单元经历的最长时间确定为所述燃烧状态循环周期。
8.如权利要求6所述的装置,其特征在于,所述第三确定单元,具体用于:
针对所述非转换时段的每个采样时刻,执行:
获取当前采样时刻的原始数据序列,作为所述灰色模型的建模序列;
根据所述建模序列计算所述当前采样时刻的一次累加序列;
根据所述一次累加序列生成背景值序列;
根据所述一次累加序列和所述背景值序列确定灰微分方程的发展系数和灰色作用量,得到所述灰微分方程的时间响应序列;
根据所述时间响应序列还原所述当前采样时刻的煤气消耗量,得到所述当前采样时刻的煤气消耗量预测模型。
9.如权利要求8所述的装置,其特征在于,还包括检验单元,用于:
将所述最后一个燃烧状态循环周期内的历史数据作为测试集;
获取所述测试集中每个采样时刻的煤气消耗量,得到每个采样时刻的实际煤气消耗量;
使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量,得到每个采样时刻的预测煤气消耗量;
将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较,检验每个采样时刻的煤气消耗量预测模型的预测准确性。
10.如权利要求8所述的装置,其特征在于,还包括优化单元,用于:
采用粒子群算法确定所述当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度,得到所述当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510004731.8A CN104615856B (zh) | 2015-01-06 | 2015-01-06 | 基于热风炉组的煤气消耗量预测模型建立方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510004731.8A CN104615856B (zh) | 2015-01-06 | 2015-01-06 | 基于热风炉组的煤气消耗量预测模型建立方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104615856A CN104615856A (zh) | 2015-05-13 |
CN104615856B true CN104615856B (zh) | 2017-09-29 |
Family
ID=53150297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510004731.8A Active CN104615856B (zh) | 2015-01-06 | 2015-01-06 | 基于热风炉组的煤气消耗量预测模型建立方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104615856B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105907906B (zh) * | 2016-04-25 | 2017-12-12 | 中南大学 | 球式热风炉烧炉过程建模与能耗优化方法及*** |
CN110533271A (zh) * | 2018-05-29 | 2019-12-03 | 广东韶钢松山股份有限公司 | 一种高炉热风炉运行状态评估方法 |
CN109710976B (zh) * | 2018-11-28 | 2023-05-16 | 鞍钢集团自动化有限公司 | 一种轧钢加热炉煤气消耗量预测方法 |
CN110699502B (zh) * | 2019-09-30 | 2021-04-20 | 鞍钢集团自动化有限公司 | 一种高精度预测高炉热风炉煤气消耗量的方法 |
CN111549193B (zh) * | 2020-05-20 | 2021-11-12 | 南京南瑞继保电气有限公司 | 用于多座高炉热风炉的换炉方法、换炉装置及控制设备 |
CN112541628B (zh) * | 2020-12-07 | 2024-01-30 | 东北大学 | 一种多模型耦合驱动的高炉煤气产生量预测方法及*** |
CN113251670B (zh) * | 2021-05-28 | 2021-10-26 | 江苏永联慧科物联技术有限公司 | 热风炉控制、训练方法、装置、设备、热风炉***及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103243190A (zh) * | 2013-05-29 | 2013-08-14 | 北京建龙重工集团有限公司 | 一种预测热风炉煤气消耗量的方法 |
CN103530705A (zh) * | 2013-10-17 | 2014-01-22 | 武汉钢铁(集团)公司 | 一种钢铁企业煤气预测方法、装置及*** |
CN103559543A (zh) * | 2013-11-13 | 2014-02-05 | 莱芜钢铁集团电子有限公司 | 一种高炉煤气发生量的预测方法及装置 |
CN104238483A (zh) * | 2013-12-23 | 2014-12-24 | 东北大学 | 基于生产工况的高炉煤气产生量与消耗量的标定方法 |
-
2015
- 2015-01-06 CN CN201510004731.8A patent/CN104615856B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103243190A (zh) * | 2013-05-29 | 2013-08-14 | 北京建龙重工集团有限公司 | 一种预测热风炉煤气消耗量的方法 |
CN103530705A (zh) * | 2013-10-17 | 2014-01-22 | 武汉钢铁(集团)公司 | 一种钢铁企业煤气预测方法、装置及*** |
CN103559543A (zh) * | 2013-11-13 | 2014-02-05 | 莱芜钢铁集团电子有限公司 | 一种高炉煤气发生量的预测方法及装置 |
CN104238483A (zh) * | 2013-12-23 | 2014-12-24 | 东北大学 | 基于生产工况的高炉煤气产生量与消耗量的标定方法 |
Non-Patent Citations (4)
Title |
---|
基于灰色时序组合模型的高炉热风炉煤气消耗量的预测;梁青艳 等;《冶金自动化》;20091231;第513-515页 * |
粒子群优化的灰色模型在中长期负荷预测中的应用;杨胡萍 等;《电测与仪表》;20110228;第48卷(第2期);第40-43、63页 * |
钢铁企业基于消耗预测模型的煤气自动平衡方法及其应用;戴朝晖;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技I辑》;20060615(第6期);全文 * |
钢铁企业煤气消耗预测模型及其应用研究;李玲玲;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技I辑》;20050315(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104615856A (zh) | 2015-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104615856B (zh) | 基于热风炉组的煤气消耗量预测模型建立方法及装置 | |
Hu et al. | A multilevel prediction model of carbon efficiency based on the differential evolution algorithm for the iron ore sintering process | |
CN108932567B (zh) | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 | |
CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
CN104778361B (zh) | 改进型EMD‑Elman神经网络预测铁水硅含量的方法 | |
JP6404909B2 (ja) | 技術的な系の出力量のモデルを算出する方法 | |
Li et al. | Intelligent control model and its simulation of flue temperature in coke oven | |
CN108153146B (zh) | 一种高炉多元铁水质量无模型自适应控制***及方法 | |
CN109583585A (zh) | 一种电站锅炉壁温预测神经网络模型 | |
CN107918368B (zh) | 钢铁企业煤气产生量与消耗量的动态预测方法及设备 | |
Zhou et al. | Iterative learning double closed-loop structure for modeling and controller design of output stochastic distribution control systems | |
CN109342703B (zh) | 一种水泥熟料游离钙含量测量方法及*** | |
CN110207094B (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
CN103150581B (zh) | 基于最小二乘支持向量机燃烧模型的锅炉优化方法和装置 | |
CN104133506B (zh) | 一种加热炉加热段炉膛温度检测值计算方法 | |
CN112359159B (zh) | 一种基于深度强化学习的热风炉自动烧炉方法及*** | |
CN110597070A (zh) | 火电机组***模型参数的辨识方法 | |
CN102841983B (zh) | 一种工业窑炉热效率在线监测方法 | |
CN103593578A (zh) | 焦炉加热燃烧过程烟道吸力反馈设定方法 | |
Ji et al. | Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate | |
CN111950698A (zh) | 基于卷积-门控循环神经网络的水泥回转窑电耗预测方法 | |
CN114021819B (zh) | 基于分数阶灰色延时模型的火电厂氮氧化物含量预测方法 | |
CN116293623A (zh) | 一种基于能效曲线的锅炉负荷分配方法 | |
CN114611820A (zh) | 一种非等间距灰色bp神经网络深基坑变形预测方法 | |
Zhaosheng | The optimization design of PID controller parameters based on particle swarm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |