CN108171381A - 一种高炉co利用率混沌加权一阶局部预测方法和*** - Google Patents
一种高炉co利用率混沌加权一阶局部预测方法和*** Download PDFInfo
- Publication number
- CN108171381A CN108171381A CN201711483980.5A CN201711483980A CN108171381A CN 108171381 A CN108171381 A CN 108171381A CN 201711483980 A CN201711483980 A CN 201711483980A CN 108171381 A CN108171381 A CN 108171381A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- utilization rate
- carbon monoxide
- phase space
- time series
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Manufacture Of Iron (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种高炉一氧化碳利用率混沌加权一阶局部预测方法和***,通过采用自相关函数法和关联积分法确定相空间嵌入时间和嵌入维度,采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构;采用小波去噪方法对高炉一氧化碳利用率时间序列进行去噪处理;建立高炉一氧化碳利用率混沌加权一阶局部预测模型,并计算一阶线性拟合模型中的系数;根据已确定的最优系数,获得高炉一氧化碳利用率预测值。本发明为高炉一氧化碳利用率提供了有效预测,解决了高炉能耗指标优化,降低能耗的目的。
Description
技术领域
本发明属于高炉一氧化碳利用率超短期预测技术领域,涉及到一种高炉CO利用率混沌加权一阶局部预测方法及***。
背景技术
钢铁工业是国民经济的支柱产业,同时,也属于高能耗和高排放的产业。随着资源节约型、环境友好型的社会目标的提出和发展加速,钢铁工业承担起更多的节能减排的重任,从而实现低耗环保。
作为钢铁冶炼中最主要和最重要的组成部分,高炉不仅是冶炼的关键设备,同时也是钢铁企业中能源、资源消耗和污染的大户。在高炉冶炼过程中,高炉一氧化碳利用率直接影响吨铁的能耗和高炉能量的利用,能够很好地评估高炉能源利用的好坏;同时,高炉一氧化碳利用率还可以实时表征当前的高炉操作水平和运行的情况。因此,对高炉能耗指标一氧化碳利用率进行精准的预测和掌控,为高炉现场操作提供实时的指引,从而保证高炉的稳顺运行,具有重要的实际意义。
然而,由于高炉工作环境的密闭性和复杂性,通常很难通过建立描述高炉一氧化碳利用率发展变化的状态方程或机理模型来分析高炉一氧化碳利用率,进而掌握其发展变化的规律,对其进行精准的预测。此外,在操作现场,通常高炉一氧化碳利用率的预测主要还是依靠现场操作人员的经验,由于人工经验的有限,使得预测一氧化碳利用率的变化发展趋势具有一定的主观性和局限性。由于缺乏数据驱动等其他方法对高炉一氧化碳利用率的预测分析,致使现场人员对高炉一氧化碳利用率发展变化趋势不能进行很好的实时评估,从而错过了现场操作的调整,导致实际生产中一氧化碳利用率的综合改进受到限制。所以开发建设高炉一氧化碳利用率预测***,对高炉一氧化碳利用率进行精准预测,为现场优化高炉一氧化碳利用率的操作提供指导,实现高炉降耗的目的,显得尤为重要。
发明内容
针对现有高炉一氧化碳利用率预测模型和预测精确度的不足,提供一种高炉一氧化碳利用率混沌加权一阶局部预测方法及***,来解决高炉能耗指标优化,降低能耗的目的。
为了实现上述目的,本发明提供了一种高炉CO利用率混沌加权一阶局部预测方法,包括如下步骤:
S1、输入原始高炉一氧化碳利用率的时间序列η(co)i,i=1,2,…,N,其中N为高炉一氧化碳利用率样本时间序列的长度;
S2、对S1中输入的原始高炉一氧化碳利用率的时间序列采用自相关函数法确定高炉一氧化碳利用率时间序列相空间嵌入时间τ;
S3、对S1中输入的原始高炉一氧化碳利用率的时间序列采用关联积分法确定高炉一氧化碳利用率时间序列相空间嵌入维数m;
S4、利用步骤S2和S3中确定的嵌入时间τ和嵌入维数m两个参数,采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构;
S5、采用小波去噪方法对步骤S4中获得的时间序列重构相空间进行去噪处理;
S6、根据步骤S5中去噪后的高炉一氧化碳利用率时间序列相空间,选取重构相空间最后一个相点作为预测中心点ZM,选取与预测中心点ZM距离为si的点为相邻相空间点ZMi,确定相邻相空间点ZMi的权值Qi;
S7、根据步骤S6获得的相邻相空间点ZMi的权值Qi,建立高炉一氧化碳利用率混沌加权局部预测模型,并计算一阶线性拟合模型中的系数矩阵;
S8、根据步骤S7中确定的最优系数矩阵,获得高炉一氧化碳利用率预测值。
在本发明的一种基于高炉CO利用率混沌加权一阶局部预测方法中,步骤S2中的采用自相关函数法确定嵌入时间通过以下步骤实现:
S21、建立高炉一氧化碳利用率时间序列的自相关函数
S22、根据S21的自相关函数表达式,当Cτ取值趋向于0时的τ值即可确定为高炉一氧化碳利用率重构相空间的嵌入时间τ。
在本发明的一种基于高炉CO利用率混沌加权一阶局部预测方法中,步骤S3中的关联积分法确定嵌入维度通过以下步骤实现:
S31、获得高炉一氧化碳利用率重构相空间中点的个数M;
S32、建立高炉一氧化碳利用率时序的关联积分函数方程
其中,dij表示高炉一氧化碳利用率重构相空间中任意两矢量点之间的欧氏距离,r为相空间中任选的距离,为Heaviside函数;
S33、根据步骤S2确定的嵌入时间τ的数值及S32中的关联积分函数方程,得到高炉一氧化碳利用率关联维数D的计算表达式:
S34、由步骤S33中的关联维数计算可得,高炉样本空间的lnC(co)m(r)随lnr的斜率的变化率小于预设的阈值k时,m为最佳嵌入维度,从而获得高炉一氧化碳利用率时间序列重构相空间嵌入维数m。
在本发明的一种基于高炉CO利用率混沌加权一阶局部预测方法中,步骤S4中的采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构,通过如下步骤得到:
S41:输入一氧化碳利用率重构相空间嵌入时间τ和嵌入维数m;
S42:采用延迟坐标法进行相空间重构,其重构后的相空间具体为:
其中,N是一氧化碳利用率原始样本时间序列的个数,M=N-(m-1)τ为一氧化碳利用率时间序列嵌入相空间的向量个数。
在本发明的一种基于高炉CO利用率混沌加权一阶局部预测方法中,所述步骤S6中的权值Qi具体计算过程为:
通过如下公式计算确定相邻相空间点ZMi的权值Qi;
其中,h为常数,通常取1,p是相邻点相空间点的个数,si为相邻相空间点ZMi到预测中心点ZM的距离,smin为si中的最小值。
在本发明的一种基于高炉CO利用率混沌加权一阶局部预测方法中,所述步骤S7具体步骤为:
S71:根据步骤S6中得到的相邻空间点的权值Qi,建立高炉一氧化碳利用率混沌一阶加权局部预测模型,建立相邻相空间点ZMi和第k步演化相空间点ZMi+k之间的模型;
ZMi+k=cke+gkZMi,i=1,2,…,N
S72:采用如下加权最小二乘法拟合线性方程,建立加权最小二乘拟合线性函数T与第 k步演化相空间点ZMi+k之间的模型;
其中,是向量ZMi的第j个元素;
S73:对步骤S72中得到的加权最小二乘法拟合线性方程两边同时求偏导计算,确定最优线性拟合系数矩阵ck和gk的值。
在本发明的一种基于高炉CO利用率混沌加权一阶局部预测方法中,步骤S7中的高炉一氧化碳利用率预测值可通过下式迭代计算获得:
ZM+k=cke+gkZM
其中,e=(1,1,…,1)T是p维列向量,ZM+k为第k步高炉一氧化碳利用率预测值。
在本发明的一种基于高炉CO利用率混沌加权一阶局部预测方法中,还包括:通过步骤S8得出的高炉一氧化碳利用率预测^值,通过如下步骤计算出模型的预测精度;
获取高炉一氧化碳利用率预测值z(m),高炉一氧化碳利用率真实值z(m),预测步数k;
根据公式和计算出相对基于混沌加权一阶局部模型的误差(Perr)和均方根误差(RMSE);
根据以上两个公式计算出的相对误差(Perr)和均方根误差(RMSE)来衡量基于混沌加权一阶局部模型的预测精度。
优选的,在本发明还包括一种基于高炉CO利用率混沌加权一阶局部预测***,包括以下模块:
初入初始化数据信息模块,用于输入原始高炉一氧化碳利用率的时间序列η(co)i, i=1,2,…,N,其中N为高炉一氧化碳利用率样本时间序列的长度;
计算嵌入时间模块,用于初始化数据信息模块输入的原始高炉一氧化碳利用率的时间序列采用自相关函数法确定高炉一氧化碳利用率时间序列重构相空间嵌入时间τ;
计算嵌入维数模块,用于对输入的原始高炉一氧化碳利用率的时间序列采用关联积分法确定高炉一氧化碳利用率时间序列重构相空间嵌入维数m;
相空间重构模块,用于采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构;
小波去噪模块,用于采用小波去噪方法对相空间重构后的一氧化碳利用率时间序列进行去噪处理;
权值计算模块,根据小波去噪模块去噪后的高炉一氧化碳利用率时间序列相空间,确定预测中心点ZM,寻找与该中心点对应的相邻相空间点ZMi,确定相邻相空间点ZMi的权值 Qi;
模型系数矩阵获取模块,用于根据上一步获得的相邻相空间点ZMi的权值Qi,建立高炉一氧化碳利用率混沌加权一阶局部预测模型,并计算一阶线性拟合模型中的系数矩阵;
预测值获取模块,于根据确定的最优系数矩阵,获得高炉一氧化碳利用率预测值。
与现有技术相比,本发明所具有的有益效果为:
1.从时间序列的角度入手,利用混沌相空间技术对高炉一氧化碳利用率进行预测,避免了其他各种外在因素的影响,保证了预测的精度。
2.采用小波技术对来自于现场的高炉一氧化碳利用率样本数据的去噪处理,保证了实验数据的可靠性,为下步建立准确的预测模型奠定了基础。
3.建立的高炉一氧化碳利用率混沌加权一阶局部预测模型简单,计算量小,耗时短,保证预测结果准确。
4.高炉一氧化碳利用率的混沌加权一阶局部预测,为现场的实际操作提供有效的指引,实现高炉能耗指标优化、降低能耗的目的。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明流程简图;
图2为本发明1100m3高炉一氧化碳利用率样本时间序列图;
图3为本发明3200m3高炉一氧化碳利用率样本时间序列图;
图4为本发明1100m3高炉一氧化碳利用率时间序列自相关函数图;
图5为本发明3200m3高炉一氧化碳利用率时间序列自相关函数图;
图6为本发明1100m3高炉一氧化碳利用率时间序列关联积分图;
图7为本发明3200m3高炉一氧化碳利用率时间序列关联积分图;
图8为本发明1100m3高炉一氧化碳利用率小波去噪图;
图9为本发明3200m3高炉一氧化碳利用率小波去噪图;
图10为本发明1100m3高炉一氧化碳利用率去噪前预测图;
图11为本发明1100m3高炉一氧化碳利用率去噪后预测图;
图12为本发明3200m3高炉一氧化碳利用率去噪前预测图;
图13为本发明3200m3高炉一氧化碳利用率去噪后预测图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实例,对本发明进行进一步详细说明。
结合实际采样的高炉一氧化碳利用率样本时序数据,采用本发明流程图见图1,本实施具体步骤为:
本实施例中,选取了两组在不同工况条件下的,来自国内著名钢铁厂的两座具有代表性的中高型高炉A厂1100m3的7号高炉和B厂3200m3的2号高炉,以A厂7号高炉 2012年2月份采集的一氧化碳利用率((ηco))时间序列和B厂2号高炉2012年5月份的一氧化碳利用率((ηco))时间序列作为样本空间,容量为5000数据,采样周期为3分钟,样本时间序列见图2和图3。
采用自相关函数法确定高炉一氧化碳利用率重构相空间的嵌入时间:
对于获取的一氧化碳利用率的时间序列η(co)i,i=1,2,…,N,N为高炉一氧化碳利用率样本时间序列的长度。
则高炉一氧化碳利用率时间序列的自相关函数定义为:
两座高炉一氧化碳利用率的自相关函数仿真图形分别为图4和图5。从图4中可以看出,当τ=10,高炉一氧化碳利用率的自相关函数系数Cτ最接近0点;同理在图5中也可以得出同样的结果。从而我们可知,这两座典型的高炉一氧化碳利用率时序重构相空间的时滞时间是10。
采用关联维数法确定高炉一氧化碳利用率重构相空间的嵌入维数:
对于原始高炉一氧化碳利用率的样本时间序列
(ηco)i={(ηco)1,(ηco)2,(ηco)3,…,(ηco)N},i=1,2,3,…N
两座高炉一氧化碳利用率时序的关联积分为:
上式中M为高炉一氧化碳利用率重构相空间中点的个数,dij表示高炉一氧化碳利用率重构相空间中任意两矢量点之间的欧氏距离,r为相空间中任选的距离。θ(·)为Heaviside 函数。其中
根据已求的嵌入时间τ的数值,采用关联维数法,可对一氧化碳利用率重构相空间的关联积分进行计算。
当M足够大时,且r→0时,关联积分C(co)m(r)与r存在如下关系式:
其中D是高炉一氧化碳利用率重构相空间的关联维数,恰当的选择r的数值,使得D能够刻画奇异吸引子的自相似结构,因此由上式可得关联维数的计算表达式:
两座高炉一氧化碳利用率时间序列的关联维数仿真图为图6和图7,由两图可得,当m 分别是7和9时,1100m3和3200m3两座高炉样本空间的lnC(co)m(r)随lnr的斜率已基本保持不变。因此,m=7可视为1100m3高炉的重构相空间的最佳嵌入维数;m=9可视为3200m3高炉的重构相空间的最佳嵌入维数。
根据已获得的嵌入时间和嵌入维数的数值,采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构,其相空间具体表达式为:
在本实例中,对两座典型性高炉的现场高炉一氧化碳利用率样本数据:即A厂7号高炉2012年2月份采集的一氧化碳利用率((ηco))时间序列和B厂2号高炉2012年5月份的一氧化碳利用率((ηco))时间序列,利用小波分析原理,对其进行小波去噪,经过Matlab 仿真后,其图形如图8和9所示。
从两图中可以看出,在原始样本时序信号的基础上,进行小波去噪后,原始时序信号中的毛刺和尖峰得到了有效的去除,同时样本时序信号中原有的特征得到了很好的保留,其去噪效果比较理想
基于高炉一氧化碳利用率重构后的相空间,选取重构相空间最后一个相点作为预测中心点ZM,选取预测中心点ZM的相邻点ZMi i=1,2,…,N,其与中心点有着相似变化规律。且到ZM的距离是si,设smin为si中的最小值,计算点ZMi的权值为
基于权值计算结果,建立高炉一氧化碳利用率混沌加权一阶局部线性模型,计算最优线性拟合系数。
相邻点ZMi与其演化k步后的相点集为{YMi+k},因此一阶局域线性拟合为:
ZMi+k=cke+gkZMi,i=1,2,…,N
由加权最小二乘法可得:
其中是向量ZMi的第j个元素。显然上式是ck和gk的二元函数,对上式两边同时求偏导,可得
将上式进行化简,可得:
将上式转换成矩阵为:
其中
根据上一步所获得的最佳线性拟合系数,所述高炉一氧化碳利用率预测值可通过下式计算获得:
ZM+k=cke+gkZM(e=(1,1,…,1)T为p维向量,k取值为1)
其中,ZM+k为k步高炉一氧化碳利用率时间序列相空间点,当k取值为1时,所述高炉一氧化碳利用率一步预测值为ZM+1+(m-1)τ。
此外,本实例中还选取相对误差(Perr)和均方根误差(RMSE)来评价模型的预测精度。
相对误差(Perr)定义式如下:
均方根误差(RMSE)的定义式如下:
其中,是一氧化碳利用率预测值,z(m)则是其真实值,k是其预测步数。
本实例中采用混沌加权一阶局域预测方法构建高炉一氧化碳利用率混沌预测模型,对两座高炉的后200组数据进行预测,利用前5000个数据来进行相空间重构后预测后240个数据。预测结果如图9~图13。其中,图9~图10为1100m3高炉的预测结果(去噪前和去噪后),而图12~图13为3200m3高炉的预测结果(去噪前和去噪后);预测误差表为表1。
表1 两座样本高炉一氧化碳利用率时序的预测误差表(混沌加权一阶局域预测模型)
由仿真图形及表格可以看出,一方面:由图11和图13(去噪后)的图形可以看出,在对高炉一氧化碳利用率实际时序做混沌加权一阶局部预测时,其预测值能很好的跟随实际值的变化,尤其是图13中预测精度非常高,以致于图中预测值能够完全覆盖实际值的曲线。类似的结论也可通过观测1100m3高炉一氧化碳利用率的预测图形得出。另一方面:此外,通过比较去噪前和去噪后的预测曲线,可以清楚的看出,去噪前的预测误差比去噪后的预测误差要大,也就是去噪后的预测精度更高,从而说明了去噪的必要性。
此外,分析预测图形得出的结论同样也可以通过误差表中的数据对比分析得出,具体误差数值见表1。表的第2、3行数值分别表示1100m3去噪前后数据的混沌加权一阶局域预测结果的相对误差Perr和均方根误差RMSE。而第4、5行数值则分别表示3200m3去噪前后数据的预测结果的相对误差Perr和均方根误差RMSE。通过对比可以容易看出,1100m3高炉的去噪前后的相对误差Perr分别为0.0060和0.0045,均方根误差RMSE分别为0.0031和 0.0028,两种误差数值去噪后分别降低了25%和10%。而3200m3高炉去噪前后的相对误差 Perr分别为0.0033和0.0027,均方根误差RMSE分别为0.0014和0.0011,两种误差数值去噪后分别降低了18%和21%。因此,可以看出,对于同一座高炉一氧化碳利用率样本数据经过小波去噪处理误差率都获得了较大的(近25%)的降低,从而验证了去噪分析的必要性。另一方面,通过对比不同高炉去噪后的误差数值可得,3200m3高炉的相对误差Perr数值(0.0027)比1100m3去噪后的数值(0.0045)降低了40%;相对后者而言,前者的均方根误差RMSE相比(0.0028和0.0011)数值降低了60%。类似的结论也可通过两者去噪前的误差数值对比得出。
同时,还可以观察得出3200m3大型高炉去噪前的预测误差数值比1100m3去噪后的误差还要小。通过上述分析可以说明,相对于中小型高炉,大型高炉的预测精度更高。
综上所述,基于混沌加权一阶局部预测模型的高炉一氧化碳利用率预测方法在一定程度上提高了高炉一氧化碳利用率预测的准确性,所以该方法具有较高的实用价值;
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出若干改进和变形,这些均属于本发明的保护之内。
Claims (9)
1.一种高炉CO利用率混沌加权一阶局部预测方法,其特征在于,包括如下步骤:
S1、输入原始高炉一氧化碳利用率的时间序列η(co)i,i=1,2,…,N,其中N为高炉一氧化碳利用率样本时间序列的长度;
S2、对S1中输入的原始高炉一氧化碳利用率的时间序列采用自相关函数法确定高炉一氧化碳利用率时间序列相空间嵌入时间τ;
S3、对S1中输入的原始高炉一氧化碳利用率的时间序列采用关联积分法确定高炉一氧化碳利用率时间序列相空间嵌入维数m;
S4、利用步骤S2和S3中确定的嵌入时间τ和嵌入维数m两个参数,采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构;
S5、采用小波去噪方法对步骤S4中获得的时间序列重构相空间进行去噪处理;
S6、根据步骤S5中去噪后的高炉一氧化碳利用率时间序列相空间,选取重构相空间最后一个相点作为预测中心点ZM,选取与预测中心点ZM距离为si的点为相邻相空间点ZMi,确定相邻相空间点ZMi的权值Qi;
S7、根据步骤S6获得的相邻相空间点ZMi的权值Qi,建立高炉一氧化碳利用率混沌加权局部预测模型,并计算一阶线性拟合模型中的系数矩阵;
S8、根据步骤S7中确定的最优系数矩阵,获得高炉一氧化碳利用率预测值。
2.根据权利要求1所述的基于高炉CO利用率混沌加权一阶局部预测方法,其特征在于,步骤S2中的采用自相关函数法确定嵌入时间通过以下步骤实现:
S21、建立高炉一氧化碳利用率时间序列的自相关函数
S22、根据S21的自相关函数表达式,当Cτ取值趋向于0时的τ值即可确定为高炉一氧化碳利用率重构相空间的嵌入时间τ。
3.根据权利要求2所述的基于混沌加权一阶局部模型的高炉CO利用率预测方法,其特征在于,步骤S3中的关联积分法确定嵌入维度通过以下步骤实现:
S31、获得高炉一氧化碳利用率重构相空间中点的个数M;
S32、建立高炉一氧化碳利用率时序的关联积分函数方程
其中,dij表示高炉一氧化碳利用率重构相空间中任意两矢量点之间的欧氏距离,r为相空间中任选的距离,为Heaviside函数;
S33、根据步骤S2确定的嵌入时间τ的数值及S32中的关联积分函数方程,得到高炉一氧化碳利用率关联维数D的计算表达式:
S34、由步骤S33中的关联维数计算可得,高炉样本空间的lnC(co)m(r)随lnr的斜率的变化率小于预设的阈值k时,m为最佳嵌入维度,从而获得高炉一氧化碳利用率时间序列重构相空间嵌入维数m。
4.根据权利要求1所述的基于高炉CO利用率混沌加权一阶局部预测方法,其特征在于,步骤S4中的采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构,通过如下步骤得到:
S41:输入一氧化碳利用率重构相空间嵌入时间τ和嵌入维数m;
S42:采用延迟坐标法进行相空间重构,其重构后的相空间具体为:
其中,N是一氧化碳利用率原始样本时间序列的个数,M=N-(m-1)τ为一氧化碳利用率时间序列嵌入相空间的向量个数。
5.根据权利要求1所述的基于高炉CO利用率混沌加权一阶局部预测方法,其特征在于,所述步骤S6中的权值Qi具体计算过程为:
通过如下公式计算确定相邻相空间点ZMi的权值Qi;
其中,h为常数,通常取1,p是相邻点相空间点的个数,si为相邻相空间点ZMi到预测中心点ZM的距离,smin为si中的最小值。
6.根据权利要求1所述的基于高炉CO利用率混沌加权一阶局部预测方法,其特征在于,所述步骤S7具体步骤为:
S71:根据步骤S6中得到的相邻空间点的权值Qi,建立高炉一氧化碳利用率混沌一阶加权局部预测模型,建立相邻相空间点ZMi和第k步演化相空间点ZMi+k之间的模型;
ZMi+k=cke+gkZMi,i=1,2,…,N
S72:采用如下加权最小二乘法拟合线性方程,建立加权最小二乘拟合线性函数T与第k步演化相空间点ZMi+k之间的模型;
其中,是向量ZMi的第j个元素;
S73:对步骤S72中得到的加权最小二乘法拟合线性方程两边同时求偏导计算,确定最优线性拟合系数矩阵ck和gk的值。
7.根据权利要求1所述的基于高炉CO利用率混沌加权一阶局部预测方法,其特征在于,步骤S7中的高炉一氧化碳利用率预测值可通过下式迭代计算获得:
ZM+k=cke+gkZM
其中,e=(1,1,…,1)T是p维列向量,ZM+k为第k步高炉一氧化碳利用率预测值。
8.根据权利要求1所述的基于高炉CO利用率混沌加权一阶局部预测方法,其特征在于,还包括:通过步骤S8得出的高炉一氧化碳利用率预测值,通过如下步骤计算出模型的预测精度;
获取高炉一氧化碳利用率预测值高炉一氧化碳利用率真实值z(m),预测步数k;
根据公式和计算出相对基于混沌加权一阶局部模型的误差(Perr)和均方根误差(RMSE);
根据以上两个公式计算出的相对误差(Perr)和均方根误差(RMSE)来衡量基于混沌加权一阶局部模型的预测精度。
9.一种基于高炉CO利用率混沌加权一阶局部预测***,其特征在于,包括:
初入初始化数据信息模块,用于输入原始高炉一氧化碳利用率的时间序列η(co)i,i=1,2,…,N,其中N为高炉一氧化碳利用率样本时间序列的长度;
计算嵌入时间模块,用于初始化数据信息模块输入的原始高炉一氧化碳利用率的时间序列采用自相关函数法确定高炉一氧化碳利用率时间序列重构相空间嵌入时间τ;
计算嵌入维数模块,用于对输入的原始高炉一氧化碳利用率的时间序列采用关联积分法确定高炉一氧化碳利用率时间序列重构相空间嵌入维数m;
相空间重构模块,用于采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构;
小波去噪模块,用于采用小波去噪方法对相空间重构后的一氧化碳利用率时间序列进行去噪处理;
权值计算模块,根据小波去噪模块去噪后的高炉一氧化碳利用率时间序列相空间,确定预测中心点ZM,寻找与该中心点对应的相邻相空间点ZMi,确定相邻相空间点ZMi的权值Qi;
模型系数矩阵获取模块,用于根据上一步获得的相邻相空间点ZMi的权值Qi,建立高炉一氧化碳利用率混沌加权一阶局部预测模型,并计算一阶线性拟合模型中的系数矩阵;
预测值获取模块,于根据确定的最优系数矩阵,获得高炉一氧化碳利用率预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711483980.5A CN108171381B (zh) | 2017-12-29 | 2017-12-29 | 一种高炉co利用率混沌加权一阶局部预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711483980.5A CN108171381B (zh) | 2017-12-29 | 2017-12-29 | 一种高炉co利用率混沌加权一阶局部预测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171381A true CN108171381A (zh) | 2018-06-15 |
CN108171381B CN108171381B (zh) | 2022-05-06 |
Family
ID=62516246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711483980.5A Active CN108171381B (zh) | 2017-12-29 | 2017-12-29 | 一种高炉co利用率混沌加权一阶局部预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171381B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647717A (zh) * | 2019-09-19 | 2020-01-03 | 中国水利水电科学研究院 | 一种基于关联维数的水文模型参数优选方法 |
CN112241174A (zh) * | 2020-11-03 | 2021-01-19 | 山东理工大学 | 安防机器人静态避障的方法及*** |
CN112347087A (zh) * | 2020-09-30 | 2021-02-09 | 中国铁路上海局集团有限公司 | 一种高铁沿线风速观测数据质量控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101505268A (zh) * | 2009-03-12 | 2009-08-12 | 上海交通大学 | 基于加权一阶局域法的公共拥塞路径检测方法 |
CN106845447A (zh) * | 2017-02-19 | 2017-06-13 | 辽宁工程技术大学 | 一种工作面瓦斯浓度预测预警方法 |
-
2017
- 2017-12-29 CN CN201711483980.5A patent/CN108171381B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101505268A (zh) * | 2009-03-12 | 2009-08-12 | 上海交通大学 | 基于加权一阶局域法的公共拥塞路径检测方法 |
CN106845447A (zh) * | 2017-02-19 | 2017-06-13 | 辽宁工程技术大学 | 一种工作面瓦斯浓度预测预警方法 |
Non-Patent Citations (3)
Title |
---|
DENGFENG XIAO ET AL: "The chaotic characteristic of the carbon-monoxide utilization ratio in the blast furnace", 《ISA TRANSACTIONS》 * |
张思梅: "基于多重分形理论的河流氨氮时空演变分析", 《安徽建筑工业学院学报(自然科学版)》 * |
郜传厚: "高炉铁水Si 含量的修正混沌加权一阶局部预报", 《物理学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647717A (zh) * | 2019-09-19 | 2020-01-03 | 中国水利水电科学研究院 | 一种基于关联维数的水文模型参数优选方法 |
CN110647717B (zh) * | 2019-09-19 | 2020-05-05 | 中国水利水电科学研究院 | 一种基于关联维数的水文模型参数优选方法 |
CN112347087A (zh) * | 2020-09-30 | 2021-02-09 | 中国铁路上海局集团有限公司 | 一种高铁沿线风速观测数据质量控制方法 |
CN112347087B (zh) * | 2020-09-30 | 2024-05-03 | 中国铁路上海局集团有限公司 | 一种高铁沿线风速观测数据质量控制方法 |
CN112241174A (zh) * | 2020-11-03 | 2021-01-19 | 山东理工大学 | 安防机器人静态避障的方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108171381B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
Zhao et al. | A statistical approach for interval forecasting of the electricity price | |
CN107885951B (zh) | 一种基于组合模型的水文时间序列预测方法 | |
CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
CN114611844B (zh) | 一种转炉出钢过程合金加入量的确定方法和*** | |
Omane-Adjepong et al. | Determining the better approach for short-term forecasting of ghana’s inflation: Seasonal ARIMA Vs holt-winters | |
CN107967803A (zh) | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN108171381A (zh) | 一种高炉co利用率混沌加权一阶局部预测方法和*** | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN103268519A (zh) | 基于改进Lyapunov指数的电力***短期负荷预测方法及装置 | |
CN106529185B (zh) | 一种古建筑位移的组合预测方法及*** | |
CN104778361B (zh) | 改进型EMD‑Elman神经网络预测铁水硅含量的方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力***月度负荷的组合预测方法 | |
CN103971289A (zh) | 矿山放矿数据的处理方法及装置 | |
CN110837915A (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
CN106019940B (zh) | 基于ukf神经网络的转炉炼钢工艺成本控制方法及*** | |
CN117196250A (zh) | 水厂控制方法及控制设备 | |
CN109190810B (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 | |
CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
CN109272144B (zh) | 基于bpnn的中国北方草原地区ndvi的预测方法 | |
CN111259340B (zh) | 一种基于logistic回归的饱和负荷预测方法 | |
CN103279030A (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |