CN110097929A - 一种高炉铁水硅含量在线预测方法 - Google Patents
一种高炉铁水硅含量在线预测方法 Download PDFInfo
- Publication number
- CN110097929A CN110097929A CN201910304149.1A CN201910304149A CN110097929A CN 110097929 A CN110097929 A CN 110097929A CN 201910304149 A CN201910304149 A CN 201910304149A CN 110097929 A CN110097929 A CN 110097929A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- silicon content
- molten iron
- data
- prediction
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Manufacture Of Iron (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种高炉铁水硅含量在线预测方法,根据高炉硅元素传输机理,从高炉作业参数中选择影响铁水硅含量的参数作为预测模型的输入变量,采用皮尔森相关性分析方法确定输入变量与铁水硅含量之间的滞后时间,再对输入变量的样本数据和预测数据进行标准化处理,消除量纲不同对模型预测准确度的影响,采用核极限学***,及时对作业参数进行调整。
Description
技术领域
本发明涉及工业过程监控、建模和仿真领域,特别是指一种高炉铁水硅含量在线预测方法。
背景技术
高炉铁水硅含量是反应高炉下部热状态的重要指标之一,但是高炉是一个具有大时滞特性的工作***,高炉各作业参数与铁水硅含量之间存在长短不一的滞后时间,只有对高炉铁水硅含量作出预测,才能对高炉作业参数作出及时的调整,使得高炉铁水硅含量维持在理想水平。
目前的铁水硅含量预测模型主要分为三类:1)机理模型,2)专家经验模型,3)数据驱动模型。机理模型主要是依据高炉内硅元素传输机理,在作出一些假设性前提将问题简化后提出的一系列硅含量计算模型,该预测模型往往只能对高炉的铁水硅含量水平作出估算,并不适用于高炉生产现场的在线预测。专家经验模型依赖高炉操作者和炼铁专家的经验,往往对不同的高炉,需要单独设计专家***,不利于推广。3)数据驱动模型是目前最流行、研究最广泛的一种基于数据分析的硅含量预测模型,本发明也是涉及一种数据驱动模型。
但是,长期以来,国内外的研究人员提出的数据驱动模型往往是离线建立的,在建立模型的过程中常用的算法有:偏最小二乘法、支持向量机、BP神经网络、模糊模型、贝叶斯网络模型等等。在建立硅含量预测模型时,还应该考虑到模型的泛化性能和训练速度,然后选择合适的智能算法,而且大多数研究并未考虑到高炉***的高度非线性和时变特性。
发明内容
本发明要解决的技术问题是提供一种高炉铁水硅含量在线预测方法,实现在高炉炼铁过程中对下一时刻的铁水硅含量进行预测,以便高炉操作人员提前对高炉作业参数作出调整,将高炉铁水硅含量维持在较理想的水平。
一种高炉铁水硅含量在线预测方法,其特征在于,包括以下步骤:
1)基于高炉内硅元素传输机理,确定模型的输入变量包括:小时料批、总风量、风温、风压、喷煤量、燃料比、总氧量、透气性指数、炉墙温差、炉腹煤气量、鼓风湿度、中部压差和下部压差;
2)针对高炉操作的大时滞特点,选取一段较长时间内的高炉生产数据为研究对象,采用皮尔森相关性分析确定各变量与铁水硅含量之间的滞后时间;
3)选择当前时刻前若干小时内的生产数据为训练集,对训练集和预测集的各输入变量做z-score标准化处理,消除量纲不同带来的影响;
4)使用核极限学习机算法建立高炉铁水硅含量预报模型,计算得到输出权重,进而基于此计算下一时刻的硅含量预测值;
5)采用滑动窗更新的方法,在训练集中逐步添加新数据,同时去除距离当下时刻最远的旧数据,达到对训练集进行动态更新的效果,返回步骤3)继续预测下一时刻的铁水硅含量;
6)选取一段较长时间内的高炉生产数据为研究对象,采用遗传算法对核极限学习机模型的关键参数进行优化。
所述的基于高炉内硅元素传输机理,确定模型的输入变量,即所有能够通过仪表仪器检测得到的并且能够影响或间接反映高炉内涉及硅元素反应和传输过程的参数均应该被选择为模型的输入变量,如上所述的13个变量是针对国内某高炉当前检测技术条件选择的变量。
进一步地,步骤2)所述的皮尔森相关性分析方法为:首先选取较长一段时间内的生产参数为研究对象,人为地设定各变量与硅含量之间的滞后时间为1-8小时,根据下式计算不同滞后时间下输入变量与硅含量之间的皮尔森相关性系数(其中xi为输入变量值,yi为硅元素含量值,N为参与相关性分析的数据组数),再结合原理分析各变量与硅含量之间的正负相关性,进而选取相关性系数绝对值最大或最小时对应的滞后时间为各变量与硅含量之间的合理滞后时间。
进一步地,步骤3)所述的标准化处理方法为:将训练集和预测集的输入变量根据下式进行z-score标准化变换(其中x’为标准化后的输入变量值,x为输入变量值,μ为输入变量的均值,σ为输入变量的标准差),
进一步地,步骤4)所述的使用核极限学习机算法建立硅含量预测模型,方法为假设输入数据集里包含N组待训练数据(xi,ti),其中xi=[xi1,xi2,…,xin]T∈Rn,表示第i组输入数据中包含的n个变量,ti=[ti1,ti2,…,tim]T∈Rm,表示第i组目标值数据中包含的m个变量(对于高炉铁水硅含量预测m=1),对于传统单隐层前馈神经网络,其数学模型可表示为:
其中wi表示隐含层第i个神经元与输入层神经元之间的权重矩阵,βi表示隐含层第i个神经元与输出层神经元之间的权重矩阵,bi表示隐含层第i个神经元的偏置,g(x)为激活函数。
对于极限学习机,输入权重和偏置均为随机确定,人为确定隐含层神经元数,因此只需要通过最小二乘法求隐含层与输出层之间的输出权重,其数学模型可表示为:
Hβ=T
其中H为隐含层的输出矩阵,T为硅含量真实值矩阵,求得输出权重矩阵为:即或
核极限学习机通过构造核矩阵代替上式中的HHT,用核映射代替了极限学习机中输入层到隐含层之间的随机映射,使模型更加稳定。通过Mercer’s条件构造核矩阵:
进一步地,本发明中核函数选择为高斯核函数:
核极限学习机的输出为
因此,隐含层输出权重矩阵至此核极限学习机模型训练完毕,将预测集的输入变量同样使用核映射的方法映射到高维空间,得到隐含层输出矩阵,再乘以上述训练得到的输出层输出权重矩阵,即可得到硅含量的预测值。
进一步地,步骤5)所述的滑动窗更新方法是:每一次预测时,只选用该时刻前固定时长的时间段内的生产数据作为训练集,即随着生产进程的推进,在训练集中添加最新的生产数据,同时去除距离该时刻最远的旧数据,通过这种方法确保使用距离预测时间点较近的数据作为模型的训练集数据,可以在时变***中获得较好的预测效果。
进一步地,步骤6)所述的遗传算法优化方法是:以一段较长时间内的生产数据为研究对象,用上述方法进行模拟在线预测,将预测均方根误差和预测硅含量方差与真实硅含量方差的差值作为遗传算法的优化目标,使用采用权重系数变换法进行多目标优化,采用选择、交叉和变异的方法产生新种群,逐步优化选择核极限学习机模型最优的参数组合。
本发明将滑动窗方法、核极限学习机和遗传算法结合起来,建立了一种面向在线建模和预测、训练速度快、稳定性好、适合处理复杂非线性问题的预测模型,适合于在时变***中跟踪***的非线性变化趋势,能够取得较好的预测效果。
本发明的上述技术方案的有益效果如下:
1、基于冶金原理对模型的输入变量进行了科学选取,避免输入变量的盲目或经验选择带来的误差。
2、模型能够实现提前若干小时对高炉铁水硅含量的在线预测,训练速度极快,避免了传统神经网络的训练时间长、容易陷入局部最优的缺点,适用于高炉冶炼现场对硅元素的预报。
3、考虑到高炉的时变特性,使用滑动窗更新的方法对训练集进行动态更新,确保训练得到的模型更适用于当前高炉的工作状态。
4、使用遗传算法对模型关键参数进行了优化,确保模型的参数为全局最优,提高了模型的预测准确度,避免了人为随机设置模型参数对模型稳定性和准确性的影响。
附图说明
图1为本发明的一种高炉铁水硅含量在线预测方法总流程图;
图2为单隐层前馈神经网络示意图;
图3为滑动窗更新方法示意图;
图4为遗传算法优化模型关键参数流程图;
图5为应用该方法对某高炉铁水硅含量在线预测结果。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例(以国内某高炉为研究对象)进行详细描述。
本发明提供一种高炉铁水硅含量在线预测方法,该方法的实施流程图如图1所示,主要实施步骤及实施例如下:
1)根据高炉内硅元素的传输机理及高炉现有的检测条件,确定模型的输入变量,以国内某大型高炉为例,选择:小时料批、总风量、风温、风压、喷煤量、燃料比、总氧量、透气性指数、炉墙温差、炉腹煤气量、鼓风湿度、中部压差和下部压差等13个参数为模型的输入变量。
2)确定输入变量与铁水硅含量之间的滞后时间,首先选取该高炉较长一段时间内的生产参数为研究对象,人为地设定各变量与硅含量之间的滞后时间为1-8小时,计算不同滞后时间下输入变量与硅含量之间的皮尔森相关性系数,再根据该变量与硅含量之间的正负相关性及其相关性系数的绝对值,最终确定各变量与硅含量之间的滞后时间,以国内某大型高炉为实施例,上述13个变量与硅含量之间的滞后时间分别为:5、3、3、4、4、4、3、1、6、3、1、4、2小时。
3)输入训练集数据和预测集输入变量数据,对训练集和预测集的输入变量进行z-score标准化处理,消除量纲的影响。
4)建立基于核极限学习机的预测模型并完成下一时刻硅含量的预测,如图2所示,为传统单隐层前馈神经网络的示意图,极限学习机和核极限学习均是由单隐层前馈神经网络发展而来,极限学习机提出输入权重和偏置可以随机确定,隐含层神经元数可以人为设定,核极限学习机在极限学习机的基础上用核映射代替了输入层到隐含层的随机映射,模型稳定性更高。在具体实施的过程中,首先基于训练集数据和选择的高斯核函数,计算出隐含层矩阵,再通过最小二乘法求出隐含层与输出层之间的输出权重矩阵,用同样的方法将预测集的输入变量输入模型得到隐含层矩阵,再乘以上述所得输出权重矩阵即可得到硅含量预测值。
5)采用滑动窗的方法对训练集矩阵进行动态更新。如图3所示,随着生产进程的推进,每过一个小时,就会产生新的检测数据,因此把这最新得到的生产数据添加到训练集矩阵中,同时去除距离最远的一组旧数据,如此即可保证参与训练的训练集数据都是离预测时间点较近的数据,这种方法可以使训练所得模型更符合高炉当前的工作状态。训练集数据更新完成后返回步骤3继续对下一时刻的铁水硅含量进行预测。以国内某高炉为例,滑动窗宽度设为100小时。
6)采用遗传算法对模型中两个需要人为设定的关键参数进行优化。模型中正则化系数C和核参数γ仍然需要人为设定,目前尚没有对这两个参数设定的指导性理论,因此选用遗传算法进行全局优化,遗传算法流程图如图4所示,将预测均方根误差和预测硅含量方差与真实硅含量方差的差值作为遗传算法的优化目标,使用采用权重系数变换法进行多目标优化,采用选择、交叉和变异的方法产生新种群,逐步优化选择核极限学习机模型最优的参数组合。以国内某高炉在400小时内的生产数据为研究对象,通过遗传算法优化得到最优参数组合:C=65.863,γ=160.676。
7)以国内某大型高炉为例,应用本发明提出的预测方法进行在线预测,运行1505个小时的预测结果如图5所示。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种高炉铁水硅含量在线预测方法,其特征在于,包括以下步骤:
1)基于高炉内硅元素传输机理,确定模型的输入变量:小时料批、总风量、风温、风压、喷煤量、燃料比、总氧量、透气性指数、炉墙温差、炉腹煤气量、鼓风湿度、中部压差和下部压差;
2)针对高炉操作的大时滞特点,选取一段较长时间内的高炉生产数据为研究对象,采用皮尔森相关性分析确定各变量与铁水硅含量之间的滞后时间;
3)选择当前时刻前若干小时内的生产数据为训练集,对训练集和预测集的各输入变量做z-score标准化处理,消除量纲不同带来的影响;
4)使用核极限学习机算法建立高炉铁水硅含量预报模型,计算得到输出权重,进而基于此计算下一时刻的硅含量预测值;所述的使用核极限学习机算法建立高炉铁水硅含量预报模型,即将核函数引入到极限学习机中,用核映射取代传统极限学习机中的随机映射,增加模型的稳定性;核函数类型选用高斯核函数,首先基于训练集输入数据和所选择的核函数类型,得到隐含层矩阵,再利用最小二乘法求出隐含层与输出层之间的输出权重矩阵,同时,基于预测集输入数据求出隐含层矩阵,再乘以上述输出权重矩阵,即得到硅含量预测值;
5)采用滑动窗更新的方法,在训练集中逐步添加新数据,同时去除距离当下时刻最远的旧数据,达到对训练集进行动态更新的效果,返回步骤3)继续预测下一时刻的铁水硅含量;
6)选取一段较长时间内的高炉生产数据为研究对象,采用遗传算法对核极限学习机模型的关键参数进行优化。
2.根据权利要求1所述的一种高炉铁水硅含量在线预测方法,其特征在于:步骤2)所述的皮尔森相关性分析方法为:首先选取较长一段时间内的生产参数为研究对象,人为地设定各变量与硅含量之间的滞后时间为1-8小时,根据下式计算不同滞后时间下输入变量与硅含量之间的皮尔森相关性系数,其中xi为输入变量值,yi为硅元素含量值,N为参与相关性分析的数据组数),再结合原理分析各变量与硅含量之间的正负相关性,进而选取相关性系数绝对值最大或最小时对应的滞后时间为各变量与硅含量之间的合理滞后时间;
3.根据权利要求1所述的一种高炉铁水硅含量在线预测方法,其特征在于:步骤3)所述的标准化处理方法为:将训练集和预测集的输入变量根据下式进行z-score标准化变换,其中x’为标准化后的输入变量值,x为输入变量值,μ为输入变量的均值,σ为输入变量的标准差;
4.根据权利要求1所述的一种高炉铁水硅含量在线预测方法,其特征在于:步骤4)所述的使用核极限学习机算法建立硅含量预测模型,方法为假设输入数据集里包含N组待训练数据(xi,ti),其中xi=[xi1,xi2,…,xin]T∈Rn,表示第i组输入数据中包含的n个变量,ti=[ti1,ti2,…,tim]T∈Rm,表示第i组目标值数据中包含的m个变量,对于高炉铁水硅含量预测m=1,对于传统单隐层前馈神经网络,其数学模型表示为:
其中wi表示隐含层第i个神经元与输入层神经元之间的权重矩阵,βi表示隐含层第i个神经元与输出层神经元之间的权重矩阵,bi表示隐含层第i个神经元的偏置,g(x)为激活函数。
5.根据权利要求1所述的一种高炉铁水硅含量在线预测方法,其特征在于:步骤4)所述核函数选择为高斯核函数:
所述核极限学习机的输出为
隐含层输出权重矩阵
6.根据权利要求1所述的一种高炉铁水硅含量在线预测方法,其特征在于:步骤5)所述的滑动窗更新方法是:每一次预测时,只选用该时刻前固定时长的时间段内的生产数据作为训练集,即随着生产进程的推进,在训练集中添加最新的生产数据,同时去除距离该时刻最远的旧数据,确保使用距离预测时间点较近的数据作为模型的训练集数据,能够在时变***中获得较好的预测效果。
7.根据权利要求1所述的一种高炉铁水硅含量在线预测方法,其特征在于:步骤6)所述的遗传算法优化方法是:以一段较长时间内的生产数据为研究对象进行模拟在线预测,将预测均方根误差和预测硅含量方差与真实硅含量方差的差值作为遗传算法的优化目标,使用采用权重系数变换法进行多目标优化,采用选择、交叉和变异的方法产生新种群,逐步优化选择核极限学习机模型最优的参数组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910304149.1A CN110097929A (zh) | 2019-04-16 | 2019-04-16 | 一种高炉铁水硅含量在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910304149.1A CN110097929A (zh) | 2019-04-16 | 2019-04-16 | 一种高炉铁水硅含量在线预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110097929A true CN110097929A (zh) | 2019-08-06 |
Family
ID=67444861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910304149.1A Pending CN110097929A (zh) | 2019-04-16 | 2019-04-16 | 一种高炉铁水硅含量在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097929A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046612A (zh) * | 2019-11-15 | 2020-04-21 | 东北大学 | 一种基于多目标集成学习的高炉铁水硅含量预测方法 |
CN111383723A (zh) * | 2020-04-16 | 2020-07-07 | 山东钢铁股份有限公司 | 一种高炉炼铁成分预控方法 |
CN113092448A (zh) * | 2021-03-24 | 2021-07-09 | 中南大学 | 一种高炉铁水硅含量在线检测方法及*** |
WO2021249115A1 (en) * | 2020-06-08 | 2021-12-16 | International Business Machines Corporation | Generating a hybrid sensor to compensate for intrusive sampling |
CN114139813A (zh) * | 2021-12-03 | 2022-03-04 | 北京航空航天大学 | 一种基于自更新模型的流程型生产设备产品质量预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915518A (zh) * | 2015-06-30 | 2015-09-16 | 中南大学 | 一种高炉铁水硅含量二维预报模型的构建方法及应用 |
CN106709197A (zh) * | 2016-12-31 | 2017-05-24 | 浙江大学 | 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法 |
-
2019
- 2019-04-16 CN CN201910304149.1A patent/CN110097929A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915518A (zh) * | 2015-06-30 | 2015-09-16 | 中南大学 | 一种高炉铁水硅含量二维预报模型的构建方法及应用 |
CN106709197A (zh) * | 2016-12-31 | 2017-05-24 | 浙江大学 | 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法 |
Non-Patent Citations (5)
Title |
---|
XIAOLI SU 等: "Prediction of hot metal silicon content for blast furnace based on multi-layer online sequential extreme learning machine", 《 2018 37TH CHINESE CONTROL CONFERENCE (CCC)》 * |
张军红 等: "应用优化BP神经网络建立铁水硅含量的预测模型", 《钢铁研究学报》 * |
李军朋: "高炉冶炼过程的铁水硅含量分析及其建模研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
王新环 等: "一种基于遗传算法的极限学习机改进算法研究", 《软件导论》 * |
蒋朝辉 等: "基于复合差分进化算法与极限学习机的高炉铁水硅含量预报", 《控制理论与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046612A (zh) * | 2019-11-15 | 2020-04-21 | 东北大学 | 一种基于多目标集成学习的高炉铁水硅含量预测方法 |
CN111046612B (zh) * | 2019-11-15 | 2023-08-29 | 东北大学 | 一种基于多目标集成学习的高炉铁水硅含量预测方法 |
CN111383723A (zh) * | 2020-04-16 | 2020-07-07 | 山东钢铁股份有限公司 | 一种高炉炼铁成分预控方法 |
WO2021249115A1 (en) * | 2020-06-08 | 2021-12-16 | International Business Machines Corporation | Generating a hybrid sensor to compensate for intrusive sampling |
US11422545B2 (en) | 2020-06-08 | 2022-08-23 | International Business Machines Corporation | Generating a hybrid sensor to compensate for intrusive sampling |
GB2612470A (en) * | 2020-06-08 | 2023-05-03 | Ibm | Generating a hybrid sensor to compensate for intrusive sampling |
CN113092448A (zh) * | 2021-03-24 | 2021-07-09 | 中南大学 | 一种高炉铁水硅含量在线检测方法及*** |
CN114139813A (zh) * | 2021-12-03 | 2022-03-04 | 北京航空航天大学 | 一种基于自更新模型的流程型生产设备产品质量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN111474965B (zh) | 基于模糊神经网络的串联输水渠道水位预测与控制方法 | |
CN110991011B (zh) | 一种变压器实时热点温度预测方法 | |
WO2022121944A1 (zh) | 工业过程运行指标智能预报方法、装置、设备及存储介质 | |
CN113255206B (zh) | 一种基于深度强化学习的水文预报模型参数率定方法 | |
CN110347192B (zh) | 基于注意力机制和自编码器的玻璃炉温智能预测控制方法 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、***及设备 | |
CN112633584A (zh) | 基于改进的LSTM-seq2seq模型的河流突发水污染事故水质预测方法 | |
CN101639902A (zh) | 生物发酵过程中基于支持向量机的软测量仪表的建模方法 | |
CN113589693A (zh) | 基于邻域优化的水泥工业分解炉温度模型预测控制方法 | |
CN114417740B (zh) | 一种深海养殖态势感知方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
CN114330119A (zh) | 一种基于深度学习的抽蓄机组调节***辨识方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及*** | |
CN110909492B (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、***、设备及介质 | |
CN105334730B (zh) | 加热炉氧含量的iga优化t‑s模糊arx建模方法 | |
CN116384254A (zh) | 一种用于lf精炼炉钢水温度预测的误差修正方法及*** | |
CN106773646A (zh) | 一种催化裂化过程中原油预热温度控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190806 |