CN115186900A - 适用于多工况类别的动态高炉煤气产生量预测方法及*** - Google Patents
适用于多工况类别的动态高炉煤气产生量预测方法及*** Download PDFInfo
- Publication number
- CN115186900A CN115186900A CN202210817240.5A CN202210817240A CN115186900A CN 115186900 A CN115186900 A CN 115186900A CN 202210817240 A CN202210817240 A CN 202210817240A CN 115186900 A CN115186900 A CN 115186900A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- prediction
- working condition
- prediction model
- furnace gas
- 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
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 99
- 238000012549 training Methods 0.000 claims description 30
- 230000035772 mutation Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000013213 extrapolation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 108091026890 Coding region Proteins 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 22
- 229910052742 iron Inorganic materials 0.000 abstract description 11
- 229910000831 Steel Inorganic materials 0.000 abstract description 10
- 239000010959 steel Substances 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 5
- 238000003912 environmental pollution Methods 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 114
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 239000003570 air Substances 0.000 description 7
- 239000003245 coal Substances 0.000 description 7
- 239000000571 coke Substances 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 238000002347 injection Methods 0.000 description 6
- 239000007924 injection Substances 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 239000003034 coal gas Substances 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004939 coking Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 238000005453 pelletization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
Images
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于多工况类别的动态高炉煤气产生量预测方法及***,该方法利用高炉生产数据,判断工况类别;基于生产工况类别动态确定预测周期时长,获取不同工况对应的高炉生产历史数据,选取一段时间范围内的生产历史数据,按预测周期时长将生产历史数据分段,作为样本数据进行高炉煤气产生量影响因素分析;选取与不同工况类别对应的重要影响因素作为该工况类别下的高炉煤气产生量预测模型的输入;建立预测模型,对该工况下高炉煤气的产生量进行预测。采用本技术方案,基于工况类别对高炉煤气产生量进行预测,预测效果更精准,为钢铁企业煤气预测提供技术支撑,为煤气动态调度管理奠定基础,减少煤气排放和环境污染。
Description
技术领域
本发明属于钢厂煤气预测技术领域,涉及一种适用于多工况类别的动态高炉煤气产生量预测方法及***。
背景技术
钢铁工业能量消耗和碳排放量巨大,目前,我国钢铁制造流程主要包括以高炉—转炉为主要冶炼方法的长流程和以电炉为主要冶炼方法的短流程,其中,长流程产钢量约占总量的90%。长流程钢铁制造主要包括焦化、球团、烧结、炼铁、炼钢、轧制等工序。在生产过程中,各工序会消耗多种能源介质,同时部分工序还会伴随着二次能源的产生。
高炉炼铁工序能耗约占长流程钢铁制造全流程总能耗的60%左右,因此,该工序成为了钢铁工业实现低碳、节能生产的关键。高炉的运行主要以烧结矿、球团矿、块矿等作为铁素原料,以焦炭、煤等作为能源原料,并在热风的作用下发生复杂的化学反应与物理变化,最终产出铁水、高炉煤气、高炉渣等。其中,高炉煤气是钢铁企业的重要副产能源之一,它的产生量不仅会影响包括煤气柜在内的整个煤气管网的安全运行,还会影响以高炉煤气作为燃料的热风炉、焦化、烧结、热轧等工序的运行节奏,这就需要对高炉煤气产生量进行精准预测。
此外,合理利用与调度高炉煤气对降低生产过程的能源消耗、减少煤气放散和环境污染具有重要意义,而高炉煤气产生量的精准预测也是制定高炉煤气利用与调度策略的基础和关键,对煤气高效管理产生重大的影响。现有的高炉煤气预测方法在不同工况类别下与工艺结合不够紧密,导致对高炉运行特征与影响因素考虑不足,使得模型预测结果与实际情况存在一定的差异,难以适应高炉复杂多变的实际工况类别,预测精度有待提高。
发明内容
本发明的目的在于提供一种适用于多工况类别的动态高炉煤气产生量预测方法及***,基于工况类别分类对高炉煤气产生量进行预测,提高预测精度。
为了达到上述目的,本发明的基础方案为:一种适用于多工况类别的动态高炉煤气产生量预测方法,包括如下步骤:
S1,获取高炉的生产数据,判别工况类别;
S2,基于生产工况类别动态确定预测周期时长,获取不同工况对应的高炉生产历史数据,选取一段时间范围内的生产历史数据,按预测周期时长将生产历史数据分段,作为样本数据进行高炉煤气产生量影响因素分析;
S3,选取与不同工况类别对应的重要影响因素作为该工况类别下的高炉煤气产生量预测模型的输入;
S4,建立预测模型,对该工况下高炉煤气的产生量进行预测。
本基础方案的工作原理和有益效果在于:本发明根据生产工况类别建立预测模型,预测高炉煤气产生量。具体根据高炉的工况类别设置预测周期时长,通过关联度分析模型获得各工况类别下高炉煤气产生量所对应的主要影响因素, 以此用于确定预测模型的输入变量;建立煤气产生量预测模型。模型预测效果更精准,能为钢铁企业煤气预测提供一定的技术支撑,为煤气动态调度管理奠定基础,减少煤气排放和环境污染。
进一步,步骤S2中,基于生产工况类别动态确定预测周期时长的方法为:
根据煤气调度管理的现实需求,将顺行工况下的预测周期时长设为T1,减风工况与复风工况中的预测周期时长设为T2,其中T1>T2>0,休风时煤气产生量为0,无需设置预测周期时长。
设置简单,便于操作。
进一步,步骤S3中选取与不同工况类对应的重要影响因素作为该工况类别下的高炉煤气产生量预测模型的输入的方法为:
计算不同工况类别下影响因素与高炉煤气产生量的关联程度值,选取关联程度值超过阈值的影响因素作为该工况类别下的高炉煤气产生量预测模型的输入。
从而准确快速选择出不同工况类对应的重要影响因素,实现模型的有效预测。
进一步,采用主成分分析法,或层次分析法、或模糊评价法,或灰色关联分析法计算关联程度。
根据需要选择合适方法进行分析,利于计算。
进一步,当采用灰色关联分析法时,具体计算方法为:
设置参考数据列X0和比较数据序列Xh,X0为高炉煤气产生量数据集,Xh为与高炉煤气产生量相关的第h个影响因素数据集,{鼓风压力、高炉顶压、高炉底压、高炉顶底压力差、鼓风湿度、铁水产量、喷煤量、投焦量、鼓风量、氧气量},X0,Xh和X表示为:
X0=(x0(1),x0(2),…,x0(l))T
X=(X1,X2,…,Xn)
将X0和X组合,形成新的数据序列XC:
分别计算每个比较序列与参考序列对应元素的关联系数ξ(k),计算方法为:
其中,ω为分辨系数,0<ω≤1,ω越小,关联系数间差异越大,区分能力越强;
计算第h个影响因素的关联程度值Rh,计算方法为:
设置阈值,选取关联程度值超过阈值的影响因素作为该工况类别下的高炉煤气产生量预测模型的输入变量。
考虑影响因素对高炉煤气产生量的影响,利于后续预测。
进一步,步骤S4中,建立预测模型,对该工况下高炉煤气的产生量进行预测的方法为:
S41,建立预测模型,所述预测模型的输入为与高炉煤气产生量的关联程度值超过阈值的影响因素;
S42,对预测模型的参数进行优化,若达到优化终止条件,则执行步骤S43,否则继续执行步骤S42;
S43,利用预测模型进行该工况下高炉煤气产生量预测。
通过选取并输入与高炉煤气产生量的关联程度值超过阈值的重要影响因素,对模型的优化后进行预测,模型预测效果更精准。
进一步,所述预测模型为趋势外推预测模型,或者回归预测模型,或者卡尔曼滤波预测模型,或者组合预测模型,或者神经网络预测模型。
根据使用需要进行灵活选择,便于操作。
进一步,当采用神经网络预测模型时,所述神经网络预测模型包括:
输入层,所述输入层由m个节点组成,分别输入关联程度值超过阈值的m个影响因素,1≤m≤n,n为中的影响因素数量;
隐含层,所述隐含层包括J个节点,每个节点设有对应的基函数,利用每个基函数对m个影响因素进行计算处理;
输出层,所述输出层接收隐含层输出的所有基函数的计算结果并输出煤气产生量的预测值。
通过以上结构,高效准确地实现煤气产生量的预测。
进一步,所述隐含层第j个节点的基函数为φj(X):
其中,X是m维输入向量;cj是第j个节点的中心,其维数与X相同;σj是径向基函数φj(X)的扩展常数;J是隐含层单元节点总数量;‖X-cj‖表示X和cj之间的欧式距离,ωj为隐含层第j个节点到输出层的权重值。
通过以上函数的设置,高效准确地实现煤气产生量的预测。
进一步,步骤S42中,利用蚁群算法,或粒子群算法,或改进遗传算法对径向基神经网络预测模型的参数进行优化。
进一步,当采用改进遗传算法时,具体步骤为:
S421,设置遗传算法的代数;
S422,设置种群中个体总数量为P,并初始化种群,即随机产生含P个染色体的种群;由于cj与输入层具有相同的维度,则需要被编码的变量总数等于J+m·J+J;每个变量采用二进制方式编码,且编码长度为10,每个个体的编码总长度为10(m+2)J;
S423,第s个变量的最终解码值Fs为:
其中,Fs表示第s个变量的解码值,fs表示第s个变量由二进制转换成十进制的值;
S425,若达到最大迭代次数Gmax,即G≥Gmax,则在Gmax代的种群中找到适应度最大的个体,并对该个体的编码序列进行解码,输出解码后的参数值C,δ,w;转S427,否则转S426;
S426,设计遗传算子,对个体进行选择、交叉和变异操作;根据G代种群所有个体的平均适应度favg、两个交叉个体中较大的适应度值f、进化代数G,进行交叉和变异操作,方法如下:
设计一个能容纳P个个体的种群Q;
交叉操作:每一次选择操作完成后,随机产生一个0~1之间的小数a,并结合自适应交叉概率Pc,若a≤Pc,则被抓取的两个个体p′,p″需要进行交叉操作,产生两个新的个体,将新产生两个个体放入种群Q中;若a>Pc,则被抓取的两个个体p′,p″无需要进行交叉操作,直接被放入种群Q中;
变异操作:依次遍历种群Q中的每一个个体,每次遍历时,随机产生一个0~1 之间的小数b,并结合自适应变异概率Pm,若b≤Pm,则被遍历到的个体需要进行变异操作,变异点位随机产生;否则,被遍历到的个体不进行变异操作;
完成选择、交叉、变异三种操作后,产生含有(P-2)个个体的种群Q,再将将G代适应度值最大的2个个体放入到种群Q中,使种群Q的总个体数量依旧为P,令下一代种群等于种群Q,并更新G=G+1,返回步骤S423;
S427,用优化后的参数值C,δ,w代入高炉煤气产生量预测模型中,然后用测试数据集来预测高炉煤气的产生量。
采用改进遗传算法优化预测模型的关键参数,用优化后的参数构建预测模型,优化后的预测更准确。
进一步,在步骤S426中,G代种群中所有个体的平均适应度favg,两个交叉个体中较大的适应度值f的计算方法如下:
计算步骤简单,便于操作。
进一步,在步骤S426中,设计改进的自适应交叉概率和变异概率计算方法,使得个体之间的交叉受到适应度的约束,个体内部的变异操作受到进化代数的约束,交叉概率函数Pc与变异概率函数Pm为:
Pm=a3/(ln[a4·(Gmax+1-G)])
其中,f为两个交叉个体中较大的适应度值;a1,a2为函数参数,a1,a2∈(0,1]; favg为种群所有个体的平均适应度值;fmax为种群所有个体中最大的适应度值; a3,a4都是正实数;Gmax为最大进化代数;G为当前进化代数。
操作简单,利于使用。
本发明还提供一种动态高炉煤气产生量预测模型的建立方法,包括如下步骤:
S11,获取高炉的生产数据,判别工况类别;
S12,基于生产工况类别动态确定预测周期时长;
S13,获取不同工况对应的高炉历史生产数据,选取时间长度为预测周期时长的多段历史生产数据,作为高炉煤气产生量的影响因素数据,将影响因素数据分为训练集和测试集,训练集用于预测模型的训练,测试集用于预测模型的预测性能验证;
S14,建立分析模型计算不同工况类别下训练集中影响因素与高炉煤气产生量的关联程度;
S15,每种工况类别下,选取关联程度值超过阈值的影响因素作为该工况类别下的高炉煤气产生量预测模型的输入,预测高炉煤气的产生量;
S16,利用训练集对模型进行训练,利用测试集对模型进行测试,如果训练次数达到最大迭代次数或终止条件后,结束训练;否则,返回步骤S1;
S17,利用训练好的预测模型,采用测试集进行高炉煤气产生量预测。
本发明根据生产工况类别建立预测模型,预测高炉煤气产生量。具体根据高炉的工况类别设置预测周期时长,通过关联度分析模型获得各工况类别下高炉煤气产生量所对应的主要影响因素并建立煤气产生量预测模型,预测效果更精准。
本发明还提供一种适用于多工况类别的动态高炉煤气产生量预测***,包括数据获取单元和预测单元,所述数据获取单元用于获取高炉鼓风流量的历史数据,数据获取单元的输出端与预测单元的输入端连接,所述预测单元执行本发明所述方法,进行高炉煤气产生量预测。
该***不同工况类别下的高炉运行特征与影响因素结合,预测高炉煤气产生量,可适应高炉复杂多变的实际工况类别,提高预测精度。
附图说明
图1是本发明适用于多工况类别的动态高炉煤气产生量预测方法的结构示意图;
图2是本发明适用于多工况类别的动态高炉煤气产生量预测方法的高炉工况类别分类示意图;
图3是本发明适用于多工况类别的动态高炉煤气产生量预测方法的高炉煤气产生量预测模型的拓扑结构示意图;
图4是本发明适用于多工况类别的动态高炉煤气产生量预测方法的对高炉煤气产生量预测模型中重要参数C,δ,w进行优化的算法流程示意图;
图5是本发明适用于多工况类别的动态高炉煤气产生量预测方法的参数 C,δ,w的参数编码结构示意图;
图6是本发明适用于多工况类别的动态高炉煤气产生量预测方法的高炉减风、停风、复风三种工况下的高炉煤气产生量预测结果示意图;
图7是本发明适用于多工况类别的动态高炉煤气产生量预测方法的高炉顺行工况下的高炉煤气产生量预测结果示意图;
图8是本发明适用于多工况类别的动态高炉煤气产生量预测方法的高炉减风工况下各模型预测结果对比示意图;
图9是本发明适用于多工况类别的动态高炉煤气产生量预测方法的高炉复风工况下各模型预测结果对比示意图;
图10是本发明适用于多工况类别的动态高炉煤气产生量预测方法的高炉顺行工况下与MA,SES方法的对比示意图;
图11是本发明适用于多工况类别的动态高炉煤气产生量预测方法的高炉顺行工况下与RBFNN,BPNN方法的对比示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,本发明公开了一种适用于多工况类别的动态高炉煤气产生量预测方法,包括如下步骤:
S1,获取高炉的生产数据,判别工况类别,根据高炉鼓风量数据即可判别高炉工况类别,如图2所示;
S2,基于生产工况类别动态确定预测周期时长,获取不同工况对应的高炉生产历史数据,考虑生产工况及高炉煤气量的相关性,选取一段时间范围(该一段时间范围优选大于或等于R倍的预测周期时长,R为正整数,且通常不小于10。预测周期时长与训练数据的每段时长一致)内的生产历史数据,按预测周期时长将生产历史数据分段,作为样本数据以进行高炉煤气产生量影响因素分析;
S3,选取与不同工况类别对应的重要影响因素作为该工况类别下的高炉煤气产生量预测模型的输入;步骤S3中选取与不同工况类对应的重要影响因素作为该工况类别下的高炉煤气产生量预测模型的输入的方法为:计算不同工况类别下影响因素与高炉煤气产生量的关联程度值,选取关联程度值超过阈值的影响因素作为该工况类别下的高炉煤气产生量预测模型的输入。采用主成分分析法,或层次分析法、或模糊评价法,或灰色关联分析法计算关联程度。S4,建立预测模型,对该工况下高炉煤气的产生量进行预测。
在本发明的优选实施方式中,可分别对每个影响因素的样本数据集合进行归一化处理,将所有样本数据值转化至0~1之间,以减少预测模型的训练时间,提高计算速度;因为不同的因素的数据数量级差别很大,将所有样本数据值归一化处理转化至0~1之间,以减少预测模型的训练时间,提高计算速度;样本数据是分钟级别的实时传感器采集的数据,因为压力等数据无法积分求总量,因此采用均值计算方法。对于其它的流量或者流速等数据可以通过对时间的积分求总量,采用均值和积分的方式分别来计算一段时长内的不同种类的数据。影响因素包括指标参数和计量参数;指标参数包括鼓风压力、高炉顶压、高炉底压、高炉顶底压力差和鼓风湿度;计量参数包括铁水产量、喷煤量、投焦量、鼓风量、氧气量和煤气产生量。
如图3所示,针对高炉的生产工况类别,动态提取超过阈值的最大的m个关联程度值对应的影响因素,作为该工况类别下的高炉煤气产生量预测模型(采用径向基神经网络预测模型)的输入,预测高炉煤气的产生量,所述m为正整数。其中,m在不同的工况类别下的取值大小有差异。采用改进遗传算法对高炉煤气产生量预测模型的重要参数进行优化,用参数优化后的预测模型来预测高炉煤气的产生量。
本发明的一种优选方案中,还包括对影响因素数据进行预处理,异常数据的调整处理方法如下:
所采集到高炉顺行工况下数据集合D中的每个样本应该在某个小范围内波动,但由于工业现场的复杂性,导致采集到顺行工况下的数据出现少量的异常值。将采集的高炉顺行工况原始样本数据与其数据集合的平均值的偏差大于3Θ的样本数据看作异常数据;
Θ计算方法如下:
本发明的一种优选方案中,步骤S2中,基于生产工况类别动态确定预测周期时长的方法为:
如图2所示,根据鼓风操作方式,将高炉工况类别分类为顺行工况、减风工况、停风(休风)工况和复风工况。每个工况下周期时长具有独立性,周期时长可相同,也可以不相同,且通常情况下是不同的,这是分工况类别来预测的意义所在。确定不同工况类别下的对应的不同的预测周期时长,对相应的高炉历史生产数据进行时段划分,周期时长是根据煤气调度管理的现实需求来确定。根据实际煤气调度管理需求,高炉顺行工况类别时,为更好地指导煤气调度工作,往往期望能有较长的预测周期(比如1小时),将顺行工况下的预测周期时长设为T1,给煤气调度策略的制定提供充裕的时间提前量;减风工况与复风工况中由于煤气产生量流量波动范围大,具有很强的不确定性,此时较长周期的煤气产生量预测效果欠佳,更适合采用较短的周期T2(比如5分钟)来进行预测,设置减风工况与复风工况中的预测周期时长为T2,休风时预测周期时长设为0,无需设置预测周期时长。其中T1>T2>0。
本发明的一种优选方案中,在数据预处理和归一化之后,计算各工况类别下与相应预测周期时长隔间相等的每段时长内中各指标参数的均值以及各计量参数的总量,具体方法如下:
设鼓风压力、高炉顶压、高炉底压、高炉顶底压力差、鼓风湿度的值等于各段时长内的平均值;
铁水产量、喷煤量、投焦量、鼓风量、氧气量和煤气产生量通过历史生产数据中的铁水产生速率、喷煤速率、投焦量速率、鼓风流量、氧气流量、煤气产生流量对时间t的积分来计算,为:
其中,g∈{铁水、喷煤、焦、鼓风、氧气、煤气};t表示时间;ts表示开始时刻,表示物质g在ΔT时段内的总量;Vg表示物质g在ΔT时段内的产生或消耗速率;T1为顺行工况下的预测周期时长;T2为减风工况与复风工况中的预测周期时长。
本发明的一种优选方案中,当采用灰色关联分析法时,具体计算方法为:
设置参考数据列X0和比较数据序列Xh,X0为高炉煤气产生量数据集,Xh为与高炉煤气产生量相关的第h个影响因素数据集,Xh包含所有指标参数的均值,以及计量参数集中除煤气产生量之外的其他计量参数的积分公式计算值{鼓风压力、高炉顶压、高炉底压、高炉顶底压力差、鼓风湿度、铁水产量、喷煤量、投焦量、鼓风量、氧气量},X0,Xh和X表示为:
X0=(x0(1),x0(2),…,x0(l))T
X=(X1,X2,…,Xn)
将X0和X组合,形成新的数据序列XC:
分别计算每个比较序列与参考序列对应元素的关联系数ξ(k),计算方法为:
其中,ω为分辨系数,0<ω≤1,ω越小,关联系数间差异越大,区分能力越强;
计算第h个影响因素的关联程度值Rh,计算方法为:
设置阈值,选取关联程度值超过阈值的影响因素作为该工况类别下的高炉煤气产生量预测模型的输入变量。
除以上方法外,本发明也可采用现有的关联程度计算方法,具体可以为但不限于主成分分析法,层次分析法、模糊评价法等分析模型获取高炉煤气产生量受各影响因素影响的关联程度值并排序,量化高炉煤气产生量受各因素影响的强弱程度。
本发明可采用但不限于采用趋势外推预测方法,回归预测方法,卡尔曼滤波预测方法,组合预测方法,或神经网络预测方法等方法进行高炉煤气产生量预测。
本发明的一种更加优选的实施方案中,
步骤S4中,建立预测模型,对该工况下高炉煤气的产生量进行预测的方法为:
S41,建立预测模型,所述预测模型的输入为与高炉煤气产生量的关联程度值超过阈值的影响因素;
S42,对预测模型的参数进行优化,若达到优化终止条件,则执行步骤S43,否则继续执行步骤S42;步骤S42中,利用蚁群算法,或粒子群算法,或改进遗传算法对径向基神经网络预测模型的参数进行优化;
S43,利用预测模型进行该工况下高炉煤气产生量预测。预测模型为趋势外推预测模型,或者回归预测模型,或者卡尔曼滤波预测模型,或者组合预测模型,或者神经网络预测模型。
更优选的,当采用神经网络预测模型时,所述神经网络预测模型包括:
输入层,所述输入层由m个节点组成,分别输入关联程度值超过阈值的m个影响因素,1≤m≤n,n为中的影响因素数量;
隐含层,所述隐含层包括J个节点,每个节点设有对应的基函数,利用每个基函数对m个影响因素进行计算处理;
输出层,所述输出层接收隐含层输出的所有基函数的计算结果并输出煤气产生量的预测值。
在本发明的一种优选实施方式中,隐含层第j个节点的基函数为φj(X):
其中,X是m维输入向量;cj是第j个节点的中心,其维数与X相同;σj是径向基函数φj(X)的扩展常数;J是隐含层单元节点总数量;‖X-cj‖表示X和cj之间的欧式距离,ωj为隐含层第j个节点到输出层的权重值。
在发明的一种实施方式中,如图4和图5所示,当采用改进遗传算法时,具体步骤为:
S421,设置遗传算法的代数;
S422,设置种群中个体总数量为P,并初始化种群,即随机产生含P个染色体的种群;由于cj与输入层具有相同的维度,则需要被编码的变量总数等于 J+m·J+J;每个变量采用二进制方式编码,且编码长度为10,每个个体的编码总长度为10(m+2)J;
S423,第s个变量的最终解码值Fs为:
其中,Fs表示第s个变量的解码值,fs表示第s个变量由二进制转换成十进制的值;
S425,若达到最大迭代次数Gmax,即G≥Gmax,则在Gmax代的种群中找到适应度最大的个体,并对该个体的编码序列进行解码,输出解码后的参数值 C,δ,w;转S427,否则转S426;
S426,设计遗传算子,对个体进行选择、交叉和变异操作;根据G代种群所有个体的平均适应度favg、两个交叉个体中较大的适应度值f、进化代数G,进行交叉和变异操作,方法如下:
设计一个能容纳P个个体的种群Q;
交叉操作:每一次选择操作完成后,随机产生一个0~1之间的小数a,并结合自适应交叉概率Pc,若a≤Pc,则被抓取的两个个体p′,p″需要进行交叉操作,产生两个新的个体,将新产生两个个体放入种群Q中;若a>Pc,则被抓取的两个个体p′,p″无需要进行交叉操作,直接被放入种群Q中;
变异操作:依次遍历种群Q中的每一个个体,每次遍历时,随机产生一个0~1 之间的小数b,并结合自适应变异概率Pm,若b≤Pm,则被遍历到的个体需要进行变异操作,变异点位随机产生;否则,被遍历到的个体不进行变异操作;
完成选择、交叉、变异三种操作后,产生含有(P-2)个个体的种群Q,再将将G代适应度值最大的2个个体放入到种群Q中,使种群Q的总个体数量依旧为P,令下一代种群等于种群Q,并更新G=G+1,返回步骤S423;
S427,用优化后的参数值C,δ,w代入高炉煤气产生量预测模型中,然后用测试数据集来预测高炉煤气的产生量。
更优选地,在步骤S426中,G代种群中所有个体的平均适应度favg,两个交叉个体中较大的适应度值f的计算方法如下:
在步骤S426中,设计改进的自适应交叉概率和变异概率计算方法,使得个体之间的交叉受到适应度的约束,个体内部的变异操作受到进化代数的约束,交叉概率函数Pc与变异概率函数Pm为:
Pm=a3/(ln[a4·(Gmax+1-G)])
其中,f为两个交叉个体中较大的适应度值;a1,a2为函数参数,a1,a2∈(0,1]; favg为种群所有个体的平均适应度值;fmax为种群所有个体中最大的适应度值; a3,a4都是正实数;Gmax为最大进化代数;G为当前进化代数。
本发明还提供一种动态高炉煤气产生量预测模型的建立方法,包括如下步骤:
S11,获取高炉的生产数据,判别工况类别;
S12,基于生产工况类别动态确定预测周期时长;
S13,获取不同工况对应的高炉历史生产数据,选取时间长度为预测周期时长的多段历史生产数据,作为高炉煤气产生量的影响因素数据,将影响因素数据分为训练集和测试集,训练集用于预测模型的训练,测试集用于预测模型的预测性能验证;
S14,建立分析模型计算不同工况类别下训练集中影响因素与高炉煤气产生量的关联程度;
S15,每种工况类别下,选取关联程度值超过阈值的影响因素作为该工况类别下的高炉煤气产生量预测模型的输入,预测高炉煤气的产生量;
S16,利用训练集对模型进行训练,利用测试集对模型进行测试,如果训练次数达到最大迭代次数或终止条件后,结束训练;否则,返回步骤S1;
S17,利用训练好的预测模型,采用测试集进行高炉煤气产生量预测。
本发明提供了一种适用于多工况类别的动态高炉煤气产生量预测***,包括数据获取单元和预测单元,数据获取单元用于获取高炉鼓风流量的历史数据,数据获取单元的输出端与预测单元的输入端电性连接,预测单元执行本发明所述方法,进行高炉煤气产生量预测。该***不同工况类别下的高炉运行特征与影响因素结合,预测高炉煤气产生量,可适应高炉复杂多变的实际工况类别,提高预测精度。
为验证预测模型性能,将本发明方法的预测结果与常用时间序列预测(TimeSeries Forecasting,TSF)方法中的MA(Moving Average),SES(Single ExponentialSmoothing)、以及人工智能方法中的RBFNN(Back Propagation Neural Network),BPNN(Radial Basis Function Neural Network)的预测结果进行对比。图6至图11分别展示的是各模型在高炉减风、复风、顺行工况下的BFG产生量预测结果。其中,减风工况下各模型预测结果如图8所示;复风工况下不同方法的预测结果如图9所示;顺行工况下,与时间序列方法的预测结果如图10所示,与常用智能方法的预测结果如图11所示。
由图8知,在高炉减风工况下,本发明方法计算出的预测结果均方误差为 1.9111×106m3,均方根误差为1382.40m3,平均绝对百分比误差为3.3096%。与MA,SES,RBFNN,BPNN方法对比,本发明方法总体预测性能最佳。
由图9知,在高炉减风工况下,本发明方法计算出的预测结果均方误差为 1.9887×106m3,均方根误差为1410.20m3,平均绝对百分比误差为3.2265%。与MA,SES,RBFNN,BPNN方法对比,本发明方法总体预测性能最佳。
由图10和图11知,在高炉顺行工况下,高炉运行平稳,且原料条件与出铁速率稳定,MA、SES、RBFNN、BPNN、本发明方法这5种方法预测精度均较高。但本发明方法计算出的均方误差为1.14×105m3,均方根误差为337.57m3,平均绝对百分比误差为0.0383%,预测性能表现最佳。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (15)
1.一种适用于多工况类别的动态高炉煤气产生量预测方法,其特征在于,包括如下步骤:
S1,获取高炉的生产数据,判别工况类别;
S2,基于生产工况类别动态确定预测周期时长,获取不同工况对应的高炉生产历史数据,选取一段时间范围内的生产历史数据,按预测周期时长将生产历史数据分段,作为样本数据进行高炉煤气产生量影响因素分析;
S3,选取与不同工况类别对应的重要影响因素作为该工况类别下的高炉煤气产生量预测模型的输入;
S4,建立预测模型,对该工况下高炉煤气的产生量进行预测。
2.如权利要求1所述的适用于多工况类别的动态高炉煤气产生量预测方法,其特征在于,步骤S2中,基于生产工况类别动态确定预测周期时长的方法为:
根据煤气调度管理的现实需求,将顺行工况下的预测周期时长设为T1,减风工况与复风工况中的预测周期时长设为T2,其中T1>T2>0,休风时煤气产生量为0,无需设置预测周期时长。
3.如权利要求1所述的适用于多工况类别的动态高炉煤气产生量预测方法,其特征在于,步骤S3中选取与不同工况类对应的重要影响因素作为该工况类别下的高炉煤气产生量预测模型的输入的方法为:
计算不同工况类别下影响因素与高炉煤气产生量的关联程度值,选取关联程度值超过阈值的影响因素作为该工况类别下的高炉煤气产生量预测模型的输入。
4.如权利要求3所述的适用于多工况类别的动态高炉煤气产生量预测方法,其特征在于,采用主成分分析法,或层次分析法、或模糊评价法,或灰色关联分析法计算关联程度。
5.如权利要求4所述的适用于多工况类别的动态高炉煤气产生量预测方法,其特征在于,当采用灰色关联分析法时,具体计算方法为:
X0=(x0(1),x0(2),…,x0(l))T
X=(X1,X2,…,Xn)
将X0和X组合,形成新的数据序列XC:
分别计算每个比较序列与参考序列对应元素的关联系数ξ(k),计算方法为:
其中,ω为分辨系数,0<ω≤1,ω越小,关联系数间差异越大,区分能力越强;
计算第h个影响因素的关联程度值Rh,计算方法为:
设置阈值,选取关联程度值超过阈值的影响因素作为该工况类别下的高炉煤气产生量预测模型的输入变量。
6.如权利要求1或3所述的适用于多工况类别的动态高炉煤气产生量预测方法,其特征在于,步骤S4中,建立预测模型,对该工况下高炉煤气的产生量进行预测的方法为:
S41,建立预测模型,所述预测模型的输入为与高炉煤气产生量的关联程度值超过阈值的影响因素;
S42,对预测模型的参数进行优化,若达到优化终止条件,则执行步骤S43,否则继续执行步骤S42;
S43,利用预测模型进行该工况下高炉煤气产生量预测。
7.如权利要求6所述的适用于多工况类别的动态高炉煤气产生量预测方法,其特征在于,所述预测模型为趋势外推预测模型,或者回归预测模型,或者卡尔曼滤波预测模型,或者组合预测模型,或者神经网络预测模型。
8.如权利要求7所述的适用于多工况类别的动态高炉煤气产生量预测方法,其特征在于,当采用神经网络预测模型时,所述神经网络预测模型包括:
输入层,所述输入层由m个节点组成,分别输入关联程度值超过阈值的m个影响因素,1≤m≤n,n为中的影响因素数量;
隐含层,所述隐含层包括J个节点,每个节点设有对应的基函数,利用每个基函数对m个影响因素进行计算处理;
输出层,所述输出层接收隐含层输出的所有基函数的计算结果并输出煤气产生量的预测值。
10.如权利要求4所述的适用于多工况类别的动态高炉煤气产生量预测方法,其特征在于,步骤S42中,利用蚁群算法,或粒子群算法,或改进遗传算法对径向基神经网络预测模型的参数进行优化。
11.如权利要求10所述的适用于多工况类别的动态高炉煤气产生量预测方法,其特征在于,当采用改进遗传算法时,具体步骤为:
S421,设置遗传算法的代数;
S422,设置种群中个体总数量为P,并初始化种群,即随机产生含P个染色体的种群;由于cj与输入层具有相同的维度,则需要被编码的变量总数等于J+m·J+J;每个变量采用二进制方式编码,且编码长度为10,每个个体的编码总长度为10(m+2)J;
S423,第s个变量的最终解码值Fs为:
其中,Fs表示第s个变量的解码值,fs表示第s个变量由二进制转换成十进制的值;
S425,若达到最大迭代次数Gmax,即G≥Gmax,则在Gmax代的种群中找到适应度最大的个体,并对该个体的编码序列进行解码,输出解码后的参数值C,δ,w;转S427,否则转S426;
S426,设计遗传算子,对个体进行选择、交叉和变异操作;根据G代种群所有个体的平均适应度favg、两个交叉个体中较大的适应度值f、进化代数G,进行交叉和变异操作,方法如下:
设计一个能容纳P个个体的种群Q;
交叉操作:每一次选择操作完成后,随机产生一个0~1之间的小数a,并结合自适应交叉概率Pc,若a≤Pc,则被抓取的两个个体p′,p″需要进行交叉操作,产生两个新的个体,将新产生两个个体放入种群Q中;若a>Pc,则被抓取的两个个体p′,p″无需要进行交叉操作,直接被放入种群Q中;
变异操作:依次遍历种群Q中的每一个个体,每次遍历时,随机产生一个0~1之间的小数b,并结合自适应变异概率Pm,若b≤Pm,则被遍历到的个体需要进行变异操作,变异点位随机产生;否则,被遍历到的个体不进行变异操作;
完成选择、交叉、变异三种操作后,产生含有(P-2)个个体的种群Q,再将将G代适应度值最大的2个个体放入到种群Q中,使种群Q的总个体数量依旧为P,令下一代种群等于种群Q,并更新G=G+1,返回步骤S423;
S427,用优化后的参数值C,δ,w代入高炉煤气产生量预测模型中,然后用测试数据集来预测高炉煤气的产生量。
14.一种动态高炉煤气产生量预测模型的建立方法,其特征在于,包括如下步骤:
S11,获取高炉的生产数据,判别工况类别;
S12,基于生产工况类别动态确定预测周期时长;
S13,获取不同工况对应的高炉历史生产数据,选取时间长度为预测周期时长的多段历史生产数据,作为高炉煤气产生量的影响因素数据,将影响因素数据分为训练集和测试集,训练集用于预测模型的训练,测试集用于预测模型的预测性能验证;
S14,建立分析模型计算不同工况类别下训练集中影响因素与高炉煤气产生量的关联程度;
S15,每种工况类别下,选取关联程度值超过阈值的影响因素作为该工况类别下的高炉煤气产生量预测模型的输入,预测高炉煤气的产生量;
S16,利用训练集对模型进行训练,利用测试集对模型进行测试,如果训练次数达到最大迭代次数或终止条件后,结束训练;否则,返回步骤S11;
S17,利用训练好的预测模型,采用测试集进行高炉煤气产生量预测。
15.一种适用于多工况类别的动态高炉煤气产生量预测***,其特征在于,包括数据获取单元和预测单元,所述数据获取单元用于获取高炉鼓风流量的历史数据,数据获取单元的输出端与预测单元的输入端连接,所述预测单元执行权利要求1-13之一所述方法,进行高炉煤气产生量预测。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022106074200 | 2022-05-31 | ||
CN202210607420 | 2022-05-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186900A true CN115186900A (zh) | 2022-10-14 |
Family
ID=83516811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210817240.5A Pending CN115186900A (zh) | 2022-05-31 | 2022-07-12 | 适用于多工况类别的动态高炉煤气产生量预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186900A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612836A (zh) * | 2023-07-19 | 2023-08-18 | 福建德尔科技股份有限公司 | 三氟甲烷生产的尾气量预测方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112215464A (zh) * | 2020-09-04 | 2021-01-12 | 北京天泽智云科技有限公司 | 一种多工况下高炉煤气的预测平衡调度*** |
CN112541625A (zh) * | 2020-12-07 | 2021-03-23 | 东北大学 | 一种自适应多工况钢铁二次能源发生量动态预测方法 |
CN113919559A (zh) * | 2021-09-28 | 2022-01-11 | 南京南瑞继保电气有限公司 | 一种综合能源***设备参数超短期预测方法及装置 |
-
2022
- 2022-07-12 CN CN202210817240.5A patent/CN115186900A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112215464A (zh) * | 2020-09-04 | 2021-01-12 | 北京天泽智云科技有限公司 | 一种多工况下高炉煤气的预测平衡调度*** |
CN112541625A (zh) * | 2020-12-07 | 2021-03-23 | 东北大学 | 一种自适应多工况钢铁二次能源发生量动态预测方法 |
CN113919559A (zh) * | 2021-09-28 | 2022-01-11 | 南京南瑞继保电气有限公司 | 一种综合能源***设备参数超短期预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
赖茜等: ""高炉煤气产生量预测方法对比研究"", 《冶金能源》, vol. 40, no. 3, 31 May 2021 (2021-05-31), pages 22 - 26 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612836A (zh) * | 2023-07-19 | 2023-08-18 | 福建德尔科技股份有限公司 | 三氟甲烷生产的尾气量预测方法和*** |
CN116612836B (zh) * | 2023-07-19 | 2023-10-03 | 福建德尔科技股份有限公司 | 三氟甲烷生产的尾气量预测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN109242188B (zh) | 一种钢铁煤气***长期区间预测及其结构学习方法 | |
CN110245850B (zh) | 一种考虑时序的烧结过程工况识别方法及*** | |
CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
CN115186900A (zh) | 适用于多工况类别的动态高炉煤气产生量预测方法及*** | |
CN113919559A (zh) | 一种综合能源***设备参数超短期预测方法及装置 | |
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 | |
CN114066069A (zh) | 一种组合权重的副产煤气发生量预测方法 | |
CN109934421B (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN111047103A (zh) | 基于多工况模式辨识的烧结过程碳效在线预测方法及设备 | |
CN105302976A (zh) | 基于spea2算法的铝电解生产优化方法 | |
CN108734419B (zh) | 一种基于知识迁移的高炉煤气调度***建模方法 | |
CN111798023B (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
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*** | |
CN112329269A (zh) | 一种基于工况识别的烧结点火温度建模预测方法 | |
CN112257348A (zh) | 一种锂电池长期退化趋势预测方法 | |
CN116703022A (zh) | 电力设备最优碳排放评估方法及*** | |
CN113222339A (zh) | 基于计量全景数据的同类型企业用能差异分析方法及*** | |
CN116127345B (zh) | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 | |
CN112541628B (zh) | 一种多模型耦合驱动的高炉煤气产生量预测方法及*** | |
CN118134293B (zh) | 一种用户端能源管理***及方法 | |
CN117831672A (zh) | 基于灰色内涵型gm(1,1)的烟化炉冶炼终点预测方法 | |
CN114912335B (zh) | 一种基于缺失数据的煤气发生量预测方法 |
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 |