一种钢铁煤气系统长期区间预测及其结构学习方法技术方案

本发明专利技术属于信息技术领域，提供了一种钢铁煤气系统长期区间预测及其结构学习方法。本发明专利技术采用工业真实数据，首先构造多层次的信息粒度非等长分配结构，建立相应优化模型；进而，考虑到模型结构对预测精度的重要性，本发明专利技术借助蒙特卡洛方法，对多层次模型的结构参数进行强化学习；最终基于最优的多层粒度计算结构，运用并行计算策略，求得煤气产消量的长期区间预测结果。此方法所得到结果精度较高，且计算效率符合实际应用要求，在钢铁工业其它能源介质系统中亦可推广应用。

【技术实现步骤摘要】
一种钢铁煤气系统长期区间预测及其结构学习方法
本专利技术属于信息
，涉及到模糊建模、强化学习、并行计算等技术，是一种粒度计算与强化学习相结合的钢铁工业煤气系统长期区间预测及其结构学习方法。本专利技术采用工业真实数据，首先构造多层次的信息粒度非等长分配结构，建立相应优化模型；进而，考虑到模型结构对预测精度的重要性，本专利技术借助蒙特卡洛方法，对多层次模型的结构参数进行强化学习；最终基于最优的多层粒度计算结构，运用并行计算策略，求得煤气产消量的长期区间预测结果。此方法所得到结果精度较高，且计算效率符合实际应用要求，在钢铁工业其它能源介质系统中亦可推广应用。
技术介绍
节能减排始终是钢铁工业日常生产的重要目标之一。作为随生产过程产生的副产煤气这一二次能源，能否实现对其合理利用将直接关系到企业经济利益和降耗效果。钢铁工业的副产煤气主要包括高炉煤气、焦炉煤气和转炉煤气三种，由于生产需求变化、设备切换操作等原因，现场常出现产消失衡情况，此时需制定调度方案以使管网达到新的产消平衡，从而保障生产顺畅、避免资源浪费。在上述过程中，产消量变化趋势是能源调度人员做出决策的重要依据，因此对副产煤气的预测工作具有重要的实际应用意义。(熊超.钢铁企业煤气系统节能探讨[C].(2011).中国金属学会冶金技术经济学会学术年会.)随着研究应用工作的广泛开展，以粒度计算为代表的预测模型已可实现超过4小时的长期趋势估计(J.Zhao,Z.Y.Han,W.Pedrycz,W.Wang.(2016).Granularmodeloflong-termpredictionforenergysysteminsteelindustry[J].IEEEtransactionsoncybernetics,46(2),388-400)(Z.Y.Han,J.Zhao,Q.Liu,W.Wang.(2016).Granular-computingbasedhybridcollaborativefuzzyclusteringforlong-termpredictionofmultiplegasholderslevels[J].InformationSciences,330,175-185)。然而，这些方法的预测结果均以点为呈现形式，无法满足现场对结果可靠性衡量的需求。鉴于此，除了支持向量机(SupportVectorMachine,SVM)、基于统计学的一些模型均可被用来实现区间预测以外(C.Y.Sheng,J.Zhao,W.Wang,H.Leung.(2013).Predictionintervalsforanoisynonlineartimeseriesbasedonabootstrappingreservoircomputingnetworkensemble[J].IEEETransactionsonneuralnetworksandlearningsystems,24(7),1036-1048)(A.Khosravi,S.Nahavandi,D.(2010).Creighton.Constructionofoptimalpredictionintervalsforloadforecastingproblems[J].IEEETransactionsonPowerSystems,25(3),1496-1503.)，将粒度计算中的聚类中心纵向拓展为区间值、进而求解相应优化模型，也是一个可行的解决方案(Z.Y.Han,J.Zhao,H.Leung,W.Wang.(2018).Constructionofpredictionintervalsforgasflowsystemsinsteelindustrybasedongranularcomputing[J].ControlEngineeringPractice,78,79-88)。然而，这些方法存在明显不足：首先，由于以迭代机制构造样本，SVM、基于统计学等模型在长期预测方面精度难以令人满意，一般仅能给出60个点以内的良好预测结果；其次，虽然单层的信息粒度分配方式可计算出较长时间的区间估计结果，但大量的待优化参数导致其运算时间和精度均存在不确定性，若能将这些参数分层次处理，则有望在计算效率和平均精度上获得明显提升；此外，若应用多层次粒度计算模型，其结构将直接左右长期区间预测结果的精度，因此需要设计方法以高效、合理地获取最优模型结构参数。
技术实现思路
本专利技术主要解决钢铁工业副产煤气系统的产消量长期区间预测及模型结构学习问题。方法使用采集自现场的真实工业数据，首先建立多层次的信息粒度非等长分配结构及相应优化模型；为自适应地确定模型结构，本专利技术借助蒙特卡洛方法对结构参数进行强化学习；最终借助并行计算进行分层次的高效求解，得到长期区间预测结果。本专利技术的技术方案：一种钢铁煤气系统长期区间预测及其结构学习方法，步骤如下：(1)由现场实时数据库采集副产煤气系统的产消量数据，经过除噪、滤波及填补等预处理后作为基础数据样本；(2)应用模糊C均值(FuzzyC-Means,FCM)算法进行聚类，得到聚类中心及隶属度；(3)逐层次的对聚类中心分配信息粒度，将其由点值拓展为区间值，并建立各层次的信息粒度优化模型；(4)利用并行计算策略，逐层求解最优结构参数下的信息粒度分配优化模型，并结合概率、模糊建模等手段，得到初步的长期区间预测结果；(5)将长期区间预测模型的当前结构定义为“状态”、参数变化定义为“动作”，借助蒙特卡洛方法，以强化学习的方式求取近似的策略值函数，从而确定模型的最优结构参数，并再次运用步骤4，得到最终的长期区间预测结果；本专利技术的有益效果：本专利技术的长期区间预测模型将信息粒度分层优化，克服了传统单层方法需求解参数过多、平均精度较低的问题。所建立的粒度分配优化模型将信息的覆盖性描述为约束条件，而目标函数仅为专一性一个目标，从而避免了求解多目标问题的繁琐。此外，蒙特卡洛方法的运用，为长期区间预测模型的结构学习提供了强化学习机制，从而可自适应地确定多层次粒度计算结构。加之并行计算在上述优化模型求解、强化学习过程中的运用，保障了方法的计算效率可符合实际应用之要求。附图说明图1为钢铁工业副产煤气系统示意图。图2为本专利技术应用流程图。图3为多层次信息粒度分配及优化结构示意图。图4(a)为MVE方法对#2高炉煤气发生量的长期区间预测结果图。图4(b)为单层粒度计算方法对#2高炉煤气发生量的长期区间预测结果图。图4(c)为本专利技术方法对#2高炉煤气发生量的长期区间预测结果图。图5(a)为MVE方法对#1焦炉煤气使用量的长期区间预测结果图。图5(b)为单层粒度计算方法对#1焦炉煤气使用量的长期区间预测结果图。图5(c)为本专利技术方法对#1焦炉煤气使用量的长期区间预测结果图。图中的MVE指均值-方差估计(Mean-VarianceEstimation)具体实施方式为了更好地理解本专利技术的技术路线和实施方案，下面以国内钢铁工业自动化水平较高的上海宝山钢铁厂副产煤气系统做进一步说明。由附图1所示的宝钢煤气系统示意图可看出，四座高炉、六座焦炉和六座转炉构成了三种主要副产煤气的发生单元，而消耗单元则包括冷/热轧、烧结等，其中低压锅炉和电厂常作为可调节单本文档来自技高网...

【技术保护点】
1.一种钢铁煤气系统长期区间预测及其结构学习方法，其特征在于，步骤如下：步骤1：数据预处理从工业现场实时关系数据库，读取副产煤气系统发生和消耗单元数据，并做基本的除噪、滤波和填补；步骤2：FCM将步骤1读取的数据分割为数段等长度的片段，即Z＝{z1,z2,…,zN}，其中

【技术特征摘要】
1.一种钢铁煤气系统长期区间预测及其结构学习方法，其特征在于，步骤如下：步骤1：数据预处理从工业现场实时关系数据库，读取副产煤气系统发生和消耗单元数据，并做基本的除噪、滤波和填补；步骤2：FCM将步骤1读取的数据分割为数段等长度的片段，即Z＝{z1,z2,…,zN}，其中n代表每个数段所含数据点个数，N则为数段个数；应用FCM聚类算法，获得聚类中心V＝{v1,v2,…,vc}和对应隶属度U＝{u1,u2,…,uN}，其中c是聚类中心维度；步骤3：建立多层次粒度计算模型由下至上逐层次地对聚类中心矩阵V＝{v1,v2,…,vc}分配信息粒度αi,j和βi，其中i＝1,2,…,m；j＝1,2,…,ni；且n1≠n2≠…≠nm；如此即将聚类中心由点值延展为区间值；为优化求解上述信息粒度参数，首先定义覆盖性cov和专一性spec两个衡量指标如下：其中，T表示数据样本所含数据点个数；λi是标识变量，即当区间覆盖样本的数据点时等于1，否则等于0；range指样本数据的最大值与最小值之差，和zi分别表示预测区间上限和下限；信息粒度模型的优化目标是使得覆盖性cov和专一性spec均取极大值，其中cov至少等于目标置信度(1-ρ)×100％，ρ∈[0,1]是显著水平；将式(1)作为约束条件考虑，即cov必须大于或等于目标置信区间；信息粒度的优化顺序与分配顺序相反，各层优化模型建立如下：(1)第二层其中，range(2)指第二层对应数据样本的最大值与最小值之差，表示第二层所得区间结果的上限和下限；ε是控制总体信息粒度的超参数；和用来控制βi，以使其不至于过分偏离ε；是类似λi的标识变量，即当第二层所得区间覆盖样本的数据点时为1，否则为0；(2)第一层与第二层仅处理一个优化问题不同，第一层要计算合计为m个的一系列优化问题，其中任意一个表述如下：其中，指第一层各优化问题对应数据样本的最大值与最小值之差，i＝1,2,…,m；和分别为第一层各优化问题求解所得区间的上限和下限；和则用来控制αi,j不过分偏离βi；步骤4：长期区间预测基于粒度计算的长期区间预测本质上是预测模糊隶属度，即其中为隶属度预测值，是隶属度矩阵U的一部分，nI表示隶属度关系的输入个数；将通过概率估计实现隶属度的预测；为...

【专利技术属性】
技术研发人员：韩中洋，赵珺，王伟，王霖青，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21