基于因素的钢铁企业工序能耗预测方法技术

本发明专利技术提供了一种基于因素的钢铁企业工序能耗预测方法，包括如下步骤：步骤1：准备数据，从实时数据库中获取钢铁企业工序能耗历史实际数据，并从导入计划数据；步骤2：展示计划数据，其中，将计划数据作为影响因素；步骤3：根据历史实际数据，得到历史能耗实际数据，并确定计算样本数据；步骤4：根据计算样本获取固定单耗值；步骤5：采用BP神经网络方式或者支持向量机方式进行预测。本发明专利技术能够较准确的预测未来一段时间的工序介质能耗及吨钢综合能耗变化趋势，使调度人员可以参考工序介质能耗变化趋势，得到吨钢综合能耗，从而降低原来做法的复杂度及提高预测吨钢综合能耗的准确度，缩短耗时周期。

【技术实现步骤摘要】

本专利技术涉及冶金自动化领域，具体地，涉及基于因素的钢铁企业工序能耗预测方 法。
技术介绍
钢铁企业能耗预测与平衡研究是采用准确先进的预测方法对能源需求的趋势提 供正确的估计，根据能源消耗历史数据，综合考虑各工序的产业结构、能源消耗特点，对工 序能耗和企业综合能耗进行短期、中期和长期预测，对企业能源的使用进行总体平衡和调 整，深入研究钢铁企业能源消耗的特点和机理，形成全面的能耗评价、分析体系，为能源管 理优化提供有效的决策支持，为能源成本预算提供准确可靠的依据，实现对能源高效合理 地利用。 目前的做法是，总部以下的所有二级厂按月把本厂的能耗预算报送能源环保部， 能源部根据各厂的情况进行总体的平衡和调整，调整后的结果一方面下达给二级厂，一方 面形成能耗预算报给财务部门，整个过程手工进行，每月耗时三天，效率低。
技术实现思路
针对上述现有技术的缺陷，本专利技术要解决的技术问题是一种基于因素的钢铁企业 工序能耗预测方法，能够较准确地预测各个二级工序介质能源消耗量，得到吨钢综合能耗， 从而降低原来做法的复杂度及提高预测吨钢综合能耗的准确度，缩短耗时周期。 根据本专利技术提供的一种，包括如下步骤： 步骤1 :准备数据，从实时数据库中获取钢铁企业工序能耗历史实际数据，并从导 入计划数据； 步骤2 :展示计划数据，其中，将计划数据作为影响因素； 步骤3 :根据历史实际数据，得到历史能耗实际数据，并确定计算样本数据； 步骤4 :根据计算样本获取固定单耗值； 步骤5 :采用BP神经网络方式或者支持向量机方式进行预测； (i)采用BP神经网络方式进行预测，具体包括如下步骤： 步骤501 :先初始化BP网络结构，设定BP网络的输入层、隐含层、输出层的神经元 个数； 步骤502 :根据神经网络结构确定粒子总数，此粒子总数为所有权值和阈值的总 和； 步骤503 :计算所有粒子中每个粒子的适应度； 步骤504 :比较每个粒子的适应度与所经历过的最好位置的适应度进行比较，若 较好，则将所述粒子的适应度作为当前的最好位置P1 (t); 步骤505 :将每个粒子的适应度与全局所经历的最好位置的适应度进行比较，若 较好，则将所述粒子的适应度作为当前的全局最好位置匕(〇 e 其中，P1U)表示第i+1个粒子当前的最好位置； 步骤506 :根据公式⑴和公式⑵更新每个粒子的位置Xu和速度Vl]; 其中：下标"j"表示粒子的第j维，"i"表示粒子i，t表示第t代，Cl、c 2为加速常 数，通常在0~2之间，rand()是（0, 1)均匀分布相互独立的随机函数； Vij (t+Ι)表示粒子i在t+Ι代时的速度，VijU)表示粒子i在t代时更新后的速 度，Pu (t)表示粒子i在t代时最好位置，Xu (t)表示粒子i在t代时位置，Xu (t+Ι)表示 粒子i在t+1代时位置，pg] (t)表示极值点粒子在t代时最好位置，g表示极值点粒子下标 从上述由公式（1)和公式（2)构成的粒子进化方程能够得到，C1调节粒子飞向自 身最好位置方向的步长，C 2调节粒子向全局最好位置飞行的步长； 步骤507 :若达到预设的适应度期望阈值或者达到一个预设的最大代数，则步骤 504至步骤506所执行的搜索停止，输出全局最优位置，否则，返回步骤504继续执行； (ii)采用支持向量机方式进行预测，具体包括如下步骤： 步骤5A :初始化粒子群PSO的粒子种群； 步骤5B :将样本数据进行加权运算得到新特征值，利用加权后所形成的新特征值 进行建模，利用所得到的检测模型进行交叉检验，得到交叉检验值，这个交叉检验值就适应 度值； 步骤5C :根据计算所得到的适应度值，运用粒子群PSO的速度和位置更新公式对 粒子进行更新，同时更新个体历史最优位置和个体适应度值，以及全局最优位置和全局适 应度值； 步骤f5D :重复进行步骤5B和步骤5C的操作，直到满足预先设定的迭代次数或算 法运算时间就停止。 优选地，在步骤503中，以训练误差精度E作为适应度函数以得到适应度： 其中，E表示适应度，N表示总数，Y表示期望输出值，yi表示真实输出值。 与现有技术相比，本专利技术具有如下的有益效果： 本专利技术能够较准确的预测未来一段时间的工序介质能耗及吨钢综合能耗变化趋 势，使调度人员可以参考工序介质能耗变化趋势，得到吨钢综合能耗，从而降低原来做法的 复杂度及提高预测吨钢综合能耗的准确度，缩短耗时周期。 本专利技术解决了钢铁制造领域中如何准确获得工序能耗的技术问题，其采用的是基 于支持向量机或BP网络的计算方法并利用预测模型来实现的技术手段，并由此能够获得 提高工序能耗预测计算速度的技术效果。【附图说明】 通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、 目的和优点将会变得更明显： 图1为工序能耗预测过程。【具体实施方式】 下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术 人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术 人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进。这些都属于本专利技术 的保护范围。 步骤一：准备数据，从实时数据库中获取历史实际数据，手工导入计划数据； 步骤二：展示计划数据即影响因素； 步骤三：基于历史实际数据，运用BP网络建因素模型A ; 步骤四：基于历史实际数据，运用支持向量机建因素模型B，具体如下： (1)建模过程中首先将历史数据作为训练样本，并对样本数据进行处理，以提高训 练结果的精度； (2)通过核函数的转化将非线性的问题进行线性化，转化为求解二次规划问题的 形式； (3)采用数学规划方法求解以上问题，选择出支持向量，得到预测模型。 步骤五：步骤三或者步骤四根据步骤二影响因素的建模制对工序介质能耗进行预 测，从而通过计算得到吨钢综合能耗。 本专利技术能够较准确的预测未来一段时间的工序介质能耗及吨钢综合能耗变化趋 势，能源中心管理人员可以根据工序介质能耗及吨钢综合能耗的变化趋势，结合年初制定 的全厂吨钢综合能耗目标，对各个二级厂工序介质能源消耗进行调控，达到全厂的能源平 衡利用；实现能源平衡，减少能源浪费，提高能源利用率。与人工相比，提高精度，缩短耗时 周期。 下面对本专利技术进行更为具体的描述。 实施例1 :梅钢炼钢工序能耗预测 图1是本专利技术实施例1的工序能耗预测流程图。【具体实施方式】 参见图1所示，在本专利技术的实施例1中所述钢铁企业炼钢工序能耗预测方法是按 照如下步骤实现的： 步骤一，读取炼钢工序能耗历史实际数据与炼钢工序实际产量。通过从现场能源 系统中的实时数据库读取炼钢工序能耗历史实际数据与炼钢工序实际产量。 步骤二，导入需要预测的相关炼钢工序计划产量数据作为影响因素，以通过从外 部导入的方式获得炼钢工序计划产量数据。 步骤三，根据步骤一取到的炼钢工序能耗历史实际数据与炼钢工序实际产量，以 人工方式选定月数作为样本总数，其中同一个月的炼钢工序能耗历史实际数据与炼钢工序 实当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于因素的钢铁企业工序能耗预测方法，其特征在于，包括如下步骤：步骤1：准备数据，从实时数据库中获取钢铁企业工序能耗历史实际数据，并从导入计划数据；步骤2：展示计划数据，其中，将计划数据作为影响因素；步骤3：根据历史实际数据，得到历史能耗实际数据，并确定计算样本数据；步骤4：根据计算样本获取固定单耗值；步骤5：采用BP神经网络方式或者支持向量机方式进行预测；(i)采用BP神经网络方式进行预测，具体包括如下步骤：步骤501：先初始化BP网络结构，设定BP网络的输入层、隐含层、输出层的神经元个数；步骤502：根据神经网络结构确定粒子总数，此粒子总数为所有权值和阈值的总和；步骤503：计算所有粒子中每个粒子的适应度；步骤504：比较每个粒子的适应度与所经历过的最好位置的适应度进行比较，若较好，则将所述粒子的适应度作为当前的最好位置Pi(t)；步骤505：将每个粒子的适应度与全局所经历的最好位置的适应度进行比较，若较好，则将所述粒子的适应度作为当前的全局最好位置Pg(t)∈{P0(t),P1(t),...,Pi(t)}，其中，Pi(t)表示第i+1个粒子当前的最好位置；步骤506：根据公式(1)和公式(2)更新每个粒子的位置Xij和速度vij；vij(t+1)＝vij(t)+c1*rand()*(pij(t)‑xij(t))+c2*rand()*(pgj(t)‑xij(t))   (1)xij(t+1)＝xij(t)+vij(t+1)         (2)其中：下标“j”表示粒子的第j维，“i”表示粒子i,t表示第t代，c1、c2为加速常数，通常在0～2之间，rand()是(0,1)均匀分布相互独立的随机函数；vij(t+1)表示粒子i在t+1代时的速度，vij(t)表示粒子i在t代时更新后的速度，pij(t)表示粒子i在t代时最好位置，xij(t)表示粒子i在t代时位置，xij(t+1)表示粒子i在t+1代时位置，pgj(t)表示极值点粒子在t代时最好位置，g表示极值点粒子下标；从上述由公式(1)和公式(2)构成的粒子进化方程能够得到，c1调节粒子飞向自身最好位置方向的步长，c2调节粒子向全局最好位置飞行的步长；步骤507：若达到预设的适应度期望阈值或者达到一个预设的最大代数，则步骤504至步骤506所执行的搜索停止，输出全局最优位置，否则，返回步骤504继续执行；(ii)采用支持向量机方式进行预测，具体包括如下步骤：步骤5A：初始化粒子群PSO的粒子种群；步骤5B：将样本数据进行加权运算得到新特征值，利用加权后所形成的新特征值进行建模，利用所得到的检测模型进行交叉检验，得到交叉检验值，这个交叉检验值就适应度值；步骤5C：根据计算所得到的适应度值，运用粒子群PSO的速度和位置更新公式对粒子进行更新，同时更新个体历史最优位置和个体适应度值，以及全局最优位置和全局适应度值；步骤5D：重复进行步骤5B和步骤5C的操作，直到满足预先设定的迭代次数或算法运算时间就停止。...

【技术特征摘要】

【专利技术属性】
技术研发人员：奚小娟，沈兵，
申请(专利权)人：上海宝信软件股份有限公司，
类型：发明
国别省市：上海;31