一种基于生产计划的钢铁企业氧气负荷预测方法技术

本发明专利技术属于信息技术领域，涉及到影响因素提取、神经网络建模、相似序列匹配等技术，是一种基于生产计划的钢铁企业氧气负荷预测方法。本发明专利技术采用工业实际运行数据，首先提取转炉炼钢的生产计划和生产实绩等相关数据，进行影响因素分析，提取出耗氧量的主要影响变量。进而建立单个转炉耗氧量的神经网络预测模型，以均方误差为评价指标，给出一个转炉在吹炼阶段时间粒度上的预测结果。最后结合转炉生产计划中各设备的冶炼时刻、冶炼持续时间等信息，给出一个计划时间段内的氧气负荷预测值。该方法所得到的结果精度较高，且可根据生产计划的变更进行实时调整，对实际生产有指导意义，同时亦可推广到炼铁工序中，最终实现钢铁企业耗氧量总量的预测。

【技术实现步骤摘要】
一种基于生产计划的钢铁企业氧气负荷预测方法
本专利技术属于信息
，涉及到影响因素提取、神经网络建模、相似序列匹配等技术，是一种基于生产计划的氧气负荷预测方法。本专利技术采用工业实际运行数据，首先提取转炉炼钢的生产计划和生产实绩等相关数据，进行影响因素分析，提取出耗氧量的主要影响变量。进而建立单个转炉耗氧量的神经网络预测模型，以均方误差为评价指标，给出一个转炉在吹炼阶段时间粒度上的预测结果。最后结合转炉生产计划中各设备的冶炼时刻、冶炼持续时间等信息，给出一个计划时间段内的氧气负荷预测值。该方法所得到的结果精度较高，且可根据生产计划的变更进行实时调整，对实际生产有指导意义，同时亦可推广到炼铁工序中，最终实现钢铁企业耗氧量总量的预测。
技术介绍
节能减排一直是钢铁企业重点关注的生产目标之一。氧气作为钢铁企业重要的能源，对其进行合理利用是降低企业成本的重要手段。氧气的最大消耗单元是转炉和高炉，两种工序的生产工艺导致氧气消耗具有间断性特征，系统压力随着氧气消耗量的波动呈现不稳定趋势，由于调度人员无法对其进行准确预测，因此会出现氧气在一段时间内供过于求的情况，系统压力上升，此时调度人员为了保证系统压力稳定、生产平稳运行，不得不将多余的低压氧气排空(放散)来防止安全阀起跳，以降低系统压力，从而导致氧气资源的浪费，能源利用率降低。同时，当多个转炉集中吹炼，氧气需求量急剧上升，而空压机组在短时内无法变负荷生产，因此无法满足生产需求，造成管网压力下降，影响企业正常生产。在钢铁企业中，氧气生产、氧气存储、氧气消耗三者组成氧气系统，其紧密相连、动态平衡。当某一环节出现故障或者发生剧烈波动时，会对整个系统产生影响，以致破坏其系统动态平衡，进而影响正常生产。目前常见的氧气负荷预测一般是采用数据驱动的方法来完成时间粒度上的氧气负荷预测，根据历史数据采用以神经网络、支持向量机为代表的核学习模型，基于模糊系统的预测模型等，进行迭代机制的预测算法(BumsE，RuralW.Iterative-deepeningsearchwithon-linetreesizeprediction[J].AnnalsofMathematicsandArtificialIntelligence，2013，69(2)：183-205.)。(ZhangL，ZhouWD，ChangPC，eta1.Iteratedtimeseriespredictionwithmultiplesupportvectorregressionmodels[J].Neurocomputing，2013，99：411-422.)亦或是考虑阶段性生产特征，将数据分割成长度不等的粒子，然后以数据段为基本分析单元进行模糊聚类，模糊推理等，最后完成氧气负荷的预测。(韩中洋.炼钢过程气体能源系统预测与调度方法及应用[D].大连理工大学,2016.)。采用SVM等建立模型来完成单个炉次耗氧量的预测，但该预测结果以总量点的形式存在，无法在时间粒度上进行预测，无法满足现场实际生产的需求。(蒋伟杰.钢铁企业氧气系统预测及优化调度模型研究[D].天津理工大学,2017.)然而，这些方法仅仅是通过对历史的氧气消耗数据进行分析，然后使用算法进行预测。然而当出现生产计划的突然变更时，仅通过历史数据无法做出相应的预测。氧气消耗的变化规律与生产计划的排程息息相关，通过提取生产计划的排程，再结合历史数据，不仅可以从机理上解释预测的变化趋势，而且精度上更胜一筹。因此需要设计一种结合生产计划的氧气消耗负荷预测方法。
技术实现思路
本专利技术主要解决钢铁企业的氧气负荷预测问题，方法采用来自大型钢铁企业的实际运行数据。首先提取转炉炼钢的生产计划和生产实绩等相关数据信息，进行耗氧量主要影响因素分析，提取出对单个炉次氧气消耗量影响最大的输入变量并建立基于神经网络的单个转炉炉次耗氧总量预测模型。然后将模型预测结果与历史样本数据进行模匹配，以均方误差为评价标准，给出一个炉次内时间粒度上的氧气负荷预测值。最后推广到炼铁工序中进行模型预测，并将其在时间粒度上的预测值进行线性加和，实现钢铁企业的耗氧总量的预测。本专利技术技术方案的整体实现流程图如附图1所示，具体步骤如下：(1)提取炼铁、炼钢的历史生产计划和历史生产实绩数据，根据转炉历史数据分析对单个炉次氧气消耗量影响较大的因素，然后筛选影响较大的多个因素作为模型的输入变量，氧气消耗量作为模型输出变量。(2)训练模型并调整模型参数，以平均绝对百分比误差最低的模型参数作为最终模型参数。将生产计划中未来一段时间内的计划批次的相关信息作为输入变量，使用模型预测一个计划炉次内的氧气总耗用量。(3)将预测的数据与历史样本以均方误差最小为标准进行模匹配，然后根据生产计划中各设备冶炼时刻，冶炼持续时间等信息，拟合出一个计划时间段内的时间尺度上的耗氧量曲线图。(4)根据已有的生产计划分别对每个转炉设备进行时间尺度上的耗氧量预测，然后将低压氧气管网下的所有转炉设备的预测曲线进行时间上的线性加和，得到炼钢氧气负荷预测结果。(5)根据提取出来的炼铁历史数据进行炼铁管网的氧气负荷预测，然后将预测结果与炼铁生产计划中的高炉休风、减风、复风等操作进行结合，重新拟合出高炉炼铁氧气负荷预测曲线。最后将炼铁管网的预测结果与炼钢管网的预测结果加和，得到氧气总管的时间尺度上的氧气负荷预测数据。本专利技术的效果和益处：本专利技术将生产计划、生产机理以及历史数据相结合，提出了一种基于生产计划的氧气负荷预测方法。在通过提取相关信息进行建模后，进行一个转炉炉次的氧气消耗总量负荷预测，将预测结果与历史信息进行模匹配，拟合出该炉次氧气消耗量在时间尺度上的分布，基于生产计划的时刻表，预测出未来一段时间内的氧气消耗量趋势图。本专利技术以数据驱动和生产计划为基础，构建出机理和数据相结合的预测模型，能够精确的预测出未来的氧气消耗趋势图，从而为现场生产中的相关优化、平衡调度提供有效的技术支持。附图说明图1为本专利技术的实施流程图。图2为氧气系统的示意图。图3为送炼钢管网本方法预测值与实际值对比图。图4为送炼铁管网本方法预测值与实际值对比图。图5为氧气管网本方法预测值与实际值对比图。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，以国内某大型钢铁企业的氧气系统为例，做进一步的说明。附图2所示为该企业的氧气系统示意图。从图中可以看出，高炉炼铁，转炉炼钢，热轧等小用户是氧气消耗的主要用户，其中转炉炼钢和高炉炼铁占据氧气系统总消耗量的96％以上，热轧等小用户耗氧量相对来说则占比较少且消耗较稳定，因此本专利技术中将其作为定值来考虑。转炉炼钢、高炉炼铁的氧气消耗量呈现间断性，无明显规律性且波动幅度较大的特点。生产计划是钢铁企业对未来一段时间内的炼钢、炼铁产量和时刻的规划，对生产起到指导作用，同时，其计划中的信息，也可用来进行生产模型的建立，用以预测未来氧气消耗量的变化趋势。按照图1所示的方法流程，本专利技术的具体实施步骤如下所示：步骤1：数据预本文档来自技高网...

【技术保护点】
1.一种基于生产计划的钢铁企业氧气负荷预测方法，其特征在于，步骤如下：/n步骤1：数据预处理/n从工业现场实时数据库中提取炼钢、炼铁的生产计划和生产实绩表，并对相关计划信息、氧气消耗量数据进行滤波、缺失值填补；/n步骤2：模型输入输出变量筛选/n转炉氧气预测模型的主要功能是实现单个炉次的氧气消耗总量的预测，神经网络的输出变量为单个炉次的耗氧总量，神经网络的输入变量通过机理模型筛选、最大影响因素分析一起确定；选取铁水重量、铁水温度、铁水碳含量、铁水磷含量、终点碳含量、废钢量共6个输入变量，该变量均存在生产计划表中，为可获得变量；/n步骤3：建立模型并训练模型/n采用神经网络算法来构建模型，通过大量的训练样本自动学习输入和输出之间的映射关系，在理论上逼近任何的非线性函数；神经网络模型结构分为输入层、隐含层、输出层三层；假设模型的输出层为第Q层，设第q(q＝1,2,…,Q)层的神经节点个数为n

【技术特征摘要】
1.一种基于生产计划的钢铁企业氧气负荷预测方法，其特征在于，步骤如下：
步骤1：数据预处理
从工业现场实时数据库中提取炼钢、炼铁的生产计划和生产实绩表，并对相关计划信息、氧气消耗量数据进行滤波、缺失值填补；
步骤2：模型输入输出变量筛选
转炉氧气预测模型的主要功能是实现单个炉次的氧气消耗总量的预测，神经网络的输出变量为单个炉次的耗氧总量，神经网络的输入变量通过机理模型筛选、最大影响因素分析一起确定；选取铁水重量、铁水温度、铁水碳含量、铁水磷含量、终点碳含量、废钢量共6个输入变量，该变量均存在生产计划表中，为可获得变量；
步骤3：建立模型并训练模型
采用神经网络算法来构建模型，通过大量的训练样本自动学习输入和输出之间的映射关系，在理论上逼近任何的非线性函数；神经网络模型结构分为输入层、隐含层、输出层三层；假设模型的输出层为第Q层，设第q(q＝1,2,…,Q)层的神经节点个数为nq，从第q-1层的第j个神经节点到第q层的第i个神经节点的连接系数为w，则网络层各层的输入和输出之间的关系如式(1)所示：









其中，是第q层的第i个输出变量，式(1)中的如式(2)所示，式(1)中的f关系式结构为式(3)所示，μ为设定的参数，为第q-1层变量到各自对应的第q层的第i个节点的连接系数的乘积加和值，为第q-1层的第j个输入变量，代表第q-1层的第j个节点对第q层的第i个节点所产生的影响，当j＝0时，其中表示第q层第i个神经元的阈值；
提取生产实绩表中的历史数据，将步骤2中选定的输入变量作为输入参数，因此输入样本如式(4)所示；输出变量作为输出参数，输出样本与输入样本关系如式(5)所示；然后改变模型结构，逐一进行训练，采用平均绝对百分比误差(MeanAbsolutePercentageError，MAPE)值最低的结构作为最终的模型结构，其公式如式(6)所示；
X＝[xb,xt,xd,xp,tc,ew](4)
Yout＝f(xb,xt,xd,xp,tc,ew)(5)



其中，X为n×6的输入样本矩阵，xb为表示单个转炉炉次铁水重量的列向量，xt为表示单个转炉炉次铁水温度的列向量，xd为表示单个转炉炉次铁水碳含量的列向量，xp为表示单个转炉炉次铁水磷含量的列向量，tc为表示单个转炉炉...

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