一种基于多因素分析的高炉煤气柜位预测方法技术

本发明专利技术公开了一种基于多因素分析的高炉煤气柜位预测方法，包括以下步骤：1、获取数据库中高炉煤气流量和煤气柜柜位相关的历史数据；2、对历史数据进行数据预处理；3、进行柜位波动多因素分析，利用绝对流量占比和灰色关联度分析方法确定高炉煤气柜位波动主要影响因素；4、基于步骤3分析的影响因素构建高炉煤气柜位预测模型，实现对高炉煤气柜位未来多步预测。本发明专利技术采用绝对流量占比分析和灰色关联度分析方法相结合确定柜位波动主要影响因素，精简了模型输入，降低建模复杂性；还充分考虑了多因素影响柜位波动的特征，可以在生产场景变化、产耗发生波动时实现对柜位的未来多步数值准确预测，为高炉煤气系统的合理调度提供了参考和依据。考和依据。考和依据。

【技术实现步骤摘要】
一种基于多因素分析的高炉煤气柜位预测方法


[0001]本专利技术属于钢铁二次能源监控和预测
，尤其涉及一种基于多因素分析的高炉煤气柜位预测方法。

技术介绍

[0002]高炉煤气是钢铁企业生产过程中产生的重要二次能源，其产耗量随生产场景、检修计划、生产计划等实际情况的影响，流量瞬时波动大，造成高炉煤气系统供需失衡，严重影响企业的生产成本和能耗水平。分析高炉煤气供需状况，及时制定合理的调度策略，对其进行科学有效的生产调配是降低钢铁企业生产成本、减小环境污染的重要措施。由于高炉煤气的供需失衡状况往往通过管网作用于高炉煤气柜，准确预测煤气柜位值有助于提前采取调度措施、维持高炉煤气供需平衡。因此，提供一种准确预测高炉煤气柜位的方法显得尤为重要。
[0003]目前高炉煤气柜位预测方法大多是针对平稳生产场景，采用基于时间序列分析的方式进行预测，但由于高炉煤气产耗量随生产场景、检修计划、生产计划等实际情况影响，设备工况变动频繁，当柜位波动规律内被打破时，仅仅根据柜位历史数据，难以准确预测未来一段时间柜位的波动情况，因此，考虑柜位波动因素，这对在变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多因素分析的高炉煤气柜位预测方法，其特征是，包括以下步骤：步骤1、获取数据库中高炉煤气流量和煤气柜柜位相关的历史数据；步骤2、对历史数据进行数据预处理；步骤3、进行柜位波动多因素分析，利用绝对流量占比和灰色关联度分析方法确定高炉煤气柜位波动主要影响因素；步骤4、基于步骤3分析的影响因素构建高炉煤气柜位预测模型，实现对高炉煤气柜位未来多步预测。2.如权利要求1所述的基于多因素分析的高炉煤气柜位预测方法，其特征是，步骤1所述历史数据包括：高炉煤气受入量数据，生产中需要消耗高炉煤气的各设备的高炉煤气消耗量数据，高炉煤气柜位数据；其中，高炉煤气受入量数据和高炉煤气消耗量数据都属于高炉煤气流量数据。3.如权利要求1所述的基于多因素分析的高炉煤气柜位预测方法，其特征是，步骤2所述数据预处理方式包括：缺失数据填补、异常数据剔除以及无量纲化处理。4.如权利要求2所述的基于多因素分析的高炉煤气柜位预测方法，其特征是，步骤3的分析方法包括以下步骤：步骤3.1、计算设备高炉煤气流量占高炉煤气总流量的比重，剔除小流量设备，保留大流量设备；其中，高炉煤气总流量指高炉煤气总受入量或者高炉煤气总消耗量；步骤3.2、对每一个大流量设备的高炉煤气流量与高炉煤气柜位数据进行关联度分析，确定柜位波动的主要影响因素。5.如权利要求4所述的基于多因素分析的高炉煤气柜位预测方法，其特征是，步骤3.1计算设备高炉煤气流量占高炉煤气总流量的比重时，针对高炉煤气产生设备和高炉煤气消耗设备分别计算；方法为：步骤3.1.1、计算任意采样时刻每一个设备高炉煤气流量占高炉煤气总流量的比重：其中，t＝1,2,
…
,N，N为步骤1中采集的样本点的数量；若为计算高炉煤气产生设备的高炉煤气流量占高炉煤气总流量的比重，则I表示所有高炉煤气产生设备的数量；若为计算高炉煤气消耗设备高炉煤气流量占高炉煤气总流量的比重，则I表示所有高炉煤气消耗设备的数量；x
i
表示第i个设备的高炉煤气流量历史数据，λ
i
表示第i个设备的高炉煤气流量占高炉煤气总流量的比重；步骤3.1.2、求出每一个设备高炉煤气流量占高炉煤气总流量的比重：式中，η
i
表示第i个设备高炉煤气流量占高炉煤气总流量比重；步骤3.1.3、设定阈值，η
i
小于该阈值的设备被剔除，保留η
i
大于阈值的设备作为大流量设备。6.如权利要求4所述的基于多因素分析的高炉煤气柜位预测方法，其特征是，步骤3.2包括以下步骤：步骤3.2.1、计算任意采样时刻每一个大流量设备与高炉煤气柜位之间的关联系数:
式中，M表示由步骤3.1确定的大流量设备的数目，m＝1,2,
…
,M；q＝1,2,
…
,M；n＝1,2,
…
,N；y表示高炉煤气柜位历史数据；x
q
,x
m
表示第q或m个设备的高炉煤气流量历史数据；ζ
q
表示第q个大流量设备的高炉煤气流量历史数据与高炉煤气柜位历史数据的关联系数，ρ为分辨系数；步骤3.2.2、求出每一个大流量设备的高炉煤气流量与高炉煤气柜位的关联度：r
q
表示第q个大流量设备的高炉煤气流量与高炉煤气柜位之间的关联度；步骤3.2.3、设定关联度阈值，剔除关联度小于阈值的设备，最终得到高炉煤气柜位波动的主要影响因素。7.如权利要求4所述的基于多因素分析的高炉煤气柜位预测方法，其特征是，步骤4所述高炉煤气柜位预测模型使用Elman神经网络模型，其参数使用JAYA算法优化；对高炉煤气柜位未来多步预测首先预测每一个主要影响因素未来多步数值，进而求出每一个主要影响因素未来多步煤气流量的变化量，作为高炉煤气柜位预测模型的输入，预测未来多步煤气柜位值。8.如权利要求7所述的基于多因素分析的高炉煤气柜位预测方法，其特征是，步骤4具体包括以下步骤：步骤4.1、建立主要影响因素的煤气流量变化量与煤气柜位之间的回归映射关系，构造高炉煤气柜位预测模型的训练集如式(5)其中，...

【专利技术属性】
技术研发人员：吴定会，朱勇，倪渊之，范俊岩，费桂杰，
申请(专利权)人：江南大学，
类型：发明
国别省市：