一种预测高炉煤气产消量的方法技术

本发明专利技术提供了一种预测高炉煤气产消量的方法，其步骤包括：S1获取高炉煤气产销的历史数据，经处理后获取输入数据集与输出数据集；并将划分的输入数据集与输出数据集按照设定的训练样本数量划分为训练集与测试集；S2基于ARMAX模型建立系统辨识模型；S3依据粒子群优化算法确定最优预测模型结构；S4将步骤S1中的训练集数据作为步骤S3中寻优后的预测模型的输入，以获取输出结果作为预测结果。籍此以实现基于小样本数据对高炉煤气产消量进行准确预测。预测。预测。

【技术实现步骤摘要】
一种预测高炉煤气产消量的方法


[0001]本专利技术涉及高炉运营技术，尤其设计基于ARMAX模型来预测高炉煤气产销量的方法。

技术介绍

[0002]高炉煤气是高炉炼铁过程中的副产能源，产消量波动频繁，给高炉煤气的优化调度造成了困难，导致能源浪费与环境污染，甚至为煤气管网的运行带来安全隐患。
[0003]因此，采用合理的方式对高炉煤气的产消量进行预测显得尤为重要。现今的预测手段主要是依靠现场人员依靠经验进行短期的趋势估计，此种方法未利用现场大量历史数据且存在一定误差，不能实现准确的点预测，当现场工况发生突变时，人工估计会导致预测结果的准确性大幅度降低。
[0004]所以如果能基于历史数据建立一种准确高效的预测模型，不仅可以实现对高炉煤气精准点预测，而且还可以避免人工预测的主观性，提高预测的准确性。

技术实现思路

[0005]本专利技术的主要目的在于提供一种预测高炉煤气产消量的方法，以基于小样本数据对高炉煤气产消量进行准确预测。
[0006]为了实现上述目的，根据本专利技术提供了一种预测高炉煤气产消量的方法，步骤包括：
[0007]S1获取高炉煤气产销的历史数据，经处理后获取输入数据集与输出数据集；并将划分的输入数据集与输出数据集按照设定的训练样本数量划分为训练集与测试集；
[0008]S2基于ARMAX模型建立辨识模型并确定出初步预测模型，以供依据粒子群优化算法得出寻优后的预测模型结构；
[0009]S3将步骤S1中的训练集数据作为步骤S2中寻优后的预测模型的输入，以获取输出结果作为预测结果。
[0010]在可能的优选实施方式中，其中步骤S2中初步预测模型的建立步骤包括：基于ARMAX模型建立辨识模型将辨识模型中的过程模型作为初步预测模型，其中，为t时刻预测输出，为基于数据辨识建立的预测模型，为预测模型中的分母多项式，为预测模型中的分子多项式。
[0011]在可能的优选实施方式中，其中步骤S2中依据粒子群优化算法得出寻优后的预测模型结构的步骤包括：将初步预测模型作为系统初始模型，以计算初始模型的预设适应度值使用粒子群优化算法对初始模型分子分母最高阶参数进行降阶优化，并产生适应度值f
i
，若f
i
＜f
i
‑1，则消去分子分母的相同零极点获得次高阶模
型，若无相同零极点，则分子分母同时考虑降阶处理重新辨识获得次高阶模型，再次利用粒子群优化算法对次高阶模型分子分母进行降阶优化，并产生新的适应度值f
i+1
，若f
i+1
＜f
i
，则重复上述步骤进行优化，直至满足设定的精度条件，停止寻优，输出当前阶次模型作为寻优后的预测模型，若f
i+1
＞f
i
，则输出上一阶次模型作为寻优后的预测模型，其中，为t时刻的预测输出，y(t)为t时刻的实际采集值，f
i
为第i次循环迭代得到的适应度值；
[0012]在可能的优选实施方式中，其中步骤S1中的输入、输出数据集的划分步骤包括：设定n为预测步长，t为样本时间点，以时刻t，(t+1)，(t+2)，
…
，(t+n
‑
1)的历史数据作为输入数据集，而时刻(t+n)的历史数据作为输出数据集。
[0013]在可能的优选实施方式中，其中步骤S1中的训练集与测试集的划分步骤包括：设定训练样本数量为num，分别将输入数据集及输出数据集根据样本编号1～num划分为训练集，样本编号num+1～N划分为训练集。
[0014]在可能的优选实施方式中，其中步骤S2中基于ARMAX模型建立辨识模型的步骤包括：建立ARMAX模型
[0015]A(z
‑1)y(t)＝B(z
‑1)u(t)+D(z
‑1)v(t)
[0016]其中y(t)表示系统的输出，u(t)表示系统的输入，v(t)表示均值为0，方差为的随机白噪声序列，并且与输入u(t)不相关，A(z
‑1)、B(z
‑1)、D(z
‑1)是关于z
‑1的阶次为n
a
、n
b
、n
c
的系数时不变多项式，z
‑1表示后向移位算子[z
‑1y(t)＝y(t
‑
1)]，其中
[0017][0018][0019][0020]其中系统辨识模型为多变量系统，将步骤S1的输出、输入数据集分别作为y(t)和u(t)，带入公式选取相对较高阶次，利用准线性技术最小化损失函数V
ARMAX
，以获得ARMAX辨识模型
[0021]在可能的优选实施方式中，其中步骤S3中的粒子群优化算法步骤包括：
[0022]S31初始化粒子群的速度和位置、惯性因子、加速常数、最大迭代次数、算法终止的最小允许误差；评价每个粒子的初始适应值；
[0023]S32将初始适应值作为当前每个粒子的局部最优值，并将各适应值对应的位置作为每个粒子的局部最优值所在的位置；
[0024]S33将最佳初始适应值作为当前全局最优值，并将最佳适应值对应的位置作为全局最优值所在的位置；
[0025]S34依据公式S34依据公式更新每个粒子当前的速度，其中c1为个体学习因子，c2为群体学
习因子，r1，r2为区间[0，1]内的随机数，ω为惯性权重，Xpbest为当前局部最优位置，Xgbest为整个粒子群的当前全局最优解，X(t)为粒子位置、为速度向量；
[0026]S35对每个粒子的飞翔速度进行限幅处理，使之不能超过设定的最大速度；
[0027]S36依据公式更新每个粒子当前所在的位置；
[0028]S37比较当前每个粒子的适应值是否比历史局部最优值好，如果好，则将当前粒子适应值作为粒子的局部最优值，其对应的位置作为每个粒子的局部最优值所在的位置；
[0029]S38在当前粒子群中找出全局最优值，并将当前全局最优值对应的位置作为粒子群的全局最优值所在的位置；
[0030]S39重复步骤S34～S38，直到满足设定的最小误差或达到最大迭代次数中任一条件时，输出粒子群的全局最优值和其对应的位置以及每个粒子的局部最优值和其对应的位置。
[0031]通过本专利技术提供的该预测高炉煤气产消量的方法，解决了传统神经网络预测的训练集样本数量大、训练时间长的问题，同时通过粒子群优化算法解决了辨识模型结构难以确定的问题，由此通过本案可以准确地对高炉煤气产消量进行有效预测，从而为现场工作人员进行优化、控制、调度等工作提供决策支持，实现降低煤气放散量、节能减排的目标。
附图说明
[0032]构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0033]图1为本专利技术的该预测高炉煤气产消量的方法步骤示意图；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测高炉煤气产消量的方法，步骤包括：S1获取高炉煤气产销的历史数据，经处理后获取输入数据集与输出数据集；并将划分的输入数据集与输出数据集按照设定的训练样本数量划分为训练集与测试集；S2基于ARMAX模型建立辨识模型并确定出初步预测模型，以供依据粒子群优化算法得出寻优后的预测模型结构；S3将步骤S1中的训练集数据作为步骤S2中寻优后的预测模型的输入，以获取输出结果作为预测结果。2.根据权利要求1所述的预测高炉煤气产消量的方法，其中步骤S2中初步预测模型的建立步骤包括：基于ARMAX模型建立辨识模型建立步骤包括：基于ARMAX模型建立辨识模型将辨识模型中的过程模型作为初步预测模型，其中，为t时刻预测输出，为基于数据辨识建立的预测模型，为预测模型中的分母多项式，为预测模型中的分子多项式。3.根据权利要求1所述的预测高炉煤气产消量的方法，其中步骤S2中依据粒子群优化算法得出寻优后的预测模型结构的步骤包括：将初步预测模型作为系统初始模型，以计算初始模型的预设适应度值初始模型的预设适应度值使用粒子群优化算法对初始模型分子分母最高阶参数进行降阶优化，并产生适应度值f
i
，若f
i
＜f
i
‑1，则消去分子分母的相同零极点获得次高阶模型，若无相同零极点，则分子分母同时考虑降阶处理重新辨识获得次高阶模型，再次利用粒子群优化算法对次高阶模型分子分母进行降阶优化，并产生新的适应度值f
i+1
，若f
i+1
＜f
i
，则重复上述步骤进行优化，直至满足设定的精度条件，停止寻优，输出当前阶次模型作为寻优后的预测模型，若f
i+1
＞f
i
，则输出上一阶次模型作为寻优后的预测模型，其中，为t时刻的预测输出，y(t)为t时刻的实际采集值，f
i
为第i次循环迭代得到的适应度值；S4将步骤S1中的训练集数据作为步骤S3中寻优后的预测模型的输入，以获取输出结果作为预测结果。4.根据权利要求1所述的预测高炉煤气产消量的方法，其中步骤S1中的输入、输出数据集的划分步骤包括：设定n为预测步长，t为样本时间点，以时刻t，(t+1)，(t+2)，
…
，(t+n
‑
1)的历史数据作为输入数据集，而时刻(t+n)的历史数据作为输出数据集。5.根据权利要求4所述的预测高炉煤气产消量的方法，其中步骤S1中的训练集与测试集的划分步骤包括：设定训练样本数量为num...

【专利技术属性】
技术研发人员：万成，茅心怡，王湘泽，刘科，
申请(专利权)人：上海宝能信息科技有限公司，
类型：发明
国别省市：