一种基于生产计划实时修正的转炉煤气回收流量预测方法技术

本发明专利技术公开了一种基于生产计划实时修正的转炉煤气回收流量预测方法，包括以下步骤：原始数据采集和预处理，数据整理排序与无效数据剔除；预处理后的有效数据提取输入输出特征，构造预测模型的输入输出训练样本集；利用相关向量机回归算法来建立转炉生产计划修正模型，获取预测模型中所需的模型参数；构造预测模型的输入样本；将输入样本输入至预测模型中，获取实时修正后的转炉吹炼起始时刻；依据历史统计的每炉平均煤气回收总量，以及修正后的转炉生产计划，计算得到转炉煤气回收流量的预测值。本方法能结合转炉生产实际状况进行预测，克服单纯数据驱动方法忽略工业现场实际运行状况的缺点，提高转炉煤气回收流量预测的准确度。确度。确度。

【技术实现步骤摘要】
一种基于生产计划实时修正的转炉煤气回收流量预测方法


[0001]本专利技术涉及信息
，具体涉及一种基于生产计划实时修正的转炉煤气回收流量预测方法。

技术介绍

[0002]转炉煤气(Linz
‑
Donawitz Gas，LDG)作为钢铁生产过程中重要的二次能源，对于维持各生产环节的正常运行有着重要作用，因此保持转炉煤气供需平衡，对LDG系统进行合理优化调度是能够最大限度利用煤气资源的重要手段。而转炉煤气回收流量预测是优化调度的重要依据，准确预测未来转炉煤气回收流量的变化对于提高转炉煤气回收利用率，降低企业能源消耗，指导企业制定合理的调度策略具有重要的指导意义。在实际运行过程中，转炉生产因其受人为因素影响，炼钢节奏经常发生变化，导致其生产实绩与生产计划的偏差较大，从而对于转炉煤气回收流量的准确预测存在较大的困难。
[0003]在申请号为201611114808.8的中国专利文献中，公开了一种基于知识的冶金企业转炉煤气调度方法，其采用基于神经网络的数据建模方法对转炉煤气回收流量进行预测，但是该方法过度依赖历史数据，未能充分考虑到转炉吹炼起始时刻含有不确定性的特点，并且该方法对于模型参数以及数据的要求较高，在实际的应用中会缺乏可靠性和稳定性。
[0004]在申请号为201410066954.2的中国专利文献中，公开了一种基于炼钢节奏估计的冶金企业转炉煤气发生量长期预测方法，该方法通过学习转炉煤气发生量的历史数据，利用模匹配的技术提取炼钢节奏的时域以及频域特征，之后利用模糊C聚类均值的方法进行数据融合，进行炼钢节奏的特征向量重构从而达到转炉煤气发生量的长期预测。但该方法仅仅是基于历史炼钢节奏数据进行转炉煤气发生量的预测，而忽略了转炉计划编排和实绩吹炼的工艺过程信息，虽然在发生量预测方面取得了一定的效果，但是未能充分考虑到未来转炉吹炼的不连续性及吹炼起始时刻的不确定性特点，其实际的预测准确度会有所不足。
[0005]在申请号为202110866960.6的中国专利文献中，公开了一种转炉及其转炉煤气柜煤气储量的预测方法，该方法主要是通过读取工业现场获取的转炉煤气生产计划来获取转炉冶炼生产节奏，并依据现场实时煤气产量及持续时间，达到对转炉煤气回收量的预测量，但是转炉实际生产过程并未完全按照计划来执行，每一个转炉生产计划号吹炼起始时刻相对于实绩均可能存在超前或者滞后的偏差，其偏差会直接影响后续的生产计划执行情况，因此该方法并不能满足工业现场的实际要求，难以为转炉煤气优化调度提供有效指导。

技术实现思路

[0006]本专利技术的目的在于提供一种基于生产计划实时修正的转炉煤气回收流量预测方法，能够结合转炉生产实际状况进行预测，克服单纯数据驱动方法忽略工业现场实际运行状况的缺点，进而提高转炉煤气回收流量预测的准确度，为现场调度人员提供可靠的调度依据和支持。
[0007]为了实现上述目的，本专利技术采用如下技术方案：一种基于生产计划实时修正的转炉煤气回收流量预测方法，包括以下步骤：步骤一：从数据库中采集历史转炉煤气生产吹炼过程的原始数据，所述的原始数据包括转炉生产计划数据和转炉生产实绩数据，所述的转炉生产计划数据包括计划号、计划创建时间、计划吹炼起始时间、计划吹炼结束时间，所述的转炉生产实绩数据包括计划号、实际吹炼起始时间、实际吹炼结束时间，对所述的原始数据进行检查筛选与整理排序，剔除无效数据，获得有效的原始数据；步骤二：根据所述的步骤一中获得的有效原始数据，构造转炉煤气回收流量预测模型的输入输出训练样本集，所述的输入输出训练样本集包括输入特征一、输入特征二和输出特征，所述的输入特征一为未来转炉生产计划中的计划吹炼起始时间与计划创建时间的时间间隔，所述的输入特征二为计划号P1对应的转炉生产计划中的计划吹炼起始时间与实际吹炼起始时间的偏差，所述的输出特征为计划号P2对应的转炉生产计划中的计划创建时间与实际吹炼起始时间的偏差，其中，计划号P2为计划号P1相临近的下一个计划号；步骤三：根据所述的步骤二中获得的输入输出训练样本集，进行训练集和验证集的划分，并且利用相关向量机回归算法来建立转炉生产计划修正模型，获取转炉煤气回收流量预测模型中所需的模型参数，具体包括：设置训练集其中，为输入样本向量且x
i1
、x
i2
分别为第i个样本的输入特征一与输入特征二，t为对应样本的输出特征且t＝[t1，t2，
…
，t
N
]T
，N为样本总数，根据相关向量机回归模型，第j个样本输出值t
j
与第j个样本输入值X
j
满足以下关系：在所述的公式1中，规定K(x
j
，x0)＝1，φ
j
表示为第j个基函数向量且φ
j
＝[1，K(x
j
，x1)，
…
，K(x
j
，xi)，K(x
j
，x
N
)]T
，w表示为权值向量且w＝[w0，w1，
…
，w
i
，w
N
]T
，K(x
j
，x
i
)表示为高斯核函数且K(x
j
，x
i
)＝exp{
‑
||x
j
‑
x
i
||2/212}，其中，l表示为高斯核函数参数且l≠0，εj表示为第j个均值是0、方差是σ2(β≡σ
‑2)的高斯分布噪声项；由贝叶斯公式可得权值向量w的后验分布，所述的权值向量w的后验分布为：在所述的公式2中，权重后验均值μ为：μ＝β∑Φ
T
t
ꢀꢀꢀꢀꢀꢀ
公式3，协方差矩阵∑为：∑＝(βΦ
T
Φ+A)
‑1ꢀꢀꢀꢀꢀ
公式4，所述的权值向量w的先验分布为：其中，N(
·
)表示为高斯分布，参数α表示为α＝[α0，α1，
…
α
j
，
…
α
N
]T
，且有对角阵A表示为A＝diag(α)，输入输出训练样本集的似然函数则可表示为其中，核函数矩阵Φ表示为Φ＝[φ(x1)，
…
，φ(x
N
)]T
；
为求得最优的参数α和β，利用最大化对数的边缘似然函数来计算：在所述的公式5中，协方差矩阵C表示为C＝β
‑1I+ΦA
‑1Φ
T
，I表示为单位阵；对α
i
求偏导并使偏导为零，得到α迭代式：对β求偏导并使偏导为零，得到β迭代式：所述的转炉煤气回收流量预测模型为通过输入输出训练样本集来计算权值向量w后验概率、最优的参数α和β，所述的转炉煤气回收流量预测模型的训练步骤具体包括如下：S3
‑
1：参数α中的元素初始化值为1/N2，参数β初始化为10倍的t的方差，相关向量初始化为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生产计划实时修正的转炉煤气回收流量预测方法，其特征在于：包括以下步骤：步骤一：从数据库中采集历史转炉煤气生产吹炼过程的原始数据，所述的原始数据包括转炉生产计划数据和转炉生产实绩数据，所述的转炉生产计划数据包括计划号、计划创建时间、计划吹炼起始时间、计划吹炼结束时间，所述的转炉生产实绩数据包括计划号、实际吹炼起始时间、实际吹炼结束时间，对所述的原始数据进行检查筛选与整理排序，剔除无效数据，获得有效的原始数据；步骤二：根据所述的步骤一中获得的有效原始数据，构造转炉煤气回收流量预测模型的输入输出训练样本集，所述的输入输出训练样本集包括输入特征一、输入特征二和输出特征，所述的输入特征一为未来转炉生产计划中的计划吹炼起始时间与计划创建时间的时间间隔，所述的输入特征二为计划号P1对应的转炉生产计划中的计划吹炼起始时间与实际吹炼起始时间的偏差，所述的输出特征为计划号P2对应的转炉生产计划中的计划创建时间与实际吹炼起始时间的偏差，其中，计划号P2为计划号P1相临近的下一个计划号；步骤三：根据所述的步骤二中获得的输入输出训练样本集，进行训练集和验证集的划分，并且利用相关向量机回归算法来建立转炉生产计划修正模型，获取转炉煤气回收流量预测模型中所需的模型参数，具体包括：设置训练集其中，为输入样本向量且x
i1
、x
i2
分别为第i个样本的输入特征一与输入特征二，t为对应样本的输出特征且t＝[t1，t2，
…
，t
N
]
T
，N为样本总数，根据相关向量机回归模型，第j个样本输出值t
j
与第j个样本输入值x
j
满足以下关系：在所述的公式1中，规定K(x
j
，x0)＝1，φ
j
表示为第j个基函数向量且φ
j
＝[1，K(x
j
，x1)，
…
，K(x
j
，x
i
)，K(x
j
，x
N
)]
T
，w表示为权值向量且w＝[w0，w1，
…
，w
i
，w
N
]
T
，K(x
j
，x
i
)表示为高斯核函数且K(x
j
，x
i
)＝exp{
‑
||x
j
‑
x
i
||2/2l2}，其中，l表示为高斯核函数参数且l≠0，ε
j
表示为第j个均值是0、方差是σ2(β≡σ
‑2)的高斯分布噪声项；由贝叶斯公式可得权值向量w的后验分布，所述的权值向量w的后验分布为：在所述的公式2中，权重后验均值μ为：μ＝β∑Φ
T
t
ꢀꢀ
公式3，协方差矩阵∑为：∑＝(βΦ
T
Φ+A)
‑1ꢀꢀ
公式4，所述的权值向量w的先验分布为：其中，N(
·
)表示为高斯分布，参数α表示为α＝[α0，α1，
…
α
j
，
…
α
N
]
T
，且有对角阵A表示为A＝diag(α)，输入输出训练样本集的似然函数则可表示为其中，核函数矩阵Φ表示为Φ＝[φ(x1)，
…
，φ(x
N
)]
T

【专利技术属性】
技术研发人员：韩仁德，桂其林，陈龙，毛俊杰，胡明日，邓万里，
申请(专利权)人：大连理工大学人工智能大连研究院，
类型：发明
国别省市：