钢铁企业煤气产生量与消耗量的动态预测方法及设备

摘要

本发明公开了一种钢铁企业煤气产生量与消耗量的动态预测方法及设备，方法包括：获取未来调度周期内的生产工况下煤气产耗历史数据，以及对应煤气产耗历史数据周期的生产计划和检修计划；根据生产计划和检修计划，确定所有设备生产工况；针对煤气产耗历史数据中的每一个设备的生产工况，获取每一设备的工况点，并根据所有设备的工况点对煤气量历史数据进行分类；依据分类后的各工况点的历史数据训练LSSVM模型；并采用训练的最优预测模型对煤气产耗历史数据的部分数据进行预测，得到输出的预测结果，输出的预测结果包括：未来调度周期内煤气产生装置的煤气发生量和各生产用户的煤气消耗量。上述方法能够提高动态预测的煤气量的准确性。

说明书

技术领域

本发明属于钢铁企业煤气预测技术，尤其涉及一种钢铁企业煤气产生量与消耗量的动态预测方法及设备。

背景技术

在我国，钢铁工业是国民经济的基础性支柱产业，是资源、能源密集型产业，也是节能减排工作的重点。钢铁企业高炉煤气、焦炉煤气和转炉煤气是企业重要的二次能源，占企业总能耗的30％左右。钢铁企业煤气系统的运行规律与设备、原材料和产品种类等密切相关，同时也受到生产计划、检修计划和设备运行工况等因素影响。煤气预测是煤气系统的重要组成部分，根据生产计划、检修计划等工况信息，对煤气的产生量和消耗量进行预测，以便进行后续的煤气资源分配与优化调度，为煤气系统的安全平稳运行，降低放散，提高煤气利用率提供依据。因此，煤气预测成为钢铁企业节能减排的重要环节之一。

钢铁企业副产煤气由高炉、焦炉、转炉生产过程中产生的，广泛应用于钢铁生产各个流程，富余的煤气还会被用来产生电力、蒸汽或其他副产品。煤气产生量是指高炉、焦炉、转炉产生的煤气量；煤气消耗量是指钢铁企业主要生产工序消耗的煤气量。实际生产中，由于钢铁生产的波动性，煤气的供需呈现动态变化，供需不平衡时会出现煤气放散或影响生产的情况。例如高炉检修结束后的复风阶段，煤气发生量较少而煤气消耗量正常，需要煤气柜供给煤气，如果此时气柜内煤气不足将会影响生产，导致严重后果；正常生产工况下如果煤气柜煤气较多，遇到煤气产生量较大的情况将不能起到平衡作用，致使煤气放散。为了合理调度煤气，调整煤气柜柜位，我们需要提前对煤气产生量和消耗量进行预测。如果能够提前预测煤气供需状况，将大幅度提高煤气的使用效率，减少不必要的放散，减少污染物的排放。

目前煤气动态预测方法大多是针对某一特定设备在特定工况条件下的动态预测，由于钢铁企业实际生产过程受到生产计划、检修计划等人为因素和炉况等不确定因素的影响，设备工况变动频繁，特定工况条件下的动态预测在设备工况变化时难以准确预测，导致煤气预测值准确性不高。因此提供一种针对多工况条件下钢铁企业煤气产生量与消耗量的动态预测方法显得极其重要。

发明内容

针对现有技术中的问题，本发明提供一种钢铁企业煤气产生量与消耗量的动态预测方法及设备。

第一方面，本发明提供一种钢铁企业煤气产生量与消耗量的动态预测方法，包括：

步骤A：获取未来调度周期内的生产工况下煤气产耗历史数据，以及对应所述煤气产耗历史数据周期的生产计划和检修计划；

步骤B：根据所述生产计划和检修计划，确定所有设备生产工况；

步骤C：针对煤气产耗历史数据中的每一个设备的生产工况，获取每一设备的工况点，并根据所有设备的工况点对煤气量历史数据进行分类；

依据分类后的各工况点的历史数据训练LSSVM模型；并采用训练后的最优预测模型对煤气产耗历史数据的部分数据进行预测，得到输出的预测结果，所述输出的预测结果包括：未来调度周期内煤气产生装置的煤气发生量和各生产用户的煤气消耗量。

可选地，所述步骤C包括：

C1、以集合V_i，j表示第i个设备第j个工况的煤气量历史数据集；

C2、根据集合V_i，j，通过小波分析方法和向量空间重构方法构造LSSVM模型的训练数据集；

C3、利用所述训练数据集，并通过启发式参数寻优方式对所述LSSVM模型进行训练，获得训练后的最优预测模型；

C4、依据待预测的设备、及待预测设备的工况和所述煤气产耗历史数据，构造待处理的预测数据集；

C5、采用最优预测模型处理所述待处理的预测数据集，获得输出的预测结果。

可选地，步骤C2包括：

依据企业煤气调度需求确定初始样本采样周期t、向量空间变换样本维数m以及模型中其它参数；

获取煤气产生量和消耗量V₀，并基于小波分析方法，提取低频信号提取低频信号D_i(n)；

对所述煤气产耗历史数据中各用户的煤气产耗历史数据进行归一化处理，使数据线性映射到0-1之间；

对归一化处理后的煤气产耗历史数据进行向量空间重构，将线性排列的数据构造为最优预测模型所需要的训练数据集，构造过程可表示为：

其中，输入数据中i时刻的煤气产耗历史数据记为x_i，输出数据中的i时刻预测结果记为Y_i，每一行中的一组x_i和一组Y_i分别为模型的一个输入样本和一个输出样本，训练数据集构造方法记为

利用输入输出样本x_t-m+1>t-m+2 …>t|Y_t+1>t+2 …>t+i对模型进行训练，以及应用启发式参数寻优，对LSSVM预测模型迭代求逆，由公式计算预测值

其中，I为单位矩阵，Ω为满足的Mercer定理核函数；

根据预测值的判断标准/约束条件，直至将所述训练数据集中的所有样本训练完，得到训练数据集。

可选地，所述待处理的预测数据集中各样本的训练方式和所述训练数据集中各样本的训练方式是相同的。

可选地，所述方法还包括：

将预测结果上传到企业的煤气调度服务器上，煤气调度系统根据一侧结果进行调度。

可选地，所述C2中的根据预测值的判断标准，获得训练数据集，包括：

在预测下一个样本之前需要计算第j个预测值误差平方：

其中，式中，为第j个预测值，Y_j为第j个预测样本；

进而得出训练的修正值β_j＝η_je_j

将修正值加入下一时刻的样本学习预测。

可选地，所述C2中获取训练数据集时，当新的数据集(x_i，y_i)，i∈(t，t+N)进入训练数据集时，排除之前N个数据，重新得到输入样本。

可选地，所述输出的预测结果是反归一化之后的结果。

可选地，高炉设备的工况点包括：

正常生产、计划年修、计划月修、临时休风、热风炉减风1500km³/h、热风炉减风1000km³/h和热风炉减风1000km³/h以下。

第二方面，本发明还提供一种钢铁企业煤气产生量与消耗量的动态预测设备，包括：

处理器，用于存储所述处理器的可执行指令的存储器；

其中所述处理器被配置为：

获取未来调度周期内的生产工况下煤气产耗历史数据，以及对应所述煤气产耗历史数据周期的生产计划和检修计划；

根据所述生产计划和检修计划，确定所有设备生产工况；

针对煤气产耗历史数据中的每一个设备的生产工况，获取每一设备的工况点，并根据所有设备的工况点对煤气量历史数据进行分类；

依据分类后的各工况点的历史数据训练LSSVM模型；并采用训练后的最优预测模型对煤气产耗历史数据的部分数据进行预测，得到输出的预测结果，所述输出的预测结果包括：未来调度周期内煤气产生装置的煤气发生量和各生产用户的煤气消耗量。

本发明具有的有益效果如下：

本发明的钢铁企业煤气产生量与消耗量的动态预测方法及设备，通过获取每一设备的工况点，并采用工况点对煤气量历史数据进行分类，依据分类的工况点历史数据训练LSSVM模型，进而采用训练后的LSSVM模型(即最优预测模型)对构建的预测数据集进行预测，获得预测结果，预测结果相对于现有技术，预测准确性更高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明一实施例提供的钢铁企业煤气产生量与消耗量的动态预测方法的流程图；

图2为本发明实施例中高炉工况点的分类示意图；

图3为本发明实施例中改进的LSSVM预测模型流程图；

图4为本发明实施例中小波分析示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

在以下的描述中，将描述本发明的多个不同的方面，然而，对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其它情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。

如图1所示，图1示出了本发明一实施例提供的钢铁企业煤气产生量与消耗量的动态预测方法的流程图，本实施例的动态预测方法包括下述步骤：

步骤S1：获取训练所需历史数据，通过从数据库中获得各设备煤气量历史数据，以及对应时期的生产计划和检修计划；通过生产检修计划确定设备生产工况。

具体地，上述步骤S1包括下述子步骤：

步骤101：通过企业调度应用服务器从综合数据集成平台服务器获取未来调度周期内的生产工况下煤气产耗历史数据，以及对应时期的生产计划和检修计划；

步骤102：通过生产计划和检修计划确定设备生产工况信息。

步骤S2：按照设备生产工况，设立工况点，进行工况点划分，对设备生产工况具体细分；根据设备及工况对煤气量历史数据进行分类，以集合V_i，j表示第i个设备第j个工况煤气量历史数据集。

步骤S2可包括下述子步骤：

步骤201：设立工况点，按照设备生产工况进行工况点划分，对设备生产工况具体细分。

举例来说，如图2所示，高炉运行工况点划分为高炉基准工况、高炉年修、高炉月修、临时休风、热风炉减风1500km³/h、热风炉减风1000km³/h等。

步骤202：根据步骤102中的设备及生产工况信息对煤气量历史数据进行分类，以集合V_i，j表示第i个设备第j个工况煤气量历史数据集；

步骤S3：获取步骤202的煤气量历史数据集V_i，j，通过小波分析方法和向量空间重构方法构造模型的训练数据集；利用训练数据集对改进的LSSVM预测模型训练，通过启发式参数寻优，得到适应该设备该工况的最优预测模型，将第i个设备第j个工况的最优预测模型记为L_i，j，相应的训练数据集构造方法记为对待预测的设备及工况依据提取所需历史数据，构造预测数据集并利用模型L_i，j进行预测。

相应的训练数据集构造方法是指归一化方法和向量空间重构，需要记录的是构造过程中的一些参数。针对不同的设备和工况需要不同的参数，而对同一设备和工况的训练和预测必须使用相同的模型参数。

对待预测的设备及工况依据训练数据集构造方法提取所需历史数据，可举例说明：

对某一用户使用前一小时的历史数据预测未来一小时的数据，那么在预测8：00到9：00的数据时就需要7：00到8：00之间的数据。这一关系是可以调整的，可以由向量空间重构方法中的参数确定。

另外，如图3所示，图3示出了改进的LSSVM预测模型的预测流程。需要说明的是，图3中满足模型收敛条件，可理解为则本次模型训练成功，否则要继续训练。图3中显示的属于LSSVM模型训练的一部分，本实施例不对其限定，仅为参考说明。

具体地，步骤S3包括下述子步骤：

步骤301：通过企业调度应用服务器从综合数据集成平台服务器获取未来调度周期内的生产计划和检修计划，得到未来调度周期内各用户的生产工况；

步骤302：通过企业调度应用服务器从综合数据集成平台服务器获取对应生产工况的煤气产耗历史数据V_i，j；

步骤303：根据企业煤气调度的需求确定初始样本采样周期t、向量空间变换样本维数m以及模型中其它参数。

步骤304：获取煤气产生量和消耗量利用小波分析方法，提取低频“信号”D_i(n)。

在步骤304中是对一个设备工况的所有数据进行处理的。

从图4(a)至图4(c)可以看出，小波分析方法的小波滤波器分离了趋势数据和波动数据，滤波器分解函数为

式(1)中，为尺度函数，c_j，k为尺度系数；Ψ_m，k(t)为小波函数，d_m，k为小波函数。

步骤305：对各用户的煤气产耗历史数据进行归一化处理，使数据线性映射到0-1之间，其转换函数表示为：

式(2)中，x表示原始煤气产耗历史数据，x^*表示归一化处理后的煤气产耗历史数据，min表示该用户煤气产耗历史数据中的最小值，max表示该用户煤气产耗历史数据中的最大值。

本实施例中，归一化是对各用户的煤气产耗历史数据分组进行的，每一个用户进行一次归一化。

步骤306：对归一化处理后的煤气产耗历史数据进行向量空间重构，将线性排列的数据构造为改进的LSSVM预测模型所需要的输入输出数据，也即训练数据集，输入数据中i时刻的煤气产耗历史数据记为x_i，输出数据中的i时刻预测结果记为Y_i，构造多输入多输出数据的过程可表示为：

其中每一行中的一组x_i和一组Y_i分别为模型的一个输入样本和一个输出样本，相应的训练数据集构造方法记为

步骤307：使用步骤306中训练数据集的第一组(即第一行)输入输出样本x_t-m+1x_t-m+2 …>t|Y_t+1>t+2 …>t+i对模型进行训练。x_t的下标t为该第一组输入输出样本对应的当前时刻。

进而应用启发式参数寻优，对LSSVM预测模型迭代求逆，计算、b，由公式计算，

公式(3)中I为单位矩阵，Ω为满足的Mercer定理核函数。

由公式(3)求出预测值：

本实施例中选取的核函数为高斯径向机(RBF)核函数，其表达式为

步骤308：计算第j个预测值误差平方；

式(5)中，为第j个预测值，Y_j为第j个预测样本。将全部i个预测误差的集合{e_t+1，e_t+2，…，e_t+i}记为E(即下述步骤309中的预测误差)。

得出修正值β_j＝η_je_j，修正值是LSSVM预测模型中的一个参数。

加入下一时刻的样本学习预测，这里的下一时刻的样本即第t+i+1个样本或者n个时段之后也就是第t+i+n个样本。

该步骤308可理解为预测值的判断标准/约束条件。预测误差E可理解为步骤308中计算的误差的集合{e_t+1，e_t+2，…，e_t+i}。

步骤309：转至步骤307，将步骤308中的预测误差E加入LSSVM模型优化目标的约束条件中，使用步骤306中训练数据集的下一组输入输出样本x_t-m+2>t-m+3 …>t+1|Y_t+2>t+3…>t+i+1进行训练，直至训练数据集中的最后一组样本。

输入样本是模型的预测依据，例如在预测8：00到9：00的数据时就需要7：00到8：00之间的数据，这个7：00到8：00之间的数据就是输入样本。当需要进行新的预测时，就需要新的对应这段需要预测时间的历史数据。这里写的这段时间是(t,t+N)。

步骤310：根据待预测时间段(即未来调度周期)确定预测所需的历史数据时间段，对该段历史数据按照步骤305和步骤306的方法做出相同的处理，得到预测数据集；

步骤311：将预测数据集代入改进的LSSVM预测模型中，得到输出数据，对输出数据进行反归一化得到预测数据，即未来调度周期内煤气产生装置的煤气发生量和各生产用户的煤气消耗量；反归一化转换函数为：

y＝y^*×(max-min)+min>

式(6)中，y表示未来调度周期内煤气产生装置的煤气发生量和各生产用户的煤气消耗量，y^*表示改进的LSSVM预测模型的输出数据，min表示该用户煤气产耗历史数据中的最小值，max表示该用户煤气产耗历史数据中的最大值，其中min和max与步骤305中的值相等。

步骤S4：将预测结果上传到企业的煤气调度服务器上，煤气调度系统依据预测结果进行调度，企业能源管理人员依据煤气预测结果与煤气调度方案进行调度。

本发明综合考虑了钢铁企业设备工况不同对煤气产生和消耗的影响，建立了基于设备多工况运行的煤气产生量与消耗量动态预测方法来解决本发明所提到的复杂工况条件下的煤气预测问题；

采用本发明提出的钢铁企业煤气产生量与消耗量的动态预测方法，可以有效的预测未来调度周期内煤气产生装置的煤气发生量和各生产用户的煤气消耗量。

最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。