CN102109837A

CN102109837A - 钢铁企业焦炉煤气柜位预测平衡方法

Info

Publication number: CN102109837A
Application number: CN2009102020456A
Authority: CN
Inventors: 赵珺; 王伟; 丛力群; 张晓平; 冯为民; 刘颖; 吴毅平
Original assignee: Dalian University of Technology; Shanghai Baosight Software Co Ltd
Current assignee: Dalian University of Technology; Shanghai Baosight Software Co Ltd
Priority date: 2009-12-24
Filing date: 2009-12-24
Publication date: 2011-06-29
Anticipated expiration: 2029-12-24
Also published as: CN102109837B

Abstract

本发明公开了一种钢铁企业焦炉煤气柜位预测平衡方法，确定影响柜位变化的主要煤气用户；基于现有的大量数据，采用现代的回归建模方法建立体现煤气柜位与各主要煤气用户之间关系的柜位预测模型；利用现有的大量数据，基于时间序列预测思想，采用现代的回归建模方法建立各主要煤气用户流量预测模型；预测未来一段时间内的柜位变化趋势；根据所建立的流量预测模型预测各用户的煤气流量预测值，将该煤气流量预测值输入给所述柜位预测模型，得到各预测时刻对应的煤气柜位变化预测值。本发明能够准确地预测煤气柜的柜位平稳、上升和下降变化趋势，为现场调度人员完成煤气的平衡调度提供合理指导。

Description

钢铁企业焦炉煤气柜位预测平衡方法

技术领域

本发明涉及信息技术领域，涉及到因素关联分析理论与数据驱动建模回归预测技术，具体涉及一种钢铁企业焦炉煤气柜位预测平衡方法。

背景技术

钢铁企业是能源消耗大户，合理利用能源是钢铁企业始终努力的目标。对于钢铁企业的副产煤气系统，为了使其实现供用平衡，目前主要依靠现场调度人员进行调配，实现煤气的产销平衡。但是煤气的产销是一个动态的过程，影响煤气产销平衡的因素很多；例如，调度人员的经验、方法等；而且调度人员现场调配存在时间上的滞后，易产生生产安全隐患。

为克服上述问题，中国发明专利申请公布说明书CN101109952A(公开日：2008年1月23日)公开了一种“基于柜位预测的钢铁企业煤气动态平衡实时控制方法”，通过预测未来一段时间的煤气柜位变化趋势，在此基础上综合现场调度人员的各种平衡经验，动态给出可调整用户使用煤气量或混合站调整热值的操作建议，达到快速平衡煤气用量，减少煤气放散，高效利用煤气的目的。但是该方法将煤气管网中的各个煤气用户都当作柜位预测模型的输入，冗余输入增加了模型的复杂度；并且建模方法依赖传统的回归建模方法，所建柜位预测模型精度不高。

发明内容

本发明要解决的技术问题是提供一种钢铁企业焦炉煤气柜位预测平衡方法，能够准确地预测煤气柜的柜位平稳、上升和下降变化趋势，为现场调度人员完成煤气的平衡调度提供合理指导。

为解决上述技术问题，本发明的钢铁企业焦炉煤气柜位预测平衡方法包括如下步骤：

步骤一、确定影响柜位变化的主要煤气用户；

步骤二、基于现有的大量数据，采用现代的回归建模方法建立体现煤气柜位与各主要煤气用户之间关系的柜位预测模型；

步骤三、利用现有的大量数据，基于时间序列预测方法，采用现代的回归建模方法建立各主要煤气用户流量预测模型；

步骤四、预测未来一段时间内的柜位变化趋势；根据所建立的流量预测模型预测各用户的煤气流量预测值，将该煤气流量预测值输入给所述柜位预测模型，得到各预测时刻对应的煤气柜位变化预测值。

采用本发明的方法能够准确预测未来一段时间的煤气柜位变化趋势，使调度人员可以参考煤气柜位的变化趋势，结合已有的调度经验，对煤气进行合理调度；实现快速平衡煤气用量，减少煤气放散，高效利用煤气的调度。

本发明有效减少了调度人员的调度工作量，并且预测结果比人工调度结果更及时、更准确。

本发明在建立柜位预测模型前，首先确定出影响柜位变化的主要煤气用户作为柜位预测模型的输入，然后采用现代的回归建模方法(即小样本的支持向量机)来建立柜位预测模型，降低了模型的复杂度，提高了模型的预测精度。

附图说明

下面结合附图与具体实施方式对本发明作进一步详细的说明：

图1是本发明一实施例的焦炉煤气系统管网图；

图2是本发明一实施例的焦炉煤气柜位预测过程流程图；

图3是本发明一实施例的焦炉煤气柜位变化及其预测结果比较图。

具体实施方式

参见图1所示，在本发明的一实施例中焦炉煤气系统由煤气发生源、煤气消耗用户、煤气调节用户、煤气储存设备、煤气放散设备和煤气输送管网组成。

煤气发生源产生的大部分煤气由煤气管网输送给煤气消耗用户供其正常生产，剩余的存入煤气管网中的煤气储存设备-煤气柜。实际中，由于各煤气用户的生产工艺不同，其消耗煤气的流量变化呈现不同程度的波动，这将会出现煤气的产消不平衡，导致煤气柜位的不平稳变化。而由于煤气柜的安全运行设置，调度人员需要实时掌握煤气柜的柜位变化，及时调整煤气调节用户的煤气用量来稳定煤气柜，从而避免煤气的无效放散，提高煤气的利用率。

结合图2所示，在本发明的一实施例中所述钢铁企业焦炉煤气柜位预测平衡方法是按照如下步骤实现的：

步骤一，读取和处理各用户煤气流量和柜位数据。通过现场能源系统中的实时数据库读取预测所需的各用户煤气流量和柜位数据，对数据进行量纲统一化和归一化。

步骤二，利用灰色关联分析确定柜位变化的主要影响用户因素，确定出影响柜位变化的主要煤气用户。即根据不同时段内的各主要煤气用户因素数据列与被影响柜位数据列之间的发展态势的相异或相似程度，利用各自数据列变量变化率和变量变化率比中潜在的信息，来计算各主要煤气用户与柜位的潜在关联程度，从而选择关联度大的用户作为柜位的主要影响用户因素。

具体实现的方法是：

A、选取一定时间区间[t_a，t_b](t_b＞t_a≥0)内的用户因素数据列x_i(t_k)和t_k+Δ_i时刻的柜位数据列X₀(t_k+Δ_i)；(其中，i为用户编号，Δ_i为用户延迟时间，根据调度经验，Δ_i∈[1，5])

B、区间值化处理各用户因素数据列x_i(t)，

x_{i} (t) = \frac{x_{i} (t) - \min x_{i} (t)}{\max x_{i} (t) - \min x_{i} (t)};

(其中，max x_i(t)为用户因素数据列的最大值、min x_i(t)为用户因素数据列的最小值)

C、计算各主要煤气用户因素数据列与柜位数据列的关联系数r_i0；(其中r_i0(r_i0≤1)表示第i个用户对柜位的影响程度)

D、计算各主要煤气用户因素数据列与柜位数据列的关联度R_io，

R_{io} = \frac{1}{t_{b} - t_{a}} Σ_{k = 2}^{k_{i}} r_{i 0} (t_{k}) {Δt}_{ik};

(其中：Δt_ik表示时间间隔，根据每个用户的流量变化特点而不同，

Δt_ik∈[1，10])

E、对柜位数据列和各主要煤气用户因素数据列的关联度从大到小进行排序，优先选取关联度大于指定阈值的P个用户序列作为柜位变化的主要影响用户因素，从而确定出影响柜位变化的主要煤气用户。

步骤三，利用灰色关联分析得到的影响柜位变化的主要煤气用户，构造训练样本集S。

S = {(X_{j}^{t - 1}, H_{j}^{t - 1}), H_{j}^{t}), j = 1 . . . N}

其中，X_j ^t-1和H_j ^t-1组成模型输入样本，H_j ^t为模型输出样本，

表示影响柜位变化的P个用户前一时刻煤气发生和使用流量，H_j ^t-1表示前一时刻的柜位，H_j ^t表示当前时刻的柜位。

步骤四，根据训练样本集S采用小样本的支持向量机构建柜位预测模型；即基于现有的大量数据，采用现代的回归建模方法(小样本的支持向量机)建立体现煤气柜位与各主要煤气用户之间关系的模型——柜位预测模型。

步骤五，利用现有的大量数据，基于时间序列预测方法，采用现代的回归建模方法(小样本的支持向量机)建立各主要煤气用户流量预测模型。

具体方法是：

a、对主要煤气用户的煤气流量数据进行中值滤波和归一化处理；

b、利用G-P算法确定各主要煤气用户的嵌入维数m；(其中，m的取值范围根据每个煤气用户的变化而不同，m∈[10，200])

c、利用相空间变化得到训练样本集S_i＝{(x_j，y_j)|j＝1，2，…，n_i-m_i}：

[\begin{matrix} x_{1} \\ x_{2} \\ . \\ . \\ . \\ x_{ni - mi} \end{matrix}] = [\begin{matrix} x (1) & x (2) & . . . & x (m_{i}) \\ x (2) & x (3) & . . . & x (m_{i} + 1) \\ . & . & . . . & . \\ . & . & . . . & . \\ . & . & . . . & . \\ x (n - m_{i}) & x (n_{i} - m_{i} + 1) & . . . & x (n_{i} - 1) \end{matrix}], [\begin{matrix} y_{1} \\ y_{2} \\ . \\ . \\ . \\ y_{ni - mi} \end{matrix}] = [\begin{matrix} x (m_{i} + 1) \\ x (m_{i} + 2) \\ . \\ . \\ . \\ x (n_{i}) \end{matrix}];

(其中，x_j∈R^mi表示煤气用户时间序列预测模型的输入，y_j∈R表示模型的输出。)

d、采用基于支持向量机的时间序列预测方法建立各用户煤气流量预测模型。

步骤六，预测未来一段时间内的煤气柜位变化趋势。利用各主要煤气用户流量预测模型得到各主要煤气用户的煤气流量预测值；将该煤气流量预测值输入给柜位预测模型，得到各预测时刻对应的煤气柜位变化预测趋势(预测值)。

在本发明的一实施例中焦炉煤气柜位变化及其预测结果比较如图3所示；其中，图3a为柜位上升变化趋势预测结果比较；图3b为柜位平稳变化趋势预测结果比较；图3c为柜位下降变化趋势预测结果比较；获取时间为2009年5月13日，覆盖时间范围为08:00～15:00；曲线1为采用柜位机理方法的预测结果，曲线2为采用BP神经网络方法的预测结果，曲线3为采用本发明方法得到的预测结果，曲线4为实际柜位。由图3可以看出无论是在柜位上升、平稳、下降变化过程中，采用本发明的方法预测得到的柜位变化趋势最接近柜位的实际变化。

本发明的预测方法建立在现有各钢铁企业的能源管理系统基础之上，以各钢铁企业的基础能源管理系统作为载体。对于现场调度人员来说容易掌握，能够减轻调度人员的预测工作，使调度人员将主要精力放在合理煤气调度策略的制定上。从现有能源管理系统的应用角度来看，采用本发明指导煤气调度策略的生成满足了对煤气预测调度系统调度功能的要求。如果有其他的能源管理系统为载体的煤气预测系统，则可以将本发明的方法潜入到相应系统，同样可以应用本发明。

本发明的方法与传统的柜位预测方法相比主要区别在于：首先，采用灰色关联分析确定柜位变化的主要影响因素，这样大大降低了柜位预测模型的复杂度。在柜位预测前仅需预测主要煤气用户的煤气流量变化预测值。然后，利用现代的回归建模方法即小样本的支持向量机构建柜位预测模型，该柜位预测模型比采用传统的回归建模方法建立的柜位预测模型更加准确有效。

本发明能够充分利用钢铁企业已有的大量历史样本数据，分析出影响煤气柜位变化的主要煤气用户，并建立有效的柜位预测模型来预测未来一段时间内的柜位变化，从而指导现场调度人员科学合理地平衡煤气的产消；能有效克服现有钢铁企业人工预测柜位工作量大，精度较低的问题，可广泛应用于钢铁企业的副产煤气系统。

以上通过具体实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。

Claims

1.一种钢铁企业焦炉煤气柜位预测平衡方法，其特征在于，包括如下步骤：

步骤一、确定影响柜位变化的主要煤气用户；

2.如权利要求1所述的方法，其特征在于：步骤一所述的确定影响柜位变化的主要煤气用户的方法是，

通过现场能源系统中的实时数据库读取预测所需的各用户煤气流量和柜位数据，对数据进行量纲统一化和归一化；

利用灰色关联分析确定柜位变化的主要影响用户因素，确定出影响柜位变化的主要煤气用户，即

A、选取一定时间区间[t_a，t_b](t_a＞t_b≥0)内的用户因素数据列x_i(t_k)和t_k+Δ_i时刻的柜位数据列X₀(t_k+Δ_i)；

B、区间值化处理各用户因素数据列x_i(t)，

x_{i} (t) = \frac{x_{i} (t) - {\min x}_{i} (t)}{{\max x}_{i} (t) - {\min x}_{i} (t)};

C、计算各主要煤气用户因素数据列与柜位数据列的关联系数r_i0；

D、计算各主要煤气用户因素数据列与柜位数据列的关联度R_io；

R_{io} = \frac{1}{t_{b} - t_{a}} Σ_{k = 2}^{k_{i}} r_{i 0} (t_{k}) Δ t_{ik};

3.如权利要求1所述的方法，其特征在于：所述建立柜位预测模型的具体方法是，

利用灰色关联分析得到的影响柜位变化的主要煤气用户，构造训练样本集S，

表示影响柜位变化的P个用户前一时刻煤气发生和使用流量，H_j ^t-1表示前一时刻的柜位，H_j ^t表示当前时刻的柜位；

根据训练样本集S采用小样本的支持向量机构建柜位预测模型；即基于现有的大量数据，采用小样本的支持向量机建立体现煤气柜位与各主要煤气用户之间关系柜位预测模型。

4.如权利要求1所述的方法，其特征在于：建立各主要煤气用户流量预测模型的具体方法是，

b、利用G-P算法确定各主要煤气用户的嵌入维数m；

c、利用相空间变化得到训练样本集S_i＝{(x_j，y_j)|j＝1，2，...，n_i-m_i}；

[\begin{matrix} x_{1} \\ x_{2} \\ \cdot \\ \cdot \\ \cdot \\ x_{ni - mi} \end{matrix}] = [\begin{matrix} x (1) & x (2) & \cdot \cdot \cdot & x (m_{i}) \\ x (2) & x (3) & \cdot \cdot \cdot & x (m_{i} + 1) \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ x (n - m_{i}) & x (n_{i} - m_{i} + 1) & \cdot \cdot \cdot & x (n_{i} - 1) \end{matrix}],

[\begin{matrix} y_{1} \\ y_{2} \\ \cdot \\ \cdot \\ \cdot \\ y_{ni - mi} \end{matrix}] = [\begin{matrix} x (m_{i} + 1) \\ x (m_{i} + 2) \\ \cdot \\ \cdot \\ \cdot \\ x (n_{i}) \end{matrix}];