CN102109837B - 钢铁企业焦炉煤气柜位预测平衡方法 - Google Patents
钢铁企业焦炉煤气柜位预测平衡方法 Download PDFInfo
- Publication number
- CN102109837B CN102109837B CN200910202045.6A CN200910202045A CN102109837B CN 102109837 B CN102109837 B CN 102109837B CN 200910202045 A CN200910202045 A CN 200910202045A CN 102109837 B CN102109837 B CN 102109837B
- Authority
- CN
- China
- Prior art keywords
- centerdot
- user
- coal gas
- gas
- cabinet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 18
- 239000010959 steel Substances 0.000 title claims abstract description 18
- 239000000571 coke Substances 0.000 title abstract description 5
- 239000003034 coal gas Substances 0.000 claims description 71
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 28
- 229910052742 iron Inorganic materials 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000000714 time series forecasting Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004907 flux Effects 0.000 abstract 4
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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[ta,tb](tb>ta≥0)内的用户因素数据列xi(tk)和tk+△i时刻的柜位数据列X0(tk+△i);(其中,i为用户编号,△i为用户延迟时间,根据调度经验,△i∈[1,5])
B、区间值化处理各用户因素数据列xi(t),
(其中,maxxi(t)为用户因素数据列的最大值、minxi(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ri0;(其中ri0(ri0≤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Rio,
(其中:△tik表示时间间隔,根据每个用户的流量变化特点而不同,△tik∈[1,10];tk为ta和tb间的某一时刻,k为标示时刻的下标,且有a≤k≤b,ki表示第i个用户在tk时刻的下标)
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。
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Si={(xj,yj)|j=1,2,…,ni-mi}:
(其中,xj∈Rmi表示煤气用户时间序列预测模型的输入,yj∈R表示模型的输出。ni表示第i个用户的训练样本个数)
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 (4)
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;
步骤二、根据训练样本集S,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、根据训练样本集S,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。
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[ta,tb](tb>ta≥0)内的用户因素数据列xi(tk)和tk+△i时刻的柜位数据列X0(tk+△i);
B、区间值化处理各用户因素数据列xi(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ri0;
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Rio;
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;
其中,i为用户编号,△i为用户延迟时间,maxxi(t)为用户因素数据列的最大值、minxi(t)为用户因素数据列的最小值,△tik表示时间间隔,tk为ta和tb间的某一时刻,k为标示时刻的下标,且有a≤k≤b,ki表示第i个用户在tk时刻的下标。
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,
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;
c、利用相空间变化得到训练样本集Si={(xj,yj)|j=1,2,…,ni-mi};
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;
其中,xj∈Rmi表示煤气用户时间序列预测模型的输入,yj∈R表示煤气用户时间序列预测模型的输出,ni表示第i个用户的训练样本个数,mi为第i个用户的嵌入维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910202045.6A CN102109837B (zh) | 2009-12-24 | 2009-12-24 | 钢铁企业焦炉煤气柜位预测平衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910202045.6A CN102109837B (zh) | 2009-12-24 | 2009-12-24 | 钢铁企业焦炉煤气柜位预测平衡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102109837A CN102109837A (zh) | 2011-06-29 |
CN102109837B true CN102109837B (zh) | 2014-03-26 |
Family
ID=44174020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910202045.6A Active CN102109837B (zh) | 2009-12-24 | 2009-12-24 | 钢铁企业焦炉煤气柜位预测平衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102109837B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514486A (zh) * | 2012-06-15 | 2014-01-15 | 上海宝信软件股份有限公司 | 基于因素分析的高炉煤气受入流量预测方法 |
CN103514338A (zh) * | 2012-06-15 | 2014-01-15 | 上海宝信软件股份有限公司 | 热风炉高炉煤气使用流量预测方法 |
CN103530705A (zh) * | 2013-10-17 | 2014-01-22 | 武汉钢铁(集团)公司 | 一种钢铁企业煤气预测方法、装置及系统 |
CN103942422B (zh) * | 2014-04-09 | 2017-01-18 | 大连理工大学 | 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法 |
CN108090241B (zh) | 2016-11-23 | 2021-08-17 | 财团法人工业技术研究院 | 连续性工艺的趋势变量鉴定方法与系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101109952A (zh) * | 2007-08-23 | 2008-01-23 | 济南钢铁集团总公司 | 基于柜位预测的钢铁企业煤气动态平衡实时控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030105651A1 (en) * | 2001-11-30 | 2003-06-05 | Edward Gendelman | Process for insuring and risk managing the decommissioning and/or abandonment of an oil and gas production facility |
-
2009
- 2009-12-24 CN CN200910202045.6A patent/CN102109837B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101109952A (zh) * | 2007-08-23 | 2008-01-23 | 济南钢铁集团总公司 | 基于柜位预测的钢铁企业煤气动态平衡实时控制方法 |
Non-Patent Citations (2)
Title |
---|
基于支持向量回归的时间序列预测;杨金芳等;《中国电机工程学报》;20050930;第25卷(第17期);第110-114页 * |
杨金芳等.基于支持向量回归的时间序列预测.《中国电机工程学报》.2005,第25卷(第17期), |
Also Published As
Publication number | Publication date |
---|---|
CN102109837A (zh) | 2011-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104102212B (zh) | 一种钢铁企业中煤气和蒸汽系统的调度方法、设备和系统 | |
CN102109837B (zh) | 钢铁企业焦炉煤气柜位预测平衡方法 | |
CN105023061B (zh) | 基于预测模型结果的钢铁企业煤气平衡调度系统及方法 | |
Huo et al. | Timetable and roadmap for achieving carbon peak and carbon neutrality of China's building sector | |
CN105204333B (zh) | 一种提高钢铁企业能源利用率的能耗预测方法 | |
CN103426035A (zh) | 钢铁行业副产高炉煤气自平衡调度系统及产消量预测方法 | |
CN101763105A (zh) | 一种自适应可选约束的钢铁企业燃气优化调度系统及方法 | |
CN107918368B (zh) | 钢铁企业煤气产生量与消耗量的动态预测方法及设备 | |
CN105205570A (zh) | 一种基于季节时序分析的电网售电量预测方法 | |
Jiang et al. | Two-stage robust optimization approach for flexible oxygen distribution under uncertainty in integrated iron and steel plants | |
CN103530701B (zh) | 一种基于季节指数法的用户月用电量预测方法和系统 | |
CN104504619B (zh) | 两种考虑温度和经济增长因素的月度统调用电量预测方法 | |
CN103514338A (zh) | 热风炉高炉煤气使用流量预测方法 | |
CN110009419A (zh) | 基于经济景气法的改进时间序列售电量预测方法及系统 | |
CN108416466A (zh) | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 | |
CN109492818A (zh) | 基于能源发展与Shapley值赋权的用电量预测方法 | |
CN104376372A (zh) | 基于源网荷互动模式的智能配电网调度业务优化方法 | |
CN103473605A (zh) | 能源消费预测方法与系统 | |
CN108898243A (zh) | 一种电力系统输电网络安全性测试系统 | |
CN104408317A (zh) | 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法 | |
CN103514486A (zh) | 基于因素分析的高炉煤气受入流量预测方法 | |
Potapov et al. | Short-Term Forecast of Electricity Load for LLC" Omsk Energy Retail Company" Using Neural Network | |
CN102722754B (zh) | 焦化行业基于专家系统的煤气动态平衡调度方法及系统 | |
CN111832785A (zh) | 一种电能替代潜力的预测方法和系统 | |
CN101776909A (zh) | 一种钢铁企业燃气供需动态预测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |