CN103426035A - 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 - Google Patents

Abstract

本发明公开了一种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。该系统由数据采集子系统，高炉煤气预测子系统和高炉煤气产消平衡调度子系统三部分组成。其中，数据采集子系统用来采集高炉煤气实时生产数据，以及所需的预测参数和生产计划数据等作为原始数据；高炉煤气预测子系统用来建立相应的预测模型，并根据收集的原始数据预测高炉煤气发生量和消耗量；高炉煤气产消平衡调度子系统用来根据预测煤气系统未来时刻的产生量和消耗量，以及原有的煤气存储量判断煤气量的供需平衡情况，给出平衡调度方案。本发明有助于提高钢铁行业副产高炉煤气系统的调节水平，提高高炉煤气产消量预测的准确性，解决高炉煤气的平衡调度问题。

Description

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

技术领域

本发明属于钢铁行业煤气调度领域，具体涉及一种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。

背景技术

随着国民经济的迅速发展，我国对于钢铁需求量呈上升趋势。虽然我国钢铁产量目前已居世界首位，但面向国际市场后，钢铁企业除了在产量上竞争以外，钢铁质量、品种及生产成本等都已成为影响竞争的重要因素。就我国目前的国情来看，能源费用是影响钢铁生产成本的主要因素之一，大部分的钢铁企业生产成本高的原因与能源利用率低、浪费偏高直接相关。而副产煤气是钢铁生产过程中副产的优质气体燃料，是钢铁生产主要的能源资源，因此精确的计量煤气、充分的回收和利用煤气，从而最大限度的利用煤气，对整个钢铁行业节能减排、降低生产成本具有重要意义。

高炉煤气(简称BFG)是钢铁企业中最重要的二次能源之一，其回收利用水平与供需平衡程度对企业节能降耗有重要意义。近年来，随着节能减排工作的推进及节能技术的普及，钢铁企业高炉煤气得到了有效利用，但由于煤气的生产与使用随时都在发生着变化，供需之间的不平衡现象总在发生，如何有效地预测高炉煤气的发生量和消耗量，及时、准确的平衡供需变化关系，合理利用煤气、减少煤气放散，成为近年来研究的热点。

国内各钢铁企业都十分重视副产煤气回收利用，针对副产煤气回收利用展开的研究主要集中在副产煤气回收利用技术的研究。王秀纯在对冶金企业煤气平衡问题进行探讨时，就如何应用副产煤气，特别是高炉煤气，较少煤气放散，提出了一些有效的解决方法。张琦、蔡九菊和杜涛等人探讨了钢铁企业煤气平衡问题，根据钢铁企业煤气系统的特点，对煤气资源进行优化分配，提出通过建立合理的煤气缓冲用户，增设煤气储存设备，建立能源管理中心等手段，使煤气系统趋于动态平衡。韩明荣根据重钢现有的煤气平衡系统，通过现有的技术措施，优化了煤气系统的动态平衡，其中就包括高炉煤气的动态平衡问题。

综合高炉煤气回收利用的研究现状可以发现，目前钢铁企业副产高炉煤气的回收利用问题主要侧重于从设备、技术角度进行研究。无论是高炉煤气平衡问题的规划、管理还是煤气系统的优化、煤气柜的设立，都涉及高炉煤气发生量和用户的煤气消耗量的预测。

在高炉煤气产消量预测的方法里，目前有很多预测方法，各有各的特点。总的来说，是基于线性与非线性系统之上的。对于线性关系较为明显的问题，通常采用回归分析法，通过最小二乘法确定回归方程系数，建立函数方程。对于非线性系统，目前常用神经网络来建立模型解决问题。人工神经网络具有容错性好、固有的并行式处理结构、知识分布储存、自适应性强等特点，特别适用于非线性问题预测领域的研究。

发明内容

本发明公开了一种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，能够有效的预测钢铁行业副产煤气的产生量和消耗量，并且可以及时、可靠、准确的对煤气产消不平衡状况进行调度，解决煤气供需不平衡的问题。

本发明用BP神经网络模型预测副产高炉煤气的产生量（发生量）和消耗量，并在此基础上，提出了一种高炉煤气自平衡调度系统。BP神经网络模型由于其自身具有良好对的容错性、自适应性和学习性，使之特别适用于高炉煤气预测这一类非线性预测问题的解决；而在此基础上的高炉煤气自平衡调度系统则根据预测的煤气产消量，可以及时、准确地调节高炉煤气系统煤气流量的平衡，提高高炉煤气系统的调节和管理水平，达到很好的节能减排的目的。

一种钢铁行业副产高炉煤气自平衡调度系统，包括：

数据采集子系统，用来采集高炉煤气实时生产数据，以及所需的预测参数和生产计划数据作为原始数据；

高炉煤气预测子系统，用来建立相应的预测模型，并根据所述数据采集子系统收集的数据预测高炉煤气产生量和消耗量；

高炉煤气产消平衡调度子系统，用来根据预测高炉煤气系统未来时刻的产生量和消耗量，以及根据原有的煤气存储量判断煤气量的供需平衡情况，给出平衡调度方案，调节高炉煤气平衡系统。

优选地，所述的数据采集子系统，包括：

实时数据获取模块，用于从能源实时数据库中获取煤气的实时产生量与消耗量；

管理数据获取模块，用于从能源管理数据库中获取煤气预测模型所需的预测参数以及高炉煤气的生产计划数据；

数据预处理模块，用于把采集来的原始数据进行消噪、清洗预处理，剔除数据整理错误的离群值；

数据存储模块，用于存储加工好的数据，形成相关的数据库信息，并传递给后续的高炉煤气预测子系统和高炉煤气产消平衡调度子系统。

优选地，所述的高炉煤气预测子系统，包括：

高炉煤气产生量预测模块和高炉煤气消耗量预测模块，两个预测模块内包含多个高炉煤气产生量/消耗量预测单元；将高炉煤气产生量/消耗量预测单元划分为如下几个子单元：

关联度计算子单元，确定与高炉煤气产生量/消耗量相关的相关量，计算相关量与煤气发生量/消耗量的关联度；

数据预处理子单元，将从预测单元获得的输入变量进行标准归一化处理，消除输入变量在数据特性、取值范围、量纲的影响；

网络训练预测子单元，通过样本数据对预测模型进行网络训练，训练至神经网络误差达到误差允许范围之内，用训练好的预测网络对未来某时刻的高炉煤气产生量/消耗量进行预测，得出预测中间结果；

数据后续处理子单元，在输出预测结果时进行反归一化处理；

预测输出子单元，将各煤气预测单元的输出结果通过数据输出接口输出并传递给后续高炉煤气产消平衡调度子系统。

优选地，所述的高炉煤气产消平衡调度子系统，包括：

数据查询模块：其中包括煤气的产生和消耗量的实时数据查询单元、原始数据查询单元、产消平衡数据查询单元和比较查询单元四个单元，分别设计人机交互界面实现各个单元的在线显示及查询功能；

报表显示模块：显示高炉煤气平衡的日报表、月报表和年报表，并提供下载和查询，报表的内容包括日期、监测点名称、煤气产消类型、煤气流量数据，使用人机交互式界面，通过用户输入报表的日期信息对报表信息进行筛选和显示；

历史曲线查询模块：通过数据输入接口将高炉煤气的产生量、消耗量的历史数据绘制成曲线，实现煤气流量的历史趋势显示；同时，同一坐标下用不同颜色的曲线显示煤气的平衡流量，用以同原始数据曲线作对比；

煤气供需平衡判断模块：通过数据输入接口连接数据查询模块，获取煤气产生量和消耗量的实时数据，以及相对应的历史数据作为参考值，该模块中相关计算单元根据所述各煤气预测单元的预测结果分别计算相应煤气单元当前时刻到未来某一设定时刻这一时间段内的煤气发生量、消耗量的累加值，并根据所算的累加值以及煤气气柜的存储量判断某一设定时刻的煤气供需状态，若此时高炉煤气处于不平衡状态，则将判断结果通过数据输出接口传送至平衡调度模块；

平衡调度模块：该模块里预设根据企业和专家经验针对煤气供需不平衡状态的调度规则，根据供需判断模块的判断结果、实际生产数据和预测数据、以及系统运行的辅助数据，形成调度方案，并通过输出数据接口将调度方案传送至人机交互界面，显示给用户；

输出数据接口模块：用来将各煤气单元的产生量预测结果、消耗量预测结果、高炉煤气供需平衡判断结果以及平衡调度方案等输出至人机交互界面显示给用户。

优选地，所述的高炉煤气产消平衡调度子系统，还包括高炉煤气预测模型的反馈校正模块，所述的预测模型反馈校正模块接收各煤气单元预测模型的预测结果并且监视实际高炉煤气的生产量和消耗量，然后计算出实际产量和预测结果之间的偏差，与预先设定好的阈值作对比，若偏差的绝对值大于所设阈值，则反馈调节相应的预测模型参数重新预测。

一种所述的高炉煤气预测子系统的产消量预测方法，所述的高炉煤气产消量预测方法，是BP神经网络预测方法，相关预测步骤如下：

步骤1、计算高炉煤气量与各因素的关联度，判断各因素对煤气量的影响大小；

关联度的计算步骤如下：

a.将某时间段内企业的高炉煤气发生量/消耗量作为参考序列，即“母序列”，记为{x₀(i)},i＝1,2,...,N，它由不同时刻的统计数据构成，记第一个时刻的值为x₀(1)，第二个时刻的值为x₀(2)，第i个时刻的值为x₀(i)；关联分析中与参考序列作关联程度比较的相关量作为比较序列，即“子序列”，记为{x_k(i)},k＝1,2,...,m;i＝1,2,...,N；

b.由于系统中各因素的计算单位不同，则数据量纲也不一样。不同的量纲、数量级之间不能够直接进行比较，所以在进行关联度分析的时候要先进行无量纲化数据处理。本发明实施例采用均值法对原始数据进行无量纲化。令x₀的平均数为x_k的平均数为则有：

${\stackrel{\‾}{x}}_k=\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_k\left(i\right)\right)/N$ k＝1,2,...,m

无量纲化：

${\stackrel{\‾}{x}}_k\left(i\right)=x_k\left(i\right)/{\stackrel{\‾}{x}}_k$

c.关联度实质上是曲线间几何形状的相似程度，因此还要计算出曲线间差值的大小作为关联度的衡量标准。则第k条子线在t时刻与母线在各时刻的距离为：

${\mathrm{\Δ}}_{0k}\left(t\right)=|{\stackrel{\‾}{x}}_0\left(t\right)-{\stackrel{\‾}{x}}_k\left(t\right)|$

母、子序列在各时刻的关联性用关联数表示：

${\mathrm{\ξ}}_{0k}\left(i\right)=\frac{{\mathrm{\Δ}}_{\min }+{\mathrm{\ξ\Δ}}_{\max }}{{\mathrm{\Δ}}_{0k}\left(i\right)+{\mathrm{\ξ\Δ}}_{\max }}$

其中：ξ_0k(i)为第k条子线与母线x₀在i时刻的关联数，其值满足0≤ξ_0k≤1，ξ_0k越接近1，它们的关联性越好；Δ_min,Δ_max为m条子线在区间[1,N]的距离Δ_0k(i)的最小值和最大值；ξ为分辨系数，取值为[0,1]，其大小可影响Δ_0k(i)的值，一般取ξ＝0.5。则第k条子线与母线在[1,N]间的关联度为：

$r_{0k}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_{0k}\left(i\right)$

一般在ξ＝0.5时，r_0k≥0.6，即认为子母因素有关联；r_0k＜0.6时，则认为关联性较差。由此，可以确定有n个因素是煤气产生量/消耗量的主影响因子，即为预测单元的输入变量。

步骤2、对输入数据进行归一化预处理，消除量纲影响；

获得预测单元的输入变量后，考虑到这几个的数据特性、取值范围、量纲等都不相同，不方便后续计算。为了消除量纲的影响，加快BP神经网络的学习速度，则需将数据进行标准化处理。因为本系统选取

为激励函数，该函数的值域是[0,1]，因此训练时需要把样本数据统一进行归一化处理，本实施例中选取最大最小法进行归一化处理，函数形式为：

x_k＝(x_k-x_min)/(x_max-x_min)

其中，x_min是数据序列中最小值，x_max是数据序列中最大值。

步骤3、将输入数据分为样本数据和测试数据，用样本数据对BP神经网络进行训练，直至满足训练误差要求，然后用测试数据通过训练好的BP神经网络进行预测，得出预测中间结果；

a.网络初始化。BP神经网络的输入序列是{X₁,X₂,...,X_n}，输入节点为x_i(i＝1,2,...,n)；预测值输出序列是{Y₁,Y₂,...,Y_m}，输出节点为y_k(k＝1,2,...,m)；隐含层节点为h_j(j＝1,2,...,l)；则可以根据预测模型输入输出序列(X,Y)确定网络输入层节点数n、输出层节点数m、隐含层节点数l；随机初始化输入层、隐含层和输出层神经元之间的连接权值ω_ij，ω_jk，隐含层阈值a_j(j＝1,2,...,l)，输出层阈值b_k(k＝1,2,...,m)，给定神经网络学习速率η和神经元激励函数f(x)。

b.隐含层输出计算。根据输入向量X，输入层和隐含层间连接权值ω_ij以及隐含层阈值a_j(j＝1,2,...,l)，则可以计算出隐含层输出H_j：

$H_j=f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_{1j}{x}_i-a_j)$ j＝1,2,...,l

其中，l为隐含层节点数；f为隐含层激励函数，本发明实施例选用的激励函数是：

$f\left(x\right)=\frac{1}{(1+e^{-x})}$

c.输出层输出计算。根据隐含层输出H_j，连接权值ω_jk和阈值b_k(k＝1,2,...,m)，则可以计算出BP神经网络的预测输出O_k：

$O_k=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{H}_j{\mathrm{\ω}}_{\mathrm{jk}}-b_k$ k＝1,2,...,m

d.误差计算。根据网络预测输出O_k和期望输出Y，可以算出BP神经网络预测误差e_k：

e_k＝Y_k-O_k  k＝1,2,...,m

e.权值修正。根据网络预测误差e_k更新修正网络连接权值ω_ij，ω_jk。

${\mathrm{\ω}}_{\mathrm{ij}}={\mathrm{\ω}}_{\mathrm{ij}}+{\mathrm{\ηH}}_j(1-H_j)x\left(i\right)\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{jk}}{e}_k$ i＝1,2,...,n;j＝1,2,...,l

ω_jk＝ω_jk+ηH_je_k  j＝1,2,...,l;k＝1,2,...,m

式中，η为学习速率。

f.阈值修正。根据网络预测误差e_k修正神经网络节点阈值a,b：

$a_j=a_j+{\mathrm{\ηH}}_j(1-H_j)\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{jk}}{e}_k$ j＝1,2,...,l

b_k＝b_k+e_k  k＝1,2,...,m

循环以上步骤训练BP神经网络，直至预测误差稳定于允许范围内，训练结束；

用训练好的BP神经网络对未来某时刻的高炉煤气发生量/消耗量进行预测，得出预测中间结果。

步骤4、用训练好的BP神经网络对未来某时刻的高炉煤气发生量/消耗量进行预测，此时输出的预测结果仅仅是一个中间结果，因为在预测模型的开始，对所有的输入数据进行了归一化处理，所以在输出预测结果的时候也要相应的进行反归一化处理，处理公式如下：

y＝y*(x_max-x_min)+x_min

由此，可得高炉煤气发生量/消耗量的最终预测值。

本发明的有益效果：本发明充分利用了BP神经网络良好的非线性处理分析能力及很强的自学习和自适应特点，解决了高炉煤气产消量预测的问题；与此同时，建立了一个高炉煤气自平衡调度系统，根据高炉煤气产消量的预测值及时给出煤气平衡调度方案，辅助相关工作人员准确、及时地做出调度决策判断，调节高炉煤气的平衡。

附图说明

图1是钢铁行业副产高炉煤气自平衡调度系统结构示意图。

图2是高炉煤气产生量/消耗量预测单元结构示意图。

图3是高炉煤气产消平衡调度子系统结构示意图。

图4是BP神经网络的拓扑结构示意图。

图5是BP神经网络的网络模型示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了能够准确的预测钢铁行业副产高炉煤气产生量（发生量）和消耗量，并在预测量的指导下及时、灵活的调整副产高炉煤气平衡系统，对其进行合理的煤气量的调度，实现节能减排的目的，本发明实施例提供了一种钢铁行业副产高炉煤气自平衡调度系统和产消量预测方法，预测高炉煤气系统未来时刻的煤气产生量（发生量）、消耗量，并以此为基础判断高炉煤气的供需平衡情况，准确、及时的进行煤气产消量的调度安排。

为达到上述目的，本发明实施例建立如下系统模型：

一种钢铁行业副产高炉煤气自平衡调度系统，如图1所示，是高炉煤气自平衡调度系统结构图，包括数据采集子系统、高炉煤气预测子系统和高炉煤气产消平衡调度子系统三部分，由图中可以看出各个模块及其主要组成部分的连接关系。本发明的高炉煤气自平衡调度系统各子系统的组成模块及功能如下：

（一）数据采集子系统

数据采集子系统，用来采集高炉煤气实时生产数据，以及所需的预测参数和生产计划数据等作为原始数据，其中包括：

实时数据获取模块，用于从能源（高炉煤气）实时数据库中获取煤气的实时产生量与消耗量；

管理数据获取模块，用于从能源（高炉煤气）管理数据库中获取煤气预测模型所需的预测参数以及高炉煤气的生产计划数据等；

数据预处理模块，用于把采集来的原始数据进行消噪、清洗等预处理，剔除一些数据整理错误的离群值；

数据存储模块，用于存储加工好的数据，形成相关的数据库信息，并通过数据输入接口传递给后续的高炉煤气预测子系统和煤气平衡调度子系统。

（二）高炉煤气预测子系统

高炉煤气预测子系统，用来建立相应的预测模型，并根据收集的数据预测高炉煤气发生量和消耗量。

高炉煤气预测子系统内划分为高炉煤气产生量预测模块和高炉煤气消耗量预测模块。两个预测模块内包含多个高炉煤气产生量/消耗量预测单元，用来分别预测各个煤气单元的煤气产生量（发生量）/消耗量，根据钢铁行业副产煤气发生量和消耗量的特点，本发明实施例选择BP神经网络预测模型对其进行预测。

根据BP神经网络预测模型的特点，将高炉煤气产生量（发生量）/消耗量预测单元划分为如下几个子单元，子单元的连接顺序如图2所示，这同时也代表了本发明实施例所述的一种钢铁行业副产高炉煤气产消量预测方法的基本步骤。预测单元的组成结构如下：

关联度计算子单元，确定与高炉煤气发生量/消耗量相关的相关量，计算相关量与煤气发生量/消耗量的关联度，将关联度大于0.6的相关量作为主影响因子；

数据预处理子单元，将从预测单元获得的输入变量进行标准化处理，消除输入变量在数据特性、取值范围、量纲等方面的影响，加快神经网络的学习速度，本实施例中选取最大最小值法对数据进行归一化处理；

网络训练预测子单元，通过样本数据对BP神经网络预测模型进行网络训练，训练至神经网络误差达到误差允许范围之内，固定此时的网络连接权值和相关网络节点阈值，用训练好的BP神经网络对未来某时刻的高炉煤气发生量/消耗量进行预测，得出预测中间结果；

数据后续处理子单元，用训练好的BP神经网络对未来某时刻的高炉煤气发生量/消耗量进行预测，此时输出的预测结果仅仅是一个中间结果，因为在预测模型的开始，对所有的输入数据进行了归一化处理，所以在输出预测结果的时候也要相应的进行反归一化处理；

预测输出子单元，将各煤气预测单元的输出结果通过数据输出接口输出至煤气产消平衡调度子系统。

（三）高炉煤气产消平衡调度子系统

高炉煤气产消平衡调度子系统，根据高炉煤气产消量的预测值以及原有的煤气存储量判断煤气量的供需平衡情况，给出平衡调度方案，调节煤气平衡系统。

高炉煤气产消平衡调度子系统，是根据历史煤气产生量和消耗量的平衡数值，并且结合企业的调度经验和领域经验，对应于不同煤气供需不平衡状态的调度规则形成平衡调度方案，调节高炉煤气系统的平衡。因此，在高炉煤气产消平衡调度子系统中分别设立如下几个模块，其组成结构如图3所示：

1)数据查询模块：其中包括煤气的产生和消耗量的实时数据查询单元、原始数据查询单元、产消平衡数据查询单元和比较查询单元等四个单元，分别设计人机交互界面实现各个单元的在线显示及查询功能。

2)报表显示模块：用excel表格的形式显示高炉煤气平衡的日报表、月报表和年报表等，并提供下载和查询。报表的内容包括日期、监测点名称、煤气产消类型、煤气流量等数据。使用人机交互式界面，通过用户输入报表的日期等信息对报表信息进行筛选和显示。

3)历史曲线查询模块：通过数据输入接口将高炉煤气的产生量、消耗量的历史数据绘制成曲线，横坐标为日期（时间），纵坐标为流量，实现煤气流量的历史趋势显示；同时，同一坐标下用不同颜色的曲线显示煤气的平衡流量，用以同原始数据曲线作对比，表现更加直观，便于用户比较。同样采取人机交互界面实现数据曲线的显示和查询。

4)煤气供需平衡判断模块：通过数据输入接口连接数据查询模块，获取煤气产生量和消耗量的实时数据，以及相对应的历史数据作为参考值。该模块中相关计算单元根据所述各煤气预测单元的预测结果分别计算相应煤气单元当前时刻到未来某一设定时刻这一时间段内的煤气发生量、消耗量的累加值，并根据所算的累加值以及煤气气柜的存储量判断某一设定时刻的煤气供需状态，若此时高炉煤气处于不平衡状态，则将判断结果通过数据输出接口传送至平衡调度模块。

5)平衡调度模块：该模块里预设针对煤气供需不平衡状态的调度规则，根据供需判断模块的判断结果、实际生产数据和预测数据、以及系统运行的辅助数据等，形成调度方案，并通过输出数据接口将调度方案传送至人机交互界面，显示给用户。所述的调度方案就是根据相应的调度规则、供需判断结果、实际生产数据和预测数据等得到的高炉煤气供需不平衡的解决方法。

6)输出数据接口模块：用来将各煤气单元的产生量预测结果、消耗量预测结果、高炉煤气供需平衡判断结果以及平衡调度方案等输出至人机交互界面显示给用户。

7)上述的高炉煤气产消平衡调度子系统，还包括高炉煤气预测模型的反馈校正模块，所述的预测模型反馈校正模块接收各煤气单元预测模型的预测结果并且监视实际高炉煤气的生产量和消耗量，然后计算出实际产量和预测结果之间的偏差，与预先设定好的阈值作对比，若偏差的绝对值大于所设阈值，则反馈调节相应的预测模型参数重新预测。

本发明结合企业现有的设备和资源，分析工业现场的实际需求，设计出了一个高炉煤气自平衡调度系统，对高炉煤气产消量预测模型和高炉煤气自平衡调度系统模型进行了模块化，并阐述了系统主要模块的组成及功能，可以实现高炉煤气产消量的平衡调度，解决煤气供应不平衡问题。

与上述高炉煤气自平衡调度系统相对应的，本发明提出了一种钢铁行业副产高炉煤气产消量预测方法，适用于本发明所述的高炉煤气预测子系统。所述的高炉煤气产消量预测方法的基本步骤如图2所示，包括：

步骤1、关联度计算

利用确定与高炉煤气发生量/消耗量相关的相关量，计算相关量与高炉煤气发生量/消耗量的关联度，将关联度大于0.6的相关量作为主影响因子。本发明实施例中，利用某钢铁企业能源平衡表中的数据，采用灰色关联度分析原理，通过计算高炉煤气量与各因素的关联度，来判断各因素对煤气量的影响大小。

影响高炉煤气发生量/消耗量的因素众多而关系复杂，在本发明实施例中，选取某钢铁企业高炉煤气发生量及其相关量做分析示例，时间点以月为单位、一年为周期，查询本企业相关能源平衡表中，某一年1-12月高炉煤气发生量和其相关量，如炼铁厂产量、铁矿石消耗量、冶金焦消耗量、熟料消耗量、鼓风量等的具体数值，整理成表格；

a.将高炉煤气发生量的历史数据作为母序列，记为{x₀(i)},i＝1,2,...,N，记第一个时刻的值为x₀(1)，第二个时刻的值为x₀(2)，第i个时刻的值为x₀(i)；其若干个相关量的历史数据作为子序列，记为{x_k(i)},k＝1,2,...,m;i＝1,2,...,N；在本发明实施例中N＝12，m为相关量的个数。

b.为了统一不同数据的量纲、数据级等，采用均值法对原始数据进行无量纲化处理。令x0的平均数为

x_k的平均数为

则有：

${\stackrel{\‾}{x}}_k=\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_k\left(i\right)\right)/N$ k＝1,2,...,m，

无量纲化：

${\stackrel{\‾}{x}}_k\left(i\right)=x_k\left(i\right)/{\stackrel{\‾}{x}}_k$

c.由公式

计算母、子序列各时刻的绝对差值；

由公式

得出绝对差值的最小值和最大值为：

${\mathrm{\Δ}}_{\min }=\underset{k}{\min }\left(\underset{t}{\min }\left({\mathrm{\Δ}}_{0k}\left(t\right)\right)\right)$

${\mathrm{\Δ}}_{\max }=\underset{k}{\max }\left(\underset{t}{\max }\left({\mathrm{\Δ}}_{0k}\left(t\right)\right)\right)$

其中：ξ_0k(i)为第k条子线与母线x₀在i时刻的关联数，其值满足0≤ξ_0k≤1，ξ_0k越接近1，它们的关联性越好；ξ为分辨系数，取值为[0,1]，其大小可影响Δ_0k(i)的值，一般取ξ＝0.5。则第k条子线与母线在[1,N]间的关联度为：

$r_{0k}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_{0k}\left(i\right)$

一般在ξ＝0.5时，r_0k≥0.6，即认为子母因素有关联；r_0k＜0.6时，则认为关联性较差。由此，可以确定有n个因素是煤气产生量/消耗量的主影响因子，即为预测单元的输入变量。

步骤2、输入数据预处理

为了消除量纲的影响，需将数据进行标准化处理。因为本系统实施例选取

为激励函数，该函数的值域是[0,1]，因此训练时需要把样本数据统一进行归一化处理，本实施例中选取最大最小法进行归一化处理，函数形式为：

x_k＝(x_k-x_min)/(x_max-x_min)

其中，x_min是数据序列中最小值，x_max是数据序列中最大值。

步骤3、神经网络训练预测

本发明实施例中选取的预测模型为BP神经网络预测模型，BP神经网络的拓扑结构如图4所示，BP神经网络的网络模型如图5所示，

a.网络初始化

BP神经网络的输入序列是{X₁,X₂,...,X_n}，输入节点为x_i(i＝1,2,...,n)；预测值输出序列是{Y₁,Y₂,...,Y_m}，输出节点为y_k(k＝1,2,...,m)；隐含层节点为h_j(j＝1,2,...,l)；则可以根据预测模型输入输出序列(X,Y)确定网络输入层节点数n、输出层节点数m、隐含层节点数l。

在本发明实施例中，由于只有一个输出，则输出层节点数m＝1；

隐含层节点数l可根据经验，由如下公式可得：

$l<\sqrt{(m-n)}+a$

其中，a为0-10之间的常数；确定了l的大致范围后，用试凑法确定出最佳节点数。

随机初始化输入层、隐含层和输出层神经元之间的连接权值ω_ij，ω_jk，隐含层阈值a_j(j＝1,2,...,l)，输出层阈值b_k(k＝1,2,...,m)，给定神经网络学习速率η和神经元激励函数f(x)。

b.隐含层输出计算

根据输入向量X，输入层和隐含层间连接权值ω_ij以及隐含层阈值a_j(j＝1,2,...,l)，则可以计算出隐含层输出H_j：

$H_j=f(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{1j}{x}_i-a_j)$ j＝1,2,...,l

其中，l为隐含层节点数；f为隐含层激励函数，本发明实施例选用的激励函数是：

$f\left(x\right)=\frac{1}{(1+e^{-x})}$

c.输出层输出计算

根据隐含层输出H_j，连接权值ω_jk和阈值b_k(k＝1,2,...,m)，则可以计算出BP神经网络的预测输出O_k：

$O_k=\underset{j=1}{\overset{l}{\mathrm{\&Sigma;}}}{H}_j{\mathrm{\&omega;}}_{\mathrm{jk}}-b_k$ k＝1,2,...,m

d.误差计算。根据网络预测输出O_k和期望输出Y，可以算出BP神经网络预测误差e_k

e_k＝Y_k-O_k  k＝1,2,...,m

e.权值修正。根据网络预测误差e_k更新修正网络连接权值ω_ij，ω_jk。

${\mathrm{\&omega;}}_{\mathrm{ij}}={\mathrm{\&omega;}}_{\mathrm{ij}}+{\mathrm{\&eta;H}}_j(1-H_j)x\left(i\right)\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{jk}}{e}_k$ i＝1,2,...,n;j＝1,2,...,l

ω_jk＝ω_jk+ηH_je_k  j＝1,2,...,l;k＝1,2,...,m

式中，η为学习速率。

f.阈值修正。根据网络预测误差e_k修正神经网络节点阈值a,b。

$a_j=a_j+{\mathrm{\&eta;H}}_j(1-H_j)\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{jk}}{e}_k$ j＝1,2,...,l

b_k＝b_k+e_k  k＝1,2,...,m

其中，本实施例中k＝m＝1；

循环以上步骤训练BP神经网络，直至预测误差稳定于允许范围内，训练结束；

在本发明实施例中，设定BP神经网络循环训练1000次后，默认此时的预测误差已经稳定与允许范围内，训练结束；然后固定此时的网络权值和网络节点阈值，用训练好的BP神经网络对下一年1月份的高炉煤气发生量进行预测，得出预测中间结果。

步骤4、数据后续处理

用训练好的BP神经网络对未来某时刻的高炉煤气发生量/消耗量进行预测，此时输出的预测结果仅仅是一个中间结果，因为在预测模型的开始，对所有的输入数据进行了归一化处理，所以在输出预测结果的时候也要相应的进行反归一化处理，处理公式如下：

y＝y*(x_max-x_min)+x_min

由此，可得下个月高炉煤气发生量的最终预测值。

以此类推，在钢铁企业中，高炉煤气大部分作为工业炉的燃料使用，主要用户有高炉热风炉、焦炉、结烧等用户。高炉煤气的消耗量预测也可以用BP神经网络预测模型进行预测，预测方法步骤同上。

经验证，此预测方法的预测结果误差在允许范围内，效果较好，说明本发明提供的钢铁行业副产高炉煤气产消量预测方法是可行的。

本发明实施例提出的一种钢铁行业副产高炉煤气自平衡调度系统和产消量预测方法，是基于BP神经网络预测模型的系统装置。这个系统充分利用BP神经网络良好的非线性处理分析能力和很强的自学能力，解决了钢铁行业副产高炉煤气的发生量和消耗量的预测问题，并建立了高炉煤气自平衡调度系统，根据高炉煤气产消量的预测值及时、可靠、准确的对煤气产消不平衡状况进行调度，解决煤气供需不平衡的问题。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件完成所述方法及系统。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种钢铁行业副产高炉煤气自平衡调度系统，其特征在于，包括：

数据采集子系统，用来采集高炉煤气实时生产数据，以及所需的预测参数和生产计划数据作为原始数据；

高炉煤气预测子系统，用来建立相应的预测模型，并根据所述数据采集子系统收集的数据预测高炉煤气产生量和消耗量；

高炉煤气产消平衡调度子系统，用来根据预测高炉煤气系统未来时刻的产生量和消耗量，以及根据原有的煤气存储量判断煤气量的供需平衡情况，给出平衡调度方案，调节高炉煤气平衡系统。

2.根据权利要求1所述的系统，其特征在于，所述的数据采集子系统，包括：

实时数据获取模块，用于从能源实时数据库中获取煤气的实时产生量与消耗量；

管理数据获取模块，用于从能源管理数据库中获取煤气预测模型所需的预测参数以及高炉煤气的生产计划数据；

数据预处理模块，用于把采集来的原始数据进行消噪、清洗预处理，剔除数据整理错误的离群值；

数据存储模块，用于存储加工好的数据，形成相关的数据库信息，并传递给后续的高炉煤气预测子系统和高炉煤气产消平衡调度子系统。

3.根据权利要求1所述的系统，其特征在于，所述的高炉煤气预测子系统，包括：

高炉煤气产生量预测模块和高炉煤气消耗量预测模块，两个预测模块内包含多个高炉煤气产生量/消耗量预测单元；将高炉煤气产生量/消耗量预测单元划分为如下几个子单元：

关联度计算子单元，确定与高炉煤气产生量/消耗量相关的相关量，计算相关量与煤气发生量/消耗量的关联度；

数据预处理子单元，将从预测单元获得的输入变量进行标准归一化处理，消除输入变量在数据特性、取值范围、量纲的影响；

网络训练预测子单元，通过样本数据对预测模型进行网络训练，训练至神经网络误差达到误差允许范围之内，用训练好的预测网络对未来某时刻的高炉煤气产生量/消耗量进行预测，得出预测中间结果；

数据后续处理子单元，在输出预测结果时进行反归一化处理；

预测输出子单元，将各煤气预测单元的输出结果通过数据输出接口输出并传递给后续高炉煤气产消平衡调度子系统。

4.根据权利要求1所述的系统，其特征在于，所述的高炉煤气产消平衡调度子系统，包括：

数据查询模块：其中包括煤气的产生和消耗量的实时数据查询单元、原始数据查询单元、产消平衡数据查询单元和比较查询单元四个单元，分别设计人机交互界面实现各个单元的在线显示及查询功能；

报表显示模块：显示高炉煤气平衡的日报表、月报表和年报表，并提供下载和查询，报表的内容包括日期、监测点名称、煤气产消类型、煤气流量数据，使用人机交互式界面，通过用户输入报表的日期信息对报表信息进行筛选和显示；

历史曲线查询模块：通过数据输入接口将高炉煤气的产生量、消耗量的历史数据绘制成曲线，实现煤气流量的历史趋势显示；同时，同一坐标下用不同颜色的曲线显示煤气的平衡流量，用以同原始数据曲线作对比；

煤气供需平衡判断模块：通过数据输入接口连接数据查询模块，获取煤气产生量和消耗量的实时数据，以及相对应的历史数据作为参考值，该模块中相关计算单元根据所述各煤气预测单元的预测结果分别计算相应煤气单元当前时刻到未来某一设定时刻这一时间段内的煤气发生量、消耗量的累加值，并根据所算的累加值以及煤气气柜的存储量判断某一设定时刻的煤气供需状态，若此时高炉煤气处于不平衡状态，则将判断结果通过数据输出接口传送至平衡调度模块；

平衡调度模块：该模块里预设根据企业和专家经验针对煤气供需不平衡状态的调度规则，根据供需判断模块的判断结果、实际生产数据和预测数据、以及系统运行的辅助数据，形成调度方案，并通过输出数据接口将调度方案传送至人机交互界面，显示给用户；

输出数据接口模块：用来将各煤气单元的产生量预测结果、消耗量预测结果、高炉煤气供需平衡判断结果以及平衡调度方案等输出至人机交互界面显示给用户。

5.根据权利要求4所述的系统，其特征在于，所述的高炉煤气产消平衡调度子系统，还包括高炉煤气预测模型的反馈校正模块，所述的预测模型反馈校正模块接收各煤气单元预测模型的预测结果并且监视实际高炉煤气的生产量和消耗量，然后计算出实际产量和预测结果之间的偏差，与预先设定好的阈值作对比，若偏差的绝对值大于所设阈值，则反馈调节相应的预测模型参数重新预测。

6.一种根据权利要求3中所述的高炉煤气预测子系统的产消量预测方法，其特征在于，所述的高炉煤气产消量预测方法，是BP神经网络预测方法，相关预测步骤如下：

步骤1、计算高炉煤气量与各因素的关联度，判断各因素对煤气量的影响大小；

关联度的计算步骤如下：

a.将某时间段内企业的高炉煤气发生量/消耗量作为参考序列，即“母序列”，记为{x₀(i)},i＝1,2,...,N，它由不同时刻的统计数据构成，记第一个时刻的值为x₀(1)，第二个时刻的值为x₀(2)，第i个时刻的值为x₀(i)；关联分析中与参考序列作关联程度比较的相关量作为比较序列，即“子序列”，记为{x_k(i)},k＝1,2,...,m;i＝1,2,...,N；

b.由于系统中各因素的计算单位不同，则数据量纲也不一样；不同的量纲、数量级之间不能够直接进行比较，所以在进行关联度分析的时候要先进行无量纲化数据处理；采用均值法对原始数据进行无量纲化；令x₀的平均数为x_k的平均数为

则有：

${\stackrel{\&OverBar;}{x}}_k=\left(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_k\left(i\right)\right)/N$ k＝1,2,...,m

无量纲化：

${\stackrel{\&OverBar;}{x}}_k\left(i\right)=x_k\left(i\right)/{\stackrel{\&OverBar;}{x}}_k$

c.关联度实质上是曲线间几何形状的相似程度，因此还要计算出曲线间差值的大小作为关联度的衡量标准；则第k条子线在t时刻与母线在各时刻的距离为：

${\mathrm{\&Delta;}}_{0k}\left(t\right)=|{\stackrel{\&OverBar;}{x}}_0\left(t\right)-{\stackrel{\&OverBar;}{x}}_k\left(t\right)|$

母、子序列在各时刻的关联性用关联数表示：

${\mathrm{\&xi;}}_{0k}\left(i\right)=\frac{{\mathrm{\&Delta;}}_{\min }+{\mathrm{\&xi;\&Delta;}}_{\max }}{{\mathrm{\&Delta;}}_{0k}\left(i\right)+{\mathrm{\&xi;\&Delta;}}_{\max }}$

其中：ξ_0k(i)为第k条子线与母线x₀在i时刻的关联数，其值满足0≤ξ_0k≤1，ξ_0k越接近1，它们的关联性越好；Δ_min,Δ_max为m条子线在区间[1,N]的距离Δ_0k(i)的最小值和最大值；ξ为分辨系数，取值为[0,1]，其大小可影响Δ_0k(i)的值，一般取ξ＝0.5；则第k条子线与母线在[1,N]间的关联度为：

$r_{0k}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_{0k}\left(i\right)$

在ξ＝0.5时，r_0k≥0.6，即认为子母因素有关联；r_0k＜0.6时，则认为关联性较差；由此，可以确定有n个因素是煤气产生量/消耗量的主影响因子，即为预测单元的输入变量；

步骤2、对输入数据进行归一化预处理，消除量纲影响；

获得预测单元的输入变量后，考虑到这几个的数据特性、取值范围、量纲等都不相同，

不方便后续计算；为了消除量纲的影响，加快BP神经网络的学习速度，则需将数据进行标准化处理；因为本系统选取

为激励函数，该函数的值域是[0,1]，因此训练时需要把样本数据统一进行归一化处理，选取最大最小法进行归一化处理，函数形式为：

x_k＝(x_k-x_min)/(x_max-x_min)

其中，x_min是数据序列中最小值，x_max是数据序列中最大值；

步骤3、将输入数据分为样本数据和测试数据，用样本数据对BP神经网络进行训练，直至满足训练误差要求，然后用测试数据通过训练好的BP神经网络进行预测，得出预测中间结果；

a.网络初始化；BP神经网络的输入序列是{X₁,X₂,...,X_n}，输入节点为x_i(i＝1,2,...,n)；预测值输出序列是{Y₁,Y₂,...,Y_m}，输出节点为y_k(k＝1,2,...,m)；隐含层节点为h_j(j＝1,2,...,l)；则可以根据预测模型输入输出序列(X,Y)确定网络输入层节点数n、输出层节点数m、隐含层节点数l；随机初始化输入层、隐含层和输出层神经元之间的连接权值ω_ij，ω_jk，隐含层阈值a_j(j＝1,2,...,l)，输出层阈值b_k(k＝1,2,...,m)，给定神经网络学习速率η和神经元激励函数f(x)；

b.隐含层输出计算；根据输入向量X，输入层和隐含层间连接权值ω_ij以及隐含层阈值a_j(j＝1,2,...,l)，则可以计算出隐含层输出H_j：

$H_j=f(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{1j}{x}_i-a_j)$ j＝1,2,...,l

其中，l为隐含层节点数；f为隐含层激励函数，本发明实施例选用的激励函数是

$f\left(x\right)=\frac{1}{(1+e^{-x})}$

c.输出层输出计算；根据隐含层输出H_j，连接权值ω_jk和阈值b_k(k＝1,2,...,m)，则可以计算出BP神经网络的预测输出O_k：

$O_k=\underset{j=1}{\overset{l}{\mathrm{\&Sigma;}}}{H}_j{\mathrm{\&omega;}}_{\mathrm{jk}}-b_k$ k＝1,2,...,m

d.误差计算；根据网络预测输出O_k和期望输出Y，可以算出BP神经网络预测误差e_k：

e_k＝Y_k-O_k  k＝1,2,...,m

e.权值修正；根据网络预测误差e_k更新修正网络连接权值ω_ij，ω_jk；

${\mathrm{\&omega;}}_{\mathrm{ij}}={\mathrm{\&omega;}}_{\mathrm{ij}}+{\mathrm{\&eta;H}}_j(1-H_j)x\left(i\right)\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{jk}}{e}_k$ i＝1,2,...,n;j＝1,2,...,l

ω_jk＝ω_jk+ηH_je_k  j＝1,2,...,l;k＝1,2,...,m

式中，η为学习速率；

f.阈值修正；根据网络预测误差e_k修正神经网络节点阈值a,b：

$a_j=a_j+{\mathrm{\&eta;H}}_j(1-H_j)\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{jk}}{e}_k$ j＝1,2,...,l

b_k＝b_k+e_k  k＝1,2,...,m

循环以上步骤训练BP神经网络，直至预测误差稳定于允许范围内，训练结束；

用训练好的BP神经网络对未来某时刻的高炉煤气发生量/消耗量进行预测，得出预测中间结果；

步骤4、用训练好的BP神经网络对未来某时刻的高炉煤气发生量/消耗量进行预测，此时输出的预测结果仅仅是一个中间结果，因为在预测模型的开始，对所有的输入数据进行了归一化处理，所以在输出预测结果的时候也要相应的进行反归一化处理，处理公式如下：

y＝y*(x_max-x_min)+x_min

由此，可得高炉煤气发生量/消耗量的最终预测值。

Images