CN103942422A - 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 - Google Patents

Abstract

一种基于数据的冶金企业转炉煤气柜柜位长期预测方法。在对真实工业生产数据进行除噪填补等预处理后，对数据进行粒化，即按照实际特征将转炉煤气流量差、煤气柜位等数据进行分段。通过模糊C均值、模糊推理与中心解模糊化等方法的应用，最终完成对转炉煤气柜柜位的长期预测。本发明能够准确地预测转炉煤气系统未来较长一段时间内各煤气柜柜位变化，为现场调度人员的平衡优化工作提供在线决策支持。

Description

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

技术领域

本发明属于信息技术领域，涉及到粒度计算、模糊聚类、模糊推理等技术，是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。本发明采用真实工业生产数据，首先对数据进行粒化，即按照实际特征将转炉煤气流量差、煤气柜位等数据进行分段；随后，利用模糊C均值聚类方法进行模糊建模，进而借助所获得的隶属度与聚类中心进行模糊推理，建立If-Then形式的模糊规则库；最终，通过中心解模糊化方法，将结果由[0,1]区间的模糊论域，转换到常用的(-∞,+∞)的精确域上，得到长期预测结果。这种长期预测结果可更好地辅助现场调度人员进行能源系统的平衡优化工作，在冶金工业其他能源介质系统中亦可推广应用。

背景技术

作为一个高能耗高排放的行业，冶金企业始终面临节能降耗的问题。由于一次能源日益紧缺，如何合理利用冶金生产过程中产生的副产煤气等二次能源成为问题解决的关键手段之一。转炉煤气是钢铁生产过程中重要的二次能源之一，多作为原料气体应用于冷、热轧等生产过程以及低压锅炉、电厂等消耗单元。在转炉煤气系统中，煤气柜一端连接作为发生单元的六座转炉，另外一端连接高炉、冷热轧、石灰窑等消耗单元，在管网中起到缓冲单元的作用。在转炉煤气系统日常生产中，能源调度人员常以煤气柜柜位的变化情况作为实施能源平衡调度的参考指导信息，因此对其变化情况的准确预测，将为副产能源的高效利用提供科学的指导和决策依据，进而直接影响到企业的能耗成本(Iwao Higashi,(1982).Energy balance ofsteel mills and utilization of byproduct gases[J].Transactions of the Iron and Steel Institute of Japan,22(1):57-65.)。

由于冶金企业现场普遍存在非线性、时变等复杂特性，传统的机理建模方法难于实现。在对转炉煤气柜位的预测问题上，目前主要应用神经网络、支持向量机等机器学习方法（Z.Y.Han,Y.Liu,J.Zhao,W.Wang.(2012).Real time prediction for converter gas tank levels based onmulti-output least square support vector regressor.Control Engineering Practice,20(12),1400-1409）。在具体应用时，它们的样本构建方式均采用循环迭代机制，即设当前时刻为t，预测长度为n，柜位值为x，其它各影响柜位的因素为a,b,……，则样本集建立如下所示：

x_t＝f(a_t,b_t,……,x_t-1)

x_t+1＝f(a_t+1,b_t+1,……,x_t)    (1)

.

.

.

x_t+n＝f(a_t+n,b_t+n,……,x_t+n-1)

由表达式(1)可以看出，在如此的机制下进行预测，每次输出的结果是一个点，且下一轮的预测会将上一轮的预测结果作为输入，进行循环滚动预测。

以上方法存在如下不足：首先，由于预测过程存在迭代，每一次预测的误差将会带入到下一次预测当中，预测结果的精度将不可避免地随预测长度的增加而逐渐变差，若以分钟为基本单位，此类方法一般只能保证一个小时以内预测结果的准确性，对现场能源平衡工作的指导意义有限。其次，这两类方法属于监督式学习方法，也就是说最终结果的获得需要经过训练和预测两个阶段，其中算法的诸多参数是需要通过对数据进行训练而获得的，这便使得其在应对较大规模数据时，出现耗时较高的问题，很难适应现场实时性的要求。再次，单纯依靠算法去学习数据的变化特性难度较大，若能在建立模型之前预先根据实际特征对数据进行处理，则无疑会降低模型辨识难度，使得预测精度的提升成为可能。

发明内容

本发明主要解决冶金企业转炉煤气柜位的长期预测问题。方法使用采集自现场的真实工业数据，首先基于数据呈现的实际特征将其进行分割完成数据粒化，进而对获得的数据粒应用模糊C均值(Fuzzy C-Means,FCM)方法进行聚类，获得相应的隶属度与聚类中心，在此基础上进行模糊推理，建立模糊规则库，最终通过中心解模糊化方法完成长期预测。本发明的具体步骤如下：

1.由现场实时数据库采集煤气柜位数据以及影响转炉煤气柜变化的各相关因素数据，并对原始数据做基本的除噪及填补处理，保证基础数据质量；

2.基于数据所反映的实际特征，例如煤气集中回收、煤气发生量大于消耗量等，对数据进行分割，完成数据粒化过程，即样本的构建；

3.对样本应用FCM方法，得到隶属度与聚类中心，完成模糊建模过程；

4.借助所获得的隶属度与聚类中心进行模糊推理，建立模糊规则，形成规则库；

5.通过中心解模糊化方法，将分布在模糊论域（即[0,1]区间）的结果，转换到日常实际的精确论域上，长期预测得以完成。

本发明方法面向多个数据点所形成的数据粒进行建模。由于数据粒形成过程中会考虑数据对应的实际生产特征，使得模型会更加完善，分析范围得以扩展，进而得到更长时间的较为精确的预测结果，更为有力地支持现场的后续能源调度工作。与此同时，由于FCM算法属于无监督学习方法，并不存在训练的过程，即使应对较大规模的数据集，其计算过程耗时仍很短，因此方法的实时性得到保证，有利于将预测结果及时地呈现给工业现场调度人员。

附图说明

图1为转炉煤气系统管网示意图。

图2为本发明应用流程图。

图3(a)为柜位数据粒化举例示意图。

图3(b)为流量差数据粒化举例示意图。

图4(a)为1号转炉煤气柜柜位预测效果比较图。

图4(b)为2号转炉煤气柜柜位预测效果比较图。

图4(c)为3号转炉煤气柜柜位预测效果比较图。

图4(d)为4号转炉煤气柜柜位预测效果比较图。

图中：ESN是指回声状态网络(Echo State Network,ESN)，LSSVM指最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)。

具体实施方式

为了更好地理解本发明的技术方案与具体实施方式，下面以国内冶金工业自动化水平较高的某钢铁厂转炉煤气系统为例做进一步说明。由附图1所示的转炉煤气系统示意图可以看出，该系统中含有六座转炉作为发生单元，还有高炉、冷热轧、烧结等诸多消耗单元，低压锅炉和热电机组等作为可调节单元，四个煤气柜则起到缓冲作用，可在转炉煤气发生量大于消耗量时暂存多余的转炉煤气，或在发生量不足时临时供给消耗单元保证生产，此外还有煤气混合站和煤气加压站等作为输配系统。由于输配管网纷繁复杂，遍布多个生产区域，且铺设距离较长，转炉煤气系统存在非线性大时滞等诸多特点，因此很难对其进行准确有效的机理建模，这也是本发明由基于数据的方法角度出发的原因所在。

本发明的具体实施步骤如下：

步骤1：数据准备与预处理

从工业现场实时关系数据库读取转炉煤气系统发生单元、消耗单元、可调节单元以及柜位数据。由于工业数据普遍存在有噪声、少量缺失点等问题，在建立模型之前对数据做基本的除噪和填补处理。

步骤2：基于粒度的样本构建

①输入/输出确定：由转炉煤气系统管网示意图可知，转炉煤气柜两端连接有发生用户与消耗用户，这些用户的产消流量差值，会影响煤气柜位的变化，因此流量差值是影响柜位因素之一；此外，煤气柜储量历史信息很重要，在考察当前柜位时，需要考虑前一时刻煤气柜处于什么样的状态，所以柜位历史信息是另一个影响因素。至此，模型的输入部分已经明确，输出即为当前时刻的柜位值。

②基于粒度思想的样本构建：粒度计算理论不同于一般针对数据点研究的方式，更侧重于“段”的概念，即“粒子”的研究。基于上述思想，可构建前一时刻柜位L₀＝{l₀₁,l₀₂,……,l_0N,l_0(N+1)}、当前时刻流量差D＝{d₁,d₂,……,d_N,d_(N+1)}以及当前时刻柜位L＝{l₁,l₂,……,l_N}，其中每一个子元素l_0i、d_i或l_j均为长度为w的数据粒子，N代表粒子个数。后续的聚类计算将对L₀、D和L三组数据分别进行，而由于最终预测时需要输入，因此L₀和D分别比L多出一个粒子l_0(N+1)和d_(N+1)。

考虑到工程应用，应以数据对应的实际工业特征对L₀、D和L进行划分。例如，图3(a)是对某柜位数据的粒化说明，作为转炉煤气系统的缓冲单元和临时存储设备，煤气柜一般有煤气集中回收、煤气集中供应和供需相对平衡三种情况，对应柜位值形态为上升、下降和相对平稳，柜位一类数据依此划分即可；图3(b)是对流量差数据进行划分的方式，因发生和消耗用户在煤气柜处产生或正或负的流量差，所以此数据按正负进行粒化即可。基于以上方式处理过的数据，将更加贴近生产实际，有助提升预测结果的精度。

步骤3：模糊建模

模糊建模过程即对样本中的三个数据集L₀、D和L分别进行聚类，为叙述方便，此处以当前时刻柜位数据集L＝{l₁,l₂,……,l_N}为例进行说明，其中l_i＝{l_i1,l_i2,……,l_iw}为一个w长的粒。作为一个无监督学习方法，FCM首先随机生成隶属度矩阵，再结合数据生成初始聚类中心矩阵，然后通过不断的优化计算，更新这两个矩阵使之达到最优。设u_ij表示数据集的第j个粒子对i个类的隶属度值，FCM聚类问题的目标函数和约束条件分别如(2)和(3)所示。

$Q=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2---\left(2\right)$

$s\·t\·\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}=1j=\mathrm{1,2},\·\·\·\·\·\·,N---\left(3\right)$

式中1＜c≤N是分类数，m＞1是模糊系数，d_ij表示第j个粒子与第i类聚类中心的距离，本文采用欧氏距离，即

$d_{\mathrm{ij}}=\left|\right|l_j-v_i\left|\right|i=\mathrm{1,2},\·\·\·\·\·\·,cj=\mathrm{1,2},\·\·\·\·\·\·,N---\left(4\right)$

式中v_i为第i类的聚类中心。

对于如(2)(3)所示的等式约束优化问题，可利用Lagrange乘子法求解，即引入Lagrange乘子λ，对任意j可将原问题转化为：

$Q^{\text{'}}=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2-\mathrm{\λ}(\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}-1)---\left(5\right)$

令(5)式对u_ij求偏导数为0，可得：

$\frac{\∂Q^{\text{'}}}{\∂u_{\mathrm{ij}}}=m{u}_{\mathrm{ij}}^{m-1}{d}_{\mathrm{ij}}^2-\mathrm{\λ}=0---\left(6\right)$

即：

$u_{\mathrm{ij}}={\left(\frac{\mathrm{\λ}}{m}\right)}^{1/(m-1)}\frac{1}{{\left(d_{\mathrm{ij}}\right)}^{2/(m-1)}}---\left(7\right)$

综合考虑(3)式和(7)式，可得：

${\left(\frac{\mathrm{\λ}}{m}\right)}^{1/(m-1)}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\frac{1}{{\left(d_{\mathrm{ij}}\right)}^{2/(m-1)}}=1---\left(8\right)$

由此解得：

${\left(\frac{\mathrm{\λ}}{m}\right)}^{1/(m-1)}=\frac{1}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\frac{1}{{\left(d_{\mathrm{ij}}\right)}^{2/(m-1)}}}---\left(9\right)$

将上式带入到(7)式中，可得u_ij的计算公式：

$u_{\mathrm{ij}}=\frac{1}{\underset{t=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{tj}}}\right)}^{\frac{2}{m-1}}}---\left(10\right)$

再对原问题(2)求关于v_i的偏导数并使之为0，即：

$\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}^m(x_k-v_i)=0---\left(11\right)$

进而获得的v_ij计算公式：

$v_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}^m{l}_{\mathrm{kj}}}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}^m}i=\mathrm{1,2},\·\·\·\·\·\·,\mathrm{cj}=\mathrm{1,2},\·\·\·\·\·\·,w---\left(12\right)$

以下简要整理FCM计算步骤：

①给定数据集，确定分类数c（1＜c≤N），模糊系数m（m＞1）以及误差限ε（ε＞0）；

②随机给定初始模糊划分矩阵其中为区间[0,1]上的模糊数；

③取计数变量z=0；

④借助U^(z)，利用式(12)计算聚类中心其中i＝1,2,……,c j＝1,2,……,w；

⑤按式(4)(10)更新隶属度矩阵U^(z)为U^(z+1)，若则令

⑥利用式(2)计算Q(U^(z),V^(z))和Q(U^(z+1),V^(z+1))，其中V^(z)是由聚类中心组成的矩阵，若Q(U^(z),V^(z))-Q(U^(z+1),V^(z+1))＜ε，则终止算法，此时的U^(z+1)和V^(z+1)即为最优的划分矩阵和聚类中心矩阵；否则，令z=z+1，返回④循环计算。

步骤4：模糊推理

一般的模糊规则形式如下式所示：

R:If x is A_i,then y is B_j    (13)其中x、y为语言变量，A_i、B_j是语言变量的值。

步骤3中的FCM方法除给出隶属度外，还在无监督方式下对每组数据计算有聚类中心矩阵，模糊推理便可以以每个粒子最大隶属度对应类别来建立模糊规则，即该粒子最大程度上属于某一类作为语言变量，如下式所示：

$R:\mathrm{If}{L}_0(t-1)\mathrm{is}{c}_{L_0}^r,D\left(t\right)\mathrm{is}{c}_D^s,\mathrm{thenL}\left(t\right)\mathrm{is}{c}_L^q---\left(14\right)$ 其中和q均为输入因素或输出柜位的数据粒子所属类别的标识，例如当L₀(t-1)对应第3类的隶属度最大时，则标识变量中的r记为3。对样本集每一条样本建立如此规则，即可获得由N条规则形成的模糊规则库。

步骤5：预测

在规则库建立好后，信息已完备，可对分析对象进行预测。规则库中所记录有管网历史信息，即流量差及柜位的运行特征。现考察测试样本输入，即L₀和D中的l_0(N+1)、d_(N+1)，提取其最大隶属度对应类别，然后在模糊规则库中寻找标识一致的规则，记录这些规则对应输出L的隶属度最大位置为一列向量，记做h_j，以及相应隶属度进而计算如下变量：

$p=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{h}_j{u}_{\mathrm{ij}}^{L}i=1,2,\·\·\·\·\·\·,c---\left(15\right)$

再采用中心解模糊化方法，即：

$\hat{p}=p^T{V}_L---\left(16\right)$

其中V_L为数据变量L经FCM计算而得的聚类中心矩阵，即最终预测值。

由以上过程可以看出，属于无监督学习的FCM方法承担了计算隶属度的任务，避免了迭代过程，一次性给出时长为粒子长度w的预测结果，附图4的结果也证明这种建模方式在运算耗时和精度上优于一些工业应用的基于数据的建模方法。

图4(a)(b)(c)(d)分别是四个煤气柜的预测效果对比图，对比方法包括常用的回声状态网络ESN(Echo State Network)，如“+”形线所示，以及最小二乘支持向量机LSSVM(Least SquareSupport Vector Machine)，如“·”形线所示。实线代表真实观测值，虚线为本发明对应预测值。预测结果比较可参见表1，其中RMSE为均方根误差，MAPE为平均绝对百分比误差，CT为计算时间。

$\sqrt{{\mathrm{\Σ}}_{i=1}^N{(Y_i-F_i)}^2/N}\left(17\right)$

${\mathrm{\Σ}}_{i=1}^N(\left(\right|Y_i-F_i|/Y_i)\×100)\left(18\right)$

其中Y_i为真实观测值，F_i为模型输出值，N为被估计的样本点个数。

表1三种方法预测结果比较

Claims (1)

1.一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法，其特征在于如下步骤：

(1)从工业现场实时数据库读取转炉煤气系统发生单元、消耗单元、可调节单元以及柜位数据，在建立模型之前对这些数据做基本的除噪和填补处理；

(2)基于粒度思想构建输入/输出样本

①输入/输出确定：模型的输入为用户流量差值与柜位历史信息，输出为当前时刻的柜位值；

②基于粒度思想的样本构建：基于数据粒度思想，构建前一时刻柜位的粒度形式L₀＝{l₀₁,l₀₂,……,l_0N,l_0(N+1)}、当前时刻流量差的粒度形式D＝{d₁,d₂,……,d_N,d_(N+1)}以及当前时刻柜位的粒度形式L＝{l₁,l₂,……,l_N}，其中每一个子元素l_0i、d_i或l_j均为长度为w的数据粒子，N代表粒子个数，后续的聚类计算将对L₀、D和L三组数据分别进行，而由于最终预测时需要输入，因此L₀和D分别比L多出一个粒子l_0(N+1)和d_(N+1)；

(3)基于数据粒度的模糊建模

模糊建模过程即对构建样本中的三个数据粒度集L₀、D和L分别进行聚类，以当前时刻柜位数据集L＝{l₁,l₂,……,l_N}为例进行说明，其中l_i＝{l_i1,l_i2,……,l_iw}为一个w长的粒，具体聚类步骤为：

①给定数据集，确定分类数c，1＜c≤N，模糊系数m＞1）以及误差限ε＞0；

②随机给定初始模糊划分矩阵其中u_ij表示数据集的第j个粒子对i个类的隶属度值，为区间[0,1]上的模糊数；

③取计数变量z=0；

④借助利用式(1)计算聚类中心

$v_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}^m{l}_{\mathrm{kj}}}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}^m}i=\mathrm{1,2},\·\·\·\·\·\·,\mathrm{cj}=\mathrm{1,2},\·\·\·\·\·\·,w---\left(1\right)$

⑤按式(2)(3)更新隶属度矩阵U^(z)为U^(z+1)，若则令

$d_{\mathrm{ij}}=\left|\right|l_j-v_i\left|\right|,i=\mathrm{1,2},\·\·\·\·\·\·,c\·j=\mathrm{1,2},\·\·\·\·\·\·,N\·---\left(2\right)$

$u_{\mathrm{ij}}=\frac{1}{\underset{t=2}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{ij}}}\right)}^{\frac{2}{m-1}}}---\left(3\right)$

⑥利用式(4)计算Q(U^(z),V^(z))和Q(U^(z+1),V^(z+1))，其中V^(z)是由聚类中心组成的矩阵，若Q(U^(z),V^(z))-Q(U^(z+1),V^(z+1))＜ε，则终止算法，此时的U^(z+1)和V^(z+1)即为最优的划分矩阵和聚类中心矩阵；否则，令z=z+1，返回第4步循环计算；

$Q=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2---\left(4\right)$

(4)模糊推理

第(3)步建模过程中的聚类给出粒子对应每一类的隶属度和聚类中心矩阵，模糊推理以每个粒子最大隶属度对应类别来建立模糊规则，如下式所示：

$R:\mathrm{If}{L}_0(t-1)\mathrm{is}{c}_{L_0}^r,D\left(t\right)\mathrm{is}{c}_D^s,\mathrm{thenL}\left(t\right)\mathrm{is}{c}_L^q---\left(5\right)$

其中和均为输入因素或输出柜位的数据粒子所属类别的标识，对样本集每一条样本建立如此规则，获得由N条规则形成的模糊规则库；

(5)转炉煤气柜位长期预测

规则库建立好后，信息已完备，对分析对象进行预测，规则库中所记录有流量差及柜位历史运行特征，分别提取L₀和D中的l_0(N+1)和d_(N+1)最大隶属度对应类别作为预测输入，然后在模糊规则库中寻找标识一致的规则，记录这些规则对应输出L的隶属度最大位置，记做列向量h_j，以及相应隶属度进而计算如下变量：

$p=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{h}_j{u}_{\mathrm{ij}}^{L}i=\mathrm{1,2},\·\·\·\·\·\·,c---\left(6\right)$

再采用中心解模糊化方法，即：

$\hat{p}=p^T{V}_L---\left(7\right)$

其中V_L为数据变量L经聚类计算而得的聚类中心矩阵，即为最终预测值。