CN104615856A - 基于热风炉组的煤气消耗量预测模型建立方法及装置 - Google Patents

Abstract

本发明实施例公开了一种基于热风炉组的煤气消耗量预测模型建立方法及装置，该方法包括：获取热风炉组的历史数据；根据获取的在每个采样时刻每座热风炉的状态确定热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉；将历史数据按照燃烧状态循环周期进行划分，将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集；分别将训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列；将平均值模型作为转换时段的煤气消耗量预测模型；根据非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。该方案适用范围广泛。

Description

基于热风炉组的煤气消耗量预测模型建立方法及装置

技术领域

本发明涉及冶金自动化技术领域，尤其涉及一种基于热风炉组的煤气消耗量预测模型建立方法及装置。

背景技术

钢铁行业是高能耗、高污染、高排放的行业，节能降耗一直是钢铁行业面临的严峻问题之一。在钢铁行业，通常采用高炉炼铁，而高炉炼铁是连续作业，为了满足高炉炼铁过程对连续高温热风的需求，一般会采用3～4座热风炉轮流交替为一座高炉送风，这些热风炉组成热风炉组，热风炉组中每日换炉的次数和时间根据热风炉的座数和燃烧制度而定，高炉炼铁过程中消耗的一次能源有40％左右转变为副产煤气(以下称为高炉煤气)，热风炉是炼铁工序中的煤气资源消耗大户，热风炉燃烧一般使用高炉煤气,煤气消耗量约占高炉煤气总量的45％，热风炉要经过燃烧一闷炉一送风一换炉一燃烧这样一个周期过程，只在燃烧状态消耗煤气，一个热风炉的煤气消耗是间断性的，而一座高炉的热风炉组的煤气消耗是连续性的。在高炉炼铁过程中，科学合理地对热风炉组的煤气消耗量进行预测,能够最大限度地利用煤气资源,从而节约成本,减少环境污染。目前，通常采用煤气消耗量预测模型对热风炉组的煤气消耗量进行预测，煤气消耗量预测模型准确性的高低直接影响到是否能够准确地预测热风炉组的煤气消耗量。

按照现有的基于热风炉组的煤气消耗量预测模型建立方法，是以热风炉组的每个热风炉的热平衡为研究基础，通过高炉作业条件，计算出输入热量、燃烧目标值、拱顶温度等燃烧条件的物理模型，根据热风温度、风量等要求预测出热风炉热状态和煤气消耗量。该模型的理论分析因素复杂(耦合了热风炉的炉型结构、内部煤气流动等参数)，无法用在热风炉的炉型设计参数未知时建立基于热风炉的煤气消耗量预测模型，该方法适用范围非常有限。

发明内容

本发明实施例提供一种基于热风炉组的煤气消耗量预测模型建立方法及装置，用以解决现有的基于热风炉组的煤气消耗量预测模型建立方法适用范围非常有限的问题。

根据本发明实施例，提供一种基于热风炉组的煤气消耗量预测模型建立方法，包括：

获取热风炉组的历史数据，所述历史数据包括在每个采样时刻所述热风炉组的煤气消耗量以及所述热风炉组中每座热风炉的状态；

根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉；

将所述历史数据按照所述燃烧状态循环周期进行划分，将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集；

分别将所述训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列；

对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段，将平均值模型作为所述转换时段的煤气消耗量预测模型；

对于除去所述转换时段的非转换时段，根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。

具体的，根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉，具体包括：

按照采样时刻的先后顺序统计所述热风炉组中处于燃烧状态的热风炉；

将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉；

将所述最小重复单元经历的最长时间确定为所述燃烧状态循环周期。

具体的，根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型，具体包括：

针对所述非转换时段的每个采样时刻，执行：

获取所述当前采样时刻的原始数据序列，作为所述灰色模型的建模序列；

根据所述建模序列计算所述当前采样时刻的一次累加序列；

根据所述一次累加序列生成背景值序列；

根据所述一次累加序列和所述背景值序列确定灰微分方程的发展系数和灰色作用量，得到所述灰微分方程的时间响应序列；

根据所述时间响应序列还原所述当前采样时刻的煤气消耗量，得到所述当前采样时刻的煤气消耗量预测模型。

可选的，还包括：

将所述最后一个燃烧状态循环周期内的历史数据作为测试集；

获取所述测试集中每个采样时刻的煤气消耗量，得到每个采样时刻的实际煤气消耗量；

使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量，得到每个采样时刻的预测煤气消耗量；

将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较，检验每个采样时刻的煤气消耗量预测模型的预测准确性。

可选的，还包括：

采用粒子群算法确定所述当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度，得到所述当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。

根据本发明实施例，提供一种基于热风炉组的煤气消耗量预测模型建立装置，包括：

获取单元，用于获取热风炉组的历史数据，所述历史数据包括在每个采样时刻所述热风炉组的煤气消耗量以及所述热风炉组中每座热风炉的状态；

第一确定单元，用于根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉；

划分单元，用于将所述历史数据按照所述燃烧状态循环周期进行划分，将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集；

第二确定单元，用于分别将所述训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列；

第三确定单元，用于对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段，将平均值模型作为所述转换时段的煤气消耗量预测模型；对于除去所述转换时段的非转换时段，根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。

具体的，所述第一确定单元，具体用于：

按照采样时刻的先后顺序统计所述热风炉组中处于燃烧状态的热风炉；

将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉；

将所述最小重复单元经历的最长时间确定为所述燃烧状态循环周期。

具体的，所述第三确定单元，具体用于：

针对所述非转换时段的每个采样时刻，执行：

获取所述当前采样时刻的原始数据序列，作为所述灰色模型的建模序列；

根据所述建模序列计算所述当前采样时刻的一次累加序列；

根据所述一次累加序列生成背景值序列；

根据所述一次累加序列和所述背景值序列确定灰微分方程的发展系数和灰色作用量，得到所述灰微分方程的时间响应序列；

根据所述时间响应序列还原所述当前采样时刻的煤气消耗量，得到所述当前采样时刻的煤气消耗量预测模型。

可选的，还包括检验单元，用于：

将所述最后一个燃烧状态循环周期内的历史数据作为测试集；

获取所述测试集中每个采样时刻的煤气消耗量，得到每个采样时刻的实际煤气消耗量；

使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量，得到每个采样时刻的预测煤气消耗量；

将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较，检验每个采样时刻的煤气消耗量预测模型的预测准确性。

可选的，还包括优化单元，用于：

采用粒子群算法确定所述当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度，得到所述当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。

本发明有益效果如下：

本发明实施例提供一种基于热风炉组的煤气消耗量预测模型建立方法及装置，通过获取热风炉组的历史数据，所述历史数据包括在每个采样时刻所述热风炉组的煤气消耗量以及所述热风炉组中每座热风炉的状态；根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉；将所述历史数据按照所述燃烧状态循环周期进行划分，将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集；分别将所述训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列；对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段，将平均值模型作为所述转换时段的煤气消耗量预测模型；对于除去所述转换时段的非转换时段，根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。该方案中，根据热风炉组的历史数据来确定各个采样时刻的煤气消耗量预测模型，无论是否获取热风炉组中的热风炉的炉型结构、内部煤气流动等参数，只要获取到热风炉组的历史数据即可建立煤气消耗量预测模型，相对于现有技术的方法适用范围广泛。

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，对于本领域普通技术人员而言，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他的附图。

图1为本发明实施例中一种基于热风炉组的煤气消耗量预测模型建立方法的流程示意图；

图2为本发明实施例在实际应用中热风炉组的煤气消耗量示意图；

图3为本发明实施例中热风炉组一个燃烧状态循环周期过程内的运行状态的示意图；

图4为本发明实施例中预测煤气消耗量与实际煤气消耗量对比图；

图5为本发明实施例中预测误差百分比的示意图；

图6为本发明实施例中一种基于热风炉组的煤气消耗量预测模型建立装置的流程示意图。

具体实施方式

针对现有技术中存在的基于热风炉组的煤气消耗量预测模型建立方法适用范围非常有限的问题，本发明实施例提供一种基于热风炉组的煤气消耗量预测模型建立方法，该方法的流程如图1所示，执行步骤如下：

S11：获取热风炉组的历史数据。

热风炉组在给高炉连续送风时，会记录热风炉组的历史数据，该历史数据包括在每个采样时刻热风炉组的煤气消耗量以及热风炉组中每座热风炉的状态，由于只有热风炉处于燃烧状态时才消耗煤气，因此需要获取每座热风炉的状态。

S12：根据获取的在每个采样时刻每座热风炉的状态确定热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉。

热风炉要经过燃烧一闷炉一送风一换炉一燃烧这样一个周期过程，只在燃烧状态消耗煤气，一个热风炉的煤气消耗是间断性的，而一座高炉的热风炉组的煤气消耗是连续性的，因此，可以确定热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉。

S13：将历史数据按照燃烧状态循环周期进行划分，将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集。

S14：分别将训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列。

具体的，还可以根据热风炉组的燃烧状态循环周期中经历燃烧状态的热风炉，将每个燃烧状态循环周期内的历史数据进行分组，例如，有1号、2号、3号三座热风炉，在一个燃烧循环周期内，处于燃烧状态的热风炉分别是1号热风炉一1号2号热风炉一2号热风炉一2号3号热风炉一3号热风炉一3号1号热风炉一1号热风炉，那么就可以将该燃烧状态循环周期内的历史数据分为六组，同组的历史数据按照采样时刻分类，得到每个采样时刻的原始数据序列。

S15：对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段，将平均值模型作为转换时段的煤气消耗量预测模型；对于除去转换时段的非转换时段，根据非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。

需要说明的是，预测下一燃烧状态循环周期内的转换时段的煤气消耗量时，可以获取当前燃烧状态循环周期内转换为一座热风炉处于燃烧状态后的第一采样时刻的煤气消耗量数据序列的平均值，将该平均值作为预测的下一燃烧状态循环周期内的转换时段的煤气消耗量；预测下一个燃烧状态循环周期内的非转换时段内采样时刻的煤气消耗量时，由于一个采样时刻对应一个煤气消耗量预测模型，因此可以根据对应采样时刻的煤气消耗量预测模型和当前燃烧状态循环周期内对应采样时刻的原始数据序列进行预测。

该方案中，根据热风炉组的历史数据来确定各个采样时刻的煤气消耗量预测模型，无论是否获取热风炉组中的热风炉的炉型结构、内部煤气流动等参数，只要获取到热风炉组的历史数据即可建立煤气消耗量预测模型，相对于现有技术的方法适用范围广泛。

具体的，上述S12中的根据获取的在每个采样时刻每座热风炉的状态确定热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉，具体包括：

按照采样时刻的先后顺序统计热风炉组中处于燃烧状态的热风炉；

将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉；

将最小重复单元经历的最长时间确定为燃烧状态循环周期。

图2是实际应用中热风炉组的煤气消耗量示意图，从图中可以看出，热风炉组的煤气消耗量是非线性非稳态的，并且异常随机波动较大，但整体保持一个稳定的趋势，表现为周期性的有规律的大幅度波动。图3是对热风炉组一个燃烧状态循环周期过程内的运行状态进行统计，本发明实施例热风炉组包括3座热风炉，记为1号热风炉、2号热风炉、3号热风炉，最小重复单元表现为1号热风炉处于燃烧状态一1号2号热风炉处于燃烧状态一2号热风炉处于燃烧状态一2号3号热风炉处于燃烧状态一3号热风炉处于燃烧状态一3号1号热风炉处于燃烧状态一1号热风炉处于燃烧状态，最小重复单元经历的时间长度不一致，可以将最小重复单元经历的最长时间确定为燃烧状态循环周期。

具体的，上述S16中的根据非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型，具体包括：

针对非转换时段的每个采样时刻，执行：

获取当前采样时刻的原始数据序列，作为灰色模型的建模序列；

根据建模序列计算当前采样时刻的一次累加序列；

根据一次累加序列生成背景值序列；

根据一次累加序列和背景值序列确定灰微分方程的发展系数和灰色作用量，得到灰微分方程的时间响应序列；

根据时间响应序列还原当前采样时刻的煤气消耗量，得到当前采样时刻的煤气消耗量预测模型。

灰色模型采用背景值和初始值优化后的GM(1，1)模型，该模型中引入背景值优化参数θ修正GM(1，1)模型背景值的计算公式，引入初始值优化参数η修正初始值，GM(1，1)模型中θ和η为默认值。以下一燃烧状态循环周期1号热风炉处于燃烧状态第一个采样时刻煤气消耗量预测为例进行说明，建模过程如下：

使用训练集中n个燃烧状态循环周期热风炉组的1号热风炉处于燃烧状态时第一个采样时刻的煤气消耗量数据序列建立原始数据序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)),n为数据个数。

引入参数η，将初始值条件修正为x⁽⁰⁾(1)＝x⁽⁰⁾(1)+η,式中参数η为修正项，GM(1，1)模型中η为默认值0，通常情况下η为0。

建立GM(1,1)模型来实现下一燃烧状态循环周期1号热风炉处于燃烧状态时第一个采样时刻的煤气消耗量预测功能，基本步骤如下:

原始数据序列进行一次累加后生成一次累加序列:

x⁽¹⁾(k)＝{x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n)}；

其中,x⁽¹⁾(k)中各数据表示对应前k项数据的累加。

$x^{\left(1\right)}\left(k\right)=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(m\right),k=\mathrm{1,2},\·\·\·,n;$

一次累加序列中的数列x⁽¹⁾(k)满足如下的灰微分方程:

$\frac{d{x}^{\left(1\right)}\left(t\right)}{\mathrm{dt}}+a{x}^{\left(1\right)}\left(t\right)=u.$

a,u为待定系数,分别称为发展系数和灰色作用量,a的有效区间是(-2,2),并记a,u构成的矩阵为灰参数 $\hat{a}=\left(\begin{array}{c}a\\ u\end{array}\right).$ 只要求出参数a,u,就能求出x⁽¹⁾(t),进而求出x⁽⁰⁾的预测值。

离散方程为x⁽⁰⁾(k)+az⁽¹⁾(k)＝u,k＝1,2…；

引入θ，将背景值的计算公式修正为：

z⁽¹⁾(k)＝(1-θ)x⁽¹⁾(k)+θx⁽¹⁾(k-1)，式中，0≤θ≤1    (1)；

GM(1，1)模型中θ为默认值，通常θ取0.5。

用最小二乘法求解灰参数则

其中， $B=\left[\begin{array}{ccc}-z^{\left(1\right)}\left(2\right)& & 1\\ -z^{\left(1\right)}\left(3\right)& & 1\\ & \·\·\·& \\ -z^{\left(1\right)}\left(8\right)& & 1\end{array}\right];Y_n=\left(\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ \·\·\·\\ x^{\left(0\right)}\left(8\right)\end{array}\right).$

将灰参数代入 $\frac{d{x}^{\left(1\right)}}{\mathrm{dt}}+a{x}^{\left(1\right)}=u,$ 并对 $\frac{d{x}^{\left(1\right)}}{\mathrm{dt}}+a{x}^{\left(1\right)}=u$ 进行求解,得

${\hat{x}}^{\left(1\right)}(k+1)=(X^{\left(0\right)}\left(1\right)-\frac{u}{a})e^{-\mathrm{ak}}+\frac{u}{a}.$

由于是通过最小二乘法求出的近似值,所以是一个近似表达式，可以标识近似数据序列，为了与一次累加序列x⁽¹⁾(k+1)区分开来,故记为

对函数表达式及进行离散,并将二者做差以便还原x⁽⁰⁾原序列,得到近似数据序列如下:

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),$

下一燃烧状态循环周期1号热风炉处于燃烧状态第一个采样时刻煤气消耗量预测值为：

${\hat{x}}^{\left(0\right)}(n+1)={\hat{x}}^{\left(1\right)}(n+1)-{\hat{x}}^{\left(1\right)}\left(n\right)---\left(2\right).$

可选的，上述基于热风炉组的煤气消耗量预测方法，还包括：

将最后一个燃烧状态循环周期内的历史数据作为测试集；

获取测试集中每个采样时刻的煤气消耗量，得到每个采样时刻的实际煤气消耗量；

使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量，得到每个采样时刻的预测煤气消耗量；

将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较，检验每个采样时刻的煤气消耗量预测模型的预测准确性。

可以计算实际煤气消耗量x⁽⁰⁾(t)与预测煤气消耗量之间的残差e⁽⁰⁾(t)和相对误差q⁽⁰⁾(t):

$e^{\left(0\right)}\left(t\right)=x^{\left(0\right)}\left(t\right)-{\hat{x}}^{\left(0\right)}\left(t\right)$

q⁽⁰⁾(t)＝e⁽⁰⁾(t)/x⁽⁰⁾(t)

检验e⁽⁰⁾(t)和q⁽⁰⁾(t)是否符合偏差检验要求。

预测煤气消耗量与实际煤气消耗量对比如图4所示，预测误差百分比如图5所示，通过与测试集数据实际输出比较，预测误差大部分在±5％以内，平均误差3.4086％，符合偏差检验要求。

可选的，上述基于热风炉组的煤气消耗量预测方法，还包括：

采用粒子群算法确定当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度，得到当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。

具体过程为：

(a)初始化粒子：设定学习因子c₁和c₂，惯性权重ω，速度上限V_max，最大迭代次数T_max。当前迭代次数t为1，随机产生m个粒子，粒子维数设为2维，分别代表求解的参数θ和η，初始化粒子群中粒子的位置与速度如下：

u_i＝(θ_i1，η_i2)，v_i＝(v_i1，v_i2)，i＝1，2，…，m

其中0≤θ_i1≤1，一2≤v_i≤2。

(b)将每个粒子u_i＝(θ_i1，η_i2)中θ_i1依次代入公式(1)，得到矩阵B，通过B求出a和u，然后将对应η_i2代入公式(2)，得到对应预测煤气消耗量以实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小为目标，粒子群算法适应度函数构造为：

$\min F=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{{\hat{x}}^0\left(k\right)-x^0\left(k\right)}{x^0\left(k\right)}\right|;$

式中N为原始数据序列的数据个数，F越小，说明参数θ和η用于灰色建模的适应性越好，F可以称为适用值。

(c)比较粒子的当前适应值和自身历史最优值，如果优于原来的个体极值，设置当前适应值为个体极值。

(d)根据各个粒子的个体极值,找出全局极值。

(e)更新粒子的速度和位置，并把它限制在V_max内。

(f)判断迭代次数是否大于T_max。或者优化所得全局最优位置相应的适应度值是否满足预设的适应度阀值，若满足，转向执行步骤(g)，得出最优参数θ和η；否则t＝t+1转向执行步骤(b)，继续寻找最优位置。

(g)输出全局最优位置，得到全局最优参数θ和η，算法运行结束。将最优参数θ和η代入GM(1,1)模型修正背景值和初始值，从而能够提升最终得到的煤气消耗量预测模型的准确性。

基于同一发明构思，本发明实施例提供一种基于热风炉组的煤气消耗量预测模型建立装置，该装置可以设置在热风炉组中，结构如图6所示，包括：

获取单元61，用于获取热风炉组的历史数据，历史数据包括在每个采样时刻热风炉组的煤气消耗量以及热风炉组中每座热风炉的状态；

第一确定单元62，用于根据获取的在每个采样时刻每座热风炉的状态确定热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉；

划分单元63，用于将历史数据按照燃烧状态循环周期进行划分，将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集；

第二确定单元64，用于分别将训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列；

第三确定单元65，用于对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段，将平均值模型作为转换时段的煤气消耗量预测模型；对于除去转换时段的非转换时段，根据非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。

具体的，第一确定单元62，具体用于：

按照采样时刻的先后顺序统计热风炉组中处于燃烧状态的热风炉；

将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉；

将最小重复单元经历的最长时间确定为燃烧状态循环周期。

具体的，第三确定单元65，具体用于：

针对非转换时段的每个采样时刻，执行：

获取当前采样时刻的原始数据序列，作为灰色模型的建模序列；

根据建模序列计算当前采样时刻的一次累加序列；

根据一次累加序列生成背景值序列；

根据一次累加序列和背景值序列确定灰微分方程的发展系数和灰色作用量，得到灰微分方程的时间响应序列；

根据时间响应序列还原当前采样时刻的煤气消耗量，得到当前采样时刻的煤气消耗量预测模型。

可选的，还包括检验单元，用于：

将最后一个燃烧状态循环周期内的历史数据作为测试集；

获取测试集中每个采样时刻的煤气消耗量，得到每个采样时刻的实际煤气消耗量；

使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量，得到每个采样时刻的预测煤气消耗量；

将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较，检验每个采样时刻的煤气消耗量预测模型的预测准确性。

可选的，还包括优化单元，用于：

采用粒子群算法确定当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度，得到当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的可选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括可选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于热风炉组的煤气消耗量预测模型建立方法，其特征在于，包括：

获取热风炉组的历史数据，所述历史数据包括在每个采样时刻所述热风炉组的煤气消耗量以及所述热风炉组中每座热风炉的状态；

根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉；

将所述历史数据按照所述燃烧状态循环周期进行划分，将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集；

分别将所述训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列；

对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段，将平均值模型作为所述转换时段的煤气消耗量预测模型；

对于除去所述转换时段的非转换时段，根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。

2.如权利要求1所述的方法，其特征在于，根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉，具体包括：

按照采样时刻的先后顺序统计所述热风炉组中处于燃烧状态的热风炉；

将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉；

将所述最小重复单元经历的最长时间确定为所述燃烧状态循环周期。

3.如权利要求1所述的方法，其特征在于，根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型，具体包括：

针对所述非转换时段的每个采样时刻，执行：

获取所述当前采样时刻的原始数据序列，作为所述灰色模型的建模序列；

根据所述建模序列计算所述当前采样时刻的一次累加序列；

根据所述一次累加序列生成背景值序列；

根据所述一次累加序列和所述背景值序列确定灰微分方程的发展系数和灰色作用量，得到所述灰微分方程的时间响应序列；

根据所述时间响应序列还原所述当前采样时刻的煤气消耗量，得到所述当前采样时刻的煤气消耗量预测模型。

4.如权利要求3所述的方法，其特征在于，还包括：

将所述最后一个燃烧状态循环周期内的历史数据作为测试集；

获取所述测试集中每个采样时刻的煤气消耗量，得到每个采样时刻的实际煤气消耗量；

使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量，得到每个采样时刻的预测煤气消耗量；

将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较，检验每个采样时刻的煤气消耗量预测模型的预测准确性。

5.如权利要求3所述的方法，其特征在于，还包括：

采用粒子群算法确定所述当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度，得到所述当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。

6.一种基于热风炉组的煤气消耗量预测模型建立装置，其特征在于，包括：

获取单元，用于获取热风炉组的历史数据，所述历史数据包括在每个采样时刻所述热风炉组的煤气消耗量以及所述热风炉组中每座热风炉的状态；

第一确定单元，用于根据获取的在每个采样时刻每座热风炉的状态确定所述热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉；

划分单元，用于将所述历史数据按照所述燃烧状态循环周期进行划分，将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集；

第二确定单元，用于分别将所述训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量确定为对应采样时刻的原始数据序列；

第三确定单元，用于对于两座热风炉处于燃烧状态转换为一座处于燃烧状态的转换时段，将平均值模型作为所述转换时段的煤气消耗量预测模型；对于除去所述转换时段的非转换时段，根据所述非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。

7.如权利要求6所述的装置，其特征在于，所述第一确定单元，具体用于：

按照采样时刻的先后顺序统计所述热风炉组中处于燃烧状态的热风炉；

将统计结果中包括的最小重复单元作为一个燃烧状态循环周期内经历燃烧状态的热风炉；

将所述最小重复单元经历的最长时间确定为所述燃烧状态循环周期。

8.如权利要求6所述的装置，其特征在于，所述第三确定单元，具体用于：

针对所述非转换时段的每个采样时刻，执行：

获取所述当前采样时刻的原始数据序列，作为所述灰色模型的建模序列；

根据所述建模序列计算所述当前采样时刻的一次累加序列；

根据所述一次累加序列生成背景值序列；

根据所述一次累加序列和所述背景值序列确定灰微分方程的发展系数和灰色作用量，得到所述灰微分方程的时间响应序列；

根据所述时间响应序列还原所述当前采样时刻的煤气消耗量，得到所述当前采样时刻的煤气消耗量预测模型。

9.如权利要求8所述的装置，其特征在于，还包括检验单元，用于：

将所述最后一个燃烧状态循环周期内的历史数据作为测试集；

获取所述测试集中每个采样时刻的煤气消耗量，得到每个采样时刻的实际煤气消耗量；

使用每个采样时刻的煤气消耗量模型预测对应采样时刻的煤气消耗量，得到每个采样时刻的预测煤气消耗量；

将每个采样时刻的实际煤气消耗量与预测煤气消耗量进行比较，检验每个采样时刻的煤气消耗量预测模型的预测准确性。

10.如权利要求8所述的装置，其特征在于，还包括优化单元，用于：

采用粒子群算法确定所述当前采样时刻的实际煤气消耗量与预测煤气消耗量的相对误差绝对值和最小时的粒子速度的位置与速度，得到所述当前采样时刻的灰色模型的背景值优化参数和初始值优化参数。